汪慶慶，杜慶煒，馬慶春，高慶潔，譚紅春

（安徽中醫(yī)藥大學醫(yī)藥信息工程學院，安徽合肥230012)

葉片是植物圖像的重要特征，葉片圖像分割是構建中藥植物識別系統(tǒng)的關鍵技術。自然環(huán)境中的葉片圖像背景較為復雜，而葉片圖像最終的分割精度和分割時間會影響整個識別系統(tǒng)的性能。近年來，許多學者嘗試不同顏色空間對植物圖像進行分割，沈雯雯等在LAB空間使用聚類算法對含有非均勻光照的葉片圖像進行分割[1]，鄒秋霞等在LAB空間使用硬聚類算法對含有陰影區(qū)域的植物葉片圖像進行分割[2]，張國權等基于HSV空間對圖像中的葉片和蟲子之間邊界提取[3]，宋西平等在HSI空間成功將葡萄果實從葉片枝干背景中分割出來[4]。上述圖像分割方法通常是基于不同的顏色空間變換，但過多的顏色空間變換需要消耗大量時間，很難滿足圖像實時處理的要求。因此，本文提出一種基于顏色差異特征的FCM算法用于自然環(huán)境中的中藥植物葉片圖像分割，記為N_FCM算法。

1 NDI顏色特征

歸一化綠-紅差異化指數(shù)[5]（Normalized Green–Red Difference Index，NDI）是Hunt等提出的一種基于RGB空間的紅綠差異化指標，這種顏色差異性特征是通過對綠-紅通道空間簡單運算而獲取的，能夠很好地區(qū)分出蔬菜和土壤。NDI特征描述如下：

其中，R等價于Green/Red，NDI歸一化范圍為[-1,1]。NDI特征也可以變換為

在本文算法中，(2)式中的變量G為RGB圖像的G通道圖像，變量R為RGB圖像的R通道圖像。

通常自然環(huán)境中采集獲取的中藥葉片圖像中主要背景包含土壤、碎石、枯葉等非綠色背景，其次背景中也包含一些雜草等其他非主要葉片的綠色背景，這種圖像差異化特征能夠很好地區(qū)分出主要葉片圖像和土壤枯葉等非綠色背景。

2 FCM算法原理

FCM算法[6]是將樣本集劃分為c個子集，通過隸屬度矩陣與類聚中心間的交替迭代，求解出最優(yōu)聚類目標函數(shù)。聚類目標函數(shù)為

其中，m ∈[1,∞ )為加權指數(shù)，vi(i=1,2,…,c)為第i個聚類的聚類中心為模糊隸屬度矩陣，uij表示樣本xj對第i個聚類的隸屬程度，d(xj,vi)表示樣本xj與類聚中心vi之間的歐氏距離||xj-vi||。

迭代更新公式為

3 N_FCM算法

N_FCM算法是在FCM算法的基礎上引入NDI顏色差異特征，具體步驟如下：

step1:讀取原始拍攝的中藥葉片圖像，用(2)式對原圖進行NDI灰度化預處理；

step2:初始化模糊隸屬度矩陣，聚類中心個數(shù)和樣本；

step3:循環(huán)迭代，在第k步循環(huán)中改變聚類中心和隸屬度值；

step4:循環(huán)終止，|v(k+1)i-v(k)i||小于算法結束閾值ε或者達到最大迭代次數(shù)T，否則k=k+1，轉到step3；

step5:獲取葉片圖像通過聚類獲得的二值化分割圖像；

step6:使用數(shù)學形態(tài)學的開閉運算，去除影響葉片圖像的噪聲和孔洞區(qū)域；

step7:使用面積因素去除其他影響主葉片的其他綠色區(qū)域；

step8:根據(jù)分割的二值圖像結果，計算獲得原始葉片分割后的圖像。

4 實驗過程和實驗結果

本文的實驗環(huán)境為32位Windows7操作系統(tǒng)，i5主頻2.4 GHz CPU，4 GB內(nèi)存，使用Matlab7編程實現(xiàn)。

實驗1N_FCM葉片圖像分割

N_FCM算法使用matlab的fuzzy toolbox的相關函數(shù)實現(xiàn)模糊聚類：

U=initfcm(cluster_n,data_n)；%初始化隸屬度函數(shù)矩陣

[U,center,obj_fcn(i)]=stepfcm(data U,cluster_n,expo)；%迭代修正center,重新計算U;

分割目標為葉片部分和背景兩類，故聚類中心個數(shù)cluster_n=2；樣本data_n通過將NDI灰度化圖像INDI轉化獲??；隸屬度矩陣指數(shù)m=2；算法結束閾值ε=1e-5，算法最大迭代次數(shù)T=100；數(shù)學形態(tài)學使用開閉運算參數(shù)se=strel('disk',6)。

實驗2基于Lab顏色空間的FCM葉片圖像分割(L_FCM)

Lab顏色空間是使用L、a、b 3個垂直坐標來表示一個顏色空間，色彩信息只與a、b有關，其中，a表示色彩系中的紅色和綠色之間的變化。自然環(huán)境中的葉片圖像為綠色，背景中非綠色區(qū)域為偏紅色系的土壤枯葉等。因此本實驗選取a通道用于FCM葉片圖像分割。FCM參數(shù)設置與實驗1相同。

實驗3基于HSV顏色空間的FCM葉片分割(H_FCM)

HSV顏色空間中，與色彩相關的信息僅和H、S分量有關，其中，H分量的顏色是一個不利于表達的環(huán)狀色彩，色彩感受主要取決于S分量。因此，本實驗提取與顏色有關的S通道用于FCM圖像分割。FCM參數(shù)設置與實驗1相同。

本文所用的實驗圖片為自然環(huán)境下在藥用植物園使用手機拍照獲取的彩色圖像，圖像分辨率為2 448×3 264，為方便處理按比例縮放為512×682。圖1為中藥植物大吳風草葉片圖像，圖2為中藥植物木芙蓉的葉片圖像。對兩幅圖片分別使用上述3種算法進行實驗，每組圖像中：第1至3行分別代表N_HCM、L_FCM和H_FCM算法的分割過程；圖1(a)列和圖2(a)列表示原始自然環(huán)境中獲得的圖像；圖1(b)列和圖2(b)列表示使用當前顏色特征模糊聚類分割的結果；圖1(c)列和圖2(c)列表示使用數(shù)學形態(tài)學開閉運算分割的結果；圖1(d)列和圖2(d)列表示使用面積因素分割獲得的結果；圖1(e)列和圖2(e)列表示原始葉片圖像通過算法分割出的最終結果。

圖1 大吳風草葉片

圖2 木芙蓉葉片

通過表1可以看出，N_FCM運行時間最短，H_FCM其次，L_FCM運行時間最長。

表1 3種分割算法運行時間比較

實驗結果表明，從分割精度來看，N_FCM算法和L_FCM算法一樣能夠準確地分割出綠色葉片區(qū)域；但從分割時間來看，N_FCM算法比L_FCM算法運行時間更短，故本文提出的N_FCM算法更能夠滿足中藥葉片分割系統(tǒng)的準確性和實時性兩方面的要求。

5 結束語

為準確快速地分割出自然環(huán)境中的中藥葉片圖像，本文提出了一種基于NDI顏色差異特征的葉片圖像分割算法。該算法利用自然環(huán)境中能區(qū)分綠色葉片與背景的顏色差異特征在預處理方面進行優(yōu)化，其次對圖像聚類結果使用數(shù)學形態(tài)學進行修正，最后使用面積因素去除其他非葉片的綠色區(qū)域。實驗對比結果證明，本文提出的N_FCM算法在分割準確度和分割運行時間兩方面都達到了比較理想的效果，能夠滿足自然條件下的中藥葉片圖像分割要求。

[1]沈雯雯,白杰云,官俊,等.自然背景下基于反射模型的樹葉彩色圖像分割[J].森林工程,2014,30(6):13-16.

[2]鄒秋霞,楊林楠,彭琳,等.基于Lab空間和K-Means聚類的葉片分割算法研究[J].農(nóng)機化研究,2015,37(9):222-226.

[3]張國權,李戰(zhàn)明,李向偉,等.HSV空間中彩色圖像分割研究[J].計算機工程與應用,2010,46(26):179-181.

[4]宋西平,李國琴,羅陸鋒,等.基于HSI色彩空間與FFCM聚類的葡萄圖像分割[J].農(nóng)機化研究,2015,37(10):40-44．

[5]HUNT E R,CAVIGELLI M,DAUGHTRY C S T,et al.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J].Precision Agriculture,2005,6(4):358-378.

[6]BEZDEK J C.Cluster validity with fuzzy sets[J].Journal of Cybernetics,1973,3(3):58-73.