基于ps o和视觉显著性的棉花图像分割算法-曹洪武.pdf

《基于ps o和视觉显著性的棉花图像分割算法-曹洪武.pdf》由会员分享，可在线阅读，更多相关《基于ps o和视觉显著性的棉花图像分割算法-曹洪武.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄 ， ， （）： 徐绍辉，张佳宝，刘建立，等表征土壤水分持留曲线的几种模型的适应性研究土壤学报， ， （）： ， ， ， ， ， ， ， （）： 雷志栋，杨诗秀，谢森传土壤水动力学北京：清华大学出版社， 毕经伟，张佳宝，陈效民，等应用 模型模拟农田土壤水渗漏及硝态氮淋失特征农村生态环境， ， （）： 汤英，徐利岗，张红玲，等 在土壤水分入渗过程模拟中的应用安徽农业科学， ， （ ）： 张光辉，邵明安用土壤物理特性推求 入渗模型中吸力参数土壤学报， （）： 许建武尿素表施条件下畦灌水氮运动模拟南京：河海大

2、学， 冯锦萍，樊贵盛土壤入渗参数的线性传输函数研究中国农村水利水电， （）： ， 聂卫波，费良军，马孝义区域尺度土壤入渗参数空间变异性规律研究农业机械学报， ， （）： 曹洪武，周保平，姚江河基于 和视觉显著性的棉花图像分割算法江苏农业科学， ， （）： ： 基于 和视觉显著性的棉花图像分割算法曹洪武，周保平，姚江河（塔里木大学信息工程学院，新疆阿拉尔 ）摘要：针对自然光条件下具有复杂背景的棉花图像，提出了种新的图像分割方法。首先，利用粒子群优化（ ）算法进行聚类预处理，去除图像中较暗区域；其次，利用简单线性迭代聚类（ ）算法构建超像素，并用种改进的方法检测每个超像素在图像中的独特性和分布情况

3、权值，利用检测结果逐像素计算显著度获得整幅图像的显著图；最后，利用连通域面积去噪方法得到棉花图像分割结果。结果表明，该方法能有效去除图像的复杂背景，消除强光和阴影影响，准确地将棉花图像从背景中分割出来，效果较理想。关键词：粒子群优化（ ）算法；显著性；简单线性迭代聚类（ ）；棉花分割中图分类号： ； 文献标志码： 文章编号： （ ） 收稿日期： 基金项目：国家自然科学基金（编号： ）；塔里木大学校长基金平台建设项目（编号： ）。作者简介：曹洪武（ ），男，云南开远人，硕士，讲师，主要从事图像处理、计算机视觉等方面的研究。 ： 。通信作者：姚江河，硕士，副教授，主要从事农业信息化方面的研究。 ：

4、 。新疆作为中国棉花主产区，总产量长期居于全国首位。近年来，在国家政策鼓励下，新疆采用机采棉比例日益提高，但棉花采摘质量与手工采摘方式相比仍有很大差距，因此，研究基于计算机视觉的采棉机器人具有较大意义，提升棉花图像分割算法的精度是实现采棉机器人的关键问题之一，这将有效地减少采摘杂质、提高棉花采摘品质。近年来，已有较多学者对棉花图像的分割处理进行了深入研究，并从不同角度提出了解决方案，比较典型的方法有韦皆顶等基于 彩色模型的自然场景下的棉花图像分割算法，时颢等提出的利用粒子群和均值混合聚类分割算法，陈钦政等提出的基于 的棉花图像分割算法，王星等提出的基于 空间和 神经网络的棉花图像分割算法，张豪

5、等提出的最佳熵法的棉花分割方法等，这些方法从不同角度对棉花分割算法进行了改进，也取得了较好的效果，但仍未形成一种适合各种复杂情况的棉花分割的通用算法，采摘精度仍有提升空间。笔者在上述研究基础上提出种基于粒子群和视觉显著性的棉花图像分割算法：首先，利用粒子群优化（ ， ）算法对棉花图像进行聚类预处理；其次，利用种改进的显著性算法进行棉花图像分割；最后，利用连通域去噪方法消除噪声，分别实现了棉花图像在强光和阴影条件下的分割。 基于 算法的图像聚类预处理在自然光照条件下采集的棉花图像组成较为复杂，除棉花本身外，还包括枯枝、杂草及各种阴影等噪声区域，要将棉花目标分割出来，需要先消除噪声区域的影响，而棉

6、花本身是色彩感知均匀的，在视觉上属于高对比度区域，本研究方法首先考虑利用 算法对图像进行聚类预处理，去除图像中颜色相对较暗区域，减少干扰。处理过后的图像，颜色较暗的区域被填充为黑色，其余亮度较高区域得以保留，如棉花图像及若干较小的离散区域，有效减少了检测范围，降低后续显著性检测的复杂度。江苏农业科学 年第 卷第期粒子群算法简介： 算法由 和 于 年提出，是一种用于模拟鸟群群体觅食行为的群集智能随机优化算法。该算法通过在搜索空间中的粒子个体间的协作以及群体信息共享来寻求最优解，其算法主要思想为：在维搜索空间中， 算法初始化为组粒子，其中每个粒子对应解空间中的个候选解，它与每个粒子的位置和速度相关

7、，如第个粒子的位置和速度可分别表示为（ ， ， ）、（ ， ， ），每个粒子都有一个被优化函数决定的适应值。通过迭代，粒子能动态追踪个体极值和群体极值来更新自身的速度和位置，其中（ ， ， ）表示粒子所到达的具有最优适应值的位置，（ ， ， ）表示群体中所有粒子所到达的最优位置，计算公式如下： （）（ ） （）（ ）；（） 。（）式中：为惯性权重，用于协调全局搜索、局部搜索处理方式；、为学习因子，通常取 ； （）取区间（，）中的随机数。 基于视觉显著性的图像分割经过 算法聚类处理，图像部分区域被填充为黑色，本研究将这些区域视为背景，而棉花以及若干较小的离散区域具有较高对比度，被视为前景，经过这

8、一处理，需要进行检测的区域已明显减少。为将棉花目标与从前景区域中分割出来，本研究将采用以下方法进行图像分割，主要步骤为：首先，利用 将图像分割为色彩感知均匀、分割边缘与实际边缘紧密贴合的超像素图；其次，采用种改进的方法检测各超像素在图像中的独特性和分布情况权值，再逐像素计算显著度得到整幅图像显著性图。 利用 构建超像素图简单线性迭代聚类（ ， ）是一种利用像素颜色的相似性，以 颜色空间和图像坐标构建个维特征向量，再通过距离计算进行局部聚类的算法。使用 方法可去除经 算法预处理后前景中存在的较小离散区域，在确保棉花图像边缘得到保留的同时，将图像构建为色彩感知均匀、分割边缘与实际边缘紧密贴合的超像

9、素图。 算法的主要步骤为：（）将图像分割为边长 槡 的网格组成（为像素数，为分割网格数）。查找网格中 领域内的最小梯度位置，置为聚类中心，如第个聚类中心为，初始化像素分类标记（） ，像素点距离（） ；（）在的 邻接区域内，计算其与每个像素的距离，当 （）时，令（） ，（） ，重复迭代直至误差收敛，计算公式如下：（ ）（ ）（ ）槡；（）（ ）（ ）槡；（） （）槡。（）式中：取值范围为， ，值越小，分割结果与图像实际边界贴合程度越高。 显著性图的生成通常情况下，图像显著性受到对比度、像素数量、色彩、目标分布情况等因素影响。在利用 算法将棉花图像分割为色彩感知均匀、分割边缘与实际边缘紧密贴合的超

10、像素图后，为得到图像的显著度图，可以用种综合考虑每个超像素在整幅图像中的独特性和区域分布情况的方法对上述超像素图来生成显著性图。本研究对这种方法进行了改进，主要思想为：因为经过 聚类算法处理后，图像中部分区域已被填充为黑色，则可将其视为背景，而前景为棉花等对比度较高的区域。经 分割得到的超像素，若它原来位于背景区域，则其色彩将仍为黑色。假设、为超像素所在位置，为当前第个超像素的色彩，需要与其他超像素的色彩作比较，如第个超像素的色彩，在检测过程中，若遇到为黑色，则跳过本次比较。可知，通过简单判断方式跳过图像中若干色彩值为黑色的超像素，比逐一比较每个超像素节约一定时间，从而提高了分割效率。 超像素

11、的显著度估计首先，设图像中有个超像素，根据各超像素的色彩和所处位置，计算第个超像素与其他超像素之间的差别，可得该超像素的独特性值；其次，前景目标通常属于属性类似且集中分布的、比较紧凑的区域，而背景目标在多数情况下广泛分布于整个图像，考虑这种情况，可以通过计算颜色相似的超像素在图像中的分布情况来估计区域是属于前景或背景，如第个超像素的分布情况。通过线性组合超像素的独特性和分布情况，可以得到每个超像素的显著度，计算公式如下： ；（） ；（） （ ）。（）式中：、为归一化因子，为缩放因子，权重 （ ），用于控制算法影响范围，权重 （ ），用于控制色彩间的相似程度。 ，表示的加权均值位置。 显著性图生

12、成结合超像素显著度，以像素为单位，对任意像素所在的超像素区域的邻接超像素区域赋予相应权值，得到该像素的显著度，计算公式如下： （）式中：权重 （ ），、分别为色彩相似度、位置控制系数，为归一化因子。 图像连通域去噪对生成的显著度图进行二值处理，可得图像的显著性分割预处理结果。此时，图像中仍然存在少量噪声，主要包括：能正确识别，但面积较小而失去提取价值的棉桃图像，其他少量离散的高亮度区域噪声。这些噪声的面积与理想的棉花分割目标面积相比较小，相互独立且不具有连通性，因此可以采江苏农业科学 年第 卷第期用连通域去噪的方法将其去除，即通过设定合理的面积阈值，扫描整幅图像后可去除面积小于的连通区域，得到

13、最终的分割图像。 算法主要步骤本研究提出的算法主要步骤归纳如下：（）基于 的棉花图像聚类预处理。利用 算法对棉花图像预处理，去除图像中亮度较低的区域，将这些区域填充为黑色后得到新图像。（）基于视觉显著性的棉花图像分割。利用 算法构建超像素，设定合适区域大小，得到若干色彩分布均匀、边缘贴近实际边缘的超像素区域。检测任意超像素区域在图像中的独特性和分布性得到超像素显著度，并依据计算结果逐像素计算像素显著度，最终得到整幅图像的显著性图。（）分割图像连通域去噪。对经过二值化处理后的图像，设定面积阈值，扫描图中所有连通域，去除所有小于的区域，得到最终分割图像。 结果与分析本研究实现环境中 为 ，内存 ，

14、操作系统为 ，采用 编程实现棉花图像的分割。为了评价分割效果，本研究与基于 颜色空间的 的聚类算法，以及文献的方法在阴影条件、强光条件下的执行效果进行了对比，种方法的最终结果均经过去噪处理，棉花在阴影条件和在强光条件下的处理过程及分割结果分别见图、图。比较结果可知， 聚类算法能较准确地分割出棉花区域，但存在较多亮度较高区域与棉花目标区域直接连通，经连通域面积去噪后仍无法有效去除噪声，分割效果较差；文献方法能取得较为理想的效果，但边缘细节略有丢失，其分割结果的面积比实际面积偏小；本研究方法能够有效保留边缘细节，克服光照和阴影带来的影响，准确地分割出棉花图像。 结语利用 算法进行聚类预处理，能有效

15、去除图像中较暗区域，同时较完整地分割出包含棉花图像的色彩感知均匀且较亮区域；在 聚类处理结果基础上进行显著性检测能提高检测效率，同时能有效保留边缘细节。结果表明，该方法能够很好地消除强光条件和阴影条件的影响，适应于复杂条件下的棉花图像分割，分割精度较高。在今后的工作中，如何进一步优化算法、提高图像分割效率将是研究重点。参考文献：韦皆顶，费树岷，汪木兰，等基于 彩色模型的自然场景下棉花图像分割策略研究棉花学报， ， （）： 时颢，赖惠成，覃锡忠子群与均值混合聚类的棉花图像分割算法计算机工程与应用， （ ）： 陈钦政，赖惠成，王星，等一种基于支持向量机的棉花图像分割算法计算机工程， ， （）： 王

16、星，赖惠成，任磊，等基于 空间和 神经网络的棉花图像分割算法计算机工程与应用， （ ）： 张豪，郭辉，韩长杰，等基于最佳熵法棉花图像分割与提取的研究工业控制计算机， （）： ， ， ， ： 江苏农业科学 年第 卷第期 ， ， ， ， ， （ ）： ， ， ： ， ： 孙建成，曾培峰，禹素萍，等二值图像的区域标识与噪声去除天津工业大学学报， ， （）：櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄 （上接第 页） ， ， ， ， （）： 刘世明，陈建宏，张宗平，等基于 的供港蔬菜安全监管溯源系统计算机系统应用， ， （）： 朱鹏蔬菜跟踪追溯物联网关键技术研究南京：南京邮电大学， 董金现代农业种植和农产品信息管理系统设计荆州：长江大学， 庞娜，程德福基于 无线传感器网络的温室监测系统设计吉林大学学报：信息科学版， ， （）： 蒋薇，赖青贵，秦玲，等基于 数据访问技术的研究和应用微计算机信息， ， （ ）： 晏国生，刘君基于物联网的河北果蔬产业全程监测与控制信息服务平台研究农业系统科学与综合研究， ， （）： 吴波，吕旭健，陈军响，等基于物联网的温州市农产品质量安全监控溯源体系的构建与应用浙江农业科学， ， （）： 江苏农业科学 年第 卷第期