陳松楠， 朱艷平， 杜永強(qiáng)

(信陽農(nóng)林學(xué)院信息工程學(xué)院，河南信陽 464000)

隨著生豬養(yǎng)殖規(guī)模的集成化和規(guī)?；?，每年都有大量的生豬在全國各地進(jìn)行流通，給動物檢疫部門帶來了十分繁重的檢疫任務(wù)。傳統(tǒng)的生豬監(jiān)測工作是由具有專業(yè)知識的疫情監(jiān)測人員來完成，受人員不足和檢疫生豬數(shù)量多的制約，檢疫部門只能對生豬進(jìn)行隨即抽檢，通過概率預(yù)測的方式來判斷一批生豬是否檢疫合格，該方法并不能實(shí)時(shí)對患病生豬進(jìn)行自動監(jiān)控和預(yù)警。為了最終實(shí)現(xiàn)生豬疫情的自動預(yù)警功能，本研究提出一種基于FCM-SVM的生豬紅外熱圖像自動分割方法，為生豬病變部位的提取提供了源，從而降低了背景圖像的后續(xù)干擾。

針對生豬圖像的自動分割，國內(nèi)外學(xué)者做了很多研究。中國農(nóng)業(yè)大學(xué)的馬麗等提出了一種基于改進(jìn)幾何活動輪廓模型的母豬紅外圖像分割算法，通過取不同的分割閾值和構(gòu)建新的對比度權(quán)值函數(shù)，實(shí)現(xiàn)圖像全局能量和局部能量的權(quán)重在圖像各區(qū)域的均衡化，結(jié)果表明單幅圖像平均分割時(shí)間為49.67 s，正確分割率達(dá)到98%以上[1]。江蘇大學(xué)的朱偉興等提出了一種基于改進(jìn)主動形狀模型的生豬耳部區(qū)域檢測方法，結(jié)合紅外和可見光圖像融合算法，以融合圖像的NSCT分解系數(shù)作為特征點(diǎn)紋理描述，結(jié)果表明自動檢測分割耳部區(qū)域與手動分割區(qū)域重合度>0.8的檢測結(jié)果占比達(dá)到84%，檢測效果較好[2]。中國農(nóng)業(yè)機(jī)械化科學(xué)研究院的周麗萍等提出了一種基于改進(jìn)Otsu算法的生豬紅熱外圖像耳根特征區(qū)域檢測方法，通過對生豬熱紅外圖像進(jìn)行顏色空間的轉(zhuǎn)換，生成S層圖像，采用改進(jìn)的Otsu算法對S層圖像進(jìn)行二值化處理，從而分割出生豬的外輪廓[3]。江蘇大學(xué)的劉波博士認(rèn)為，由于生豬體表輻射率與豬舍環(huán)境輻射率存在較大差異，且溫度不同，生豬體態(tài)部分與周圍環(huán)境在紅外偽彩色圖像中差異明顯，提出通過Otsu自動閾值分割和孔洞填充、小區(qū)域消除等圖像預(yù)處理方法，可以大致提出生豬目標(biāo)前景二值圖像[4]。

上述研究結(jié)果表明，當(dāng)前對生豬熱紅外圖像的分割仍采用閾值分割的方法進(jìn)行，并沒實(shí)現(xiàn)完全自動化。本研究提出一種基于FCM-SVM的圖像分割方法，將生豬紅外熱圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，根據(jù)模糊C均值聚類算法(FCM)將待分割的圖像聚類為2類，并將2類圖像的顏色特征分別作為支持向量機(jī)(SVM)模型的正、負(fù)訓(xùn)練樣本，實(shí)現(xiàn)對生豬紅外熱圖像的自動分割。

1 圖像顏色空間的轉(zhuǎn)換

由紅、黃、藍(lán)3種原色經(jīng)過不同比例的組合就能形成不同的顏色，這些顏色的集合組成一個(gè)顏色空間。顏色空間模型的種類有面向硬件設(shè)備的顏色空間模型、面向視覺感知的顏色空間模型、面向視覺感知的均勻顏色模型等。本研究在前期試驗(yàn)基礎(chǔ)上，通過對比發(fā)現(xiàn)HSV顏色空間模型較適宜圖像自動分割。在對圖像進(jìn)行預(yù)處理階段首先將生豬圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間。HSV顏色空間主要由3個(gè)相互獨(dú)立的分量(H、S、V)構(gòu)成，由Smith于1978年首先創(chuàng)建[5]。其中，H代表色調(diào)，取值范圍為0°～180°；S代表飽和度，通常取值范圍0%～100%，值越大顏色越飽和；V代表明度，通常取值范圍為0%(黑)～100%(白)。

設(shè)RGB顏色空間上的任意像素點(diǎn)(r，g，b)轉(zhuǎn)換成HSV顏色空間后對應(yīng)于像素點(diǎn)(h，s，v)，那么則有：

v=max(r,g,b)；

(1)

(2)

(3)

根據(jù)文獻(xiàn)[3]，從中國農(nóng)業(yè)機(jī)械化科學(xué)研究院采集到生豬紅外熱圖像，如圖1-a所示。依據(jù)公式(1)、公式(2)、公式(3)將對生豬紅外熱圖像進(jìn)行顏色空間轉(zhuǎn)換。為最大限度地降低光照條件對圖像的影響，本研究只考慮h分量和s分量，避免v分量，使得圖像處理時(shí)更準(zhǔn)確，結(jié)果如圖1所示。

由圖1可知，生豬輪廓區(qū)域的h分量與背景區(qū)域的h分量有明顯的差別，因此在后面的研究中，選取hsv顏色空間的h分量圖像進(jìn)行試驗(yàn)。

2 基于FCM-SVM的圖像自動分割方法

基于FCM-SVM的圖像自動分割方法主要由2個(gè)部分構(gòu)成：一是通過模糊C均值聚類算法(FCM)自動將圖像的像素點(diǎn)分成2類，一類作為前景圖像，另一類作為背景圖像；二是分別提取前景圖像和背景圖像特征作為支持向量機(jī)(SVM)的訓(xùn)練樣本，從而訓(xùn)練分類器對圖像進(jìn)行分割?；贔CM-SVM的圖像自動分割方法流程如圖2所示。

2.1 基于FCM的樣本分類

模糊C均值聚類算法(FCM)最早由Dunn提出，并由Bezdek進(jìn)行改進(jìn)，該算法引入了隸屬度的概念，根據(jù)像素點(diǎn)屬于某種確定結(jié)果的相似程度把圖像的像素點(diǎn)分類到不同的范圍之內(nèi)，從而實(shí)現(xiàn)對圖像的自動分割[6]。

設(shè)有樣本集X={x1,x2,…,xn}被分成C類，其中n為正整數(shù)，xn?R，第j類的中心記為cj，則ui,j表示樣本i屬于類j的隸屬度。那么可以定義目標(biāo)函數(shù)Fobj和隸屬度函數(shù)U分別為

(1)

(2)

式中：ui,j∈[0,1]；C∈[2,n]；i∈X。

根據(jù)公式(1)和公式(2)構(gòu)造拉格朗日函數(shù)如公式(3)所示：

(3)

通過公式(3)分別對ui,j和cj求導(dǎo)得出極值點(diǎn)：

(4)

(5)

對ui,j賦給滿足公式(2)的任意初值，根據(jù)公式(4)和公式(5)進(jìn)行迭代運(yùn)算，當(dāng)目標(biāo)函數(shù)Fobj的值趨于穩(wěn)定時(shí)，就可以認(rèn)為算法收斂于一個(gè)較好的結(jié)果。式中：m為權(quán)重值，一般情況下取m=2。

2.2 基于SVM的圖像分割

支持向量機(jī)(SVM)算法的主要思想：首先將訓(xùn)練樣本的特征信息由低緯空間通過一定的函數(shù)映射到高維的特征空間中，使得這些數(shù)據(jù)集在高維的特征空間能夠被線性可分。然后，在特征空間中建立一個(gè)最大間隔的最優(yōu)分離平面，使得該分離平面能夠?qū)⒉煌奶卣骷耆蛛x開來[7-8]。支持向量機(jī)算法必須要解決2個(gè)問題：一是核函數(shù)的選擇，用來將非線性的數(shù)據(jù)集映射到高維空間，使之成為一個(gè)線性可分的數(shù)據(jù)集；二是如何在高維的空間中求出一個(gè)最優(yōu)的分離平面，將所有的樣本能夠準(zhǔn)確分離開來。

通過隸屬度函數(shù)U將樣本像素點(diǎn)分成2類，一類記為正樣本像素點(diǎn)集合P，一類記為負(fù)樣本像素點(diǎn)集合N。對P和N分別隨機(jī)選取一定數(shù)量的樣本構(gòu)成集合sp和sn。在RGB顏色空間下，分別提取sp和sn集合中的像素點(diǎn)對應(yīng)的r、g、b3個(gè)顏色通道的特征值，表示為

sp(r,g,b)=[sp(r),sp(g),sp(b)]；

sn(r,g,b)=[sn(r),sn(g),sn(b)]。

sp(r,g,b)和sn(r,g,b)構(gòu)成樣本的顏色特征向量F[sp(r,g,b)，sn(r,g,b)]，將其送到SVM訓(xùn)練模型中進(jìn)行分類器的訓(xùn)練，最終實(shí)現(xiàn)對圖像的自動分割。

3 結(jié)果與分析

本研究所有的試驗(yàn)均在VS2012和OpenCV2.4的環(huán)境下實(shí)現(xiàn)。試驗(yàn)中使用的生豬紅外熱圖像均來自文獻(xiàn)[3]中提到的中國農(nóng)業(yè)機(jī)械化科學(xué)研究院，類別數(shù)設(shè)置為2，最大迭代次數(shù)設(shè)置為50，權(quán)重m設(shè)置為默認(rèn)值2，用于訓(xùn)練SVM模型的核函數(shù)選擇線性核函數(shù)。試驗(yàn)中，將本研究算法與傳統(tǒng)的FCM算法、最大類間方差法(Otsu)[9]算法進(jìn)行了比較，選取其中的4幅圖像進(jìn)行分割結(jié)果說明。

圖3列出了本研究算法與Otsu圖像分割算法以及FCM圖像分割算法的試驗(yàn)結(jié)果比較，通過試驗(yàn)對比可以發(fā)現(xiàn)，Otsu算法容易將前景顏色錯誤地分割成背景色，對前景色與背景色像素點(diǎn)差別不明顯的區(qū)域分割效果較差，F(xiàn)CM算法的分割效果比Otsu算法的效果好一些，但是對像素點(diǎn)差別不明顯的區(qū)域分割效果也不太理想，存在錯誤分割的情況。基于 FCM-SVM的圖像自動分割方法對生豬紅外熱圖像的分割效果具有很大的優(yōu)勢，從圖3-d可以看出，算法對像素點(diǎn)差別不明顯的區(qū)域也具有較好的分割效果，能夠很好地將生豬圖像從背景中分割出來，誤分率較小。

目前針對紅外熱圖像的分割結(jié)果還沒有一個(gè)準(zhǔn)確的評價(jià)標(biāo)準(zhǔn)，僅從視覺上評價(jià)算法的性能好壞是遠(yuǎn)遠(yuǎn)不夠的。在對生豬紅外熱圖像進(jìn)行分割的過程中，由于誤差率的存在，前景圖像和背景圖像可能存在誤分割的像素點(diǎn)，因此本研究采用分類正確率作為一種評價(jià)指標(biāo)來說明圖像分割的性能，針對生豬圖像中的每一個(gè)像素點(diǎn)，SVM分類器有4種可能的判別結(jié)果[10-11]：TF(true foreground)：屬于生豬本身的像素點(diǎn)依然判斷為生豬圖像中的像素點(diǎn)數(shù)目；FF(false foreground)：屬于生豬本身的像素點(diǎn)卻被判斷為背景圖像的像素點(diǎn)數(shù)目；TB(true background)：屬于背景圖像的像素點(diǎn)依然判斷為背景圖像的像素點(diǎn)數(shù)目；FB(true background)：屬于背景圖像的像素點(diǎn)卻被判斷為生豬本身圖像的像素點(diǎn)數(shù)目。

分類正確率定義如下：

(6)

從左往右記圖3-a中的4幅圖像分別為圖像1、圖像2、圖像3和圖像4。依據(jù)公式(6)分別計(jì)算出3種自動分割算法對上述4幅圖像的分割正確率如表1所示。結(jié)果表明，本研究的自動分割方法具有較高的正確率。

表1 圖3-a中4幅圖像的分割正確率

4 結(jié)論

在將SVM的分類思想用于圖像分割的過程中，需要人工選取訓(xùn)練樣本，這樣受人的主觀性影響較大且費(fèi)時(shí)費(fèi)力。為了解決這個(gè)問題，完成訓(xùn)練樣本自動獲取的同時(shí)還能得到較好的生豬輪廓圖像，本研究在原有SVM算法的基礎(chǔ)上提出了基于FCM-SVM的生豬紅外圖像自動分割方法，通過對圖像進(jìn)行顏色空間轉(zhuǎn)換，利用FCM算法對H通道進(jìn)行樣本的自動獲取，然后通過SVM模型實(shí)現(xiàn)對生豬紅外熱圖像的自動分割。本研究的方法無論在視覺上還是分類正確率上都具有較好的試驗(yàn)結(jié)果，為后續(xù)生豬各個(gè)部位特征的獲取提供了技術(shù)支撐。