昆虫图像分割

昆虫图像分割（共7篇）

昆虫图像分割 篇1

0 引言

计算机辅助植物虫害诊断和防治是近年来图像处理技术、计算机视觉技术和模式识别技术应用的新领域。计算机辅助虫害诊断和防治的基础和关键是能够有效地进行昆虫对象的自动识别。而植物病虫害图像一般均为具有复杂背景的昆虫彩色图像,能否对这类图像进行有效地分割获得感兴趣的昆虫对象区域将影响到昆虫图像识别的准确率。因此,为了提高昆虫识别的准确率进而为植物病虫害诊断和防治提供依据,很有必要研究基于复杂背景的昆虫图像分割算法。

图像分割[1]就是指将图像中具有特殊意义的不同区域分开来,并使这些区域相互不相交,且每个区域应满足特定区域的一致性条件。图像分割是由图像处理进到图像分析的关键步骤,也是一种基本的计算机视觉技术[2]。对于彩色图像,分割的方法主要有基于图像颜色信息的方法和基于图像空间信息的方法。基于图像的颜色信息的方法一般使用K-均值[3]或者模糊C-均值[4,5]等聚类方法。但是,在这种方法中,聚类数目需要通过手工设定或者指定的方法才能得到,由于没有考虑空间上的边缘信息和邻接信息,这种方法经常会得出不符合人的视觉的分割结果。基于图像的空间信息的方法多数是利用图像区域之间的边缘进行图像分割。这种方法的关键是边缘信息的获取,一般首先使用Sobel、Canny等算子对图像进行边缘检测,但是如果图像中存在噪声,用算子得到的边缘常常是孤立的或者非连续的,从而影响到分割的质量。

K-均值或者模糊C-均值等聚类方法只涉及到颜色,不包含区域特征,因此在颜色同质区域分割效果很好。但是昆虫彩色图像一般均为具有复杂背景的自然图像,图像颜色变化比较剧烈且比较分散,在这种情况下使用K-均值或者模糊C-均值等聚类方法,则会出现分割区域更分散、不连贯。另外,由于语义对象通常与颜色、纹理等空间区域并不对应,从而导致无监督的图像分割效果不理想。因而针对复杂背景的昆虫彩色图像的特征,需要寻找一种新的分割算法。

JSEG[6]是一种全自动的彩色图像分割算法,利用区域之间的邻接和相似性进行区域生长和区域合并,它在确定了初始分割区域后,采用全局最优化的规则进行区域生长,然后使用基于阈值的区域合并完成图像分割。

1 JSEG算法

JSEG算法是一种无监督地分割图像中彩色纹理区域的方法。算法假设每幅图像是一组近似同质的颜色-纹理区域的集合,每幅图像的颜色信息是由很少的量化颜色级集合表示的,并且两个领域之间的颜色是可以区分的。

JSEG算法分成两个阶段:颜色量化和空间分割。所谓颜色量化,就是指从一幅含有m种颜色的图像中,找出最能真实反映该图像的n种颜色,以这n种颜色来近似地表示原图像。JSEG算法最突出的特点就是将一种基于人类视觉感知的颜色量化算法应用到图像分割中。在颜色量化阶段,先将图像中的颜色量化成几种有代表性的颜色类,可以用于区分图像中的区域。这种颜色量化方法是在颜色空间中进行的,并没有考虑颜色的空间分布。图像中的每个像素的值由相应的颜色类标签取代,形成一个图像的类地图,类地图可以视为特殊的颜色构成。空间分割是在类地图中直接进行的,没有考虑相应像素的颜色相似性。JSEG算法给出了分割图像的新原则,该原则与像素标签基础上的分割效率最小化有关。

1.1 颜色量化

Deng和Manjunath[6]认为人类的视觉感知对平滑区域的变化比在纹理区域内更为敏感;相应地,在纹理区域颜色能够更粗地量化,这可以通过像素点的感知权重来做到。

JSEG算法颜色量化过程如下:首先采用一种非线性算法用于平滑图像和消除噪声,将该算法处理后得到表示局部区域平滑性的值。然后给每个像素赋予权值,从而使得纹理区域像素的权重值要比平滑区域小,总距离为:

其中:ci是类Ci的中心,x(n)和v(n)是颜色向量和像素n的视觉权重,Di是类Ci的总偏移率。

Di的更新原则如下:

复杂背景下的昆虫彩色图像具有大量的颜色,处理起来非常困难。采用JSEG算法则可将图像中的颜色大致量化,从而提取一些有代表的颜色来区分昆虫彩色图像中的不同邻近区域,这为进一步分割昆虫彩色图像打下了基础。

1.2 空间分割

在空间分割阶段,Deng和Manjunath[6]提出了一种图像分割的新标准,该标准与像素标签基础上的分割效率最小化有关。

1.2.1 分割原则

颜色量化之后是给量化的颜色赋予标签。颜色类是把像素颜色值量化成同一种颜色。每个像素的颜色值被对应的颜色类标签取代,形成类地图。类地图可以视为一种纹理组成,类地图每个点的值是图像像素的位置,即二维向量。每个点属于一个颜色类。

JSEG算法定义:

其中,ST是同一个类内点的方差,SW是同一个类内点的总方差,Jk是区域k中J的值,Mk是区域k中点的数目,N是类地图中所有点的数目。

一幅复杂背景下的昆虫彩色图像包括一些同质颜色区域。如果颜色类之间是分离的,那么J的值是很大的;相反,如果所有的颜色类是一致分布的,那么J的值是很小的。作为分割的原则是在所有可能的分割区域中取最小值。对于固定数目的区域,一个好的分割往往会有一个低的值。

1.2.2 分割方法

J图像的特征使得区域生长方法可以用于分割图像。将原图像作为初始区域,算法以粗尺度开始分割图像,再更细一级的尺度在新分割出的区域中重复上述过程。区域生长算法包括决定种子点以及从种子点开始生长。

区域生长产生图像的初始分割,它经常是过分割的区域。这些区域根据它们的颜色相似性被合并。区域生长后要进行区域合并以获得最后的分割图像。用户指定尺度的数目,这将影响分割的细致程度。

利用JSEG算法对复杂背景下的昆虫彩色图像进行分割时,首先,将JSEG算法标准应用到类别映射图的局域窗口就得到了J图像,J图像中较大和较小的值分别对应着彩色纹理区域的边界和内部。接下来,采用区域生长方法对J图像进行多尺度分割,并根据颜色相似性对分割结果进行区域合并。这种采用J图像中种子区域的区域生长分割算法是在类地图中直接进行的,并没有考虑相应像素的颜色相似性。

2 实验及其结果

选出3幅复杂背景下的昆虫彩色图像,首先应用JSEG算法对其进行分割,然后分别对三幅图像加高斯白噪声,最后应用JSEG算法对加噪后的图像进行分割。分割效果如图1所示。

从实际分割效果图中可以看出,应用JSEG算法可以成功地实现对复杂背景下的昆虫彩色图像进行分割;应用JSEG算法对加噪后的图像进行分割,对昆虫分割对象本身并没有影响。

3 结论

JSEG算法采用颜色量化和空间分割这两个阶段,不但避免了同时分析颜色相似性及其分布的难题,而且颜色相似性和空域分布的解耦使得在每步研究更可行的方法成为可能。另外,JSEG算法需要指定的参数很少并且对分割具有很强的鲁棒性,可满足自动分割的要求。复杂背景下的昆虫彩色图像是典型的彩色纹理图像,采用JSEG算法对图像进行分割后,将得到一系列同类区域。从实验结果可以看出,JSEG算法对昆虫图像中的噪声不敏感,可以对复杂背景下的昆虫彩色图像进行准确地分割,满足了下一步对植物病虫害诊断和防治工作的需要。

参考文献

[1]林开颜，吴军辉，徐立鸿．彩色图像分割方法综述[J]，中国图象图形学报，2005．

[2]章毓晋．图像处理和分析[M]．北京，清华大学出版杜，1999．

[3]Carevic D,Caelli T.Region—based coding of color image using Kar- hunen—Loeve Transform[J].Graphics Models and Image Processing, 1997,59(1):27-38.

[4]Sergios Theodoridis,Konstantinos Koutroumbas.Pattern Recognition, Second Edition[M].Greece:Academic Press,1999.

[5]Krishnapuram R,Keller J.A possihihstic approach to clustering IEEE Trans.Fuzzy Systems,1993,1(2):98-110.

[6]Deng YN,Manjunath BS.Unsupervised segmentation of color-texture regions in Images and video.IEEE on PAM I,2005,1:1-10.

昆虫图像分割 篇2

关键词：分割,分水岭分割,分型网络演化方法,Mean shift,种子点

0 引言

图像中的地物具有多种特征:光谱特征(区域特征)、边缘特征、纹理特征、形状特征、上下文特征、时空特征和尺度特征等等，其中尺度特征是地理学的主要问题之一[1]。图像分析软件e Cognition的分形网络演化分割算法就是一个典型的图像多尺度分割算法[2]，促进了遥感图像分析的研究和相关算法的研制[3],Zuva等人从理论上比较了基于边缘的图像分割和基于区域的图像分割的文献较少[4]。本文选择了三种讨论较多的图像分割方法，对它们的分割结果进行了对比分析和探讨，通过对比来发现不同分割方法的优点和不足，之后利用不同分割方法的优点，融合了边缘和光谱特征实现了更好的图像分割。

1 三种典型的图像分割方法

1.1 分形网络演化分割方法

e Cognition软件的分形网络演化方法是以种子点为起始点，对相邻的像素搜索与比较，找到一个最接近的像素点进行增长合并，直到超过设定的异质性为止。其异质性包括地物光谱异质性和几何形状异质性[2]，对这种方法的研究和探讨也很多[5]。

分形网络演化分割方法的光谱异质性公式:

其中，nobj1和nobj2合并前的两个对象(像素)的像素个数，σcobj1和σcobj2表示两个对象(像素)的方差，nmerge表示合并后的对象像素个数，σcmerge表示合并后的对象的方差。

分形网络演化分割方法的形状异质性公式:

形状异质性又可以分为对象紧凑度和对象平滑性两个计算量，其中hshape表示形状异质性，wcmpct表示紧凑性权重，其取值范围在0～1之间，hcmpct表示紧凑度异质性，(1-wcmpct)表示形状异质性权重，hsmooth表示平滑异质性。

分形网络演化分割方法的总异质性公式:

分形网络演化分割方法的异质性由两部分组成，一种是光谱或散射异质性hcolor，另一种是形状异质性hshape，所以总的异质性是这两部分的加权和。其中heterogeneity表示总的异质性，w表示光谱异质性的权重，其取值范围在0～1之间，(1-w)表示形状异质性的权重。

1.2 mean shift分割方法

mean shift方法就是基于核聚类的图像分析是一类重要的图像分析工具[6]，它由Fukunaga等人于1975年首先提出[7]，在后来的应用中，Cheng对基本的mean shift算法做了推广[8]。之后，Comaniciu等人将mean shift算法应用于图像平滑和图像分割取得了不错的效果[9]，扩展的mean shift算子公式为:

其中，G(x)表示单位核函数，w(x)表示权重函数，n表示小窗口内的像素个数，h表示核带宽。

1.3 标记分水岭分割方法

分水岭算法是由Vincent在1991年提出来[10],Soille采用限制局部极小值的个数来降低过分割现象[11]，但是对噪声等影响引起的过分割依然没有改善。对确定图像，仅对属于不同目标的极小值区域做不同标记，形成种子区域，再进行生长，并且在生长过程中，仅当具有不同比较的水域汇合时构筑起水坝形成分水岭，这就是基于标记的分水岭变换[12]。另一种降低分水岭变换过分割现象的方法就是分割之后，对分割对象进行合并的方法，这种方法是依据分割对象相邻并且光谱特征或者纹理特征近似来实现分割对象的合并[13,14]。

2 图像分割实验与分析

2.1 实验数据

本实验采用了Geo Eye-1卫星拍摄的海地太子港2010年1月13日的多光谱图像，其分辨率为1.65米，如图1所示。图像中目标清晰可见，相邻地物之间对比强弱不同，同一目标的各个组成结构之间也具有光谱特征的差异，这是一块非常典型的实验数据。

2.2 图像分割实验与分析

1)图像的边缘

为了对比不同分割方法生成的分割对象的边缘精确性，这里利用canny算子来检测图像的边缘，得到的canny边缘如图2所示。由于这里的canny算子提取的边缘是用来分析图像分割的边缘精确性和内部均一性，所以canny算子提取的边缘用来做参考。

2)标记分水岭分割实验及分析

这里采用了标记分水岭分割方法对图1进行了分割，为了分析其边缘精确性，将图2的canny边缘与图1的分割结果进行了叠加如图3所示，为了清晰显示，将图3(a)的局部放大，如图3(b)所示。图3(a)中黑色为图2显示的边缘与分水岭分割的对象的边缘叠加的效果，白色为图2中的边缘。通过分析图3，可以发现分割对象的边缘与canny算子提取的边缘非常吻合，这是因为分水岭分割方法是针对图像的梯度数据进行分割而产生的分割对象，所以分水岭分割方法能够得到边缘精确的分割对象。标记分水岭分割方法依然严重存在过分割，同时分割结果中还存在明显的欠分割情况，图3中的白色边缘为canny算子检测到的边缘，而分水岭分割方法在此处没有分割对象边缘，将图3与图1对比，可以发现这种地方往往存在欠分割情况，如图3中黑色方框所示。

3)分型网络演化分割实验及分析

采用e Cognition的分形网络演化分割算法对图1进行了分割，分割时尺度值设置为6，光谱特征设置为1，形状特征设置为0，分割结果如图4所示，为了清晰显示，将图4(a)的局部放大，如图4(b)所示。从图4(a)可以看出分形网络分割算法的边缘精确性好像很不错，但是放大之后可以看出分割对象的边缘与canny算子的边缘有一定的出入，而且存在一定的过分割和欠分割现象，但好于分水岭分割方法。另外由于e Cognition的分形网络演化分割方法的种子点选择采用随机选择的方式，有些种子点就选择在图像边缘，所以这种方法存在将边缘当做对象进行分割的情况，如图4中黑色方框所示的区域中的对象，它们是对象间的边缘，却被当做了对象。

4)mean shift分割实验及分析

采用mean shift分割方法对图1进行分割，在采用mean shift算子对图像滤波时，选择窗口宽度为3，在分割时采用像素差为6进行聚类，将分割结果与图2叠加后如图5所示，图5(b)为局部放大效果。其中白色边缘为canny算子检测到的边缘和mean shift分割对象边缘叠加的效果，从图5(a)可以看出分割对象的边缘与canny检测到的边缘比较吻合，这种分割方法在边缘精度方面要优于e Cognition的分形网络演化方法，但是比分水岭分割方法要差。分析图5，可以发现这种分割方法也存在一定的过分割和欠分割现象。另外由于种子点选择方式是随机选择的方式，有些种子点就选择在图像边缘，即将边缘当做对象进行分割，如图5中黑色方框所示的区域中的对象。

3 融合边缘与光谱特征的图像分割改进

光谱特征和边缘特征是地物的两个主要特征，基于边缘特征的图像分割能够使得图像边缘平滑、边缘位置精确，但是基于边缘特征的图像分割需要解决图像边缘间断这一难题。基于光谱特征的图像分割能够很好地获得边缘闭合的分割对象，但是其对象边缘的平滑性和边缘位置的精确性要差一些。因此，从理论上讲，集成图像边缘特征和光谱特征的图像分割能够得到更好的分割效果，Vakilian、Christ和Allaoui等人分别通过实践研究了融合边缘特征与光谱特征的图像分割，试图降低过分割和欠分割的产生[15,16,17]。本文通过依据梯度特征来选择种子点，并且融合边缘与光谱特征来实现图像分割，来得到更好的分割效果。

3.1 种子点选择

一般实现区域增长的图像分割时，往往采用随机生成的种子点，这样的种子点是没有任何特征，仅仅是随机产生，它不符合种子点应尽可能在图像对象内部的要求，如果种子点选择在边缘位置，那么生成的分割对象就有可能不正确。因为基于区域增长的图像分割是将相近的像素分割到一起，所以相近的像素之间的梯度是比较低的，因此，对像素梯度按照由小到大进行排序，利用小梯度像素作为种子点来实现图像的分割，这样就保证了种子点不会选择在对象的边缘位置，从而尽可能实现分割对象的内部一致性。

3.2 融合边缘与光谱特征的图像分割原理

融合边缘与光谱特征进行图像分割是利用图像的边缘特征约束基于光谱特征的图像分割，也就是说在基于光谱特征的对象增长的时候，不仅仅受到光谱的约束，还要受到边缘的约束，这两个特征约束下来实现图像的分割。图6是融合边缘与光谱特征的图像分割示意图，其中绿色为用canny算子提取得到的边缘，这些边缘将图像分割成A、B、C和D四个区域，由于边缘的存在，区域增长时，增长的像素不能越过图像边缘，像素增长只能发生在边缘约束的范围之内。

3.3 融合边缘与光谱特征的图像分割的实验

我们实验了依据图像梯度选择种子点、集成图像边缘特征和光谱特征的图像分割，在分割时canny算子提取图像边缘的相关参数设置，当滤波窗口为3和自动将边缘阈值设置为0.05和0.125。由于分型网络演化分割方法和mean shift分割方法都是基于光谱特征的分割方法，而且分割结果相近，所以就以mean shift方法作为实验方法，mean shift相关参数设置为像素差为6进行聚类，并且将像素个数低于16个的分割对象进行合并。分割结果如图7所示。

图像分割效果的评价有两类方法，一类是视觉上的主观判断，另一类是手工提取结果与算法提取结果的对比统计分析，手工提取结果通常会受到个人因素的影响。因此将图7与图5、图4和图3进行视觉上的对比，可以发现分割对象边缘更平滑，边缘附近小对象变少，消除了边缘被分割成对象的情况，即减少了虚假分割对象的产生，也可以看出分割结果与实际地物更一致。

4 结语

图像分割综述 篇3

图像分割就是将图像表示为物理上有意义的连通区域的集合,它是图像分析的第一步,图像分割接下来的任务,如特征提取、目标识别等的好坏,都取决于图像分割的质量如何。由于该课题的难度和深度,进展比较缓慢。虽然研究人员针对各种问题提出了许多方法,但迄今为止仍然不存在一个普遍适用的理论和方法。

2.图像分割

2.1 基本概念

图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这些特性可以是灰度、颜色、纹理等,目标可以对应单个区域,也可以对应多个区域。图像分割可以借助集合的概念用如下比较正式的方法定义:

令集合R代表整个图像区域,对R的分割可看做将R分成若干个满足以下5个条件的非空的子集(子区域)R1,R2,…,Rn:

2.1.1;

2.1.2 对所有的i和j,i≠j有Ri∩Rj=￠

2.1.3 对i=1,2,…,n,有P(Ri)=TRUE;

2.1.4 对i≠j,有P(Ri∪Rj)=FALSE;

2.1.5 对i=1,2,…,n,Ri是连通的区域。

其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,￠是空集。

2.2 分类准则

2.2.1基于区域象素灰度值的特性,可以分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。

2.2.2另外根据分割过程中处理策略的不同,分割算法可分为并行算法和串行算法。

根据以上两个准则,分割算法可分为4类:

①PB:并行边界类;

②SB:串行边界类;

③PR:并行区域类;

④SR:串行区域类。

3.现在广泛使用的图像分割方法

3.1 阈值法

阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类,图像中灰度值在同一个灰度类内的象素属于同一个类,它是一种PR法。其过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用利用整幅图像的信息来得到分割用的阈值,并根据该阈值对整幅图像进行分割;而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值,利用这些阈值对各个区域进行分割,即一个阈值对应相应的一个子区域,这种方法也称适应阈值分割。

阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷,并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在,也是难点所在。

它的主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外,它只考虑象素本身的值,一般都不考虑图像的空间特性,这样就对噪声很敏感;它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意。

现在有很多研究者提出了许多经典阈值法的更新算法。特别在阈值选取方面提出了很多方法,如双峰直方图阈值分割法、最大熵阈值分割、最大类间方差阈值分割法、灰度共矩阵阈值分割法等。

3.2 区域生长法

区域生长法是根据预先定义的标准,提取图像中相连接的区域的方法,它是利用区域的相似性即满足区域一致性准则对目标进行分割。它是一种SR法。这个预先定义的标准可以是灰度信息,也可以是图像的边界,或者是两者的结合。在此法的最简单形式中,先人工给出一个种子点,然后提取出和种子相比符合预知标准的所有象素。

和阈值法一样,区域生长法一般不单独使用,而是放在一系列处理过程中。

它主要的缺陷是,每一个需要提取的区域都必须人工给出一个种子点,这样有多个区域就必须给出相应的种子个数。此法对噪声也很敏感,会造成孔状甚至是根本不连续的区域,相反的,局部且大量的影响还会使本来分开的区域连接起来。

3.3 边缘检测法

边缘检测法是基于图像不连续性的分割技术。由于一幅图像的大部分信息存在于不同区域的边缘上,而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。

在并行边缘检测技术中边缘的检测可以借助空域微分算子通过卷积完成。这些微分算子包括Sobel梯度算子、Roberts梯度算子、Prewitt梯度算子、拉普拉斯算子、综合正交算子等。这些方法对图像中灰度的变化进行检测,认为灰度突变的地方为图像边缘。

在有噪声时,用各种算子得到的边缘像素常是孤立的或分小段连续的,为了得到完整的边缘信息,还需进行边界闭合处理。边界闭合可以根据梯度实现,即如果某些像素梯度的幅度及梯度方向满足规定的条件就可以把这些像素连接起来,如果对所有的边缘像素都进行这样的判断和连接就有可能得到闭合的边界。除此之外,还可以利用数学形态学的一些操作进行边界的连接和闭合;哈夫变换也是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。

该算法对于灰度变化复杂和细节较丰富的图像进行处理时,以上算子均很难检测出边缘。而且一旦有噪声干扰,处理效果更不理想。

3.4 人工神经网络法

人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成,网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习,可以实现图像的边缘检测。

使用神经网络法的时候,因为网络中有许多相互连接,所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性,但是它的处理过程和标准的串行计算机很类似,这样就降低了它计算方面的潜在优势。

3.5 可变模型法

可变模型法是基于模型的、使用闭合参数曲线或曲面描绘边界的分割方法。这个模型又叫Snake模型(活动轮廓模型)。其过程就是活动的轮廓在模拟的内部力(内部能量)和外部约束力(外部能量)作用下形变,向物体边缘靠近,外力推动活动轮廓向着物体边缘运动,内力保持活动轮廓的光滑性和连续性;最终到达平衡位置时即收敛到目标的边缘,求得对目标的分割结果。

Snake是定义在待分割图像上的一条任意闭合曲线,对该曲线构造合适的变形能E=Eint+Eimαge+Eext

其中Eint是由于模型拉伸、弯曲而产生的内能;Eimαge是与图像特征有关的能量;Eext是外部能量。

E最小对应于灰度梯度最大,此时的活动轮廓就是物体边缘,通过最小化该函数,就能找到物体边缘。

这种方法也存在一些不足:(1)分割的结果与活动轮廓的初始位置有关,要求初始位置模型应接近物体边缘;(2)活动轮廓很难收敛到曲率高的边缘(如尖角等)。

现在有很多改进的算法,如自适应活动轮廓,引入与各象素点概率分布有关的统计图像能,使得活动轮廓模型克服噪声的影响,且分割的结果与活动轮廓的初始位置无关;为了使活动轮廓能收敛到曲率高的边缘,引入与活动位置有关的弹性系数、硬性系数,提出了一种松弛法。还可以利用图像的先验知识与Snake结合,即在Snake的内部能量函数中加入预知信息,能提高分割的速度及准确度。

3.6 基于模糊集理论的方法

为用不精确的知识表达事件,人们提出了模糊集合的概念。模糊集合理论能较好的描述人类视觉中的模糊性和随机性。由于图像中的边缘、拐角或者区域之间的关系难以精确的加以描述,具有不确定性和模糊性,把模糊集理论引入图像分割中来,取得了较好的分割效果,并特别在医学图像分析中得到了较多的应用。

结合信息论中交叉熵的概念,基于模糊集理论分割中提出了模糊散度的概念来表达图像中的模糊性。模糊散度既能定量反映集合内成员对该集合的隶属程度,又能结合概率分布表征两个集合之间的相似程度。类间最大模糊散度阈值化分割法就是利用模糊集的概念在分割图像时分别定义目标模糊集o和背景模糊集b,由于隶属度函数的形式和取值与阈值有关,对每个待选阈值能得到不同的类间模糊散度,可以将散度最大的阈值作为最优分割阈值,以此阈值来分割图像。类内最小模糊散度阈值化分割法是把分割后图像B和原来的图像G的目标之间的模糊散度和背景之间的模糊散度的和定义为B和G之间的模糊散度,当这个模糊散度最小时,可以看作在模糊信息意义上分割图最接近原始图,所以按这种准则来获得最优分割阈值实现对图像的分割。

其他基于模糊集理论的方法还有模糊C—均值聚类分割法、模糊边缘检测技术等。

模糊技术在图像分割中一个显著的应用特点是它几乎能与所有现有的分割技术结合使用,从而形成一系列的集成模糊分割技术。

3.7 其他方法

还有一些图像的分割方法,如:聚类法;用样条进行曲线拟合,它是一种SB法(串行边界)。此外,基于小波分析的分割技术也逐渐被应用在生物图像中。因为生物医学图像中软组织的物理和解剖特性,以上的方法一般不单独使用,而是融入其他的方法里。

除了上述方法外,很多研究者把数学形态学、遗传算法、信息融合技术和信息论等应用于此,针对不同的实际情况,提出很多改进的新算法。

摘要：图像分割是图像处理工作中重要的一步，论文简单介绍图像分割问题，讲述了现有主要的图像分割方法，为进一步进行该方面的研究提供一定的帮助。

关键词：图像分割,边界,区域

参考文献

[1]杜干，孙肖子．医学图像分割的神经网络方法[J]，西安电子科技大学学报，1998(5)．

[2]郑南宁，刘键勤．基于区域特征的自适应图像分割方法[J]，电子学报，1995 (7)．

[3]唐果，赵晓东，汪元美．三维医学图像分割与可视化研究[J]，计算机学报，1998(3)．

[4]朱俊株，郭立，王宁．一种基于模糊增强的图像分割方法[J]，微机发展，1999 (6)．

[5]王蓓，张立明．利用图像先验知识与Snake结合对心脏序列图像的分割[J]．复旦学报(自然科学版)，2003(1)．

[6]罗渝兰，王景熙，郑昌琼．图像分割在生物医学工程中的应用[J]，计算机应用，2002(8)．

图像分割新法综述 篇4

图像分割是计算机视觉领域中极为重要的内容之一, 是实现自动图像分析和模式识别的首要问题, 也是图像处理的经典难题之一。图像分割的质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解, 是图像处理、分析、理解中一个举足轻重的技术。

1 遗传算法在图像分割中的应用

遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。对此, 科学家们进行了大量的研究工作, 并成功地将它们运用于各种类型的优化问题中。在分割复杂的图像时, 人们往往采用多参量进行信息融合, 在多参量参与的最优值的求取过程中, 优化计算是最重要的, 把自然进化的特征应用到计算机算法中, 将能解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径, 它不仅可以得到全局最优解, 而且大量缩短了计算时间。

2 基于小波分析和变换的分割方法

小波变换是一种多尺度多通道分析工具, 比较适合对图像进行多尺度的边缘检测。小波分解的级数可以控制观察距离的“调焦”, 而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低, 抗噪声能力强。另外, 利用正交小波基的小波变换也可提取多尺度边缘, 并可通过对图像奇异度的计算和估计来区分一些边缘的类型。在多尺度分析下, 图像的类别信息和位置信息是一对矛盾, 两者之间存在不确定性。在利用多尺度进行分割时, 跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。因此, 如何组合跨尺度信息, 恢复已丢失的空间分辨率是多尺度分割算法的难点。多尺度分割的任务就是根据所有尺度下的信息, 平衡类别信息与位置信息之间的矛盾, 使内在的不确定性达到最小化。充分考虑尺度之间的拓扑关系和对称性, 可以大大提高分割算法的计算效率。

3 基于人工神经网络的分割方法

近几年神经网络在图像分割中的应用得到了很大的发展, 按照处理数据类型大致上可以分为两类:一类是基于象素数据的神经网络算法;另一类是基于特征数据的神经网络算法, 即特征空间的聚类分割方法。基于象素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本, 比起基于特征数据的算法能够提供更多的图像信息, 但是各个象素是独立处理的, 缺乏一定的拓扑结构, 而且数据量大, 计算速度相当慢, 不适合实时数据处理。目前, 有很多神经网络算法是基于象素进行图像分割的, 如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。基于特征的神经网络算法主要是对特征空间的聚类分割方法进行改造。特征空间聚类分割方法关键的问题是有效特征参数的提取和聚类方法的构造。有效的特征提取方法有很多, 大致上可以分为4种:几何特征方法、统计特性方法、信号特性方法和基于图像模型的方法。传统的聚类方法效果差, 且是基于一定前提假设的, 神经网络打破了传统聚类方法的限制, 已经成为寻找聚类新方法的基础。目前, 使用的神经网络模型有SOFM神经网络, LEGION神经网络模型、前向反馈神经网络等。神经网络在解决如CT图像、遥感图像、声纳图像等一系列复杂的图像分割方面显示了其特有的优势, 但解决问题的机理很难理解, 网络节点个数、网络层数等的设计还缺乏比较系统的理论指导。另外, 神经网络的训练有时比较费时。

4 结论

医学图像分割概述 篇5

医学图像分割是医学图像处理与分析中的关键技术, 也是医学图像处理领域中的经典难题。由于噪音、场偏移效应、局部体效应等影响, 获取的医学图像不可避免的具有模糊、不均匀等特性。医学图像分割成了医学研究和计算机图像领域的研究的热点。

医学图像分割至今已有上千种分割方法, 其中既有经典的方法也有结合新兴理论的方法。在医学领域中, 图像分割是病变区域提取、特定组织测量以及实现三维重建的基础, 因此图像分割技术在医学图像处理中具有十分重要的意义, 仍是当前医学图像处理和分析的热点。目前国内外广泛使用的医学图像分割方法主要是基于区域的或基于边界的方法。

2 医学图像分割方法种类

2.1 医学图像分割技术

基于区域的图像分割技术强调的是同一对象内部特征的相似性, 这类分割算法的目的是按照解剖的或功能的角色把这些区域进行划分。基于边界的图像分割技术强调的是不同对象间特征的不连续性, 是依赖于图像中物体边界周围的梯度特征进行分割。基于区域或边界的方法可分为阈值分割算法、区域生长和分裂合并算法、聚类算法和边缘检测方法。

阈值分割算法利用图像中目标物体与背景灰度上的差异, 把图像分为不同灰度级的目标区域和背景区域, 用一个或几个阈值将图像的灰度级分为若干个部分, 认为属于同一个部分的像素是同一个物体;区域生长的基本思想是将具有相似特性的像素集合起来构成区域。首先为每个需要分割的区域确定一个种子像素作为生长起点, 然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中;聚类算法通过相似性的概念来把像素或体素划分到它所属的类型中的, 是一种目前非常流行的非监督分类算法;在图像分割中, 常用的边缘检测算子有:梯度算子、Sobel算子、Laplacian算子、Roberts算子、Canny算子等, 跟踪检测出的边缘点以构成边缘。

医学图像分割至今尚无通用的自身理论, 随着各学科许多新理论和方法的提出, 出现了许多与一些特定理论方法相结合的医学图像分割方法。主要包括基于模型的方法、基于知识和图谱的方法、基于数学形态学的方法、基于人工神经网络的方法、基于分形的方法和基于遗传算法的方法等。

2.2 偏移场医学图像分割

由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。现有的偏移校正方法分为:预处理方法和后处理方法。

预处理方法是基于MR设备特性, 需要用磁共振设备专门采集用于校正的数据, 必须获得原图像的扫描状态;后处理方法是基于图像特性, 可以适用于任何MR图像, 但是这种方法基本不能区分真实图像中与偏差场相似的成分, 造成真实图像中这一部分的失去或是偏差场不能完全校正。后处理方法中包括曲面拟合、空间滤波、统计方法和基于域的转化方法。

(1) 空间滤波的方法。基于空间滤波的偏移校正方法, 假设偏移场是由空间的低频亮度变化组成。这些方法, 先从原图中计算出偏移场, 然后通过将原始图像和偏移图像对应像素相除来进行偏移校正。各种空间滤波方法的主要不同在于在提取步骤中滤波方式的不同。滤波器分为低通滤波和同态滤波。

(2) 统计的方法。基于统计的方法主要目的在于图像分割, 在算法设计的时候考虑到了偏移场的影响。主要分为基于最大似然 (maximum likelihood) 和最大后验概率 (maximum a posteriori) 的方法、基于模糊C均值的方法和基于直方图的方法。

(3) 域的转化方法。代替空间域, 偏移校正可以在其他域中执行, 可以是双重性的, 如傅立叶域或者小波域, 或者补偿性, 如概率密度函数域。在这些域中, 可以对偏移场做出不同的假设, 校正之后, 再被转化到空间域中。

3 总结

医学图像分割是医学图像处理领域中的经典难题。医学图像处理与分析是近年来新兴的交叉学科, 随着图形、图像技术的发展, 医学图像的质量和显示方法得到了极大的改善, 从而借助于数字图像处理与分析手段使得诊疗水平大大提高。

由于偏移场的存在使磁共振图像的分割比其他医学图像分割困难的多, 现有偏移校正方法存在一定局限性, 即在偏移估计与校正的过程中, 会造成不同程度的信息丢失。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 介绍了基本的医学图像分割方法, 对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

摘要：在医学研究和实践中, 经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量, 从而得出该组织病理、或功能方面的重要信息。由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。医学图像分割算法的研究仍是当前医学图像处理和分析的热点。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 并对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

关键词：医学图像分割,偏移场,自动化分割

参考文献

[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.

[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.

图像分割技术综述 篇6

在对图像的研究和分析中, 人们通常对图像中特定的、具有独特性质的区域感兴趣, 图像分割就是指把这些区域提取出来的技术和过程。正因为图像分割作为前沿学科充满了挑战, 近年来, 吸引了众多学者从事这一领域的研究。图像分割技术在航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术、地理测绘等领域受到广泛重视, 并取得了重大的开拓性成就, 使其成为一门引人注目且前景广阔的新型学科。

2 传统的图像分割技术

图像分割一般根据要解决的问题将图像细分为感兴趣对象的集合, 其分割方法的种类已达上千种。传统的图像分割技术多为基于图像局部特征的图像分割方法, 是根据图像局部区域中像元的特征来实现图像分割的方法。

2.1 基于阈值的图像分割技术

阈值分割法是一种传统的图像分割方法, 因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值法在不同物体或结构之间有很大的强度对比时, 能够得到很好的效果。它计算简单, 而且总能用封闭而且连通的边界定义不交叠的区域。阈值化分割算法就是选取一个或者多个阈值, 将图像的直方图分成几类, 图像中灰度值在同一个灰度类内的象素属于同一个类, 从而达到分割的目的。

阈值法的核心是如何选择合适的阈值, 阈值分割法具有运算效率较高、计算简单等优点, 在过去的几十年中被广泛使用。阈值化算法多种多样, 最具代表性的方法有:最大类间方差法、直方图法、最大熵法、概率松弛法、最小误差法、矩量保持法等。但是, 阈值法一般仅考虑像素本身的灰度值, 不考虑图像的空间相关性特征, 极易受到噪声的影响。在实际情况中, 阈值法常与其它分割算法相结合, 对图像进行分割。

2.2 基于边缘的图像分割技术

边缘检测法是基于图像不连续性的分割技术, 它通过检测不同均匀区域之间的边界来实现对图像的分割, 这与人的视觉过程有些相似。依据执行方式的不同, 这类方法通常又分为串行边缘检测技术和并行边缘检测技术。串行边缘检测技术首先要检测出一个边缘起始点, 然后根据某种相似性准则寻找与前一点同类的边缘点, 这种确定后继相似点的方法称为跟踪。根据跟踪方法的不同, 这类方法又可分为轮廓跟踪、光栅跟踪和全向跟踪三种方法[1]。

并行边缘检测技术通常借助空域微分算子, 通过其模板与图像卷积完成, 因而可以在各个像素上同时进行, 从而大大降低了时间复杂度。常见的边界检测方法包括基于各种边界检测算子[2] (Roberts算子、Laplacian算子、Sobel算子、Prewitt算子、LOG算子等) 的边界检测。这类方法通常不能得到连续的单像素边缘, 而这对于分割来说是至关重要的。所以, 通常在进行上述边缘检测之后, 需要进行一些边缘修正的工作, 如边缘连通、去除毛刺和虚假边缘等。

2.3 基于区域特征的图像分割技术

基于区域的分割技术有两种基本形式:区域生长和分裂合并。前者是从单个像素出发, 逐渐合并以形成所需的分割结果, 是区域分割的最基本方法;后者是从整个图像出发, 不需要生长点, 逐渐分裂或合并以形成所需要的分割结果。不同于阈值方法, 这类方法不但考虑了像素的相似性, 还考虑了空间上的邻接性, 因此可以有效消除孤立噪声的干扰, 具有很强的鲁棒性。而且, 无论是合并还是分裂, 都能够将分割深入到像素级, 因此可以保证较高的分割精度, 如分水岭算法等。

3 改进的图像分割技术

传统的图像分割技术都或多或少地存在着某种程度上的不足, 因此更多的研究者尝试将诸多理论模型与图像分割技术相结合以求达到更好的分割效果。本文就简要介绍了几种应用得较为广泛的改进后的图像分割技术。

3.1 基于小波理论的图像分割技术

小波变换在图像分割中的主要应用是传统的Fourier变换的继承和发展, 首先构造特殊性质的小波函数, 利用小波变换函数在大尺度下检测出图像的边缘点, 在较小尺度下精确定位边缘点像素, 然后根据一定的策略把这些像素点连接成轮廓, 从而提取出目标边缘实现了图像的分割[3]。小波变换之所以能适合图像这类非平稳信号的处理是因为小波变换具有一定的分析非平稳信号的能力。高低频处的分辨率不同, 而经典的边缘检测算子都没有这种特性。

小波变换的多尺度性表现在:当检测图像边缘的噪声较小时, 选择小尺度可以获得较丰富的边缘细节信息;当检测图像的边缘细节要求比较低时, 选择大尺度可以较好的排除噪声干扰。目前研究者提出的基于小波变换的图像分割算法大部分都是二进制小波变换, 此外还有多进制小波、小波框架、小波包三种变换。

3.2 基于模糊聚类分析的图像分割技术

聚类法就是将图像中的每一个像素划分到不同的类别中, 其关键点在于聚类准则的确定。而在图像分析时存在一定的不确定性, 所以引入了模糊集合的概念, 用隶属度表示图像的像素点属于某区域的程度。模糊概念能够避免过早的明确判断, 因此在之后的处理过程中就保留下来了尽可能多的有效信息。近年来运用最广泛的是基于模糊聚类分析[4]的图像分割技术, 即模糊C均值 (FCM) 技术, 它既可以分割灰度图像, 也可以分割彩色图像。但模糊聚类具有运算量大, 容易陷入局部最优、对初值敏感、需事先指定聚类个数等缺点。

3.3 基于图论的图像分割技术

基于图论的图像分割方法本质上是将图像分割问题转换为一个对无向加权图进行最优化的问题。其主要思想是将图像映射为一个加权无向图, 像素对应图的节点, 像素之间的相邻关系对应图的边, 像素特征之间的差异或相似性对应边上的权值, 然后利用图论中的成熟理论或算法对图像进行切割和组合。图论 (Graph theory) 中诸多成熟的经典算法又为这一类图像分割算法提供了有力的计算工具, 因此基于图论的分割算法近年来受到广泛关注。常见的基于图的分割方法[5]包括基于最小生成树 (Spanning tree) 的分割, 基于支配集 (Dominant set) 的分割和基于最小图割值 (Graph cut) 的分割等。

其中基于最小生成树的分割方法具有很大的优势, 它的主要优点在于能够获取图像的全局特征, 从而获得较理想的分割效果;此算法的计算速度非常快, 可以在线性时间复杂度内实现对图像的分割, 算法的结构和实现方法较简单, 能够方便的应用到一些特定的领域中, 并且可以与其它的分割方法相组合, 得到更好的分割效果。

4 结束语

本文就应用较多的几种图像分割技术进行了介绍和讨论, 由于图像的质量不同, 应用的领域不同, 彩色图像中颜色的分布不同以及图像结构特征的不同, 导致很难有一种通用的分割方法能够普遍适用于各种不同类型的图像。所以目前的研究主要致力于根据图像的具体情况来选择不同的方法进行组合, 针对各种可能存在的实际问题, 提出新的算法, 这也是图像分割在今后研究工作中的发展趋势。随着计算机技术和成像技术的不断发展能及各种新理论的应用和改进, 相信图像分割技术会不断地完善和成熟起来。

摘要：图像分割是图像处理中的一项关键的技术, 是目标识别和图像解释的前提, 多年来一直倍受关注。目前, 在图像分割领域里的分割方法众多, 但至今没有一种通用的方法。文章综述了近年来在图像分割技术中出现的常用方法及它们的优缺点, 并对图像分割技术的前景进行了分析及展望。

关键词：图像分割,边缘检测,图论

参考文献

[1]N.R.Pal, and S.K.Pal, "A review on image segmentation tech-niques, "Pattern Recognition, 1993.[1]N.R.Pal, and S.K.Pal, "A review on image segmentation tech-niques, "Pattern Recognition, 1993.

[2]章毓晋, 图像分割[M].北京:科学出版社.2001.[2]章毓晋, 图像分割[M].北京:科学出版社.2001.

黄瓜彩色图像分割 篇7

由于技术和经济方面的诸多原因,众多学者长期将目光聚焦在水果的自动识别技术研究[1~6]。

本文意在寻找一种简单且复杂度较低的算法来解决黄瓜的识别问题。在水果的检测中,最常用的方法就是机器视觉技术[1],在过去几十年研究中,很多研究者利用诸多不同的机器视觉技术实现了水果的检测,诸如苹果、樱桃、橘子及西红柿等[2]。

近年来又兴起了将遗传算法应用于模式识别中对图像的处理[3],但都过于复杂,同时少有对黄瓜果实的识别算法。所以本文根据黄瓜果实与周围梗叶在R、G分量值上的差异[4],对彩色图像阈值变换所得到的二值图像,进行开闭操作及圆形度提取,最后完成黄瓜的识别过程。实验结果表明,该方法能够有效地实现黄瓜果实与周围背景的分割。

1 颜色特征分析

物体表面的颜色即表面色是因光照而呈现的颜色,绝大多数在自然条件下生长的农作物,其果实、叶、茎、杆等在阳光的抚育下,受到各种因素的影响而形成不同的表面色,本文正是利用黄瓜和周围环境在G、R分量值上的差异进行识别。分别截取黄瓜图像中各对象(果实,叶子)的感兴趣区域ROI(Region of Interest),提取其中的一小块,将其转换为G分量和R分量的灰度图像,对其G分量和R分量的灰度值进行统计,得到果实和叶子的灰度直方图,如图1和图2所示:

可以看出,黄瓜果、叶在R,G分量值上有明显的差异,背景和果实在分量直方图上各自形成单峰,即区域和波峰一一对应,因而采用双峰法寻找阈值。由于双峰间形成一个明显的波谷,所以选择波谷处的灰度值作为彩色分割的阈值。波谷的选取采用极小值点阈值法:即将直方图的包络看作一条曲线,选取曲线的极小值点。设h(x)代表直方图的包络,x为横坐标,则极小值满足下面的微分方程:

2 彩色阈值分割

由上述分量直方图分析及阈值计算,得出黄瓜果实的G、R分量灰度值主要集中在80以下和60以下,设R(m,n),G(m,n)分别代表(m,n)处的R、G分量值,而g(m,n)代表该点的二值化值,则:

由此得到黄瓜的二值图像如图3所示:

a-黄瓜图像1;b-黄瓜图像2

3 形态学操作

彩色阈值分割后,黄瓜可能会因表面纹理造成果实中间有虫洞现象,所以,对变换后的二值图像先进行虫洞填充操作。然后,以白色果实区域为前景,黑色枝叶部分为背景,对得到的二值图像先进行腐蚀操作,使背景中的枝叶目标变小甚至消失,以便于黄瓜的进一步提取[5]。最后在腐蚀操作的基础上对得到的图像进行膨胀,以扩展前景目标的所有边,恢复黄瓜果实的形状。图4是对二值图像进行虫洞填充、腐蚀、膨胀操作后得到的变换图。

a-黄瓜图像1;b-黄瓜图像2

4 特征提取

图像特征是指图像中可以用来标志的属性,在其提取过程中,一般包括面积、周长、重心、圆形度等[6]。

•面积 指物体区域包含的像素数,用符号s表示。

•周长 物体轮廓线上像素间距离之和,用符号c表示。在进行周长计算时,需根据像素间的连接方式,分别计算距离。像素间距离可分为并列连接像素与倾斜连接像素二种方式。并列有上下左右四个方向,像素间距离为1;倾斜方向有左上角,左下角,右上角,右下角,其像素间距离等于单位正方体的对角线长度。本文按第二种方式计算周长。

•重心 物体的重心(X0,Y0)就是指物体中像素坐标的平均值,设(Xi,Yi)为物体所含像素的坐标,则重心的计算公式如下:

•圆形度 是基于面积和周长而计算物体形状复杂程度的特征量,用e代表:

由上面的特征定义容易看出,面积、周长、重心都会因黄瓜形状和大小的改变而出现较大的波动,而圆形度则相对较为稳定,故根据圆形度可以将黄瓜从背景中提取出来。表1是实验中提取黄瓜果实得到的圆形度统计。

表1中圆形度的最小值min=0.180000,最大值max=0.410000,以此作为黄瓜提取的特征参数(圆形度)范围。若用h代表目标对象,1和0分别代表该对象被提取或舍弃,则黄瓜提取公式为:

对预处理分割后的图像进行区域标记,根据圆形度提取的最终黄瓜果实图像如图5所示:

a-黄瓜图像1;b-黄瓜图像2

5 结论

本文根据黄瓜果实和周围梗叶在R、G颜色分量上的差异所提出的基于分量值的彩色阈值变换图像分割算法,较单色分量的阈值变换具有明显的优势,同时比遗传算法等更简单。实验结果显示该算法具有较高的准确率,能够很好地将黄瓜从背景中提取出来,但对于枝叶及插架遮挡背景下的提取,效果不太明显。今后的工作将解决枝叶及插架遮挡对黄瓜提取的阻碍,并考虑引入纹理特征,以进一步提高该算法的鲁棒性。

参考文献

[1]Brosnan T,Sun D W.Improving quality inspection of food products by computer vision-A review[J].Journal of Food Engineering,2004,61(1):3-16.

[2]袁国勇.黄瓜采摘机器人目标识别与定位系统的研究[D].中国农业大学硕士学位论文.2006.

[3]卢丽敏,周海银.一种基于遗传算法的图像增强算法[J].数学理论与应用,2003,23(1):82-88.

[4]Qiao J,Sasao A,Shibusawa S,et al.Mobile fruit grading robot(Part1)-Development of a robotic System for grading sweet peppers[J].The Journal of JSAM,2004,66(2):113-122.

[5]张强,王正林.精通MATLAB图像处理[M].北京:电子工业出版社,2009.