灵芝图像分割技术研究

袁雪霞，尹新富

（1.郑州财经学院信息工程学院，河南 郑州 450000；2.郑州财经学院教务处，河南 郑州 450000）

灵芝（Ganoderma lucidum） 作为一种重要的食（药） 用菌，被广泛地用在各种中药制剂中。近年来，灵芝栽培也正向着工厂化栽培方向发展。在灵芝工厂化栽培过程中，需要根据灵芝不同阶段的生长状态调整喷水、光照和通风等环境参数，人工根据灵芝子实休的形态来判断生长阶段，存在一定的判断失误风险，人为主观观察生长状态会有一定的错误机率，造成灵芝工厂化生产时的车间温湿度、光照时间等不能及时调节。同时，灵芝的成熟形态也需要人工根据经验进行判断，一般是当菌盖边缘生长点完全消失时，标志着灵芝子实体发育成熟，但具体何时进行灵芝孢子粉的采摘还是需要目测经验判断；而且在灵芝作为中药材，其品质等级划分也是依靠人工分拣挑选[1]，费时费力还容易出错。

基于上述问题，采用计算机视觉和图像识别技术，对灵芝生长形态和长势通过图像识别进行自动科学判断，即时掌握灵芝生长信息，就可以为灵芝的生长环境控制、采摘收获以及等级划分等提供科学的依据[2]。

1 灵芝图像的增强处理

在食用菌工厂化生产过程中，会安装许多监控设备，用于监控生长状态和环境参数[3]。通过这些监控设备对灵芝生长状态图像进行采集，就可以获得第一手的数字图像。

采集到的灵芝数字图像包含的信息量非常大，分辨率越高的图像越清晰。一般而言，清晰度高的图像便于科研工作人员分析提取某些特征和特殊信息。然而在灵芝生产实际中，由于受环境噪声及采集设备本身的性能限制，会导致得到的图像清晰度降低，可研究分析的性能或实用性大大降低[4]。所以，为了能让人们对图像信息得到准确无误的理解，便于做出正确的信息决策和后继应用，很有必要对采集到的原始图像进行增强处理，一方面去除干扰噪声，另一方面提高细节清晰度和层次感。

1.1 灵芝图像增强算法

为了提高灵芝图像的质量，采用平滑处理来去除图像的噪声干扰，尽量保持灵芝图像的边缘轮廓和细节特征，图像平滑中最常用的有消噪声掩模法、多图像平均法、邻域平均法等方法。

消噪声掩模法[5]可用于消除随机相加噪声，但随着平滑作用的加强，所带来的副作用会越大，实际图像反而会更模糊；而多图像平均法是以噪声干扰的统计学特征为基础，由于很难得到多幅图像，在实际应用也受到很多限制。因此，采用邻域平均法，用于灵芝图像的噪声消除。

邻域平均法的数学表达式如式（1）所示。

式中：f（x-m,y-n）为给定的灵芝图像；g（x,y）为经过噪声消除后得到图像；M为邻域内所包含的像素总数；S为事先确定的邻域，但该邻域不包括f（x,y）这个点。

例如，一个半径为1的邻域可表示为：

式中：h（x，y）为低通滤波器的脉冲响应函数。对应半径为1的邻域，该响应函数的值为：

1.2 梯度值及阈值P的求取

在灵芝图像的处理过程中，图像像素点的梯度值求取是一个必要的步骤，在图像增强处理中，不论是依据梯度值属性，还是依据子块均值差属性，都是将图像划分成两个等价类。梯度值属性将图像划分成亮暗两个等价类，子块均值差将图像划分成噪声区和非噪声区两个等价类，从而对图像进行亮区和暗区的划分。但前提是要正确计算图像象素点梯度值的大小，因而计算象素点的梯度值是必不可少的，其具体方法如下。

图像在点x（m，n）处，梯度对应一阶导数，梯度算子是一阶导数算子，梯度G[x（m，n）]的幅度计算为：

对于数字图像，可用差分法代替上式的微分法，上式可改写为：

式中：△mx=x（m，n）-x（m+1，n）；△nx=x（m，n）-x（m，n+1）。

采用近似形式表示为：

根据上述计算就可以求得图像中每一点的梯度值大小，需要注意的是其中最后一行和最后一列用其前一行或前一列的梯度值近似代替。算出梯度值后，一是可以完成图像梯度信息的知识化，二是方便于接下来划分亮暗区阈值P的求取，P可以按照下式求得：

式中：阈值P为所有像素点梯度值均方和的平均值。

1.3 子块均值及阈值的计算

图像中特定形状窗口内像素灰度值均值的求取是图像处理的常用算法，根据这一算法的基本方法，我们取灵芝图像中的一个4×4方形子块，计算其灰度值均值，标记子块s的均值为V（s），则其计算公式如下：

式中：x（m，n）为图像在点（m，n）处的像素灰度值。

子块的划分提取是计算其均值的前提，这里可运用MATLAB中的矩阵子块调用指令，设划分好子块后的矩阵为h，原矩阵为H，且原始图像H的大小为M×N，则有：

式中：m，n分别为子块矩阵集h中单个小矩阵块的宽度和高度上的像素点数；a=M/m，b=N/n，且a，b都为正整数。这里设m＝n＝4，对于大小为256×256的灵芝图像来说，a＝b＝64，即将原始图像可划分成64×64=4 096个4×4的子块图像。划分好子块后，既可按照上述均值V（s） 的计算方法计算各个子块的灰度均值。阈值是通过分析图像噪声统计特性来估计的，由于图像中干扰噪声基本属于高斯噪声，对其均值和均方值分别进行统计后，取阈值为3倍的均方值，其中均值和均方值计算方法如式（11）、 （12） 所示：

2 基于遗传算法的灵芝图像分割

2.1 图像分割与遗传算法

图像分割是图像处理中的一项技术，是在不同条件要求下，将一张图像分割成具有特定特征的区域，并提取其中感兴趣目标的过程。而遗传算法是一种利用生物染色体遗传理论的算法，它模拟了生物在自然选择进化过程中一代代不断优化从而达到最佳生存状态过程。

对于二维图像来说，可以将遗传算法应于图像分割中，对图像分割过程中的阈值进行优化选择，快速、准确地进行图像分割，利用遗传算法的优势来提高图像分割的性能。

遗传算法通过对多个个体的迭代搜索来逐步找出图像分割问题的最优解，多个个体组所构成的群体作为进化的对象，个体的染色体代表待优化问题的解，个体的适应度值就是由解的值计算得到的适应函数的值，反映的是个体的适应能力。算法主要流程见图1。

如图1所示，初始种群中的每个体通过随机方法产生后，首先遵循适者生存、优胜劣汰的进化规则，根据适应度值的大小，判断个体的优劣程度，依此进行选择，然后按照交叉概率从当前种群中随机选取2个个体，交换部分基因形成2个新的个体，构成下一代的染色体，最后按照变异概率使个体基因的某一位发生变化，这样可以维持种群的多样性，往复迭代，直至条件满足。

2.2 图像分割中的遗传算法

标准的遗传算法编码方法有二进制编码、格雷编码、浮点数编码等多种编码方式，由于图像分割的目的就是将感兴起的部分从图像背景中分割出来，因此需要确定一个灰度的分割阈值。而遗传算法可以进行快速全局搜索，利用遗传算法的这一特性就可以快速对图像分割阈值进行搜索，得到最优的分割阈值，从而提高图像分割效率。可以用染色体来表示分割阈值，从而确定编码染色体，编码方式采用浮点数编码，以提高遗传算法的计算精度。在开始进行初始种群选择时，按照遗传算法的启发式方法进行给定变量的微调，这样得到的初始种群都在可行域范围内。

选择适应度函数的目的实际上是为了评价最优阈值，采用遗传算法增加罚函数，使优秀个体尽可能遗传到下代，这样遗传到下一代的个体将更加靠近最优阈值。在选择方式上，为了便于和改进遗传算法做比较，这里采用的选择方式为随机遍历抽样法，通过随机遍历抽样，选择到的个体将遗传到下一代中。通过计算，将种群中每个染色体的适应度值按照适应度值的大小进行排序，从中选择阈值排名靠前的个体来替代排名靠后的个体。

进行遗传交叉和变异，将得到的新个体再重复上面的适应度计算，从而完成一代进化的过程，得到新的更优的遗传个体。将这样的遗传进化过程进行重复，一般在进行5代进化后，平均适应度值就已经不超过1%，此时就可以得到最优的阈值，按照这个阈值对图像进行分割处理就能得到更为完整的分割图像。

3 结论

灵芝图像分割的关键就是找到图像的最优分割阈值。因此使用遗传算法中的染色体来表示分割阈值，利用遗传算法的快速全局搜索能力来对最佳阈值进行搜索，大大提高了传统阈值法的分割效率，而且分割结果也有一定的优化。可以快速将灵芝图像从原始采集图像中分离出来，得到更加清晰完整的灵芝生长形态，使计算机能够自动识别灵芝长势形态，从而精准确定灵芝所处的生长阶段，采取相应的养护栽培方式，减少人工辨别失误。