基于视觉显著性改进的水果图像模糊聚类分割算

分类：论文范文 发表时间：2021-04-14 09:46

　　摘要：准确分割水果图像是采摘机器人实现视觉定位的关键技术。该文针对传统模糊聚类对初始聚类中心敏感、计算量大和易出现图像过分割等问题，结合机器人的视觉特性，提出了一种基于多尺度视觉显著性改进的水果图像模糊聚类分割算法。首先，选择适当的颜色模型把彩色水果图像转换为灰度图像；然后对灰度图像做不同尺度的高斯滤波处理，基于视觉显著性的特点，融合了多个不同尺度的高斯滤波图像，形成图像聚类空间；最后，用直方图和模拟退火粒子群算法对图像的传统模糊聚类分割算法进行了改进，用改进的算法分别对采集到的100张成熟荔枝和柑橘图像，各随机选取50张，进行图像分割试验。试验结果表明：该方法对成熟荔枝和柑橘的图像平均果实分割率分别为95.56%和93.68%，平均运行时间分别为0.724和0.790s，解决了水果图像过分割等问题，满足实际作业中采摘机器人对果实图像分割率和实时性的要求，为图像分割及其实时获取提供了一种新的基础算法，为视觉精确定位提供了有效的试验数据。

　　关键词：图像处理，模糊聚类，模拟退火，多尺度视觉显著性，粒子群算法，采摘机器人

　　0引言

　　目前，国内的水果采摘大多数采用人工方式，它属于劳动密集型的工作，约占整个水果生产过程所用劳动力的33%～55%[1-2]，劳动强度大，时令性强，效率低，成本高。为了提高作业效率，降低劳动成本，机械化与自动化是采摘机器人发展的必然趋势[3-4]。采摘机器人的视觉定位系统，主要是检测水果的空间位置，为运动控制提供位姿信息。选择合适的图像分割技术，把水果从复杂的背景中快速、准确、无遗漏地分割出来，是实现果实视觉识别与定位的基础。一般图像分割是指将图像划分为一系列相互不重叠的独特性质区域[5]。每一种图像分割算法都有自身的局限性和应用范围，需根据具体问题，选择和研究其图像分割算法。文献[6-10]研究了自然场景下成熟水果的自适应Otsu阈值分割算法，分析了水果的色调、饱和度和灰度等特性，实现从复杂背景中提取出完整的果实；文献[11-12]依据水果损伤的机理，用图像模糊聚类分割算法进行水果损伤检测，成功地提取出水果表面伤疤；文献[13-14]用图像阈值分割技术，提取出与水果内部品质相关的表面特征，检测水果内部品质。文献[15-17]讨论了模糊聚类分割算法在成熟果蔬检测与识别中的应用，构建了基于颜色模型的果蔬图像模糊聚类分割方案。文献[18-19]选择了合适的图像分割方法，提取出田间作物导航路线，实现了机器人的全方位视觉导航。

　　1颜色模型与视觉显著性

　　1.1颜色模型

　　物体的颜色取决于光源特性及其表面反射，具有不同对比度特点。成熟果实的对比度不同于背景，用该特性可把果实从复杂环境中辨别出来。常用的颜色模型有：2R-G-B、R-G、R/G、R/B、I（亮度）、R-I、H（色调）、S（饱和度）等[22]。判断和选取颜色模型，主要依据其模型的二维数据空间图和统计直方图的状态，一个理想的颜色模型应满足其二维数据空间图的同类数据内聚异类数据稀疏，统计直方图有明显的波谷状态，通过分析比较，认为R-I模型较适合，图1给出了荔枝和柑橘图像的R-I模型的分析效果图。由图1可以发现，基于R-I颜色模型的相同像素以同一种颜色呈现，不相同像素以不同颜色呈现，并且统计直方图出现波峰和波谷形状，符合上述的要求，便于聚类分割处理。

　　1.2视觉显著性

　　视觉显著性是基于人类的注意力机制和认知心理学的视觉生物模型，表现出人对图像某部分的关注程度。自从Itti.L等[23-24]提出了Itti视觉显著模型以来，产生了大量的视觉显著性算法，用于图像压缩、编码、边缘和区域加强、显著性目标分割和提取。常用的是Achanta.R等[25]提出的基于Lab颜色模型的显著性数学模型

　　2基于直方图的快速模糊聚类分割算法与改进的模拟退火粒子群算法

　　2.1基于直方图的快速模糊聚类分割算法

　　图像模糊聚类分割方法是根据图像像素和聚类中心的加权相似性测度，对目标函数进行迭代优化，进而确定最佳的聚类效果。为了提高传统模糊聚类（fuzzyc-means，FCM）算法的运行速度，本文依据文献[26-27]在FCM的基础上，引入直方图，用灰度级来代替图像数据样本，压缩聚类数据空间，达到减少模糊聚类时的运算量。设模糊指数为m，基于直方图的快速模糊聚类的目标函数定义如下

　　2.2改进的模拟退火粒子群算法

　　传统模糊聚类图像分割算法对聚类中心的取值非常敏感，需用智能优化手段（如粒子群算法）选择合适的聚类中心。粒子群算法运算量小且效率高[28-29]，但该算法容易过于早熟，即过早陷入局部极值，本文结合模拟退火算法解决此问题。然而，如果选择不当的降温策略和状态接受概率函数，模拟退火算法易陷入局部极值[30-31]。为此，对降温策略和状态接受概率函数进行非线性改进

　　3基于多尺度视觉显著性和改进的模糊聚类的水果图像分割算法

　　3.1算法步骤

　　以R-I颜色模型和多尺度视觉显著性为分割特征，结合机器人作业的实时性，用基于直方图的快速模糊聚类分割算法和改进的模拟退火粒子群算法对传统模糊聚类分割算法进行改进，具体步骤如下：

　　1）将水果彩色图像按模型R-I转换为灰度图像Y。

　　2）设置尺度σ，依据式（2）对灰度图像Y进行多尺度视觉显著性计算，得到显著性图像S。

　　3.2试验条件与参数

　　图像分割试验测试平台为Pentium(R)Dual-CoreCPUE5800@3.20GHz，2g内存，WindowXP系统。用Matlab编写分割算法，对成熟荔枝和柑橘的图像进行试验分析。试验参数设置为：尺度σ=0.5，0.4，0.3（尺度σ主要用于控制图像视觉显著性的对比度，其设置源于文献[32]）；模糊指数m=1.75（模糊指数m主要用于设置数据分类的模糊程度，其设置依据于文献[33]）；粒子种群大小sizepop=2（粒子种群大小sizepop的设置源于需要分割对象的个数）；最大迭代次数max_gen=100；粒子速度的更新系数c1=1.49445和c2=1.49445；惯性系数w=0.5（最大迭代次数max_gen主要控制粒子的最大进化次数，粒子速度的更新系数c1，c2控制算法的局部收敛能力，惯性系数w控制算法的全局收敛能力，设置参考于文献[34]）；退火初始温度T0=100，温度冷却系数a=0.8，状态接受系数b=-1，终止温度Tend=1（初始温度T0，终止温度Tend主要控制算法的运行时间，温度冷却系数a，状态接受系数b主要用于调节模拟退火的温度，避免算法过早陷入局部极值，设置依据于文献[35]）。试验所用图像是用柯达c1530数码相机于2011年12月22日上午10点（晴朗，光线充足）在广州萝岗果园拍摄，品种分别为桂味荔枝和天香柑橘，图像大小为2592×1944像素，各拍摄100张。为了减少人为因素的影响，分别从图像中各随机选取50张作为试验图像。因拍摄图像分辨率高，数据量大，调用Matlab的图像大小变换函数将试验图像调整为256×256像素[36]。

　　4结果与分析

　　4.1不同算法的结果比较

　　图4～6是基于多尺度视觉显著性的改进模糊聚类水果图像分割算法（fuzzyc-meansimagesegmentationbasedmulti-scalevisualsaliency，FCMSMS）与传统模糊聚类分割算法（fuzzyc-meansimagesegmentation，FCMS）、基于直方图的快速模糊聚类分割算法（fastfuzzyc-meansimagesegmentationbasedhistogram，FFCMSH）和基于粒子群的快速模糊聚类分割算法（fastfuzzyc-meansimagesegmentationbasedparticleswarm，FFCMSPS）的模糊聚类图像分割的试验结果比较。

　　4.2验证试验

　　为验证各种模糊聚类图像分割算法的性能，分别从100幅荔枝和柑橘图像中各随机抽取50幅（50幅荔枝图像总共有378个荔枝果实，50幅柑橘图像总共有430个柑橘果实），对各种模糊聚类图像分割算法进行分割试验：FCMS算法对50幅荔枝和柑橘图像的总运行时间分别为479.05和1081.75s，成功分割出的果实个数分别为298和318个；FFCMSH算法对50幅荔枝和柑橘图像的总运行时间分别为37.1和43.6s，成功分割出果实的个数分别为299和322个；FFCMSPS算法对50幅荔枝和柑橘图像的总运行时间分别为37.1和38.5s，成功分割出果实的个数分别为339和361个；FCMSMS算法对50幅荔枝和柑橘图像的总运行时间分别为36.2和39.5s，成功分割出果实的个数分别为361和403个。并且，分别对50幅荔枝图像和50幅柑橘图像的运行时间（T=算法开始时刻-算法结束时刻，s）和果实分割率（V=每幅图像中所能分割出来的果实个数/每幅图像中总的果实个数×100%，%）进行了统计计算，求取平均值作为评价以上几种模糊聚类图像分割算法的性能指标。平均运行时间和平均果实分割率如表1所示。

　　[参考文献]

　　[1]HarrellRC,AdsitPD,MumllaRD,etal.Roboticpickingofcitrus[J].Robitica,1990,8(4):269－278.

　　[2]蓝峰，苏子昊，黎子明，等.果园采摘机械的现状及发展趋势[J].农机化研究，2010，32(11)：249－252.LanFeng,SuZihao,LiZiming,etal.Theactualityanddevelopmentdirectionsoffruitharvestingmachine[J].AgriculturalResearch,2010,32(11):249－252.(inChinesewithEnglishabstract)

　　[3]SarioY.Roboticsoffruitharvesting:Asateoftheartreview[J].TransactionsoftheAmericanSocietyofAgriculturalEngineers,1993,54(4):265－280.

　　陈科尹1，邹湘军1※，熊俊涛1,2，彭红星1,2，郭艾侠1,2，陈丽娟1

上一篇：基于HP滤波模型的农产品价格波动分析———以水 下一篇：整体柱固相萃取-高效液相色谱法在线分析水果中