基于改进Otsu算法的生菜叶片图像分割方法

孙 俊, 宋 佳, 武小红, 李玉婷

(江苏大学 电气信息工程学院, 江苏 镇江 212013)

数字图像处理主要是通过计算机对图像进行去噪、增强、复原、分割、特征提取等操作,分割是图像处理过程中最重要的步骤之一,分割质量的好坏直接影响后续图像处理的效果.目前图像分割方法主要有基于阈值分割法[1]、基于区域分割法[2]、基于边缘分割法[3]以及基于特定理论分割法等.其中,最大类间方差法[4](Otsu)是由日本学者大津最先提出,该方法依据一维直方图选取阈值,通过计算目标和背景之间的最大类间方差从而得到分割阈值,适用于灰度直方图呈双峰的图像,然而由于没有利用图像的局部空间信息,当存在噪声干扰或灰度分布交叉时分割效果不佳,为此有学者提出了二维Otsu阈值分割方法[5-9].然而,二维Otsu阈值分割方法增加了解空间的维数,会导致算法计算复杂、运行时间变长等缺陷.因而有学者提出将智能算法运用到图像分割中[10-14],其中粒子群优化算法计算简单、效率高、易于实现,已经得到了广泛的应用.文中研究生菜叶片图像分割方法,运用粒子群优化算法搜索最优阈值,由于标准粒子群优化算法搜索最优阈值时容易陷入局部最优,因而提出一种新的非线性递减更新策略,将其运用到最优阈值搜索中.

1 算法思路

1.1 HSV颜色空间转换

HSV是由文献[15]于1978年创建的一种依据颜色直观特性的颜色空间,分别表示色调(hue)、饱和度(saturation)和亮度(value).由于RGB颜色空间中三分量R,G,B之间的相关性较高,不能用任意两点间的距离表示颜色差异,因而分割生菜叶片图像时效果较差.HSV颜色空间则比RGB颜色空间更接近于人们的经验以及对彩色图像的感知[16],并且H,S,V三分量之间是相互独立的.因此,文中首先将RGB颜色空间转换成HSV颜色空间.

1.2 传统Otsu算法

最大类间方差法又名大津法,1979年由日本学者大津提出,被认为是图像分割中阈值选取的最佳算法,计算简单且不受图像亮度和对比度的影响,因而得到了广泛的应用.Otsu算法按图像的灰度特性将图像分为背景和目标两部分,计算背景和目标的方差值,方差值越大图像两部分差别就越大,使得方差值最大的灰度值即为最佳分割阈值.

设灰度图像灰度级为L,则灰度范围为[0,L-1],利用Otsu算法计算出来的图像最佳阈值公式为

t=max[w0(t)·(u0(t)-u)2+w1(t)·(u1(t)-u)2],

(1)

式中:t为最佳分割阈值;w0为背景比例;u0为背景均值;w1为前景比例;u1为前景均值;u为整幅图像的均值.传统Otsu算法由于没有利用图像的局部空间信息,当存在噪声干扰或灰度分布交叉时分割效果较差,并且该算法需要遍历所有灰度级才能求得最优分割阈值,计算量大,难以满足实时性需求.

1.3 粒子群优化算法

粒子群优化(particle swarm optimization,PSO)算法由J. KENNEDY和R. C. EBERHART[17]于1995年提出,是一种基于群体的随机寻优技术.该算法计算简单、收敛速度快、求解精度高、易于实现.PSO算法模拟鸟类的觅食行为,将问题的搜索空间比作鸟类的飞行空间,而每只鸟即抽象为一个无质量无体积的微粒,它的基本思想是通过群体中个体之间的协作和信息共享来寻求最优解.PSO算法实现主要是通过跟踪最佳位置pbest(t时刻每个粒子所经过的最佳位置)和gbest(整个粒子群所发现的最佳位置)来更新各微粒的速度和位置,具体更新公式如下:

vi.j(t+1)=wvi.j(t)+c1r1[pi.j-xi.j(t)]+c2r2[pg.j-xi.j(t)],

(2)

xi.j(t+1)=xi.j(t)+vi.j(t+1),j=1,2,…,d,

(3)

式中:i=[1,n];学习因子c1,c2是非负常数,或称为加速常数;r1,r2是相互独立的随机数,在[0,1]上均匀分布;w是粒子的惯性权重系数.

1.4 基于改进Otsu分割算法

PSO算法搜索性能的好坏与该算法的全局搜索能力和局部改良能力密切相关,对控制参数的依赖性较大,控制参数主要包括种群数目n、最大速度Vmax、惯性权重系数w、学习因子c1和c2、最大迭代步数tmax等.其中,惯性权重系数w既可以影响粒子的局部搜索能力,又可以影响粒子的全局搜索能力,对PSO算法搜索性能的好坏影响较大.

目前,已有许多学者提出了关于w的更新策略[18-19],其中w线性递减更新策略应用最为广泛.然而,w线性递减更新策略在实际应用时会出现迭代初期局部搜索能力较弱,迭代后期全局搜索能力较弱的缺点,这样会导致迭代初期容易错过全局最优点,而迭代后期容易陷入局部最优值.针对线性递减更新策略存在的不足,提出了一种新的非线性递减更新策略,惯性权重系数记为w′,计算公式如下:

(4)

式中:wmax,wmin分别表示惯性权重系数w的最大值和最小值;t表示当前迭代步数;tmax表示最大迭代步数;a，b为常数.一般来说,wmax=0.9,wmin=0.4时,PSO算法的性能最好,因而文中分别取wmax为0.9,wmin为0.4,最大迭代步数tmax设置为100.通过多次试验尝试,得知当a=4,b=20时,提出的非线性递减更新策略效果最好,如图1所示,其中w表示线性递减更新策略,w′表示文中提出的一种新的非线性递减更新策略.由图1可知,该策略可以使PSO算法在迭代初期和迭代后期均较长时间保持在较大值,这样能够有效地避免迭代初期局部搜索能力较弱,迭代后期全局搜索能力较弱的缺点.

图1 惯性权重系数w与w′对比图

基于改进Otsu分割算法的具体步骤如下.

步骤1: 将生菜叶片图像RGB颜色空间转换成HSV颜色空间,并提取S分量图像.

步骤2: 使用改进的粒子群优化算法搜索最优阈值.① 对种群中各个微粒的速度和位置分别进行初始化,粒子数目n=20,粒子更新最大速度Vmax=5,粒子更新最小速度Vmin=-5,学习因子c1=c2=2,惯性权重系数wmax=0.9,wmin=0.4,最大迭代步数tmax=100,粒子最大灰度值Lmax=256,搜索空间维数D=1.② 计算各个粒子的目标函数值,找到并存储各个粒子的最佳位置和适应度,并将种群中适应度最好的粒子位置作为整个粒子群的位置.③ 通过更新公式(2),(3)调整各个粒子的速度和位置,惯性权重系数w采用文中提出的非线性递减更新策略.④ 计算位置更新后各个粒子的适应度,并与更新前的适应度进行对比,选取较好的位置作为该粒子的当前位置.⑤ 将每个粒子的适应度与全体粒子所经历的最优位置进行比较,选取最优的位置即为改进粒子群优化算法搜索到的最优阈值.

步骤3: 将改进粒子群优化算法搜索到的最优阈值作为Otsu算法的分割阈值,从而实现对生菜叶片图像的分割处理.

2 试验结果与分析

2.1 试验背景

为了验证本算法的有效性,使用智能手机(后置摄像头像素为1 300万)在江苏大学Venlo型试验温室中分别采集单个生菜叶片图像以及生菜冠层图像,单个生菜叶片图像以A4纸为背景,生菜冠层图像以大棚走道为背景,采集到的图像分辨率为3 120×4 208.算法试验环境为Windows7系统,2.67 GHz处理器,4 GB内存,64位操作系统,编程环境为VS2010.

2.2 试验结果与分析

由于本算法既在传统Otsu算法的基础上进行了改进,也对标准PSO算法中的惯性权重系数w进行了改进,因而需要将本算法分别与Otsu算法、标准PSO+Otsu算法进行对比.分别采用Otsu算法、标准PSO+Otsu算法以及本算法分割生菜叶片RGB图像以及S分量图像,结果如图2,3所示.

由图2分割对比结果可知,利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割单个生菜叶片S分量图像(如图2f,g,h所示)效果明显优于利用这3种算法分割单个生菜叶片RGB图像(如图2b,c,d所示);利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割单个生菜叶片RGB图像时,改进PSO+Otsu算法分割效果较好;利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割单个生菜叶片S分量图像时,同样是改进PSO+Otsu算法分割效果较好,它能够将整个生菜叶片图像分离出来,而Otsu算法以及标准PSO+Otsu算法未能将生菜叶片边缘反光较强的部位分离出来.因而,利用改进PSO+Otsu算法分割单个生菜叶片S分量图像效果最好.

由图3分割对比结果可知,利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割生菜冠层S分量图像(如图3f,g,h所示)效果明显优于利用这3种算法分割生菜冠层RGB图像(如图3b,c,d所示);利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割生菜冠层RGB图像时,改进PSO+Otsu算法分割效果较好;利用Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割生菜冠层图像S分量图像时,改进PSO+Otsu算法能够将拍摄背景和生菜种植盆都分离出来,分割效果较好,而Otsu算法以及标准PSO+Otsu算法未能将背景盆分离出来,对拍摄背景的分割同样没有改进PSO+Otsu算法好.因而,利用改进PSO+Otsu算法分割生菜冠层S分量图像效果最好.

另外,分别对Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法运行100次,并记录每次运行结果,统计每种算法寻得最优解的次数,结果如表1,2所示.

图2 单个生菜叶片分割对比图

图3 生菜冠层分割对比图

对象算法运行时间/ms最优分割阈值迭代次数试验次数求得最优解次数Otsu211153256100100RGB图像标准PSO+Otsu1681531310078改进PSO+Otsu1451551010095Otsu201113256100100S分量图像标准PSO+Otsu1511131110093改进PSO+Otsu118112610094

表2 生菜冠层图像分割对比

从表1和2对比结果可以看出,Otsu算法分割生菜叶片RGB图像以及S分量图像时,分割算法运行时间都较长,迭代次数都是256次,虽然求得最优解的次数最高,但算法计算量大、运行时间长,难以满足实时性需求;标准PSO+Otsu算法相对于Otsu算法有所改进,算法迭代次数大幅度降低,程序运行时间相对减少,虽然求得最优解的次数相对较少,但总体来说,标准PSO+Otsu算法明显优于Otsu算法;改进PSO+Otsu算法是在标准PSO+Otsu算法基础上进行了改进,通过分析表1,2运行结果可知,Otsu算法、标准PSO+Otsu算法以及改进PSO+Otsu算法分割单个生菜叶片S分量图像时程序运行时间分别为201,151和118 ms,迭代次数分别为256,11和6,分割生菜冠层S分量图像时程序运行时间分别为212,159和126 ms,迭代次数分别为256,11和5,结果表明改进PSO+Otsu算法程序运行时间最短,算法迭代次数最低.且从图2,3分割结果可以看出,改进PSO+Otsu算法分割结果明显优于其他2种算法,因而可以作为生菜叶片图像分割算法.

3 结 论

分别研究了单个生菜叶片图像以及生菜冠层图像分割,传统Otsu算法迭代次数多、算法分割效果差、程序运行时间长,难以满足实时性需求.文中在传统Otsu算法基础上提出了改进,引入HSV颜色空间变换以及粒子群优化算法寻优,并分别与传统Otsu算法、标准PSO+Otsu算法进行对比,结果表明:文中提出的改进Otsu算法对单个生菜叶片图像以及生菜冠层图像同样适用,本算法不仅分割效果明显优于传统Otsu算法,而且算法运行时间短、求解精度高,具有较好的实时性.

)

[1] 章毓晋. 图象分割评价技术分类和比较[J]. 中国图象图形学报, 1992, 1(2):151-157.

ZHANG Y J. A classification and comparison of evaluation techniques for image segmentation[J]. Journal of Image and Graphics, 1992, 1(2): 151-157. (in Chinese)

[2] 张连宽, PAUL Weckler, 肖德琴. 作物叶面图像自动分割方法[J]. 江苏大学学报(自然科学版), 2016, 37(6):663-669.

ZHANG L K, PAULL W, XIAO D Q. Automtic leaf surface region segmentation from crop image [J]. Journal of Jiangsu University(Natural Science Edition), 2016, 37(6):663-669. (in Chinese)

[3] 李伟涛, 彭道黎, 吴见. 基于改进边缘分割算法的幼苗信息提取[J]. 农业机械学报, 2014, 45(4):259-303.

LI W T, PENG D L, WU J. Extraction of seedlings information based on improved edge segmentation algorithm[J]. Transactions of the CSAM, 2014, 45(4): 259-303. (in Chinese)

[4] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on System Man and Cybernetic, 1979, 9(1): 62-66.

[5] CHEN Q, ZHAO L, LU J, et al. Modified two dimensional Otsu image segmentation algorithm and fast realization[J]. IET Image Processing, 2012, 4(6): 426-433.

[6] 张新明, 孙印杰, 郑延斌. 二维直方图准分的Otsu图像分割及其快速实现[J]. 电子学报, 2011, 39(8):1778-1784.

ZHANG X M, SUN Y J, ZHENG Y B. Precise two-dimensional Otsu' s image segmentation and its fast recursive realization[J].Chinese Journal of Electronics, 2011, 39(8): 1778-1784. (in Chinese)

[7] 李淼, 杨恢先, 张建波, 等. 改进二维直方图区域划分的阈值分割方法研究[J]. 光电子·激光, 2013, 24(7):1426-1433.

LI M, YANG H X, ZHANG J B, et al. Image thresholding segmentation research based on an improved region division of two-dimensional histogram[J]. Journal of Optoelectronics·laser,2013, 24(7):1426-1433. (in Chinese)

[8] 王昊鹏, 冯显英, 李丽. 基于改进二维最大类间方差法的白色异性纤维检测算法[J]. 农业工程学报, 2012, 28(8):214-219.

WANG H P, FENG X Y, LI L. Detection algorithm of white foreign fibers based on improved two-dimensional maximum between-class variance method[J].Transactions of the CSAE, 2012, 28(8): 214-219. (in Chinese)

[9] 刘金,金炜东. 基于类间和类内方差的快速二维阈值分割法[J]. 西南交通大学学报, 2014, 49(5):913-919.

LIU J, JIN W D. Fast method for 2D threshold segmentation algorithm based on inter-class and intra-class va-riances[J].Journal of Southwest Jiaotong University, 2014, 49(5): 913-919. (in Chinese)

[10] LI M, STAUNTON R C. A modified fuzzy C-means image segmentation algorithm for use with uneven illumination patterns[J]. Pattern Recognition, 2007, 40(11): 3005-3011.

[11] 彭红星, 邹湘军, 陈琰, 等. 基于演化算法的水果图像分割[J]. 农业工程学报, 2014, 30(18):294-301.

PENG H X, ZOU X J, CHEN Y, et al. Fruit image segmentation based on evolutionary algorithm[J].Tran-sactions of the CSAE, 2014, 30(18): 294-301. (in Chinese)

[12] 温长吉, 王生生, 于合龙, 等. 基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 农业工程学报, 2013, 29(13):142-149.

WEN C J, WANG S S, YU H L, et al. Image segmentation method for maize diseases based on pulse coupled neural network with modified artificial bee algorithm[J].Transactions of the CSAE, 2013, 29(13): 142-149. (in Chinese)

[13] 王昊鹏, 冯显英, 王娜, 等. 基于改进的粒子群多阈值算法的白色异性纤维检测[J]. 农业工程学报, 2013, 29(23):153-158.

WANG H P, FENG X Y, WANG N, et al. Detection of white foreign fibers based on improved particle swarm algorithm[J].Transactions of the CSAE, 2013, 29(23):153-158. (in Chinese)

[14] 张伟, 隋青美. 基于改进粒子群优化的模糊熵煤尘图像分割[J]. 控制与决策, 2011, 26(2):276-284.

ZHANG W, SUI Q M. Coal dust image segmentation based on improved particle swarm optimization and fuzzy entropy[J].Control and Decision, 2011, 26(2): 276-284. (in Chinese)

[15] SMITH A R. Color gamut transformation pairs[J]. Computer Graphics, 1978, 12(3): 12-19.

[16] 纪钢, 吴萍萍. 在HSV下的材料腐蚀特征区域颜色与边界量化处理[J]. 重庆理工大学学报(自然科学), 2016, 30(1):63-69.

JI G, WU P P. Processing of regional color and boundary quantization about material erosion in HSV[J].Journal of Chongqing University of Technology (Natural Science), 2016, 30(1):63-69. (in Chinese)

[17] KENNEDY J, EBERHART R C. Particle swarm optimization[J]. IEEE Service Center, 1995, 6:1942-1948.

[18] ZHANG Z H, ZHANG J, LI Y, et al. Adaptive particle swarm optimization[J]. IEEE Transactions on System Man and Cybernetic, 2009, 39(6): 1362-1381.

[19] PARK J B, JEONG Y W, SHIN J R, et al. An improved particle swarm optimization for nonconvex economic dispatch problems[J]. IEEE Transactions on Power System, 2010, 25(1): 156-166.