張可，呂軍

（1.安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥　230601；2.黃山學(xué)院信息工程學(xué)院）

自然條件下茶葉嫩芽圖像分割方法的研究

張可1，呂軍2

（1.安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥230601；2.黃山學(xué)院信息工程學(xué)院）

探討茶葉嫩芽自動(dòng)分割方法，為茶葉智能采摘提供技術(shù)支持。以自然環(huán)境下茶葉嫩芽圖像為研究對(duì)象，比較了基于顏色的閾值分割與聚類分割方法對(duì)茶葉嫩芽自動(dòng)分割的影響。首先，選擇了R-B和b分量進(jìn)行茶葉閾值分割；其次在Lab顏色模型下進(jìn)行K-means聚類分割；最后，通過形態(tài)學(xué)處理實(shí)現(xiàn)茶葉嫩芽自動(dòng)識(shí)別?；诰垲惖牟枞~分割方法不僅能夠抑制顏色閾值分割受光照的影響，且實(shí)現(xiàn)了自然環(huán)境下茶葉嫩芽的有效分割。

茶葉嫩芽；圖像處理；自動(dòng)分割；聚類分析

茶葉嫩芽采摘是茶葉生產(chǎn)工序中最重要的環(huán)節(jié)之一，直接影響后期茶葉炒青質(zhì)量和市場(chǎng)銷售。目前茶葉嫩芽采摘主要依靠人工采摘為主，機(jī)械采茶機(jī)［1-2］為輔的工作模式，該方式存在著勞動(dòng)強(qiáng)度大，選擇效率低，易破壞嫩芽完整性等不足。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，楊福增［3］、劉志杰等［4］利用圖像處理方法實(shí)現(xiàn)了室內(nèi)環(huán)境下陜西“子午仙毫”茶葉嫩芽識(shí)別。吳雪梅［5］、韋佳佳［6］分別探討了采茶距離和顏色模型對(duì)茶葉嫩芽分割的影響。上述方法受光照影響較大，魯棒性較差，且自然環(huán)境下塵土、雨水、茶梗、老葉姿態(tài)各異等加大了嫩芽分割難度。在傳統(tǒng)閾值分割基礎(chǔ)上，提出基于K均值聚類的茶葉嫩芽智能分割方法。以自然條件下茶葉圖像為研究對(duì)象，將RGB顏色空間轉(zhuǎn)換到Lab色彩空間，并利用K均值聚類法實(shí)現(xiàn)嫩芽智能識(shí)別，為后期機(jī)械智能采摘提供參考。

1　材料與方法

1.1茶葉圖像采集

所采集的茶葉樣本均采自清明時(shí)期茅山茶場(chǎng)（安徽，黃山，屯溪，北緯29.71°，東經(jīng)118.33°），在自然光照條件下利用Nikon D90數(shù)碼相機(jī)采集黃山毛峰圖像30幅，以jpg格式存儲(chǔ)（如圖1）。使用matlab2012a編寫相關(guān)算法，實(shí)現(xiàn)茶葉圖像預(yù)處理和彩色分割等。

1.2茶葉圖像預(yù)處理

為加快計(jì)算機(jī)處理速度，將茶葉圖像統(tǒng)一裁定為600×400像素。由于自然環(huán)境下茶葉圖像易受到灰塵、雨水、顆粒等噪聲的影響。因此，采用3×3模板的標(biāo)量中值濾波對(duì)茶葉彩色圖像的RGB三個(gè)分量分別進(jìn)行濾波后合成新的彩色圖像（如圖2），以消弱或清除噪聲，利于后期嫩芽分割。

圖1　自然環(huán)境下茶葉圖像Fig.1Tea image under nature conditions

圖2　標(biāo)量中值濾波后茶葉圖像Fig.2Tea image by scalar median filter

1.3茶葉圖像顏色模型轉(zhuǎn)換

RGB模型是常用的顏色模型之一。人眼所感知的色彩通常是由R（紅）、G（綠）、B（藍(lán)）三原色根據(jù)不同的比例混合而成。R、G、B三分量高度相關(guān)，不適合用于圖像分割與分析。為消除RGB的相關(guān)性，把茶葉圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間。首先從RGB空間轉(zhuǎn)換到XYZ顏色空間，其次從XYZ轉(zhuǎn)換到Lab。假設(shè)r，g，b為茶葉RGB彩色模型的三個(gè)顏色分量，取值范圍為［0，255］，具體轉(zhuǎn)換如式1—式3所示：

1.4基于閾值的茶葉嫩芽分割

圖像分割是數(shù)字圖像處理重要的環(huán)節(jié)之一，分割結(jié)果直接影響圖像處理的最終效果［7］。閾值分割方法作為一種常用的基于區(qū)域的圖像分割技術(shù)，其原理是按照灰度級(jí)分布，對(duì)像素集合進(jìn)行劃分，得到的每個(gè)子集區(qū)域內(nèi)部具有一致的屬性，該方法適用于目標(biāo)與背景占據(jù)不同灰度級(jí)范圍的圖像。待分割灰度圖像及閾值的選取直接影響茶葉嫩芽圖像分割的質(zhì)量。分別提取了RGB模型和Lab模型下各顏色分量圖和色差圖進(jìn)行前景與背景的對(duì)比分析發(fā)現(xiàn)，RGB模型下R-B分量和Lab模型下b分量圖中茶葉嫩芽與背景差異較大，可用于基于直方圖的茶葉閾值分割。效果如圖3～圖4所示。部分程序如下：

圖3　R-B分量圖及其直方圖Fig.3Gray scale image and histogram of R-B component

圖4　b分量圖及其直方圖Fig.4Gray scale image and histogram of b component

1.5K-means聚類分割

聚類分析又稱群分析，是一種研究分類問題的統(tǒng)計(jì)分析方法。其主要思想是首先從數(shù)據(jù)集中選取K個(gè)點(diǎn)作為聚類中心，其次計(jì)算每個(gè)樣本到聚類中心的距離，把樣本歸入距離最小的類中，然后重新計(jì)算每個(gè)樣本到新的聚類中心的距離并歸類，通過重復(fù)控制使聚類準(zhǔn)則最優(yōu)化，進(jìn)而得到的聚類中心為最終的分類。

2　結(jié)果與分析

2.1茶葉嫩芽圖像閾值分割

根據(jù)R-B和b灰度直方圖特性，選取50作為R-B灰度圖的分割閾值；灰度級(jí)為115到175部分作為b灰度圖中目標(biāo)保留區(qū)域。利用形態(tài)學(xué)偽目標(biāo)去除和邏輯與操作實(shí)現(xiàn)茶葉嫩芽彩色分割。效果如圖5—圖6所示。部分代碼如下：

圖5　基于R-B色差分量圖的茶葉二值圖像和彩色分割圖像Fig.5Binary image and segmentation image of tea sprouts based on R-B color component

圖6　基于b分量圖的茶葉二至圖像和彩色分割圖像Fig.6Binary image and segmentation image of tea sprouts based on b color component

2.2茶葉嫩芽圖像聚類分割

選取Lab空間下a和b分量作為聚類的數(shù)據(jù)點(diǎn)集。由于清明時(shí)期茶葉嫩芽呈黃綠色，密集的老葉呈深綠色，茶梗呈深紅色。因此，根據(jù)該生物特性設(shè)定K值為3進(jìn)行聚類收斂。效果分割如圖7—圖8所示。

圖7　聚類分割后兩種茶葉嫩芽背景圖像Fig.7Two kinds of background images after clustering segmentation

圖8　茶葉聚類分割目標(biāo)圖像及形態(tài)學(xué)處理后茶葉彩色圖像Fig.8Tea sprouts images by clustering segmentation and morphology processing

3　結(jié)論

對(duì)自然環(huán)境下茶葉嫩芽圖像分割進(jìn)行研究，根據(jù)茶葉嫩芽與背景在不同顏色模型下的差異，選取R-B和b分量進(jìn)行閾值分割，然后利用偽目標(biāo)去除獲取最終的分割二值圖像，最后利用邏輯與操作實(shí)現(xiàn)了茶葉彩色分割?；赗-B因子的茶葉嫩芽分割不僅能夠有效地識(shí)別嫩芽區(qū)域，而且能夠減小光照等對(duì)圖像采集的影響。但當(dāng)茶葉老葉與嫩芽顏色相似時(shí)分割識(shí)別率較差。

自然環(huán)境下茶葉嫩芽易受到老葉、茶梗、外界雜質(zhì)等影響，但背景相對(duì)固定。采用聚類分割將自然環(huán)境下茶葉嫩芽圖像分為3類，求得各像素點(diǎn)與聚類中心的距離后不斷優(yōu)化收斂，最終識(shí)別嫩芽與背景區(qū)域。該方法能夠彌補(bǔ)顏色閾值分割受光照、色差小等的影響?；诰垲惖牟枞~嫩芽分割能夠有效地實(shí)現(xiàn)自然條件下茶葉嫩芽自動(dòng)識(shí)別，為后續(xù)嫩芽定位和采摘提供理論基礎(chǔ)。

［1］李金貴，羅學(xué)平，王同和，等.采茶機(jī)在閩南烏龍茶產(chǎn)區(qū)的應(yīng)用探討［J］.中國(guó)茶葉，2010（15）：27-28.

［2］李長(zhǎng)虹，谷千里，何林.便攜式雙滾切刀采茶機(jī)運(yùn)動(dòng)分析［J］.農(nóng)機(jī)化研究，2011，33（9）：46-48.

［3］楊福增，楊亮亮，田艷娜，等.基于顏色和形狀特征的茶葉嫩芽識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（增刊）：119-123.

［4］劉志杰，田艷娜，楊亮亮，等.重疊條件下茶葉嫩芽的自動(dòng)檢測(cè)方法［J］.中國(guó)體視學(xué)與圖像分析，2009，14（2）：129-132.

［5］魏晉.基于Hausdorff 距離算法的數(shù)字圖像識(shí)別技術(shù)在Android中的應(yīng)用［J］. 河南科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2015，43（2）：46-50.

［6］韋佳佳，陳勇，金小俊，等.自然環(huán)境下茶葉樹梢識(shí)別方法研究［J］.茶葉科學(xué)，2012，32（5）：377-381.

［7］高俊梅，黃忠文.基于云模型的圖像分割［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2015，27（1）：88-91.

Study on Automatic Segmentation of Tea Sprouts under Natural Conditions

Zhang Ke1，Lv Jun2
（1.College of Computer Science and Technology，Anhui University，Hefei 230601；2.College of Information and Engineering，Huangshan University）

Methods of automatic segmentation of tea sprouts were studied in order to provide technical support for the intelligent tea packing.Using the images of tea sprouts under natural conditions as the research examples，the effect of segmentation of tea sprouts based on threshold segmentation and clustering was compared.First，obtaining R-B and b color component to segment image based on threshold met hods.Then，using K-means clustering segmentation method under Lab color space to identify tea sprouts.Finally，detecting the tea sprouts by morphology processing.The results showed that the method based on clustering segmentation could be effective for tea sprouts packing under natural conditions and reduce the influence by light.

tea sprouts；image processing；automatic segmentation；clustering analysis

S571.1

A

1002-2090（2016）02-0100-05

10.3969/j.issn.1002-2090.2016.02.021

2015-06-25

張可（1994-），男，安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院2012級(jí)本科生。

呂軍，男，助教，E-mail：zstulvjun@126.com。