融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法

龙金辉，朱真峰

(1.郑州大学信息工程学院，郑州450052；2.河南机电职业学院信息系，郑州451191）

图像分割技术是实现采摘机器人视觉识别与定位的支撑技术。采集图像中的复杂背景制约了机器人视觉处理系统对图像的准确分割与目标区域的完整获取。因此，研究如何提高图像分割精度并提取出完整目标区域具有重要的实用价值。目前，针对采摘机器人视觉处理系统采集的图像进行有效分割的研究还处在不断发展探索阶段。Huang等[1]提出基于二维直方图和遗传算法的二维模糊熵的红富士苹果图像分割方法，实现了复杂自然场景以及光照变化情况下的苹果图像分割；吕继东等[2]在对果实图像颜色统计分析的基础上，采用基于颜色特征的Otsu动态阈值图像分割方法对苹果图像进行快速分割；王丹丹等[3]通过聚类算法获取目标区域，采用Ncut算法提取苹果目标轮廓，然后利用Spline插值算法重建遮挡苹果目标轮廓，实现苹果目标分割与重建；徐黎明等[4]使用同态滤波算法对杨梅图进行预处理，然后应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割；Harrell等[5-7]通过对水果特性的分析，实现了将果实从背景中提取出的阈值分割算法；Ghabousian等[8-9]将模糊聚类图像分割算法应用于水果疤痕检测，可以有效分割出水果表面疤痕；赵海波等[10-14]提出了改进的模糊聚类图像分割算法，并应用于成熟果蔬的检测与识别。

随着智能农业的发展，机器人将在棉花采摘作业过程中发挥越来越重要的作用。采棉机器人视觉处理系统工作的前提是在采集的棉花图像中准确识别出目标区域，实际上就是将棉花这一目标区域从图像中分割出来。然而针对棉花图像分割的研究还不是很多。刘广瑞等[15]将彩色图像转化为灰度图像，通过阈值法分割棉花图像；张成梁等[16]提出了将分水岭变换与改进模糊C均值聚类融合的方法对棉花图像进行分割；王玲等[17]选取噪声较低的色调-强度-饱和度（Hue，intensity and saturation，HIS） 和 La*b*颜色空间基于阈值对棉花图像进行分割。刘坤等[18]提出1种基于随机Hough变换的对自然环境中的棉花识别方法；刘金帅等[19]首先计算出Fisher判别向量和各类的质心，根据像素点距离各质心最近的准则进行棉花图像分割；韦皆顶等[20]在色调-饱和度 -亮度（Hue，saturation and value，HSV）颜色空间下使用S通道作为棉花图像的特征进行阈值分割；陈钦政等[21]结合阈值法提出了1种在Ohta颜色空间下基于支持向量机的棉花图像分割算法。刘广瑞等[22]通过采用图像分割中的Otsu最佳阈值法及相关图像处理方法实现了对棉花幼苗的有效识别。

本研究分析了阈值分割算法、模糊聚类（FuzzyC-means，FCM）以及相应改进的图像分割算法[23-26]、量子粒子群（Quantum particle swarm optimization，QPSO）图像分割算法[27]和马尔可夫随机场（Markov random field，MRF）分割图像算法[28]等算法的优劣以及适用性；参考图像像素信息与数量特征，以成熟棉花图像为例，提出了融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法，以期解决上述分割算法中的问题，有效避免噪声干扰，提高分割图像精度。

1　模型与原理

1.1　马尔可夫随机场模型

由于受到各种干扰因素影响，待分割图像存在一定数量噪声。因此，进行图像分割时要考虑邻域信息。基于马尔可夫随机场的图像分割算法[28]在解决像素所属类的过程中参考了邻域像素所属类，该算法具有较好的抗噪声能力。

在马尔可夫随机场模型中，像素所属的类由邻域像素所属类决定，其中，ηij是像素yij的邻域，ηij=｛t1,t2,…t8｝，如图 1 所示。

图1　yij的邻域 ηijFig.1　yijand its neighborhoodηij

1.2　模糊聚类图像分割算法

FCM算法由Bezdek等提出，其基本思想是使用隶属度来确定每个数据点属于某个类别的程度，通过迭代运算，求出目标函数的最小化，以确定其最佳类别。模糊聚类算法将n个样本点X=（x1,x2,…，xn）划分为c类，并求出每个类的聚类中心vi(i=1,2,…，c)，使得目标函数达到最小。其中，每个样本点的隶属度取值范围为[0,1]，每个样本点与相应聚类中心的隶属度构成隶属矩阵U。uij∈[0,1]是模糊隶属度，表示第j个样本点隶属于第i类的程度，满足约束条件

目标函数为：

其中，dij为第i个聚类中心与第j个样本点的距离，如果算法用于图像分割，则该距离实际上可以选取2个像素点的灰度值变化量的绝对值。

该算法是通过迭代方法求解目标函数的最小值，然后依据隶属度矩阵确定像素类别。

1.3　量子粒子群算法

QPSO算法[27]在粒子群算法的粒子进化方式的基础上融入了量子物理学思想，在量子空间中通过蒙特卡罗方法确定粒子的位置。粒子位置的确定公式：

其中：pBesti(t)和gBest(t)分别是在第i次迭代过程中第i个局部最优粒子位置和全局最优粒子位置，Ф1，Ф2，u是在（0，1）区间服从均匀分布的随机数，p为局部引子；mBest(t)为第i次迭代过程中粒子的平均最佳位置；β为收缩扩张因子，其值可以调整；M为群体大小；D为维数。

在群体智能算法中，量子粒子群算法相对于传统粒子群算法的特征是全局寻优策略更有效、算法的收敛性更好以及算法的控制参数更少。因此，笔者在进行图像分割算法设计中吸纳了量子粒子群算法思想。

1.4　本研究提出的融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法

图像的聚类分割方法本质上是根据图像像素灰度值与聚类中心像素灰度值的接近程度对像素点聚类。理想的颜色模型应使得目标区域像素灰度与背景区域像素灰度差异明显，这样可以通过分割算法有效地获取目标区域。如果颜色空间的选取不合适，将会对图像分割结果造成不利影响。通过比较，本算法选取RGB颜色模式，将读入的彩色图像转换为灰度图像，并且选取绿色通道灰度图像作为待分割图像；针对模糊聚类图像分割算法容易陷入局部极值的问题，采用量子粒子群聚类算法进行图像初步分割；充分参考邻域信息以增强算法的抗噪声能力，由初步分割的结果作为依据，采用马尔可夫随机场图像分割方法得到中间分割结果，这样既可提高分割算法的抗噪声能力，又可避免分割算法陷入局部极值；最后，由于在确定距离所采集的棉花图像中棉花目标面积大小是可以推定范围的。因此，本算法通过设定连通区域面积阈值范围提取目标区域。

本研究图像分割算法的具体步骤为：（1）将读入的彩色图像转换为灰度图像。（2）初始化算法参数值，设置种群规模为N=20，最大迭代次数为50；初始化隶属度矩阵。（3）初始化粒子位置，初始化粒子各分量值在适当的取值范围；根据式（2）返回粒子的适应度值，遴选局部最佳位置的适应度值。（4）通过式（2）返回的粒子适应度值进行比较择优，根据粒子局部极值pBesti(t)更新全局极值gBest(t)。（5）更新聚类中心和隶属度矩阵，并使用式（4）、式（5）、式（6）对粒子的位置进行更新，产生下次循环使用的粒子群。（6）判断是否达到设置的迭代次数，如果达到迭代次数则退出循环；然后输出全局最优解gBest(t)，根据全局最优解将图像进行目标区域与背景区域划分的初步分割；否则，转到步骤4。（7）以初步分割的结果作为依据，计算得到马尔可夫随机场模型，由最大概率原则得到中间分割结果。（8）对中间分割结果中的连通区域进行处理，依据图像中棉花目标区域面积的最小值与最大值设定连通区域面积阈值范围。例如，本研究处理的图像像素为130×130，经测算棉花目标区域面积介于3 332～8 754像素；因此，可以将连通区域面积阈值范围设定在3 332～8 754像素，标记为分割的目标区域，不在这个范围的连通区域可以看成干扰噪声，作为背景区域，将其各像素的值设置为零。

1.5　仿真试验设计

1.5.1运行平台环境。操作系统Windows XP；CPU Intel Core2 Duo T6570 2.10 GHz，RAM 1.9 GB。采用MATLAB R2012b进行仿真。

1.5.2分析对象（棉花图像）采集与选择。9月下旬晴天条件下，在河南省新乡县七里营镇棉花种植区（棉花品种为新植杂2号），从不同角度采集在自然环境下进入吐絮期的棉花图像。从采集的100幅图像中选取30幅进行试验。

1.5.3算法及运行参数设置。分别运行Otsu阈值法、聚类分割算法、量子粒子群分割算法、马尔可夫随机场分割算法和本算法。依据解空间，对粒子群各粒子位置进行初始化，粒子规模20，最大迭代次数50次，像素灰度级为255。

1.5.4效果评价。为了更客观地评估本算法，引入分割效果的评价指标Jaccard相似度（Jaccard similarity，JS）与峰值信噪比（Peak signal to noise ratio，PSNR）对图像分割结果进行定量评价。其计算公式为：

在式（7）中，S1，S2分别表示图像分割结果像素集合和标准分割像素集合；该比值越接近1分割效果越好，分割精度越高。在式（8）中，m,n分别为图像的行数与列数；PSNR值越大表明图像分割效果越好。

2　结果与分析

2.1　分割图像结果

图2　棉花图像及其灰度直方图Fig.2　Cotton images and their gray scale histogram

随机选取经过处理后得到像素大小为130×130的棉花正面图像与棉花侧面图像各1幅，它们的灰度直方图如图2所示。从图2可以看出，图像像素灰度分布呈现双峰状态，这些图像适用于图像分割算法的评价。将得到的棉花正面灰度图像（图2-b）和棉花侧面灰度图像（图2-d）作为算法的输入图像，分别运行Otsu阈值法、聚类分割算法、量子粒子群分割算法、马尔可夫随机场分割算法和本算法，分割结果如图3和图4所示。可以看出，本算法分割结果与人工标准分割结果最接近，分割效果最好。

图3　棉花正面图像分割结果Fig.3　Cotton front image segmentation results

图4　棉花侧面图像分割结果Fig.4　Cotton side image segmentation results

2.2　不同方法分割效果评价

将15幅棉花正面图像和15幅棉花侧面图像作为算法的输入图像，分别运行上述原有的4种算法和本算法，根据所得结果计算JS与PSNR，结果见表1和表2。可以看出，受复杂背景因素的干扰，分割算法会将类似像素灰度区域错误地识别为目标区域。Otsu算法分割棉花图像的JS与PSNR最低；FCM算法和QPSO算法分割效果相当；MRF算法的抗噪声能力强于Otsu算法、FCM算法和QPSO算法；本算法对棉花正面图像与棉花侧面图像进行分割所得到的JS与PSNR在所有算法中都是最高的，平均值分别为98.94%、77.48 dB。与Otsu算法、FCM算法、QPSO算法和MRF算法相比，本算法分割精度平均提高 4.56、3.20、3.69、2.47 百分点，PSNR平均提高 13.10 dB、12.53 dB、12.36 dB、9.81 dB。

3　结论

提出了融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法：首先，将读入的RGB模式的棉花彩色图像转换为灰度图像；其次，将利用图像邻域信息的马尔可夫随机场模型、具有随机遍历性的量子粒子群全局寻优策略以及对图像中的少量模糊和不确定点具有良好适应性的模糊聚类方法相融合，进行图像分割；最后，在分割图像的基础上通过对连通区域面积阈值的设定以获取目标区域。并通过分割效果评价，验证了本算法的有效性。

表1　各算法分割结果精度（JS）比较Table 1　Comparison of precision of segmentation results of each algorithm　%

表2　各算法分割结果峰值信噪比比较Table 2　Comparison ofPSNRof each algorithm segmentation result　dB

[1]Huang L W,He D J,Yang S X.Segmentation on ripe Fuji apple with fuzzy 2D entropy based on 2D histogram and GA optimization[J].Intelligent Automation&Soft Computing,2013,19(3):239-251.

[2]吕继东,赵德安,姬伟.苹果采摘机器人目标果实快速跟踪识别方法[J].农业机械学报,2014,45(1):65-72.Lü Jidong,Zhao De’an,Ji Wei.Fast tracing recognition method of target fruit for apple harvesting robot[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(1):65-72.

[3]王丹丹,徐越,宋怀波,等.融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建[J].农业工程学报,2015,31(10):227-234.Wang Dandan,Xu Yue,Song Huaibo,et al.Fusion ofK-means and Ncut algorithm to realize segmentation and reconstruction of two overlapped apples without blocking by branches and leaves[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(10):227-234.

[4]徐黎明,吕继东.基于同态滤波和K均值聚类算法的杨梅图像分割[J].农业工程学报,2015,31(14):202-208.Xu Liming,Lü Jidong.Bayberry image segmentation based on homomorphic filtering andK-means clustering algorithm[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(14):202-208.

[5]Harrell R C,Slaughter D C,Adsit P D.A fruit tracking system for robotic harvesting[J].Machine Vision and Applications,1989,2(2):69-80.

[6]Grift T,Zhang Q,Kondo N,et al.A review of automation and robotics for the bio-industry[J].Journal of Biomechatronics Engineering,2008,1(1):37-54.

[7]蔡健荣,周小军,李玉良,等.基于机器视觉自然场景下成熟柑橘识别[J].农业工程学报,2008,24(1):175-178.Cai Jianrong,Zhou Xiaojun,Li Yuliang,et al.Recognition of mature oranges in natural scene based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering,2008,24(1):175-178.

目前我国资产评估的主要目的还是服务于矿业权交易和政府备案，在矿业市场融资方面起到的作用很少。合理准确的资产评估对矿业市场融资是一个有力保证，通过制定相关政策和科学的引导，推动矿产资源资产评估在市场融资中的作用，提高评估结果的权威性和可信度，使矿产资源资产评估与市场充分结合，改善矿业投资环境。

[8]Ghabousian A,Shamsi M.Segmentation of apple color images utilizing fuzzy clustering algorithms[J].Advances in Digital Multimedia,2012,1(1):59-63.

[9]Moradi G,Shamsi M,Sedaghi M H,et al.Fruit defect detection from color images using ACM and MFCM algorithms[C]//Proceedings of the International Conference on Electronic Devices,Systems and Application,April 25-27,2011.Kuala Lumpur,Malaysia:Institute of Electrical and Electronics Engineers,2011:182-186.

[10]赵海波,周向红.基于计算机视觉的番茄催熟与正常熟识别[J].农业工程学报,2011,27(2):355-359.Zhao Haibo,Zhou Xianghong.Recognition of artificial ripening tomato and nature mature tomato based on computer vision[J].Transactions of the Chinese Society of Agricultural Engineering,2011,27(2):355-359.

[11]熊俊涛,邹湘军,陈丽娟,等.基于机器视觉的自然环境中成熟荔枝识别[J].农业机械学报,2011,42(9):162-166.Xiong Juntao,Zou Xiangjun,Chen Lijuan,et al.Recognition of mature litchi in natural environment based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(9):162-166.

[12]熊俊涛,邹湘军,陈丽娟,等.荔枝采摘机械手果实识别与定位技术[J].江苏大学学报,2012,33(1):1-5.Xiong Juntao,Zou Xiangjun,Chen Lijuan,et al.Fruit recognition and positioning technology of litchi picking manipulator[J].Journal of Jiangsu University,2012,33(1):1-5.

[13]陈科尹,邹湘军,熊俊涛,等.基于视觉显著性改进的水果图像模糊聚类分割算法[J].农业工程学报,2013,29(6):157-165.Chen Keyin,Zou Xiangjun,Xiong Juntao,et al.Improved fruit fuzzy clustering image segmentation algorithm based on visual saliency[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(6):157-165.

[14]王富春,徐越,宋怀波.西红柿果实目标识别方法研究[J].农机化研究,2015(10):24-28.Wang Fuchun,Xu Yue,Song Huaibo.Study on identification of tomatos[J].Journal of Agricultural Mechanization Research,2015(10):24-28.

[15]刘广瑞,黄真,毛树春,等.OTSU最佳阈值法在棉花幼苗识别中的应用研究[J].棉花学报,2013,25(1):86-89.Liu Guangrui,Huang Zhen,Mao Shuchun,et al.Application study about optimal threshold method in cotton seedling recognition[J].Cotton Science,2013,25(1):86-89.

[16]张成梁,李蕾,董全成,等.基于颜色和形状特征的机采棉杂质识别方法[J].农业机械学报,2016,47(7):28-34.Zhang Chengliang,Li Lei,Dong Quancheng,et al.Recognition method for machine-harvested cotton impurities based on color and shape features[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(7):28-34.

[17]王玲,王萍,陈兵林,等.基于颜色阈值的田间籽棉图像分割技术[J].作物学报,2010,36(3):503-507.Wang Ling,Wang Ping,Chen Binlin,et al.Image segmentation technique of field cotton based on color threshold[J].Acta A-gronomica Sinica,2010,36(3):503-507.

[18]刘坤,费树岷,汪木兰,等.基于改进随机Hough变换的棉桃识别技术[J].农业机械学报,2010,41(8):160-165.Liu Kun,Fei Shumin,Wang Mulan,et al.Cotton recognition based on randomized Hough transform[J].Transactions of the Chinese Society for Agricultural Machinery,2010,41(8):160-165.

[19]刘金帅,赖惠成,贾振红.基于YCbCr颜色空间和Fisher判别分析的棉花图像分割研究[J].作物学报,2011,37(7):1274-1279.Liu Jinshuai,Lai Huicheng,Jia Zhenhong.Image segmentation of cotton based on YCbCr color space and fisher discrimination analysis[J].Acta Agronomica Sinica,2011,37(7):1274-1279.

[20]韦皆顶,费树岷,汪木兰,等.基于HSV颜色模型的自然场景下棉花图像分割策略研究[J].棉花学报,2008,20(1):34-38.Wei Jieding,Fei Shumin,Wang Mulan,et al.Research on the segmentation strategy of the cotton images on the natural condition based upon the HSV color-space model[J].Cotton Science,2008,20(1):34-38.

[21]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[J].计算机工程,2013,39(5):266-269.Chen Qinzhen,Lai Huicheng,Wang Xing,et al.An cotton image segmentation algorithm based on support vector machine[J].Computer Engineering,2013,39(5):266-269.

[22]刘广瑞,黄真,毛树春,等.OTSU最佳阈值法在棉花幼苗识别中的应用研究[J].棉花学报,2013,25(1):86-89.Liu Guangrui,Huang Zhen,Mao Shuchun,et al.Application study about OTSU optimal threshold method in cotton seedling recognition[J].Cotton Science,2013,25(1):86-89.

[23]Hafiane A,Zavidovique B.FCM with spatial and multiresolution constraints for image segmentation[C]//Proceedings of the Second International Conference on Image Analysis and Recognition.Toronto,Canada:Institute of Electrical and Electronics Engineers,2005:17-23.

[24]Sun J,Feng B,Xu W B.Particle swarm optimization with particles having quantum behavior[C]//Proceeding of the 2004 Congress on Evolutionary Computation.Portland,USA:Institute of Electrical and Electronics Engineers,2004:325-331.

[25]Bezdek J C.Pattern recognition with fuzzy objection function algorithms[M].New York:Plenum Press,1981.

[26]张小红,宁红梅.基于混沌粒子群和模糊聚类的图像分割算法[J].计算机应用研究,2011,28(12):4786-4789.Zhang Xiaohong,Ning Hongmei.Fuzzy clustering image segmentation algorithm based on CPSO[J].Application Research of Computers,2011,28(12):4786-4789

[27]许亚骏,吴小俊.基于量子行为粒子群优化的软子空间聚类算法[J].模式识别与人工智能,2016,29(6):558-565.Xu Yajun,Wu Xiaojun.Soft subspace clustering algorithm based on quantum-behaved particle swarm optimization[J].Pattern Recognition and Artificial Intelligence,2016,29(6):558-565.

[28]佘黎煌,钟华,张石.结合马尔可夫随机场与C-模糊均值聚类的脑图像分割[J].中国图象图形学报,2012,17(12):1554-1560.She Lihuang,Zhong Hua,Zhang Shi.Fuzzy C-means clustering algorithm combined with Markov random field for brain MR image segmentation[J].Journal of Image and Graphics,2012,17(12):1554-1560.