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。

1 量子粒子群算法與約束聚類(lèi)分割圖像

1.1 量子粒子群算法

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。

1.2 約束聚類(lèi)分割圖像

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）。

2 基于量子粒子群的柑橘果實(shí)圖像約束聚類(lèi)分割算法

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。

3 試驗(yàn)仿真與分析

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

4 結(jié)論

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.