曾紹華，唐文密，詹林慶，黃秀芬

(1.重慶師范大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶401331；2.重慶市數(shù)字農(nóng)業(yè)服務(wù)工程技術(shù)研究中心，重慶401331；3.重慶市農(nóng)業(yè)技術(shù)推廣總站，重慶400121；4.重慶市永川區(qū)糧油作物技術(shù)推廣站，重慶402160)

0 引 言

由于野外拍攝場(chǎng)景不可控，機(jī)器視覺采集的紫色土彩色圖像中常包含種植物、雜草、散落小土塊、表土等復(fù)雜背景。為避免背景對(duì)進(jìn)一步處理、識(shí)別的干擾，將紫色土心土（非表土）區(qū)域從背景中自適應(yīng)分割出來是機(jī)器視覺識(shí)別紫色土的首要工作。

目前，利用機(jī)器視覺分割紫色土彩色視覺圖像的研究甚少，僅檢索到紫色土彩色圖像的H 閾值分割[1]，但該算法未考慮不同光照對(duì)分割的影響，對(duì)包含陰影的圖像分割效果較差。傳統(tǒng)圖像分割算法包括基于閾值[2-3]、基于區(qū)域[4-5]、基于邊界[6]的分割算法。聚類分割能夠依據(jù)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)尋找數(shù)據(jù)的自然族群，相較于傳統(tǒng)圖像分割算法，具有無監(jiān)督性、高效性，在圖像分割中取得了較好的效果。聚類算法可以粗略分為3 類：一是基于中心的方法，如K-means聚類[7-8]、FCM聚類[9-10]；二是基于密度的方法，如DBSCAN[11-12]、OPTICS[13]和密度峰值聚類算法[14]；三是基于圖論的方法，如譜聚類[15]、基于錨圖譜聚類[16]和稀疏子空間聚類[17]。其中，密度峰值聚類（density peaks clustering,DPC）是一種簡(jiǎn)潔、高效的聚類算法，被廣泛應(yīng)用于圖像分割。

DPC 算法基于2 個(gè)假設(shè)：聚類中心是密度ρ 相對(duì)較大的數(shù)據(jù)點(diǎn)；聚類中心與比其密度大的其他數(shù)據(jù)點(diǎn)的距離δ 相對(duì)較大。人工輔助選擇ρ 和δ 都相對(duì)較大的點(diǎn)作為聚類中心，然后按照密度降序的順序?qū)⒚總€(gè)剩余點(diǎn)分配給比其密度大的最近鄰所屬的類，得到任意形狀的類。但其也有缺陷：根據(jù)經(jīng)驗(yàn)確定參數(shù)截?cái)嗑嚯xdc，若參數(shù)不合適，則聚類效果較差；人工輔助選擇聚類中心容易失誤且不能滿足野外自適應(yīng)分割的需求。許多學(xué)者對(duì)密度峰值聚類算法進(jìn)行了改進(jìn)[18-23]：Liu 等[18]提出基于k 近鄰的自適應(yīng)聚類算法，使聚類中心點(diǎn)更容易識(shí)別；Liang 等[20]提出一種改進(jìn)的3DC 算法，克服了DPC人工選擇聚類中心的缺點(diǎn)。但上述研究均沒有解決自適應(yīng)確定參數(shù)從而實(shí)現(xiàn)自適應(yīng)分割的問題。此外，DPC算法及改進(jìn)算法都有大量的距離計(jì)算，算法分割圖像耗時(shí)較長(zhǎng)。

為增強(qiáng)土壤區(qū)域的集中分布和聚集特性，并擴(kuò)大土壤與背景間分離特性，本文通過建立基于類間方差最大化類內(nèi)方差最小化準(zhǔn)則的優(yōu)化模型獲得提升土壤與背景之間分離特性的灰度圖像。為實(shí)現(xiàn)紫色土的自適應(yīng)分割并提高分割精度與效率，改進(jìn)DPC 算法中的密度公式并構(gòu)建中心決策度量來自動(dòng)獲取聚類中心，實(shí)現(xiàn)紫色土圖像的自適應(yīng)分割。

1 圖像采集

按DB50/T 796-2017重慶土壤分類與代碼[24]，對(duì)重慶市璧山區(qū)分布的紫色土4 個(gè)土屬（暗紫泥、紅棕紫泥、灰棕紫泥、黃棕紫泥）34 個(gè)土種采集紫色土試驗(yàn)圖像。土壤“心土”未受到日曬雨淋等自然因素的影響，能充分顯現(xiàn)土壤的顏色、結(jié)構(gòu)等自然屬性，是人工識(shí)別土壤信息的特征。由于本文所做工作是機(jī)器視覺識(shí)別土壤種類的前期基礎(chǔ)工作，因此，使用紫色土“心土”圖像為試驗(yàn)樣本。

試驗(yàn)圖像采集方法：在野外，用鐵鍬鍬出耕層10～20 cm 的紫色土，拍攝時(shí)需保證紫色土“心土”自然斷口覆蓋攝像頭中心位置，并占全圖至少50%的比例，獲得紫色土“心土”自然斷口圖像。本文算法在進(jìn)行試驗(yàn)時(shí)，為了減小計(jì)算規(guī)模，將原始圖像壓縮為300像素×300像素大小。

2 紫色土彩色圖像分割方法

圖1 紫色土彩色圖像分割流程Fig.1 Segmentation process of purple soil color image

首先對(duì)原始圖像進(jìn)行可分離性灰度變換獲得灰度圖像，然后利用自適應(yīng)密度峰值聚類初步分割提取紫色土土壤目標(biāo)，最后進(jìn)行分割后處理得到精確的紫色土土壤區(qū)域圖像（圖1）。

2.1 可分離性彩色圖像灰度變換

為了便于計(jì)算密度峰值，增大土壤和背景間的可分離性，本文借鑒最大加權(quán)投影算法思想[25]對(duì)彩色圖像進(jìn)行灰度變換。由于Lab 顏色空間的3 個(gè)分量獨(dú)立性高，更適合做目標(biāo)顯著性的特征表達(dá)[25]。因此，在Lab 顏色空間計(jì)算圖像相似度矩陣，通過建立灰度變換優(yōu)化模型獲得能夠改善聚類特征的可分離性灰度圖像矩陣。

2.1.1 圖像相似度矩陣

設(shè)任意彩色像素對(duì)( Ix,Iy)在灰度變換后的值為( gx,gy)。利用離散二維熵計(jì)算任意彩色像素對(duì)( Ix,Iy)的相似度Sx,y。

其中，Hc是單分量圖像的離散二維熵，f(c)ij是單分量圖像像素灰度值i與像素8鄰域灰度均值j構(gòu)成的二元組(i,j)出現(xiàn)的頻數(shù)，m、n分別為圖像的高度和寬度。

Sx,y∈[0,1]，當(dāng)Sx,y趨近于1 時(shí)，表示點(diǎn)Ix和Iy相似度越大，越接近；反之，當(dāng)Sx,y趨近于0時(shí)，表示點(diǎn)Ix和Iy相似度越小，越遠(yuǎn)離。

設(shè)某點(diǎn)Ix與所有點(diǎn)間相似度的均值meanSx。定義Ix的高相似度點(diǎn)集合set_highx和低相似度點(diǎn)集合set_lowx為:

2.1.2 灰度變換優(yōu)化模型

對(duì)于任意點(diǎn)Ix，如果灰度變換使原始彩色圖像中Ix離其高相似度點(diǎn)越接近，則優(yōu)化能量項(xiàng)：

如果灰度變換使原始彩色圖像中Ix離其低相似度點(diǎn)越遠(yuǎn)離，則優(yōu)化能量項(xiàng)：

因此，建立全局優(yōu)化模型：

其中λ ∈(0,1)是調(diào)節(jié)參數(shù)。

采用文獻(xiàn)[25]離散搜索求解優(yōu)化模型（8）獲得權(quán)重wL,wa,wb，從而獲得灰度圖像矩陣g。因此，獲得可分離性彩色圖像灰度變換算法（color to gray conversion with separability,SeparableC2G），其算法流程如下：

1）將紫色土彩色圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間，獲得矩陣I。

2）根據(jù)式（1）計(jì)算相似度矩陣Sx,y。

3）根據(jù)式（4）、（5）計(jì)算set_highx和set_lowx。

4）離 散 搜 索[26]求 解 優(yōu) 化 模 型（8），獲 得 權(quán) 重wL,wa,wb。g = wL*IL+ wa*Ia+ wb*Ib，對(duì)g 中元素向下取整，獲得最終紫色土灰度圖像矩陣g。

2.2 自適應(yīng)聚類中心的密度峰值聚類

2.2.1 定義密度和距離度量

根據(jù)灰度級(jí)的頻數(shù)定義xi的密度ρi：

定義距離δi：

其中，frequencyj表示xj的頻數(shù)，dij為xi與xj間的歐式距離。

密度ρi是全局密度，距離越近的點(diǎn)對(duì)其貢獻(xiàn)值越大，消除了DPC算法中數(shù)截?cái)嗑嚯xdc的影響。

2.2.2 自適應(yīng)確定聚類中心

對(duì)ρi和δi進(jìn)行min-max 歸一化。定義任意點(diǎn)xi到原點(diǎn)的線段作為三角形的斜邊Hi。定義xi到矩陣副對(duì)角線的垂線段作為三角形的對(duì)邊OSi。定義垂足點(diǎn)到原點(diǎn)的線段作為三角形的鄰邊ASi。

其中Hi與副對(duì)角線的夾角βi= |αi- 45|，Hi與橫軸的夾角αi= arctan(δi/ρi)/π*180。

將每個(gè)點(diǎn)映射到副對(duì)角線上，利用兩邊之差小于第三邊原理縮減鄰邊ASi，定義縮減后的ASi為中心決策度量CDMi，其示意圖如圖2所示：

圖2 ρ - δ二維圖Fig.2 Two-dimensional graph of ρ and δ

對(duì)CDM 進(jìn)行最大類間方差（OTSU）[27]2 分類聚類，獲得分類閾值T，CDMi≥T 對(duì)應(yīng)灰度級(jí)點(diǎn)即為聚類中心點(diǎn)。若聚類中心點(diǎn)數(shù)不足2 個(gè)，將CDMi降序排序，取前面2個(gè)CDMi對(duì)應(yīng)的灰度級(jí)點(diǎn)即為聚類中心點(diǎn)。因此，獲得自適應(yīng)聚類中心的密度峰值聚類算法（density peaks clustering with adaptive clustering centers, ACCDPC），其算法流程如下：

1）獲取紫色土彩色圖像的灰度圖像矩陣g 的待聚類數(shù)據(jù)集X ={ x1,x2,…xi,…,xN}。

2）分別根據(jù)式（9）、式（10）計(jì)算密度、距離。

3）根據(jù)式（14）計(jì)算中心決策度量CDMi，對(duì)其進(jìn)行OTSU算法獲得聚類中心點(diǎn)。

4）在DPC算法的框架下獲得X的類標(biāo)號(hào)。

5）遍歷g 全部元素，使每個(gè)像素點(diǎn)獲得與其所屬灰度級(jí)相同的類標(biāo)號(hào)。

6)在矩陣g 中心點(diǎn)附近隨機(jī)（可重疊）抽取7 個(gè)3×3大小的子陣，剔除均值最大和最小的子陣，計(jì)算剩余子陣全部元素的均值μ 作為土壤中心土塊均值。聚類中心與土壤中心土塊均值μ 距離最小的那一類，即為土壤區(qū)域，將零矩陣對(duì)應(yīng)位置元素置為1，獲得初分割矩陣。

2.3 分割圖像的后處理

由于野外拍攝場(chǎng)景不可控，初分割圖像土壤區(qū)域因光照、陰影、雜質(zhì)等影響而包含內(nèi)部空洞，背景區(qū)域可能包含同種土壤的離散小土塊。因此，提出土壤邊界提取及區(qū)域填充的后處理算法以獲得完整的土壤區(qū)域圖像。后處理算法流程如圖3所示。

2.3.1 圖像土壤區(qū)域邊界提取

掃描初分割矩陣，尋找邊界起點(diǎn)，以進(jìn)入該點(diǎn)方向的下一順指針方向?yàn)槠鹗妓阉鞣较颍错樦羔樠h(huán)方向在該點(diǎn)的4-鄰域搜索下一個(gè)邊界點(diǎn)[28]，每搜索到邊界點(diǎn)就移到新的邊界點(diǎn)開始新的搜索，直到搜索到邊界起點(diǎn)再次以同一個(gè)方向訪問到起點(diǎn)下一個(gè)邊界點(diǎn)時(shí)，該條邊界搜索結(jié)束。在搜索邊界時(shí)記錄該條邊界的最小行號(hào)imin、最大行號(hào)imax、最小列號(hào)jmin、最大列號(hào)jmax。如果（15）成立，搜索提取到的邊界為土壤區(qū)域邊界[1]，否則進(jìn)行下一條邊界搜索。邊界提取算法見圖3a。

2.3.2 圖像土壤區(qū)域區(qū)域填充

掃描邊界提取矩陣，若遍歷到該點(diǎn)值為0 但該點(diǎn)的上方和左方都不為0的點(diǎn)，將該點(diǎn)視為土壤，該點(diǎn)值置為2。但第一次遍歷邊界提取矩陣使少量邊界處的背景點(diǎn)也被錯(cuò)誤置為土壤，因此再次掃描邊界提取矩陣：搜索被錯(cuò)誤填充的背景點(diǎn)起點(diǎn)并將該點(diǎn)值置為0；然后按右下左上的順序搜索一個(gè)當(dāng)前點(diǎn)的4鄰域內(nèi)值為2的點(diǎn)，將搜索到的點(diǎn)置0，一搜索到新點(diǎn)就開始新的4 鄰域點(diǎn)搜索；若未搜索到則進(jìn)行回溯。2 次矩陣遍歷完成后矩陣中不為0 的點(diǎn)即為土壤及土壤邊界點(diǎn)。區(qū)域填充算法流程見圖3b。

將區(qū)域填充矩陣與原始RGB 紫色土彩色圖像進(jìn)行哈達(dá)瑪積，分割紫色土土壤區(qū)域圖像（如圖4）。

圖3 圖像分割后處理流程Fig.3 Post-processing flow charts after image segmentation

圖4 紫色土彩色圖像分割示例Fig.4 Segmentation example of purple soil color image

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)設(shè)計(jì)

為了驗(yàn)證本文算法的有效性，設(shè)計(jì)對(duì)比試驗(yàn)如下，并利用F1測(cè)度[29]作為圖像分割精度評(píng)價(jià)指標(biāo)：

其中P=TP/(TP+FP)，R=TP/(TP+FN)，TP為真陽(yáng)性像素個(gè)數(shù)，F(xiàn)P 為假陽(yáng)性像素個(gè)數(shù)，F(xiàn)N 為假陰性像素個(gè)數(shù)，TN 為真陰性像素個(gè)數(shù)；以（PS）手工分割的紫色土區(qū)域圖像為參照標(biāo)準(zhǔn)。F1測(cè)度越大，圖像分割精度越大。

1）灰度變換對(duì)比試驗(yàn)：為驗(yàn)證可分離性灰度變換SeparableC2G 算法的有效性，分別對(duì)其原始RGB 彩色圖像、彩色圖像CorrC2G 灰度變換[30]后灰度圖像、彩色圖像經(jīng)本文SeparableC2G 灰度變換后的灰度圖像進(jìn)行K-means算法(k=3)分割做對(duì)比試驗(yàn)。

2）分割效果對(duì)比試驗(yàn)：為驗(yàn)證不同的分割算法對(duì)RGB 彩色圖像經(jīng)SeparableC2G 灰度變換后的灰度圖像進(jìn)行分割的有效性，采用FRFCM 算法[10]、H 閾值分割算法[1]、DPC 算法[14]、基于數(shù)據(jù)場(chǎng)的DFDPC 算法[21]（采用文獻(xiàn)[22]方法獲取中心）共4 種算法與本文ACCDPC 聚類算法進(jìn)行分割對(duì)比試驗(yàn)獲得紫色土圖像初分割結(jié)果；然后再用本文后處理算法提取ACCDPC 算法初分割結(jié)果的土壤區(qū)域邊界并填充邊界內(nèi)土壤區(qū)域獲得紫色土圖像精確分割結(jié)果。

以上試驗(yàn)均在MatLab R2014a 軟件平臺(tái)上和如下硬件配置上進(jìn)行：Intel(R) Xeon(R) CPU E5-2687W v2 @3.40GHz(2 CPU)，內(nèi) 存64GB，顯 卡NVIDIA Quadro K5000的圖形工作站，Windows 7專業(yè)版。

3.2 結(jié)果與分析

試驗(yàn)對(duì)象：從采集到的紫色土彩色圖像中，隨機(jī)抽取光照正常、周圍無撒落“心土”粘連和無陰影遮蔽圖像60張，構(gòu)成20 組常規(guī)樣本；隨機(jī)抽取背景中表土與“心土”顏色接近、周圍有撒落“心土”粘連和陰影遮蔽圖像60張，構(gòu)成20組魯棒樣本。

隨機(jī)選取（No.5 組）常規(guī)樣本和（No.4 組）魯棒樣本顯示本文算法分割的圖像結(jié)果。

3.2.1 灰度變換對(duì)比試驗(yàn)結(jié)果與分析

對(duì)常規(guī)樣本（No.5 組）的圖像進(jìn)行灰度變換對(duì)比試驗(yàn)，分割結(jié)果如圖5所示。

圖5 顯示：原始彩色圖像或者CorrC2G 圖像的Kmeans 算法分割結(jié)果均為離散的土塊或顆粒且包含大量背景塊，尤其是不能排除與目標(biāo)土壤區(qū)域顏色非常接近的表土的影響，無法獲得較完整紫色土土壤區(qū)域（圖5b、5c），原因在于原始彩色圖像或者一般的灰度變換圖像的土壤與背景間的差異性未達(dá)到能夠?qū)⑼寥绤^(qū)域與背景區(qū)域分割開來的程度。而SeparableC2G 灰度圖像來自于求解基于類間方差最大化類內(nèi)方差最小化準(zhǔn)則的優(yōu)化模型，它提高了土壤區(qū)域與背景區(qū)域間的可分離性。先進(jìn)行本文SeparableC2G 灰度變換后再K-means分割可以獲得紫色土土壤區(qū)域，但分割結(jié)果中包含許多空洞，對(duì)包含陰影的土壤圖像分割不夠完整（圖5d）。

圖5不同方法灰度轉(zhuǎn)換的圖像K-means分割結(jié)果Fig.5 Segmentation results of K-means algorithm with different gray conversion methods

3.2.2 分割效果對(duì)比試驗(yàn)結(jié)果與分析

對(duì)常規(guī)樣本（No.5 組）和魯棒樣本（No.4 組）的圖像分割結(jié)果分別如圖6、圖7 所示。全部20 組常規(guī)樣本和20組魯棒樣本的統(tǒng)計(jì)結(jié)果分別見表1和表2。

圖6 顯示：對(duì)于常規(guī)樣本，本文ACCDPC 算法與4 種對(duì)比算法基本都能分割出土壤區(qū)域。本文ACCDPC 算法與DPC 算法、DFDPC 算法的分割結(jié)果較好且較為接近（圖6d、圖6e、圖6f），而FRFCM 算法、H 閾值算法受土壤表面凹凸不平造成不可避免的小而多的陰影塊、表土和雜質(zhì)等干擾因素影響較大，分割結(jié)果中土壤區(qū)域的空洞與背景區(qū)域的離散土塊更多（圖6b、圖6c）。ACCDPC算法加后處理算法，進(jìn)一步去除背景區(qū)域的離散小土塊和土壤區(qū)域的內(nèi)部空洞（圖6g），與手工分割結(jié)果（圖6h）接近。

圖6 不同算法對(duì)常規(guī)樣本（No.5組）的分割結(jié)果Fig.6 Segmentation results of different algorithms for No.5 normal samples

圖7 不同算法對(duì)魯棒樣本（No.4組）的分割結(jié)果Fig.7 Segmentation results of different algorithms for No.4 robust samples

圖7顯示：對(duì)于魯棒性樣本，4種對(duì)比算法都出現(xiàn)不同程度的土壤分割不完整或背景區(qū)域粘連大塊“心土”或“表土”，本文ACCDPC 算法分割效果最好。FRFCM 算法、DFDPC算法受陰影影響較大，導(dǎo)致土壤分割結(jié)果不完整，尤其是圖像3 這種土壤與背景都包含大片連續(xù)陰影圖像表現(xiàn)更為明顯（圖7b、圖7e）。H 閾值算法對(duì)于魯棒樣本的適應(yīng)能力最差，在對(duì)圖像1的分割結(jié)果中該算法存在的土壤內(nèi)部空洞問題最多，在對(duì)圖像3的分割結(jié)果中該算法存在的將背景區(qū)域粘連大塊“心土”或“表土”錯(cuò)分為土壤區(qū)域問題最嚴(yán)重（圖7c）。DPC算法也對(duì)圖像3背景區(qū)域粘連大塊“心土”或“表土”錯(cuò)分較多（圖7d）。本文ACCDPC算法的分割效果較好，背景錯(cuò)分為土壤的部分更少（圖7f）。另外，DPC 算法需要人工選擇聚類中心，易出現(xiàn)失誤，而ACCDPC算法是自適應(yīng)的，分割性能較為穩(wěn)定。

表1為20組常規(guī)樣本的每一組的平均分割精度和平均運(yùn)行時(shí)間。從表1 可以看出：1）對(duì)于平均分割精度，F(xiàn)RFCM 算法、H 閾值算法、DPC 算法、DFDPC 算法、本文ACCDPC 算法的值分別為81.91%、85.49%、90.29%、92.60%和93.45%，ACCDPC 算法的平均分割精度最高，比H 閾值算法和DPC 算法分別提高11.54 和3.16 個(gè)百分點(diǎn)，并且均方差最小，為2.17%，算法分割性能較穩(wěn)定。另外，ACCDPC 分割算法加上本文邊界提取和區(qū)域填充的后處理算法的平均分割精度為96.30%，進(jìn)一步提升了圖像分割精度。2）對(duì)于平均運(yùn)行時(shí)間，F(xiàn)RFCM 算法、H閾值算法、DPC 算法、DFDPC 算法、本文ACCDPC 算法的值分別為1.4、0.42、2.45 s（含人工選擇聚類中心耗時(shí)2.21）、0.38、0.26 s，ACCDPC 算法耗時(shí)最少，而DPC 算法耗時(shí)最久，原因在于該算法的人工選擇聚類中心過程極大地增加了算法耗時(shí)，且不穩(wěn)定。ACCDPC 分割算法加上本文后處理算法的平均運(yùn)行時(shí)間為0.36 s，可以看出后處理算法速度較快，耗時(shí)約0.1 s。

表2展示了20組魯棒樣本的每一組的平均分割精度和平均運(yùn)行時(shí)間。從表2 可以看出：本文ACCDPC 算法在平均分割精度和運(yùn)行時(shí)間2方面均優(yōu)于4種對(duì)比算法，且與4 種對(duì)比算法在平均分割精度方面進(jìn)一步拉開了差距。ACCDPC 算法比FRFCM 算法、H 閾值算法、DPC 算法和DFDPC 算法分別提高11.75%、5.2%、12.47% 和3.09%，表明ACCDPC 算法在分割背景更為復(fù)雜、光照影響更大的魯棒性實(shí)驗(yàn)圖像時(shí)優(yōu)勢(shì)更為明顯。后處理算法進(jìn)一步提升了本文算法的分割精度。

比 較 表2 與 表1 可 知，F(xiàn)RFCM 算 法、H 閾 值 算 法、DPC 算法、DFDPC 算法、本文ACCDPC 算法在平均分割精度方面都有所減小，說明非均勻光照帶來的陰影、顏色相近的“表土”或“心土”等情況對(duì)圖像分割結(jié)果都有一定影響，使得土壤區(qū)域出現(xiàn)被陰影覆蓋的土壤部分缺失或者多出部分“表土”，因此分割精度下降。但從整體情況來看，ACCDPC 算法的平均分割精度最高，對(duì)復(fù)雜背景情況適應(yīng)能力最強(qiáng)。

表1 20組常規(guī)樣本的平均分割精度和運(yùn)行時(shí)間Table 1 Average segmentation accuracy and running time of 20 groups normal samples

表2 20組魯棒樣本的平均分割精度和運(yùn)行時(shí)間Table 2 Average segmentation accuracy and running time of 20 groups robust samples

續(xù)表2 20組魯棒樣本的平均分割精度和運(yùn)行時(shí)間Continued table 2 Average segmentation accuracy and running time of 20 groups robust samples

4 結(jié)論

本文提出了一種野外紫色土彩色圖像分割方法，該方法首先對(duì)原始圖像進(jìn)行可分離性灰度變換獲得灰度圖像，然后利用本文自適應(yīng)密度峰值聚類初步分割提取土壤目標(biāo)，最后利用土壤區(qū)域邊界提取與區(qū)域填充的后處理算法獲得精確的紫色土土壤區(qū)域圖像。20 組常規(guī)樣本和20組魯棒樣本結(jié)果表明：

1）本文算法的平均分割精度最高。本文ACCDPC算法的初分割平均分割精度為93.45%（常規(guī)樣本）和87.40%（魯棒樣本），比FRFCM 算法、H 閾值算法、DPC算法、DFDPC算法分別提高11.54（常規(guī)樣本）和11.75（魯棒樣本）、7.96（常規(guī)樣本）和5.2（魯棒樣本）、3.16（常規(guī)樣本）和12.47（魯棒樣本）、0.85（常規(guī)樣本）和3.09（魯棒樣本）個(gè)百分點(diǎn)。由魯棒樣本分析結(jié)果可知，陰影、顏色相近的“表土”或“心土”等情況對(duì)圖像分割結(jié)果有一定影響，但ACCDPC 算法的平均分割精度依舊是最高的，說明本文ACCDPC 算法對(duì)復(fù)雜背景情況適應(yīng)能力最強(qiáng)。本文后處理算法能夠有效去除背景區(qū)域的離散小土塊和土壤區(qū)域的內(nèi)部空洞，進(jìn)一步提高了平均分割精度，分別為96.30%（常規(guī)樣本）和91.63%（魯棒樣本）。

2）本文算法的平均耗時(shí)最短。常規(guī)樣本試驗(yàn)結(jié)果中，F(xiàn)RFCM 算法、H 閾值算法、DPC 算法、DFDPC 算法、本文ACCDPC 算法初分割平均耗時(shí)分別為1.40、0.42、2.45 s（含人工選擇聚類中心耗時(shí)2.21 s）、0.38、0.26，ACCDPC算法耗時(shí)最少。后處理算法的耗時(shí)約0.1 s，后處理算法是快速有效的。魯棒樣本的耗時(shí)情況與常規(guī)樣本基本一致。