孫龍清，李 玥，鄒遠炳，李億楊（中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083）

基于改進Graph Cut算法的生豬圖像分割方法

孫龍清，李 玥，鄒遠炳，李億楊
（中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083）

生豬圖像分割為生豬行為特征提取、參數(shù)測量、圖像分析、模式識別等提供易于理解和分析的圖像表示，準(zhǔn)確有效的生豬圖像分割是生豬行為理解和分析的基礎(chǔ)。針對傳統(tǒng)Graph Cut算法分割精度差、分割效率低及不能準(zhǔn)確分割特定目標(biāo)的問題，該文結(jié)合交互分水嶺算法，提出基于改進Graph Cut算法的生豬圖像分割方法。采用交互分水嶺算法對圖像進行區(qū)域劃分，劃分的各個區(qū)域塊看作超像素，用超像素替代傳統(tǒng)加權(quán)圖中的像素點，構(gòu)造新的網(wǎng)絡(luò)圖替代傳統(tǒng)加權(quán)圖，重新構(gòu)造能量函數(shù)以完成前景背景的有效分割。試驗結(jié)果表明：該方法峰值信噪比平均范圍為[30,40]，結(jié)構(gòu)相似度平均范圍為[0.9,1]，兩種評價準(zhǔn)則的結(jié)果與主觀評價一致，圖像分割質(zhì)量、精度得到明顯提升；平均耗時縮短到傳統(tǒng)Graph Cut算法的33.7%，提高了分割效率；在復(fù)雜背景、噪聲干擾、光照強度弱等條件下可以快速分割出特定目標(biāo)生豬，具有較高魯棒性。

圖像處理；圖像分割；算法；改進；Graph Cut算法；超像素；交互分水嶺算法

0 引 言

養(yǎng)殖環(huán)境對生豬生長發(fā)育起至關(guān)重要的作用[1-2]，有效準(zhǔn)確地提取出圈舍中生豬目標(biāo)，分析識別生豬行為特征與環(huán)境因素的關(guān)系，是精準(zhǔn)控制養(yǎng)殖環(huán)境最有效途徑之一[3-5]。圖像分割正是基于計算機視覺技術(shù)分析生豬行為特征的重要環(huán)節(jié)，為生豬行為特征提取、圖像分析、模式識別等提供易于分析和理解的圖像表示，準(zhǔn)確有效的生豬圖像分割算法是生豬行為分析、理解和環(huán)境智能決策的基礎(chǔ)。

圖像分割多年來受到高度重視，國內(nèi)外研究者對其進行了廣泛研究[6-8]，尤其在復(fù)雜背景、復(fù)雜環(huán)境下，對基于交互式圖像分割進行了更深入的理論研究和實踐探索。Graph Cut算法是其中比較成功的基于組合最優(yōu)交互式圖像分割算法之一[9-11]，利用最大流/最小割算法查找最優(yōu)路徑[12-14]，完成目標(biāo)圖像分割。為了獲得更好的分割效果，F(xiàn)reedman等[15]在Graph Cut中加入先驗信息；Rother等[16]在Graph Cut基礎(chǔ)上提出了Grab Cut算法，利用圖像紋理（顏色）信息和邊界（反差）信息，用少量用戶交互操作即可得到比較好的分割結(jié)果；Nie等[17]提出一種新的查找最優(yōu)路徑算法，提高了Graph Cut目標(biāo)提取質(zhì)量。為了提高Graph Cut算法速度，Ren等提出超像素[18-20]概念；Li等[21]提出Lazy Snapping算法，在分割前對圖像進行預(yù)處理，利用K-means算法將圖像分成小塊，將各小塊作為加權(quán)圖中的節(jié)點，減少了計算復(fù)雜程度；Shi等[22]提出了歸一化方法（Ncut），該算法利用輪廓特征和紋理特征構(gòu)建全局最小化代價函數(shù)，能生成規(guī)則超像素，缺點是圖像邊界保持不完整、計算量較大，處理大圖像時速度慢；Comaniciu提出均值漂移（mean shift）算法[23]，是一種非參數(shù)基于密度梯度上升方向的迭代算法，能生成形狀規(guī)則的超像素，由于不斷重復(fù)計算像素，使得運算速度較慢；Vincent等[24]提出了分水嶺（watershed）方法，該方法速度快，不能控制超像素個數(shù)、大小和緊湊度；高理文等[25-26]提出標(biāo)記分水嶺算法（markerbased watershed），可有效控制超像素數(shù)量，指定分割區(qū)域，降低圖節(jié)點數(shù)量、提高算法速度，有效地克服邊緣過分割。

由于傳統(tǒng)Graph Cut算法分割精度差、分割效率低及不能準(zhǔn)確分割特定目標(biāo)，針對Graph Cut算法局限性和生豬圖像自身特點，本文結(jié)合交互標(biāo)記分水嶺算法，提出基于改進Graph Cut算法的生豬圖像分割方法。人工交互劃定分塊區(qū)域，以超像素代替原始圖像中像素點，重新構(gòu)建網(wǎng)絡(luò)圖[27]，實現(xiàn)特定目標(biāo)生豬圖像快速準(zhǔn)確的分割。

1 材料和方法

1.1 圖像采集

試驗所用圖像于2016年在山東臨沂金鑼牧業(yè)有限公司第十七種豬養(yǎng)殖場采集，共采集有效圖像150張進行試驗。該養(yǎng)殖場存欄種豬約5 000頭，養(yǎng)殖場信息化程度較高。

1.2 算法原理

由于受到生豬養(yǎng)殖環(huán)境的影響，采集到的生豬圖像具有低對比度、噪聲干擾強等特點。結(jié)合交互分水嶺算法，本文提出基于改進Graph Cut算法的生豬圖像分割方法，以期可以在復(fù)雜背景[28-29]下快速準(zhǔn)確地分割出特定目標(biāo)。

1.2.1 分水嶺算法

分水嶺算法[30]具有簡潔、復(fù)雜度低、運行速度快、提取物體邊緣輪廓線封閉、能準(zhǔn)確確定目標(biāo)物體等特點。主要算法步驟如下：

1）構(gòu)建梯度圖像

式中⊕表示形態(tài)學(xué)膨脹，Θ表示形態(tài)學(xué)腐蝕，(,)fij為待分割圖像，(,)gij為形態(tài)學(xué)梯度圖像，(,)bij表示圓盤狀結(jié)構(gòu)元素，圓盤形結(jié)構(gòu)元素半徑較小，滿足旋轉(zhuǎn)不變性，可消除梯度對邊緣方向的依賴，不會造成圖像特征值的畸變。

2）對圖像中所有像素點進行梯度閾值比較，記錄各像素點標(biāo)記值和坐標(biāo)。

式中n為當(dāng)前梯度閾值，T[n]為g(i,j)＜n像素集合。

3）標(biāo)記圖像分水嶺

式中R為區(qū)域塊個數(shù)，Mk為各局部梯度極小值的像素位置。C(Mk)是與Mk對應(yīng)的分水嶺所圍繞區(qū)域中像素坐標(biāo)集合。求出屬于某一閾值時的所有區(qū)域，計算公式為

式中 C[n]表示在梯度閾值為n時圖像中所有滿足梯度值小于n的像素集合，即C[n]為Cn(Mk)的總和。

1.2.2 Graph Cut模型及改進

1）Graph Cut模型

第一步：構(gòu)造圖G的頂點集V，可表示為

式中P為原始圖像中的像素點集合，P構(gòu)成了圖的中間節(jié)點，即普通像素點；S為人工標(biāo)注的前景（Foreground）像素集合，構(gòu)成了圖的源點；T為人工標(biāo)注的背景（Background）像素集合，構(gòu)成了圖的匯點。

第二步：構(gòu)造圖G的邊集E

E是連接節(jié)點的邊集，包含N-連接和T-連接2類，頂點集V中普通像素之間的邊為N-連接 ；T-連接為頂點集V中的普通像素分別與源點和匯點的連接，每個像素均有2個這樣的連接，分別記為{p, S},{p, T},p∈P， p為普通像素點。邊集E為

第三步：為相應(yīng)的邊E賦權(quán)W，邊對應(yīng)的權(quán)值分配規(guī)則如表1所示。

表1 圖像中相鄰邊對應(yīng)的權(quán)值Table 1 Weight of the adjacent edges in pictures

式中Ip,Iq分別表示像素點p,q的灰度值，δ表示像素點p,q亮度差的一個閾值，dist(p,q)為像素點p,q間的歐式距離，(i,j)為像素點p的坐標(biāo)，(h,k)為像素點q的坐標(biāo)，sump為像素p為某一灰度級時的像素個數(shù)，sumfrg為前景像素個數(shù)，sumbkg為背景像素個數(shù)。

建立網(wǎng)絡(luò)圖G=(V,E,W)，計算圖像中所有像素屬于前景或背景的概率，正確歸入前景或背景，即找到最小割。圖像分割為L時，能量函數(shù)為

式中L={l1, l2, ··,lv}，li的值為0（背景）或者1（前景），E(L)是損失函數(shù)，也叫能量函數(shù)，目標(biāo)就是優(yōu)化Graph Cut算法的能量函數(shù)使其值達到最小，即為最小割。R(L)為區(qū)域項，B(L)為邊界項，α為非負(fù)系數(shù)，是區(qū)域項和邊界項之間的重要因子，起到調(diào)節(jié)作用。若圖像對比度較低，即像素點屬于前景或背景差異小，則需乘以一個比較大的α放大這種差別，使能量越??；反之，若圖像對比度較高，需乘以一個比較小的α縮小這種差別，使能量越小。

2）Graph Cut模型的改進

由于傳統(tǒng)Graph Cut算法將圖像中所有像素點按能量函數(shù)進行計算和標(biāo)注，計算量較大，算法分割效率低。為了提高算法的實用性，本文基于交互分水嶺算法，將圖像進行區(qū)域劃分，指定前景與背景，將各個區(qū)域塊看作超像素，超像素灰度均值作為頂點，相鄰頂點建立邊，構(gòu)造新的網(wǎng)絡(luò)圖替代傳統(tǒng)加權(quán)圖G=(V,E,W)，采用最大流/最小割算法進行分割，重新構(gòu)造能量函數(shù)以完成前景背景的有效分割。

第一步：計算區(qū)域項

式中Pp(lp)表示區(qū)域?qū)傩?，?biāo)簽lp的值為0（背景）或者1（前景）。當(dāng)頂點p分配為其最大標(biāo)簽時，希望Pp(lp)能量項權(quán)值最小，一般取概率的負(fù)對數(shù)值，計算公式為

式中,pq表示相鄰頂點，lp為頂點p的標(biāo)記值，lq為頂點q的標(biāo)記值， σ表示調(diào)節(jié)因子，若像素間標(biāo)記值相同，則σ=0，否則σ=1。

1.2.3 算法實現(xiàn)

本文采用拉普拉斯算子對圖像進行預(yù)處理[31]，得到降噪且邊緣增強的圖像[32-33]，使預(yù)處理后的生豬圖像更便于分割；對預(yù)處理之后圖像進行交互標(biāo)記分水嶺分割，得到區(qū)域分塊圖像；對區(qū)域分塊圖像進行前景背景的分割，提取出感興趣目標(biāo)區(qū)域。算法總體框架圖如圖1所示。

圖1 算法總體框架圖Fig.1 Framework diagram of algorithm

2 試驗與結(jié)果

2.1 試驗設(shè)備

圖像分辨率采用800×600像素。程序處理所用計算機配置為Intel(R) Core(TM) i7-6700 CPU @ 3.40 GHz，4 GB內(nèi)存，Windows 7操作系統(tǒng)，在VS2010編程環(huán)境下調(diào)用Open CV函數(shù)庫測試分割算法。

2.2 各分割算法試驗

對試驗所采集的150張圖像分別采用傳統(tǒng)Graph Cut算法、Grab Cut算法、交互標(biāo)記分水嶺分割算法以及本文方法進行分割，分割得到的結(jié)果圖像作為后面對比分析的依據(jù)。圖2給出的是其中1張圖像，分別采用不同分割方法分割的結(jié)果。

通過分析分割結(jié)果圖（圖2），傳統(tǒng)Graph Cut算法分割結(jié)果具有較大誤分割，邊緣敏感度較差，生豬邊緣與地面邊界不明顯，分割效果不好；Grab Cut算法由于使用所有像素來迭代估計高斯混合模型參數(shù)，算法整體分割效果較傳統(tǒng)Graph Cut好，存在對邊緣識別不準(zhǔn)確問題；交互標(biāo)記分水嶺算法可以區(qū)分出感興趣目標(biāo)區(qū)域，分割出彩色分塊圖像，但容易出現(xiàn)錯分割，分割誤差較大；本文方法較交互標(biāo)記分水嶺算法可以更準(zhǔn)確分割出目標(biāo)生豬，目標(biāo)與背景有明顯的分界，與標(biāo)準(zhǔn)參考圖像（圖2f）相比最為相近，實現(xiàn)了圖像的有效分割，說明本文提出的方法具有較高準(zhǔn)確性和可靠性。

圖2 不同圖像分割方法的分割效果Fig.2 Segmentation effect of different image segmentation methods

2.3 分割效果評價

為了更加準(zhǔn)確評價算法的有效性和準(zhǔn)確性，本文從主觀和客觀2個方面，對各算法進行評價。

2.3.1 標(biāo)準(zhǔn)參考圖像的獲取

為了比較分析不同分割方法的評價指標(biāo)，需要獲取標(biāo)準(zhǔn)分割圖作為分割效果的評價參考圖像，在試驗采集的圖像中，選擇所采集的150張圖像，基于Photoshop分割出標(biāo)準(zhǔn)目標(biāo)生豬圖像。其中3張典型代表性生豬標(biāo)準(zhǔn)參考圖像如圖3所示。

圖3 標(biāo)準(zhǔn)參考圖像Fig.3 Standard reference image

2.3.2 主觀評價

主觀評價方法是讓觀察者根據(jù)一些事先規(guī)定的評價尺度，進行人工主觀判斷并獲得平均意見分（mean opinion score, MOS）。為了驗證本文分割方法的有效性，由20名非圖像處理專業(yè)測試者統(tǒng)一在一個特定的環(huán)境中參加測試，評分采用5分制失真測度DSIS（double stimulusimpairment scale），DSIS相對尺度如表2所示。

表2 DSIS的5分制評價尺度Table 2 5-point evaluation scale of double stimulus impairment scale

計算每張圖像獲得的MOS作為最終測試結(jié)果

式中K′為測試者數(shù)量，kU為測試圖像主觀評價分?jǐn)?shù)。

測試者分別對采用傳統(tǒng)Graph Cut算法、Grab Cut算法、交互標(biāo)記分水嶺分割算法、本文分割方法各得到的150張結(jié)果圖以及150張標(biāo)準(zhǔn)圖進行主觀評價，評價統(tǒng)計結(jié)果如圖4a。從圖4a中可以看出：傳統(tǒng)Graph Cut算法和Grab Cut算法平均意見分范圍為[1,3]，主觀性較差，不能有效地分割出目標(biāo)生豬圖像；交互標(biāo)記分水嶺算法平均意見分為4左右，可以較準(zhǔn)確對圖像進行區(qū)域分塊；而本文算法平均意見分最高，即主觀評價分?jǐn)?shù)與標(biāo)準(zhǔn)參考圖像平均分?jǐn)?shù)相近，說明本文方法分割效果好，基本看不出圖像質(zhì)量變壞。

圖4 不同分割方法的分割效果評價對比Fig.4 Evaluation comparison of segmentation effect of different methods

2.3.3 客觀評價

圖像分割效果主觀評價容易受到人的視覺、心理狀態(tài)等多方面影響。本文采用峰值信噪比（peak signal to noise ratio，PSNR）[34]和結(jié)構(gòu)相似性（structural similarity, SSIM）[35]對算法分割性能進行評價。

1）峰值信噪比：基于對應(yīng)像素點間的誤差，即基于誤差敏感的圖像質(zhì)量評價。計算公式為

式中R（i,j）為標(biāo)準(zhǔn)參考圖在（i,j）處的灰度值，T（i,j）為分割效果圖在（i,j）處的灰度值，M·Q是圖像的大小，A為圖像的總灰度級數(shù)。

圖4b給出了對150張圖像用不同分割算法所得的峰值信噪比，以分析不同分割算法在分割給定圖像時的性能。峰值信噪比（PSNR）反映了噪聲是否得到有效抑制，取值范圍為[0,100]，值越大，表示圖像失真越少，圖像質(zhì)量越好。從圖4b中可以看出：本文分割方法峰值信噪比平均范圍為[30,40]，為對比分析分割算法中峰值信噪比最大，說明本文方法分割效果更為準(zhǔn)確。

2）結(jié)構(gòu)相似度：反映了分割圖像與標(biāo)準(zhǔn)參考圖像之間的相似度，取值范圍為[0,1]。值越大，說明分割效果圖像與標(biāo)準(zhǔn)參考圖像的相似度越高，分割精度越高，分割效果越好；值為1，表明分割效果圖像與標(biāo)準(zhǔn)參考圖像完全相同，該指標(biāo)能夠度量圖像結(jié)構(gòu)上的失真，具有一定的通用性。計算公式為

式中μS和μH分別表示分割效果圖像S和標(biāo)準(zhǔn)參考圖像H的灰度均值，是圖像結(jié)構(gòu)信息亮度的度量；σS和σH分別表示S和H的標(biāo)準(zhǔn)差，是圖像結(jié)構(gòu)信息對比度的度量；σSH為S和H的協(xié)方差，是圖像結(jié)構(gòu)信息結(jié)構(gòu)屬性的度量；Z為像素總數(shù)量；C1和C2為常數(shù)，通常C1= (KX)2，C=(KX)2，K1=0.01，K2=0.03，X=255。

1

22

圖4c給出了對150張圖像用不同分割算法所得的結(jié)構(gòu)相似度，以分析不同分割方法在分割給定圖像時的性能。從圖4c中可以看出：本文分割方法的結(jié)構(gòu)相似度平均范圍為[0.9,1]，相比本文其他分割算法，本文算法分割精度最高，說明分割圖像質(zhì)量高。

2.4 算法性能分析

2.4.1 標(biāo)記程度對圖像分割效果的影響

標(biāo)記程度是指標(biāo)記線的復(fù)雜程度，本文采用在生豬圖像感興趣區(qū)域通過鼠標(biāo)畫線的標(biāo)記方式，計算標(biāo)記線的像素點數(shù)占圖像總像素點數(shù)的百分比進行標(biāo)記程度的度量。試驗采用在同一張圖像感興趣區(qū)域上畫出10種不同的標(biāo)記線，標(biāo)記線像素數(shù)所占圖像總像素數(shù)的百分比越大，說明標(biāo)記程度越復(fù)雜。對不同標(biāo)記程度的分割效果圖進行客觀評價，如圖5所示。

從圖5中可以看出：1）隨著圖像標(biāo)記程度的增加，即圖像區(qū)域標(biāo)記線越復(fù)雜，本文分割算法的峰值信噪比越高、結(jié)構(gòu)相似度越接近于1，如圖5a，說明該方法分割后圖像質(zhì)量越好；2）對感興趣區(qū)域進行人工標(biāo)記，得到不同畫線程度的分割效果圖，如圖5b，圖5c，說明在感興趣目標(biāo)區(qū)域中盡可能畫出復(fù)雜標(biāo)記線，圖像分割效果越好。

2.4.2 算法速度分析

為對比分析不同分割算法的分割效率，對所采集的150張生豬圖像中隨機抽取30張，分為3組，每組10張圖像進行試驗，4種不同分割算法每組平均執(zhí)行時間如表3所示。

表3數(shù)據(jù)結(jié)果表明本文算法穩(wěn)定有效，計算不同分割算法平均程序運行時間分別為：Graph Cut算法11 246.30 ms、Grab Cut算法14 254.52 ms、交互分水嶺算法127.50 ms、本文方法3 793.92 ms。本文方法添加了預(yù)處理和交互分水嶺等算法，基于超像素的分割減少了像素計算量，相比于傳統(tǒng)Graph Cut算法節(jié)約了時間資源，平均耗時縮短到傳統(tǒng)Graph Cut算法的33.7%，效率得到很大提高；Grab Cut算法是對Graph Cut算法的改進，采用矩形框簡化了用戶交互方式，必須通過迭代分割確定高斯混合模型參數(shù)的方式進行補償，迭代過程增加了時間消耗，降低了算法效率；交互分水嶺算法分割快速，但易出現(xiàn)錯分割或過分割；本文分割方法結(jié)合兩者優(yōu)勢，基于交互分水嶺進行區(qū)域分塊，結(jié)合改進的Graph Cut算法進行圖像前景和背景的分割，操作簡單，有效分割特定目標(biāo)，較傳統(tǒng)Graph Cut算法提高了分割準(zhǔn)確度和分割效率。

表3 不同圖像分割方法的平均分割時間Table 3 Average segmentation time of different image segmentation methods

2.4.3 算法魯棒性分析

為比較分析不同算法的魯棒性，測試不同算法在復(fù)雜背景（如糞便、陰影）、噪聲干擾、光照（如夜晚）等條件下分割指定編號的目標(biāo)生豬。分割效果圖如圖6所示。

圖6 復(fù)雜背景和光照下不同圖像分割方法的分割效果Fig.6 Segmentation effect of different image segmentation methods under complex background and illumination

由圖6可以看出：在復(fù)雜背景（陰影）和光照（夜晚）下分別分割編號為5（如圖6a）和編號為1,2（如圖6b）的生豬目標(biāo)，由于目標(biāo)與背景顏色相近，而且傳統(tǒng)Graph Cut算法對光照等噪音比較敏感，不能提取特定目標(biāo)生豬，影響分割效果；交互標(biāo)記分水嶺算法可以分割指定目標(biāo)生豬，但分割結(jié)果不完整，不能達到有效的分割；本文分割方法能夠準(zhǔn)確分割出特定目標(biāo)，效果比較穩(wěn)定，分割結(jié)果較為完整，可以實現(xiàn)人工選擇特定分割目標(biāo)，提高了分割算法的魯棒性，滿足生豬日常監(jiān)控的實時性需求。

3 結(jié) 論

本文基于交互分水嶺算法，提出改進Graph Cut算法的生豬圖像分割方法。主要結(jié)論如下：

1）從試驗數(shù)據(jù)可以看出，本文分割方法的峰值信噪比平均范圍為[30,40]，結(jié)構(gòu)相似度平均范圍為[0.9,1]，2種客觀評價準(zhǔn)則與主觀評價一致，較傳統(tǒng)Graph Cut算法圖像質(zhì)量、精度提升明顯；

2）本文方法在復(fù)雜背景（如陰影）、光照強度弱（如夜晚）等影響下能夠準(zhǔn)確分割特定目標(biāo)生豬，表明本文提出的方法具有較高的魯棒性；

3）本文提出基于改進Graph Cut算法的生豬圖像分割方法，分割效率方面，較傳統(tǒng)Graph Cut算法節(jié)約了時間資源，平均耗時縮短到Graph Cut算法的33.7%，提高了分割效率。

本文圖像分割算法具有精度高、魯棒性強、運行效率快的特點，為后期生豬行為智能分析、理解和環(huán)境智能決策等工作奠定了基礎(chǔ)。

[1] Figueiredo G F, Dawson M D, Benson E R, et al. Advancement in whole house machine vision based poultry behavior analysis[C]//American Society of Agricultural and Biological Engineers Annual International Meeting 2004, ASABE 2004, Ottawa, Canada, 2004: 1-4.

[2] Shao B, Xin H W. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers & Electronics in Agriculture, 2008, 62(1): 15-21.

[3] 朱偉興，浦雪峰，李新城，等. 基于行為監(jiān)測的疑似病豬自動化識別系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(1)：188-192. Zhu Weixing, Pu Xuefeng, Li Xincheng, et al. Automatic identification system of pigs with suspected case based on behavior monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26 (1): 188-192. (in Chinese with English abstract)

[4] 尹令，劉財興，洪添勝，等. 基于無線傳感器網(wǎng)絡(luò)的奶牛行為特征監(jiān)測系統(tǒng)設(shè)計[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(3): 203-208. Yin Ling, Liu Caixing, Hong Tiansheng, et al. Design of system for monitoring dairy cattle's behavioral features based on wireless sensor networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(3): 203-208. (in Chinese with English abstract)

[5] 劉波，朱偉興，霍冠英. 生豬輪廓紅外與光學(xué)圖像的融合算法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(17)：113-120. Liu Bo, Zhu Weixing, Huo Guanying. An image fusion algorithm of infrared thermal and optical images for pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,

[6] 趙凱旋，何東健. 基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個體身份識別29(17): 113-120. (in Chinese with English abstract)方法[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(5)：181-187. Zhao Kaixuan, He Dongjian. Recognition of individual dairy cattle based on convolutional neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 181-187. (in Chinese with English abstract)

[7] 艾海舟，興軍亮. 計算機視覺: 算法與應(yīng)用[M]. 北京: 清華大學(xué)出版社，2012: 206-235.

[8] Tokmakov P, Alahari K, Schmid C. Learning semantic segmentation with Weakly-Annotated videos[M]. Berlin: Springer International Publishing, 2016.

[9] 郭傳鑫，李振波，喬曦，等. 基于融合顯著圖與GrabCut算法的水下海參圖像分割[J]. 農(nóng)業(yè)機械學(xué)報，2015，46 (增刊1)：147-152. Guo Chuanxin, Li Zhenbo, Qiao Xi, et al. Image segmentation of underwater sea cucumber using GrabCut with saliency map[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.1): 147-152. (in Chinese with English abstract)

[10] He H, Mckinnon D, Warren M, et al. Graphcut-based interactive segmentation using colour and depth cues[C]// Australasian Conference on Robotics and Automation, Acra. Australian Robotics & Automation Association (ARAA), 2010. [11] Vicente S, Kolmogorov V, Rother C. Graph cut based image segmentation with connectivity priors[C]//Computer Vision and Pattern Recognition, CVPR 2008. Anchorage: IEEE Conference on. IEEE, 2008: 1-8.

[12] Boykov Y Y, Jolly M P. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]// Computer Vision. ICCV. Proceedings. Vancouver: Eighth IEEE International Conference on. IEEE, 2001: 105-112.

[13] Zhou X, Zhang J, Kulis B. Power-law graph cuts[J]. Computer Science, 2014: 1144-1152.

[14] Kwatra V, Essa I, Turk G, et al. Graphcut textures: Image and video texture synthesis using graph cuts[C]// Computer Graphics and Interactive Techniques, ACM SIGGRAPH, 2003, San Diego, California, USA,2003: 277-286.

[15] Freedman D, Zhang T. Interactive graph cut based segmentation with shape priors[C]// Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, CA, USA 2005: 755-762.

[16] Rother C, Kolmogorov V, Blake A. "GrabCut": Interactive foreground extraction using iterated graph cuts[J]. Acm Transactions on Graphics, 2004, 23(3): 309-314.

[17] Nie J L, Wang Y F. Improved algorithm of graphcut[J]. Computer Engineering & Design, 2009, 30(13): 3225-3227. [18] Ren X F，Malik J. Learning a classification model for segmentation[C]//Proc of the 9th IEEE International Conference on Computer Vision. Washington DC: IEEE

[19] 伯彭波，袁野，王寬全. 基于超像素的多主體圖像交互分Computer Society, 2003: 10-17.割[J]. 中國圖像圖形學(xué)報，2015，20(6)：764-771. Bo Pengbo, Yuan Ye, Wang Kuanquan. Interactive multiphase image segmentation based on superpixels[J]. Journal of Image and Graphics, 2015, 20(6): 764-771. (in Chinese with English abstract)

[20] Yang S, Zhu Y P, Wu X Y. An interactive segmentation method based on superpixel[C].Matec Web of Conferences. Xiamen: 2015:01027.

[21] Li Y, Sun J, Tang C K, et al. Lazy snapping[J]. Acm Transactions on Graphics, 2004, 23(3): 303-308.

[22] Shi J, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8): 888-905.

[23] Comaniciu D, Meer P. Mean shift: A robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(5): 603-619.

[24] Vincent L, Soille P. Watersheds in digital spaces: An efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1991, 13(6): 583-598.

[25] 高理文，林小樺，羅曉牧. 結(jié)合簡單交互和標(biāo)記分水嶺的復(fù)雜背景葉片圖像分割方法[J]. 計算機應(yīng)用與軟件，2016，33(8)：211-215. Gao Liwen, Lin Xiaohua, Luo Xiaomu. Segmentation method for leaf image under complex background combining simple man-machine interaction and marker based watershedsegmentation[J]. Computer Applications and Software, 2016, 33(8): 211-215. (in Chinese with English abstract)

[26] Rong J, Pan Y L. Accuracy improvement of graph-cut image segmentation by using watershed[J]. Advanced Materials Research, 2011, 341-342: 546-549.

[27] Yu D, Tang J T, Xu D H. Iteractive object extraction based on max-flow[J]. Computer Engineering & Applications, 2007, 43(5): 246-248.

[28] Hong H Y, Guo X Y, Zhang X H. An improved segmentation algorithm of color image in complex background based on graph cuts[C]// IEEE International Conference on Computer Science and Automation Engineering. IEEE, 2011: 642-645.

[29] 袁媛，李淼，陳晟，等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J]. 農(nóng)業(yè)機械學(xué)報，2013，44(10)：233-237. Yuan Yuan, Li Miao, Chen Sheng, et al. Segmentation of cucumber leaf disease images with complex background[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 233-237. (in Chinese with English abstract)

[30] 沈晶，楊學(xué)志. 一種新的邊緣保持分水嶺的圖像分割算法[J]. 圖學(xué)學(xué)報，2009，30(5)：80-88. Shen Jing, Yang Xuezhi. A novel segmentation algorithm based on edge-preserving watershed[J]. Journal of Graphics, 2009, 30(5): 80-88. (in Chinese with English abstract)

[31] 張娜. 圖像增強技術(shù)的研究[J]. 計算機仿真，2007，24(1)：192-195. Zhang Na. Research on image enhancement technology[J]. Computer Simulation, 2007, 24(1): 192-195. (in Chinese with English abstract)

[32] 平麗. 圖像平滑處理方法的比較研究[J]. 信息技術(shù)，2010(1)：65-67. Ping Li. Comparison of image smoothing processing methods[J]. Information Technology, 2010(1): 65-67. (in Chinese with English abstract)

[33] 秦志遠，吳冰，王艷，等. 圖像平滑算法比較研究及改進策略[J]. 測繪科學(xué)技術(shù)學(xué)報，2005，22(2)：103-106. Qin Zhiyuan, Wu Bing, Wang Yan, et al. The comparison study on image smoothing algorithms & improve strategy[J]. Journal of Geomatics Science and Technology, 2005, 22(2): 103-106. (in Chinese with English abstract)

[34] 華寧. 圖像質(zhì)量客觀評估研究[D]. 武漢：湖北大學(xué), 2012. Hua Ning. Research on Image Objective Quality[D]. Wuhan: Hubei University, 2012. (in Chinese with English abstract)

[35] 王志明. 無參考圖像質(zhì)量評價綜述[J]. 自動化學(xué)報，2015，41(6)：1062-1079. Wang Zhiming. Review of no-reference image quality assessment[J]. Acta Automatica Sinica, 2015, 41(6): 1062-1079. (in Chinese with English abstract)

Pig image segmentation method based on improved Graph Cut algorithm

Sun Longqing, Li Yue, Zou Yuanbing, Li Yiyang
(1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China)

The breeding environment plays an important role in healthy growth and development of the pigs, and it is also a guarantee of the excellent traits. The growth of pig is the integrated result of their own traits and external environmental factors. For different environments, pigs will show different behaviors. It is found that the appropriate growth environment can be reflected by their degree of dispersion in the pens. When the environment is suitable, the pig group will lie down together. When the temperature is low, they will huddle together; and when the environmental temperature is high, the pigs will scatter around. Image segmentation is the important link to analyze pig behavior status based on computer vision technology, and pig image segmentation is an image representation that provides easy-to-understand and analysis for the behavior feature extraction, parameter measurement, image analysis, pattern recognition of individual pig. The accurate and effective image segmentation algorithm is for pig behavioral intelligent analysis, understanding and environmental intelligent decision. The traditional Graph Cut algorithm uses the energy function to compute all the pixels in the image, it takes a lot of time. It has the low segmentation efficiency and it cannot accurately segment specific pig. Aiming at the limitation of traditional Graph Cut algorithm and the characteristic of image itself, on the basis of the interactive watershed algorithm, in this paper, we proposed an interactive image segmentation method based on improved Graph Cut algorithm aiming at better use of interaction information provided by the user and effectively control of the number of super pixels. To some extent, the algorithm could also avoid the problems of over segmentation or under segmentation. The image was divided into regions based on the interactive watershed algorithm, and the foreground and background were specified. Each region block was regarded as the super pixel, the gray scale of super pixel was used as the vertex. Establish edges between adjacent vertices and the new network map was constructed instead of the traditional weighted graph. In order to reconstruct the energy function to complete the effective segmentation of the foreground and background, the maximum flow, and minimization cut algorithm were used to cut the image. Results of experiments showed that the method can effectively segment pig target, it had high segmentation quality and high efficiency. In this paper, the peak signal to noise ratio (PSNR) and structural similarity (SSIM) were used as objective evaluation standard. The range of the PSNR was [30, 40] and the range of the SSIM was [0.9, 1] in this method, which was the most accurate segmentation algorithm in the shown segmentation algorithm. It indicated that two evaluation criterions were consistent with the subjective evaluation, and the stability and the reliability of this method were improved. The average time consumed in this algorithm was only 33.7% of in the traditional Graph Cut algorithm. It greatly improved the efficiency of segmentation, and it had highly robust for the segmentation of specific target pigs. The results of this paper can provide technical support for subsequent target identification, detection, tracking and monitoring, evaluation of external environments, such as alarms.

image processing; image segmentation; algorithms; improvement; Graph Cut algorithm; super pixels; interactive watershed algorithm

10.11975/j.issn.1002-6819.2017.16.026

TP391.41

A

1002-6819(2017)-16-0196-07

孫龍清，李 玥，鄒遠炳，李億楊. 基于改進Graph Cut算法的生豬圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(16)：196-202.

10.11975/j.issn.1002-6819.2017.16.026 http://www.tcsae.org

Sun Longqing, Li Yue, Zou Yuanbing, Li Yiyang. Pig image segmentation method based on improved Graph Cut algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(16): 196-202. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.16.026 http://www.tcsae.org

2017-03-28

2017-06-30

國家高技術(shù)研究發(fā)展計劃（863計劃）資助項目（2013AA102306）

孫龍清，副教授，主要從事農(nóng)業(yè)信息化及農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)研究，北京 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，100083。Email：sunlq@cau.edu.cn