基于粒子群优化SVM的苹果图像分割

黄奇瑞



基于粒子群优化SVM的苹果图像分割

黄奇瑞

(南阳理工学院电子与电气工程学院，河南南阳 473004)

苹果图像分割是苹果采摘机器人视觉系统中识别和定位的关键技术. 针对目前苹果采摘机器人对果实识别误差大、处理时间长等问题，结合粒子群算法在求解组合优化问题时具有的全局搜索特性，提出了一种基于粒子群参数优化的SVM分割算法. 试验结果表明：该算法能很好地实现苹果果实与图像背景的分离，后续利用数学形态学中的闭运算对分割后的图像进行处理，能够较好地保存苹果轮廓信息、消除孔洞现象，为完善苹果采摘机器视觉系统的识别和定位提供技术支持.

图像分割；机器视觉；粒子群算法；参数优化；支持向量机

苹果采摘机器人主要有两个任务：一是对苹果的准确识别和定位；二是对苹果的无损采摘. 其中首要任务是机器视觉系统对苹果的识别和定位[1]，而识别和定位的关键环节是图像处理，即将苹果的果实图像从复杂的背景图像中检测和提取出来，其本质在于数字图像分割算法的适应性和准确性. 目前常用的图像分割算法有：阈值分割法[2]、区域生长法[3]、二维直方图边缘检测与边界跟踪法[4]等. 苹果的采摘需要一次性识别多个目标并连续采摘才能达到实际采摘效率的要求，但是由于光照不均及被果树枝叶所遮挡等问题，苹果的采摘作业环境十分复杂，从而造成苹果果实的识别率不高. 因此，对果实的准确识别和定位技术是一个迫切需要解决的难点，解决这些难点问题对于实现自动化采摘具有重要意义.

支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的分类方法[5]，由Vapnik等人在1995年提出. 因其具有很好的泛化能力，在图像分类等模式识别领域得到了广泛的引用. 与其他重视经验风险最小化的算法相比，SVM能够得到更好的泛化精度，在小样本、非线性模式识别中具有一定的优势. 实践证明，SVM核函数的参数以及惩罚系数对SVM的分类性能有着很大的影响[6]. 而对于一些对实时性要求较高的系统，如何快速地选择合适的SVM参数，减少训练和识别时间有着很重要的实际意义. 为此，本文提出了一种基于粒子群优化(Particle Swarm Optimization，PSO)的SVM分类算法，用PSO优化算法搜索SVM的最优参数，从而达到优化分类模型的目的，并将该模型用于苹果果实图像的分割，实验结果表明该算法可以明显改善苹果果实图像的分割效果.

1 SVM分类算法

SVM处理分类问题的基本思想是构造一个最优分类超平面作为决策曲面[7]，使得两类之间的分类间隔最大，然后将最优分类超平面的寻找转化为求解二次规划寻优的对偶问题，从而使计算的复杂度取决于数据集中的样本数目而非样本空间的维数，更准确地来说，是取决于样本中支持向量的数目. 因此，支持向量机能够有效地解决样本数据的高维问题.

解上述问题后得到的最优分类面函数为：

对于非线性分类问题，根据泛函的相关理论，只要存在一种核函数能够满足条件，它与某一变换空间的内积相对应. 选择适当的核函数替换内积后，可通过非线性映射将在低维特征空间中的样本映射到高维特征空间中去，原本在低维特征空间中线性不可分的样本，通过在高维特征空间中构造最优分类超平面就可实现线性分类，同时也解决了算法中维数灾难问题，而计算复杂度却没有增加，此时目标函数式(2)变为：

对应的分类判别函数也变为：

采用不同的核函数可以构造不同的SVM分类算法，常用的能够满足条件的核函数有以下4种：线性核函数、多项式核函数、径向基核函数(RBF核函数)和核函数. 本文采用目前应用最广泛的RBF核函数，其形式如下：

2 粒子群优化算法

粒子群优化算法(PSO) 是一种基于群体演化的的并行搜索算法，通过粒子间的协作和竞争，实现复杂空间最优解的搜索，其主要用于解决全局优化问题[8]. PSO算法需要调整的参数较少，容易实现，目前已在多种优化问题的求解上成功应用. 因此，本文采用PSO算法来解决SVM参数的优化问题.

PSO算法的基本流程图如图1所示.

图1 PSO算法流程

3 基于粒子群算法的SVM参数优化

本文的SVM分类器采用RBF核函数，决定分类器性能的主要有两个参数，利用PSO算法的全局和局部搜索优化能力，可以对参数进行寻优，从而得到最佳参数[10]. 利用PSO优化SVM分类器的参数，步骤如下：

5)根据的公式(8)和(9)对粒子的速度和位置进行更新；

6)当达到终止条件时，即达到最大迭代次数或者最小适应度阈值时，输出参数的最优值，否则，返回步骤2)继续迭代.

4 实验结果与分析

本文实验的运行环境为PC机，CPU主频3.2GHz，内存2GB，硬盘大小为500GB，操作系统Windows XP professional SP3，软件平台MATLAB R2011a. 实验的主要对象为自然条件下实时拍摄的具有复杂背景的苹果图像，通过人工在图像上选取苹果的果实区域和背景区域，一共1 000个训练样本，其中包括500个果实图像样本和500个背景图像样本. 将这些训练样本送入支持向量机进行训练，并结合本文提出的粒子群优化算法寻找支持向量机的最佳参数，用得到的最佳参数构建SVM分类器，然后利用该SVM分类器对图像进行分割，得到分割好的苹果果实图像.

由于采集到的苹果图像是在不同光照条件下得到，所以图像中果实表面会存在被阴影覆盖部分和反光部分，如图2(a)所示，从而给SVM的分类造成影响，使分割后的果实图像上存在缺失和不完整的情况. 除此外，分割后的背景区域上也会残留部分果实的“碎屑”，如图2(b)所示. 这些问题的存在都会给后续的机器识别和采摘造成干扰. 本文利用数学形态学中的闭运算对SVM分割后的图像进行修正处理，即先对分割后的图像进行一次腐蚀运算，将背景上与果实连接的区域分离，然后再对腐蚀后的图像进行一次膨胀运算，消除果实内部因腐蚀和阴影而造成的一些小孔洞. 经此闭运算之后，可以基本得到较为理想的分割结果，如图2(c)所示.

图2(d)是利用本文方法进行分割后得到的果实区域，图2(e)是利用Photoshop分割出来的实际的果实区域. 两者对比可以看出，本文方法分割所得到的苹果果实边缘平滑，分割出的果实区域与实际果实区域基本一致.

(a)原始图像 (b)分割结果 (c)后期处理结果 (d)最终分割结果 (e)人工分割结果

图2 分割结果

为对本文算法的分割精度进行客观检验，采用 George提出的方法[11]，即利用检出率和误检率对图像的分割效果进行评价. 检出率和误检率的计算公式分别如式(10)和式(11).

表1 苹果图像分割结果

本文采用基于粒子群参数优化的SVM分割算法对苹果图像进行分割，能够尽可能的保留苹果果实区域，很好地实现了苹果果实与背景的分离. 对分割后的图像，又采用数学形态学中的闭运算做进一步的处理，能较完整地保留苹果的轮廓信息，为进一步的苹果采摘机器的准确定位提供了必要的条件.

[1] BULANON D M, KATAOKA T, OKAMOTO H, et al. Development of a real-time machine vision system for the apple harvesting robot[J]. Sice Conference,2004(1): 595-598.

[2] ZHAO M, LIN H Y, YANG C H, et al. Automatic threshold level set model applied on MRI image segmentation of brain tissue[J]. Appl. Math, 2015, 9(4):1971-1980.

[3] TIANHUI S, BUGONG X, ZHANHU H. Medical image segmentation based on region growing arithmetic[J]. Microcomputer Information, 2008, 24(6): 284-286.

[4] CHOI J W, WHANGBO T K, KIM C G. A contour tracking method of large motion object using optical flow and active contour model[J]. Multimedia Tools and Applications, 2015, 74(1): 199-210.

[5] VAPNIK V, LEVIN E, CUN Y L. Measuring the VC-dimension of learning machines[J]. Neural Computation, 1994, 6(5): 851-876.

[6] CHAPELLE O, VAPNIK V, BOUSQUET O, et al. Choosing multiple parameters for support vector machines [J]. Machine Learning, 2002, 46(1-3): 131-159.

[7] FASSHAUER G E, HICKERNELL F J, YE Q. Solving support vector machines in reproducing kernel Banach spaces with positive definite functions[J]. Applied and Computational Harmonic Analysis, 2015, 38(1): 115-139.

[8] FISTER I, PERC M, LJUBIČ K, et al. Particle swarm optimization for automatic creation of complex graphic characters[J]. Chaos, Solitons & Fractals, 2015, 73: 29-35.

[9] PORNSING C, SODHI M S, LAMOND B F. Novel self-adaptive particle swarm optimization methods[J]. Soft Computing, 2015: 1-15.

[10] LU Y, ZENG N, LIU X, et al. A new hybrid algorithm for bankruptcy prediction using switching particle swarm optimization and support vector machines[J]. Discrete Dynamics in Nature and Society, 2015, 501: 294930.

[11] MEYER G E, NETO J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282–293.

Application of SVM Algorithm for Particle Swarm Optimization in Apple Image Segmentation

HUANG Qirui

(School of Electronic and Electrical Engineering, Nanyang Institute of Technology, Nanyang 473004, China)

The apple image segmentation is the key technology of identification and location in the apple-picking machine vision system. On account of huge errors in the process of discriminating fruits by apple-picking robots at present and the long-time processing, the SVM theory in fingerprint image segmentation method is conducted. Combined with the global search ability of particle swarm optimization in solving combinational optimization problems, the SVM partitioning algorithm, which is based on the parameter optimization of particle swarm, is put forward. The results show that this algorithm makes the separation of apple fruits and the image background come true. It also preserves the outline of apples, then polishes the image after segmentation by the close operation in mathematical morphology, which eliminates the pore phenomenon effectively and provides convenience for the further apple-picking and apple-discriminating.

Image segmentation; Machine vision; Particle swarm algorithm; Parameter optimization; SVM

(责任编辑：陈 丹)

TP242.6+2

A

2095-4476(2015)08-0014-05

2015-07-09;

2015-08-15

黄奇瑞(1985－ ), 男, 河南南阳人, 南阳理工学院电子与电气工程学院助教.