龍金輝,丁 汀
(河南機(jī)電職業(yè)學(xué)院信息工程系,河南鄭州451191)
圖像分割技術(shù)是實(shí)現(xiàn)果蔬采摘機(jī)器人視覺(jué)識(shí)別與定位的支撐技術(shù)[1-4]。各種圖像分割算法都具有各自的特點(diǎn)以及適用范圍,設(shè)計(jì)有效的圖像分割算法對(duì)不同環(huán)境中的果蔬采摘目標(biāo)進(jìn)行快速準(zhǔn)確分割是果蔬采摘機(jī)器人圖像處理系統(tǒng)迫切須要解決的問(wèn)題。
Harrell等通過(guò)對(duì)水果特性的分析,實(shí)現(xiàn)了將果實(shí)從背景中提取出來(lái)的閾值分割算法[5-7];Ghabousian等將模糊聚類(lèi)圖像分割算法應(yīng)用于水果疤痕檢測(cè),可以有效分割出水果表面的疤痕[8-9];趙海波等將改進(jìn)的模糊聚類(lèi)圖像分割算法應(yīng)用于成熟果蔬和作物病害葉片的檢測(cè)與識(shí)別,取得了相應(yīng)的研究成果[10-15]。
分析研究OTSU閾值分割算法、量子粒子群圖像分割算法與模糊聚類(lèi)圖像分割算法的特點(diǎn)與存在的問(wèn)題[16-20],從提高水果采摘機(jī)器人對(duì)圖像分割算法的性能角度出發(fā),分別以遮擋及重疊的柑橘果實(shí)圖像為例,提出基于量子粒子群的柑橘果實(shí)圖像約束聚類(lèi)分割算法,該算法在隸屬度約束聚類(lèi)圖像分割算法的基礎(chǔ)上,通過(guò)引入量子粒子群的全局尋優(yōu)策略,解決模糊聚類(lèi)圖像分割算法由于聚類(lèi)中心初值敏感性導(dǎo)致的可能解陷入局部極值的問(wèn)題,為圖像分割算法取得全局最優(yōu)分割閾值、準(zhǔn)確分割圖像提供新的思路。
量子粒子群優(yōu)化(quantum particle swarm optimization algorithm,簡(jiǎn)稱(chēng)QPSO)算法在粒子群優(yōu)化算法的粒子進(jìn)化方式基礎(chǔ)上融入了量子物理學(xué)思想[20],在量子空間中通過(guò)蒙特卡羅方法確定粒子的位置。粒子位置由下式確定:
式中:Xi(t)、Xi(t+1)分別是粒子 i在第 t次迭代和第 t+1迭代時(shí)的位置;L(t)是中間變量;pi(t)為局部因子;pBesti(t)、gBest(t)分別是在第t次迭代過(guò)程中第i個(gè)局部最優(yōu)粒子位置、全局最優(yōu)粒子位置;φ1、φ2、u是在(0,1)區(qū)間服從均勻分布的隨機(jī)數(shù);mBest(t)為第t次迭代過(guò)程中粒子的平均最佳位置;β為收縮擴(kuò)張因子,其值可以調(diào)整;M為群體大小。
粒子位置的更新根據(jù)式(5)來(lái)確定:
QPSO算法流程為步驟1:在解空間中,對(duì)粒子群中各個(gè)粒子的位置設(shè)置初值。步驟2:利用式(4)計(jì)算平均值mBest(t)。步驟3:根據(jù)適應(yīng)度函數(shù)返回的粒子適應(yīng)度值進(jìn)行比較擇優(yōu),然后更新粒子的局部最優(yōu)位置pBesti(t)。步驟4:根據(jù)所有粒子的局部最優(yōu)位置pBesti(t)更新全局最優(yōu)粒子位置 gBest(t)。步驟 5:根據(jù)式(3)、式(4)和式(5)更新每個(gè)粒子的最新位置。步驟6重復(fù)步驟2至步驟5,直至循環(huán)結(jié)束。
在群體智能算法中,量子粒子群算法與傳統(tǒng)粒子群算法相比,具有全局尋優(yōu)策略更有效、算法收斂性更好以及算法控制參數(shù)更少的特征。因此本研究在進(jìn)行柑橘果實(shí)圖像分割算法設(shè)計(jì)過(guò)程中借鑒了量子粒子群算法思想。
模糊聚類(lèi)(fuzzy C-means,簡(jiǎn)稱(chēng)FCM)算法由Bezdek等提出[18],其用于圖像分割的基本原理是使用隸屬度來(lái)確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類(lèi)的程度,通過(guò)迭代運(yùn)算,求出目標(biāo)函數(shù)的最小值,以確定其最佳類(lèi)別。模糊聚類(lèi)算法將n個(gè)樣本點(diǎn)X=(x1,x2,…,xj,…,xn)劃分為 c個(gè)類(lèi),并求出每個(gè)類(lèi)的聚類(lèi)中心,使得目標(biāo)函數(shù)達(dá)到最小。其中,每個(gè)樣本點(diǎn)的隸屬度取值范圍為[0,1],每個(gè)樣本點(diǎn)與相應(yīng)聚類(lèi)中心的隸屬度構(gòu)成隸屬矩陣U。uij∈[0,1]是模糊隸屬度,表示第j個(gè)樣本點(diǎn)隸屬于第i個(gè)類(lèi)的程度,滿足以下約束條件:
式中:aj=min{i∈{1,2,…,c}-η}為第j個(gè)樣本點(diǎn)到第i個(gè)聚類(lèi)中心的距離的平方;vi為聚類(lèi)中心;m=2;k為1到 c之間的整數(shù);η取值范圍在區(qū)間[0.01,0.20]內(nèi)。
與模糊聚類(lèi)算法相比,在目標(biāo)函數(shù)中引入隸屬度約束項(xiàng)的約束聚類(lèi)算法的運(yùn)行效率更高。本研究的圖像分割新算法采用以上公式計(jì)算約束聚類(lèi)目標(biāo)函數(shù)值(J)以及聚類(lèi)中心(vi)和模糊隸屬度(uij)。
通過(guò)對(duì)OTSU圖像分割算法、QPSO圖像分割算法和FCM圖像分割算法的研究,吸取各個(gè)算法優(yōu)點(diǎn),提出本研究算法。圖像聚類(lèi)分割方法本質(zhì)上是根據(jù)圖像像素灰度值與聚類(lèi)中心像素灰度值的接近程度對(duì)像素點(diǎn)的聚類(lèi)。為提升聚類(lèi)算法分割圖像的性能,本研究首先將RGB模式的彩色圖像轉(zhuǎn)換成灰度圖像,然后將量子粒子群算法的全局尋優(yōu)策略與引入隸屬度約束項(xiàng)的約束聚類(lèi)相結(jié)合設(shè)計(jì)圖像分割算法,該算法可保證分割的圖像能夠?qū)ι倭康牟淮_定像素點(diǎn)具有良好的適應(yīng)性,同時(shí)又可避免算法陷入局部極值。
本研究算法過(guò)程為步驟1:讀入待分割RGB模式原始彩色圖像,將柑橘果實(shí)彩色圖像轉(zhuǎn)換成灰度圖像。步驟2:初始化算法參數(shù)值,設(shè)置種群規(guī)模為N=20,最大迭代次數(shù)itermax=50;初始化隸屬度矩陣。步驟3:初始化粒子位置,初始化粒子各個(gè)分量值的適當(dāng)取值范圍,根據(jù)式(7)返回粒子的適應(yīng)度值,遴選局部最佳位置的適應(yīng)度值。步驟4:通過(guò)式(7)返回的粒子適應(yīng)度值進(jìn)行比較擇優(yōu),根據(jù)粒子局部最優(yōu)位置pBesti(t)更新全局最優(yōu)粒子位置 gBest(t)。步驟 5:根據(jù)式(8)和式(9)更新聚類(lèi)中心和隸屬度矩陣,并使用式(3)、式(4)與式(5)對(duì)粒子群相應(yīng)的粒子位置進(jìn)行更新,產(chǎn)生下次循環(huán)使用的粒子群。步驟6:判斷是否達(dá)到設(shè)置的迭代次數(shù),如果達(dá)到迭代次數(shù)則退出循環(huán);然后輸出全局最優(yōu)解gBest(t),根據(jù)全局最優(yōu)解分割圖像并輸出;否則,轉(zhuǎn)至步驟4。
本研究的試驗(yàn)環(huán)境如下:操作系統(tǒng) Windows XP;CPU Intel Core2 Duo T6570 2.10 GHz,RAM 1.99 GB;采用 Matlab R2012b進(jìn)行仿真。
算法運(yùn)行參數(shù)設(shè)置如下:依據(jù)解空間,對(duì)粒子群各粒子位置進(jìn)行初始化,設(shè)置粒子規(guī)模為20個(gè),最大迭代次數(shù)為50次,像素灰度級(jí)為255。
試驗(yàn)中分別采用為130像素×130像素的遮擋柑橘果實(shí)圖像與重疊柑橘果實(shí)圖像,如圖1-a與圖2-a所示,它們的灰度直方如圖3所示。
從圖1、圖2可以看出,本研究算法的分割效果最好。
選取遮擋柑橘果實(shí)圖像和重疊柑橘果實(shí)圖像,分別應(yīng)用OTSU算法、QPSO算法和模糊聚類(lèi)的圖像分割算法、本研究算法進(jìn)行分割并對(duì)試驗(yàn)結(jié)果(表1和表2)進(jìn)行比較。
為更客觀地評(píng)估本研究算法,引入分割效果的評(píng)判標(biāo)準(zhǔn),即圖像分割錯(cuò)誤率(error rate,簡(jiǎn)稱(chēng)ER)與峰值信噪比(peak signal to noise ratio,簡(jiǎn)稱(chēng)PSNR),其計(jì)算方法為:
式中:N為圖像中真實(shí)柑橘果實(shí)目標(biāo)包含的像素點(diǎn)數(shù);Ni(i=1,2,3,4)分別對(duì)應(yīng) OTSU算法、QPSO算法、FCM算法和本研究方法目標(biāo)區(qū)域分割錯(cuò)誤的像素點(diǎn)數(shù)(包括錯(cuò)判為目標(biāo)與錯(cuò)判為背景的像素點(diǎn)數(shù));ER為采用式(10)計(jì)算出的圖像分割錯(cuò)誤率;m、n分別為圖像的行數(shù)、列數(shù);I(i,j)為轉(zhuǎn)化后的灰度圖像;K(i,j)為分割后圖像;PSNR為采用式(11)計(jì)算所得的圖像峰值信噪比,該值越大表示圖像的分割效果越好。
由表1與表2可知,OTSU算法將遮擋柑橘果實(shí)圖像和重疊柑橘果實(shí)圖像分割為前景與背景的平均分割錯(cuò)誤率較高,分別為 23.3%與 27.6%;其峰值信噪比較低,分別為7.041 3、7.102 2 dB。QPSO算法與傳統(tǒng)模糊聚類(lèi)算法的分割錯(cuò)誤率低于OTSU算法,同時(shí)峰值信噪比高于OTSU算法。本研究算法對(duì)遮擋柑橘果實(shí)圖像與重疊柑橘果實(shí)圖像的分割錯(cuò)誤率分別為1.7%與0.9%,分割錯(cuò)誤率低于OTSU算法、QPSO算法和模糊聚類(lèi)的圖像分割算法;峰值信噪比分別為11.675 2、11562 1 dB,高于 OTSU算法、QPSO算法和模糊聚類(lèi)的圖像分割算法。本研究算法采用的全局尋優(yōu)策略與約束聚類(lèi)分割圖像的良好適應(yīng)性特征保證了算法的有效性,且多次重復(fù)的試驗(yàn)結(jié)果穩(wěn)定。
表1 各分割算法的最佳閾值比較
表2 分割算法的分割錯(cuò)誤率與峰值信噪比的比較
本研究提出基于量子粒子群的柑橘果實(shí)圖像約束聚類(lèi)分割算法,在柑橘果實(shí)圖像分割中,通過(guò)將獲取的RGB模式柑橘果實(shí)彩色圖像轉(zhuǎn)換成灰度圖像,以對(duì)少量模糊點(diǎn)和不確定點(diǎn)具有良好適應(yīng)性的模糊聚類(lèi)圖像分割算法為參考,通過(guò)向目標(biāo)函數(shù)中引入隸屬度約束項(xiàng)并采用具有隨機(jī)遍歷性的量子粒子群全局搜索優(yōu)化策略,力圖提高柑橘圖像分割算法的性能。對(duì)遮擋柑橘果實(shí)圖像與重疊柑橘果實(shí)圖像應(yīng)用本研究算法進(jìn)行分割試驗(yàn),結(jié)果表明,基于量子粒子群的柑橘果實(shí)圖像約束聚類(lèi)分割算法在降低分割錯(cuò)誤率的同時(shí)可提高峰值信噪比。
參考文獻(xiàn):
[1]盧 軍,王賢鋒,后德家 .水果采摘機(jī)器人視覺(jué)系統(tǒng)研究進(jìn)展[J].湖北農(nóng)業(yè)科學(xué),2012,51(21):4705-4708.
[2]陳 磊,陳帝伊,馬孝義.果蔬采摘機(jī)器人的研究[J].農(nóng)機(jī)化研究,2011,33(1):224-227,231.
[3]Rakun J,Stajnko D,Zazula D.Detecting fruits in natural scenes by using spatial-frequency based texture analysis and multiview geometry[J].Computers and Electronics in Agriculture,2011,76(1):80-88.
[4]趙德安,沈 甜,陳 玉,等.蘋(píng)果采摘機(jī)器人快速跟蹤識(shí)別重疊果實(shí)[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(2):22-28.
[5]Harrell R C,Slaughter D C,Adsit P D.A fruit-tracking system for robotic harvesting[J].Machine Vision and Applications,1989,2(2):69-80.
[6]Grift T,Zhang Q,Kondo N,,et al.A review of automation and robotics for the bioindustry[J]. Journal of Biomechatronics Engineering,2008,1(1):37-54.
[7]蔡健榮,周小軍,李玉良,等.基于機(jī)器視覺(jué)自然場(chǎng)景下成熟柑橘識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(1):175-178.
[8]Ghabousian A,Shamsi M.Segmentation of Apple color images utilizing fuzzy clustering algorithms[J]. Advances in Digital Multimedia,2012,1(1):59-63.
[9]Moradi G,ShamsiM,SedaghiM H,et al.Fruit defect detection from color images using ACM and MFCM algorithms[C]//International Conference on Electronic Devices,Systems and Applications,2011:182-186.
[10]趙海波,周向紅.基于計(jì)算機(jī)視覺(jué)的番茄催熟與正常熟識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(2):355-359.
[11]熊俊濤,鄒湘軍,陳麗娟,等.基于機(jī)器視覺(jué)的自然環(huán)境中成熟荔枝識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(9):162-166.
[12]熊俊濤,鄒湘軍,陳麗娟,等.荔枝采摘機(jī)械手果實(shí)識(shí)別與定位技術(shù)[J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,33(1):1-5.
[13]陳科尹,鄒湘軍,熊俊濤,等.基于視覺(jué)顯著性改進(jìn)的水果圖像模糊聚類(lèi)分割算法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(6):157-165.
[14]王富春,徐 越,宋懷波.西紅柿果實(shí)目標(biāo)識(shí)別方法研究——基于模糊聚類(lèi)算法[J].農(nóng)機(jī)化研究,2015(10):24-28,33.
[15]毛罕平,張艷誠(chéng),胡 波.基于模糊C均值聚類(lèi)的作物病害葉片圖像分割方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(9):136-140.
[16]Hafiane A,Zavidovique B.FCM with spatial and multiresolution constraints for image segmentation[C]//International Conference on Image Analysis and Recognition,2005:17-23.
[17]Sun J,F(xiàn)eng B,Xu W B.Particle swarm optimization with particles having quantum behavior[C]//Congress on Evolutionary Computation.Portland,2004.
[18]Bezdek J C.Pattern recognition with fuzzy objection function algorithms[M].New York:Plenum Press,1981.
[19]張小紅,寧紅梅.基于混沌粒子群和模糊聚類(lèi)的圖像分割算法[J].計(jì)算機(jī)應(yīng)用研究,2011,28(12):4786-4789.
[20]許亞駿,吳小俊.基于量子行為粒子群優(yōu)化的軟子空間聚類(lèi)算法[J].模式識(shí)別與人工智能,2016,29(6):558-566.