结合颜色差异和模糊聚类的叶片图像分割

汪庆庆，杜庆炜，马庆春，高庆洁，谭红春

（安徽中医药大学医药信息工程学院，安徽合肥230012)

叶片是植物图像的重要特征，叶片图像分割是构建中药植物识别系统的关键技术。自然环境中的叶片图像背景较为复杂，而叶片图像最终的分割精度和分割时间会影响整个识别系统的性能。近年来，许多学者尝试不同颜色空间对植物图像进行分割，沈雯雯等在LAB空间使用聚类算法对含有非均匀光照的叶片图像进行分割[1]，邹秋霞等在LAB空间使用硬聚类算法对含有阴影区域的植物叶片图像进行分割[2]，张国权等基于HSV空间对图像中的叶片和虫子之间边界提取[3]，宋西平等在HSI空间成功将葡萄果实从叶片枝干背景中分割出来[4]。上述图像分割方法通常是基于不同的颜色空间变换，但过多的颜色空间变换需要消耗大量时间，很难满足图像实时处理的要求。因此，本文提出一种基于颜色差异特征的FCM算法用于自然环境中的中药植物叶片图像分割，记为N_FCM算法。

1 NDI颜色特征

归一化绿-红差异化指数[5]（Normalized Green–Red Difference Index，NDI）是Hunt等提出的一种基于RGB空间的红绿差异化指标，这种颜色差异性特征是通过对绿-红通道空间简单运算而获取的，能够很好地区分出蔬菜和土壤。NDI特征描述如下：

其中，R等价于Green/Red，NDI归一化范围为[-1,1]。NDI特征也可以变换为

在本文算法中，(2)式中的变量G为RGB图像的G通道图像，变量R为RGB图像的R通道图像。

通常自然环境中采集获取的中药叶片图像中主要背景包含土壤、碎石、枯叶等非绿色背景，其次背景中也包含一些杂草等其他非主要叶片的绿色背景，这种图像差异化特征能够很好地区分出主要叶片图像和土壤枯叶等非绿色背景。

2 FCM算法原理

FCM算法[6]是将样本集划分为c个子集，通过隶属度矩阵与类聚中心间的交替迭代，求解出最优聚类目标函数。聚类目标函数为

其中，m ∈[1,∞ )为加权指数，vi(i=1,2,…,c)为第i个聚类的聚类中心为模糊隶属度矩阵，uij表示样本xj对第i个聚类的隶属程度，d(xj,vi)表示样本xj与类聚中心vi之间的欧氏距离||xj-vi||。

迭代更新公式为

3 N_FCM算法

N_FCM算法是在FCM算法的基础上引入NDI颜色差异特征，具体步骤如下：

step1:读取原始拍摄的中药叶片图像，用(2)式对原图进行NDI灰度化预处理；

step2:初始化模糊隶属度矩阵，聚类中心个数和样本；

step3:循环迭代，在第k步循环中改变聚类中心和隶属度值；

step4:循环终止，|v(k+1)i-v(k)i||小于算法结束阈值ε或者达到最大迭代次数T，否则k=k+1，转到step3；

step5:获取叶片图像通过聚类获得的二值化分割图像；

step6:使用数学形态学的开闭运算，去除影响叶片图像的噪声和孔洞区域；

step7:使用面积因素去除其他影响主叶片的其他绿色区域；

step8:根据分割的二值图像结果，计算获得原始叶片分割后的图像。

4 实验过程和实验结果

本文的实验环境为32位Windows7操作系统，i5主频2.4 GHz CPU，4 GB内存，使用Matlab7编程实现。

实验1N_FCM叶片图像分割

N_FCM算法使用matlab的fuzzy toolbox的相关函数实现模糊聚类：

U=initfcm(cluster_n,data_n)；%初始化隶属度函数矩阵

[U,center,obj_fcn(i)]=stepfcm(data U,cluster_n,expo)；%迭代修正center,重新计算U;

分割目标为叶片部分和背景两类，故聚类中心个数cluster_n=2；样本data_n通过将NDI灰度化图像INDI转化获取；隶属度矩阵指数m=2；算法结束阈值ε=1e-5，算法最大迭代次数T=100；数学形态学使用开闭运算参数se=strel('disk',6)。

实验2基于Lab颜色空间的FCM叶片图像分割(L_FCM)

Lab颜色空间是使用L、a、b 3个垂直坐标来表示一个颜色空间，色彩信息只与a、b有关，其中，a表示色彩系中的红色和绿色之间的变化。自然环境中的叶片图像为绿色，背景中非绿色区域为偏红色系的土壤枯叶等。因此本实验选取a通道用于FCM叶片图像分割。FCM参数设置与实验1相同。

实验3基于HSV颜色空间的FCM叶片分割(H_FCM)

HSV颜色空间中，与色彩相关的信息仅和H、S分量有关，其中，H分量的颜色是一个不利于表达的环状色彩，色彩感受主要取决于S分量。因此，本实验提取与颜色有关的S通道用于FCM图像分割。FCM参数设置与实验1相同。

本文所用的实验图片为自然环境下在药用植物园使用手机拍照获取的彩色图像，图像分辨率为2 448×3 264，为方便处理按比例缩放为512×682。图1为中药植物大吴风草叶片图像，图2为中药植物木芙蓉的叶片图像。对两幅图片分别使用上述3种算法进行实验，每组图像中：第1至3行分别代表N_HCM、L_FCM和H_FCM算法的分割过程；图1(a)列和图2(a)列表示原始自然环境中获得的图像；图1(b)列和图2(b)列表示使用当前颜色特征模糊聚类分割的结果；图1(c)列和图2(c)列表示使用数学形态学开闭运算分割的结果；图1(d)列和图2(d)列表示使用面积因素分割获得的结果；图1(e)列和图2(e)列表示原始叶片图像通过算法分割出的最终结果。

图1 大吴风草叶片

图2 木芙蓉叶片

通过表1可以看出，N_FCM运行时间最短，H_FCM其次，L_FCM运行时间最长。

表1 3种分割算法运行时间比较

实验结果表明，从分割精度来看，N_FCM算法和L_FCM算法一样能够准确地分割出绿色叶片区域；但从分割时间来看，N_FCM算法比L_FCM算法运行时间更短，故本文提出的N_FCM算法更能够满足中药叶片分割系统的准确性和实时性两方面的要求。

5 结束语

为准确快速地分割出自然环境中的中药叶片图像，本文提出了一种基于NDI颜色差异特征的叶片图像分割算法。该算法利用自然环境中能区分绿色叶片与背景的颜色差异特征在预处理方面进行优化，其次对图像聚类结果使用数学形态学进行修正，最后使用面积因素去除其他非叶片的绿色区域。实验对比结果证明，本文提出的N_FCM算法在分割准确度和分割运行时间两方面都达到了比较理想的效果，能够满足自然条件下的中药叶片图像分割要求。

[1]沈雯雯,白杰云,官俊,等.自然背景下基于反射模型的树叶彩色图像分割[J].森林工程,2014,30(6):13-16.

[2]邹秋霞,杨林楠,彭琳,等.基于Lab空间和K-Means聚类的叶片分割算法研究[J].农机化研究,2015,37(9):222-226.

[3]张国权,李战明,李向伟,等.HSV空间中彩色图像分割研究[J].计算机工程与应用,2010,46(26):179-181.

[4]宋西平,李国琴,罗陆锋,等.基于HSI色彩空间与FFCM聚类的葡萄图像分割[J].农机化研究,2015,37(10):40-44．

[5]HUNT E R,CAVIGELLI M,DAUGHTRY C S T,et al.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J].Precision Agriculture,2005,6(4):358-378.

[6]BEZDEK J C.Cluster validity with fuzzy sets[J].Journal of Cybernetics,1973,3(3):58-73.