摘要：針對過渡區(qū)的特點，提出一種局部鄰域二階差分的過渡區(qū)閾值圖像分割算法。該方法首先選取局部鄰域二階差分較大的像素作為過渡區(qū)的像素點，再對過渡區(qū)進(jìn)行填充，最后剔除過渡區(qū)中的背景點，獲得圖像中目標(biāo)。為了檢驗該算法的有效性，采用分類誤差、假陽性率、重疊系數(shù)和運(yùn)算速度等4個指標(biāo)與經(jīng)典算法進(jìn)行比較，結(jié)果顯示，該算法具有更快的運(yùn)行速度和更好的提取皇帝柑圖像目標(biāo)的性能。

關(guān)鍵詞：局部鄰域二階差分;皇帝柑;過渡區(qū);圖像分割

中圖分類號： TP391.41 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2019）14-0248-03

我國水果總產(chǎn)量雖然位居世界第一，但是出口量不足總產(chǎn)量的5%，且售價約為國際平均售價的1/2[1]，主要原因之一是對采摘的水果沒有進(jìn)行等級分揀。針對這種情況，基于圖像處理的水果等級分類方法不斷涌現(xiàn)。文獻(xiàn)[2-7]分別將色差分量、鄰差和、支持向量機(jī)、對數(shù)相似度約束、邊緣檢測和框架檢測理論應(yīng)用于水果圖像分割。文獻(xiàn)[8-10]分別采用色差分量、Canny算子進(jìn)行柑橘圖像分割。近年來，基于過渡區(qū)的圖像分割算法成為研究熱點之一。文獻(xiàn)[11]對過渡區(qū)的相關(guān)文獻(xiàn)進(jìn)行綜述，并將過渡區(qū)的相關(guān)文獻(xiàn)分為3類：第一類是考慮灰度變化幅度，如文獻(xiàn)[12]提出了基于韋伯定律的過渡區(qū)提取算法，文獻(xiàn)[13]提出了基于有效平均梯度（effective average gradient，EAG）的過渡區(qū)提取算法，該方法首先采用2個灰度剪切函數(shù)對圖像進(jìn)行處理，得到2個EAG（L）～L曲線，再通過計算2條曲線的峰值確定閾值區(qū)間，灰度級位于該閾值區(qū)間的像素就構(gòu)成了圖像的過渡區(qū)域;第二類是考慮灰度變化頻率，如文獻(xiàn)[14]提出了基于局部熵（local entropy，LE）的過渡區(qū)提取算法，該算法先計算圖像的每個像素點對應(yīng)的局部熵，構(gòu)成熵矩陣，再選取某種規(guī)則確定熵閾值，最后由熵大于該閾值的像素點構(gòu)成圖像的過渡區(qū)域;第三類是考慮灰度變化幅度和頻率，如文獻(xiàn)[15]結(jié)合灰度復(fù)雜度和差異度提取過渡區(qū)。針對已有文獻(xiàn)沒有采用基于過渡區(qū)的閾值分割算法分割水果圖像的情況，本研究將基于局部鄰域二階差分的過渡區(qū)圖像分割算法引入到水果圖像的分割中。

1 主要研究思路

由于文獻(xiàn)[13]提出的有效平均梯度法和文獻(xiàn)[14]提出的局部熵法對噪聲圖像敏感且算法的復(fù)雜度較高，因此本研究提出基于局部鄰域二階差分的過渡區(qū)提取算法，該算法的基本思路為首先提取圖像的過渡區(qū)，再對過渡區(qū)進(jìn)行填充，然后去除過渡區(qū)中的背景點，得到分割結(jié)果。本研究算法提取的圖1-a過渡區(qū)如圖1-b所示，過渡區(qū)把目標(biāo)包圍在中間;填充過渡區(qū)后如圖1-c所示，剔除圖1-c中過渡區(qū)的背景點后如圖1-d所示;根據(jù)圖1-d獲得的圖像目標(biāo)分類結(jié)果如圖1-e所示。

2 基于局部鄰域二階差分的過渡區(qū)提取算法

2.1 局部鄰域二階差分

3.3 試驗結(jié)果與分析

通過試驗檢驗本研究方法在含有高光、陰影和葉子的圖像中提取皇帝柑的效果。將本研究方法的分割效果與文獻(xiàn)[13-14]提出的算法作對比試驗。采用分類誤差（ME）、假陽性率（FPR）、疊加系數(shù)（OI）和運(yùn)行時間4個指標(biāo)檢驗分割效果。參考圖像是采用MATLAB提供的函數(shù)roipoly人工分割獲取的。

本研究算法對測試圖像分割結(jié)果如圖2所示， 在含有高光、陰影和葉子的皇帝柑圖像中能夠較好地提取圖像中的目標(biāo)，而文獻(xiàn)[13-14]都存在較為嚴(yán)重的過分割現(xiàn)象。表1的數(shù)據(jù)顯示，本研究算法的平均分類誤差為11.70%，而文獻(xiàn)[13]、文獻(xiàn)[14]的平均分類誤差分別為18.87%、19.29%。表2的數(shù)據(jù)顯示，本研究算法的平均假陽性率為17.45%，而文獻(xiàn)[13]、文獻(xiàn)[14]的平均假陽性率分別為20.03%、19.10%。表3的數(shù)據(jù)顯示，本研究算法的平均疊加系數(shù)為78.37%，而文獻(xiàn)[13]、文獻(xiàn)[14]的平均疊加系數(shù)分別為63.90%、63.59%。表4的數(shù)據(jù)顯示，本研究算法的平均運(yùn)行時間為0.245 7 s，而文獻(xiàn)[13]、文獻(xiàn)[14]的平均運(yùn)行時間分別為0.594 3、0.750 7 s。本研究算法的平均運(yùn)行時間分別只有文獻(xiàn)[13]和文獻(xiàn)[14]的41.34%、32.73%。試驗結(jié)果表明，本研究算法比文獻(xiàn)[13]和文獻(xiàn)[14]運(yùn)行速度快，且分割圖像目標(biāo)更準(zhǔn)確。

4 結(jié)論

由于有效平均梯度法和局部熵法對噪聲圖像敏感且算法的復(fù)雜度較高，本研究提出了基于局部鄰域二階差分的過渡區(qū)閾值圖像分割算法，該方法首先選取局部鄰域二階差分較大的像素作為過渡區(qū)的像素點，再剔除填充后的過渡區(qū)中背景點，最后獲得圖像中目標(biāo)。為了檢驗本研究算法的有效性，對比分析本研究算法與經(jīng)典的過渡區(qū)閾值圖像分割算法的分割效果，結(jié)果顯示，該算法具有更快的分割速度和更好的分割含有高光、陰影和葉子的皇帝柑圖像的性能。

參考文獻(xiàn)：

[1]劉 曉. 基于多光譜圖像的柑橘糖度含量在線無損檢測研究[D]. 南昌：江西農(nóng)業(yè)大學(xué)，2011.

[2]趙德安，劉曉洋，陳 玉，等. 蘋果采摘機(jī)器人夜間識別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46（3）：15-22.

[3]郭文川，梁 瑋，宋懷波. 基于鄰差和的農(nóng)產(chǎn)品X射線圖像分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2012，43（11）：214-219.

[4]張春龍，張 楫，張俊雄，等. 近色背景中樹上綠色蘋果識別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45（10）：277-281.

[5]趙瑤池，胡祝華. 基于對數(shù)相似度約束Otsu的自然場景病害果實圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46（11）：9-15.

[6]黃 辰，費(fèi)繼友. 基于圖像特征融合的蘋果在線分級方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（1）：285-291.

[7]Kaushik D，Suny A H. Shadow detection and removal based on YCbCr color space[J]. Smartcr，2014，4（1）：23-33.

[8]蔡健榮，周小軍，李玉良，等. 基于機(jī)器視覺自然場景下成熟柑橘識別[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（1）：175-178.

[9]彭 輝，文友先，吳蘭蘭，等. 采用自適應(yīng)Canny算子的樹上柑橘圖像邊緣檢測[J]. 計算機(jī)工程與應(yīng)用，2011，47（9）：163-166.

[10]周志宇，劉迎春，張建新. 基于自適應(yīng)Canny算子的柑橘邊緣檢測[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（3）：21-24.

[11]章毓晉. 圖像分割中基于過渡區(qū)技術(shù)的統(tǒng)計調(diào)查[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2015，27（3）：379-387.

[12]鄒小林，馮國燦. 基于韋伯定律的過渡區(qū)提取及閾值分割[J]. 科學(xué)技術(shù)與工程，2013，13（15）：4217-4222.

[13]章毓晉. 過渡區(qū)和圖像分割[J]. 電子學(xué)報，1996，24（1）：12-17.

[14]Yan C X，Sun N，Zhang T X. Local entropy-based transition region extraction and thresholding[J]. Pattern Recognition Letters，2003，24（16）：2935-2941.

[15]吳 濤，楊俊杰. 融合局部特征的圖像過渡區(qū)提取與閾值化[J]. 計算機(jī)應(yīng)用，2013，33（1）：40-43，52.

[16]Yasnoff W A，Mui J K，Bacus J W. Error measures for scene segmentation[J]. Pattern Recognition，1977，9（4）：217-231.

[17]Hu Q M，Hou Z J，Nowinski W L. Supervised range-constrained thresholding[J]. IEEE Transactions on Image Processing，2006，15（1）：228-240.

[18]宋懷波，張衛(wèi)園，張欣欣，等. 基于模糊集理論的蘋果表面陰影去除方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（3）：135-141.