基于YCbCr空间和GA神经网络的棉花图像分割算法

王星,赖惠成,任磊,陈钦政,刘金帅

WANG Xing,LAI Huicheng,REN Lei,CHEN Qinzheng,LIU Jinshuai

新疆大学 信息科学与工程学院，新疆 乌鲁木齐 830046

College of Information Science and Engineering,Xinjiang,University,Wulumuqi,Xinjiang,830046,China

1 引言

我国棉花种植地域广阔，所需棉花采摘劳动力极大，随着机器人在农业生产过程中的逐步应用，研究基于图像处理的棉花采摘机器人视觉系统技术具有相当大的实用价值和现实意义。棉花分割是采棉机器人视觉系统的关键技术之一，是采棉机器人中棉花匹配、三维重构技术的基础。目前采棉机器人的相关研究主要有：王勇等[1-2]根据棉花与背景的色差信息，提出利用(R−B)、(B−G)的差值进行分割，将三维信息转化为一维信息，通过降低维数减少了模型转换时间；王玲[3]研究了不同颜色空间下的棉花分割，发现在HIS 和Lab颜色空间经阈值分割后噪声较低；韦皆顶[4]提出选取HSV模型中的S通道作为棉花图像的特征去排除图像明暗变化对分割效果的影响；万鹏等[5-8]将BP算法引入到阈值、分水岭等算法中进行图像分割，具有较高的识别率。上述棉花分割算法优点是复杂度低，但受光照和阴影的影响仍然较大，分割图含有噪声较大，分割准确率不高。本文在前人研究基础上提出在YCbCr颜色空间下，利用GA(遗传算法)优化BP分类算法进行分割，能够有效的避免光照强弱带来的影响，具有较高的分割准确率与更加清晰的边缘轮廓，有利于精确计算棉花面积的大小、形心坐标与开合度，为棉花识别、成熟度判别、匹配和三维重建奠定基础。

2 研究方法

2.1 颜色空间的选择

在RGB颜色空间中，由于R、G、B分量之间有很高的相关性，对同一颜色属性，在不同光照条件下，R、G、B值很分散，对于识别某种特定颜色很难确定其阈值和其在颜色空间中的分布范围。HSV颜色空间能将亮度分量分离出来，但从 RGB颜色空间转换到HSV颜色空间需要开方、反三角函数操作，复杂度高，所需计算量大，并且在亮度值和饱和度较低的情况下，采用HIS或者HSV颜色空间计算出来的H分量是不可靠的。YCbCr颜色空间由亮度分量Y，蓝色色度分量Cb和红色色度分量Cr组成。从RGB颜色空间到 YCbCr颜色空间的转换公式如下：

基于YCbCr 颜色空间中色度分量和亮度分量相互独立、YCbCr 颜色空间与RGB 颜色空间存在一种线性变换关系，不同亮度下，在YCbCr空间内亮度范围的变化量很大，而色度范围的变化量很小，有利于光照变化图像的处理，因此选择YCbCr 颜色空间。

2.2 基于GA优化的BP算法

2.2.1 BP算法

BP网络是基于BP误差反向传播算法的多层前馈神经网络，BP算法是一种建立在梯度下降法基础上的有监督式的学习算法。其主要思想是：输入学习样本，选定网络权值、阈值初始值，使用反向传播算法对网络的权值、阈值和误差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的均方误差小于指定误差或达到训练次数时完成训练，保存网络的权值和误差。

输出误差与权值的关系为：

2.2.2 遗传算法

遗传算法是模拟自然选择、自然遗传过程中发生的繁殖、交叉和基因突变现象进行的全局搜索和优化方法，基本的遗传算法可表示为SGA={C,E,P0,M,Φ,Γ,Ψ,T}，其中，C为染色体个体的编码方法，E为适应度函数，P0为初始种群，M为种群大小，Φ为选择算子，Γ为交叉算子，Ψ为变异算子，T为终止条件。

遗传算法的基本过程如下：

(1)根据求解问题计算计算个体所需编码长度L，然后随机产生N*L大小的初始化种群P，并计算所有个体的适应度值；

(2)对种群P随机选择交叉个体，依据交叉概率pc在交叉点位置执行交叉操作，得到新种群P1；

(3)对种群P1中的个体依据概率pm执行变异操作，得到新种群P2；

(4)计算种群P1与P2中所有个体适应度值，从P1与P2中依据适应度值选择出对应的最优个体作为下一代种群，然后重复以上过程，直到满足某种收敛条件为止。

2.2.3 遗传优化的BP算法

BP神经网络的学习算法存在容易陷入局部极小值和全局搜索能力弱等缺点，而遗传算法具有较好的全局搜索能力和较快的收敛速度。

采用遗传算法优化BP神经网络的过程如下：

(1)对实地棉田环境采集的棉花图片(2010年10 月11日15 时(晴天)，在新疆维吾尔自治区五家渠市101 团四营棉田，用CCD 数码照相机以640×480 的分辨率拍摄自然环境下中、晚期的棉花图像)分别提取目标与背景的样本数据，并建立BP神经网络；

(2)随机产生一组具有N个个体的种群，种群中的每个个体代表一个神经网络的初始权值、阈值分布，并设定种群规模及交叉、变异概率；

(3)建立适应度函数f：根据BP神经网络计算网络输出误差E=1/2∑(dk-ok)2，适应度函数 f=1/(E+1)，其中，dk，ok分别为第k组数据的期望输出和实际输出；

(4)通过遗传算法中的选择、交叉、变异算法对生成的种群进行筛选生成新一代种群，如此循环直到达到最大遗传迭代次数或网络误差最小；

(5)提取网络误差最小时或适应度函数输出最大时对应的BP权值与阈值，并根据其进行棉花图像的分割。

3 结果与分析

3.1 提取YCbCr空间样本值

由于同一地域同一时期棉田的自然环境几乎完全一样，棉田中的对象主要包括棉絮、棉荚、棉叶、棉枝、棉株和土壤等。根据棉絮目标与背景的色差分类,将棉絮作为目标，提取为第1类,其他的作为第2类。利用Matlab工具，在YCbCr颜色空间下从10幅典型棉花图片中对每类提取20个各种环境下(强光照、一般光照及阴影等各种条件)的像素值，如表1所示(本文每类只列出10个像素值)。

表1 YCbCr颜色空间下棉花图像中各类的像素值

3.2 遗传优化BP的棉花图像分割

根据采集的YCbCr空间下样本像素，通过BP算法计算样本的网络输出误差，将误差的倒数作为适应度函数，利用遗传算法优化适应度函数，最后根据最大适应度函数值提取对应的网络权值及阈值对棉花图像进行分割(图1)，对应的迭代图如图2。

图1 采用BP、GA优化BP算法的棉花分割图

3.3 连通域面积去噪

分割后的二值图像存在着将背景误认为棉花噪声，鉴于这部分误差在二值图中的面积相比于棉花图片要小的多，因此本文采用连通域去噪的方法。首先将分割后二值图像为1的区域进行标记，然后根据采集图片分辨率大小设定一个阈值T，二值图像中标记的面积小于T的连通域像素值都置为0，大于T的连通域保留。对图1做去噪处理后的结果如图3所示。

图2 BP、GA优化BP的误差迭代图

图3 去噪后的分割图

4 讨论

本文研究针对前人研究的分割算法易受光照影响的基础上，采用YCbCr颜色空间与BP神经网络算法减少光照带来的影响。从图1、图2中可以看出BP算法收敛速度较慢，分割后存在的噪声相对较大，影响分割的准确率。采用遗传优化BP算法具有全局优化功能，收敛速度快，分割后噪声小。遗传优化BP算法分割效果的好坏与样本的选取关系很大，所选样本不在于数量多少，要求所选的样本比较全，能突出代表各种情况下的棉絮目标与背景。

为了评价分割效果，在YCbCr空间下将本文方法与Kmeans聚类算法、BP算法[7]进行比较，并选取棉花在强光照及阴影条件下的典型图像，仿真后的分割图如图4、图5所示。

图4 棉花在强光照射下的情况

图5 棉花在阴影条件下的情况

可以看出Kmeans聚类分割处理后的棉花能完整的保留，但存在相当大的噪声，尤其是光照下的棉荚、棉叶无法准确分割，去噪后的图像仍然存在大量被误认为棉絮的背景；BP算法及本文分割方法相比Kmeans聚类算法分割精度较高，能有效的将棉荚、棉叶分割为背景；但BP算法的分割误差明显大于本文算法，图中BP分割去噪后的图存在较大面积的土壤和棉荚背景无法去除，采用本文的方法可以有效处理该问题。

5 结束语

YCbCr颜色空间将亮度与色度分离并与RGB颜色空间存在线性转换关系，本文在YCbCr颜色空间下采用遗传优化 BP算法分割图像与连通域面积去噪，具有全局优化能力与较快的迭代速度，可有效避免陷入局部极小点，能够将强光、阴影等各种复杂环境下的棉花图像准确有效的分割，分割准确率达到91.9%,如果样本选择合理，可以提高分割准确率。

[1]王勇，沈明霞，姬长英.采摘期成熟棉花不同部位颜色识别分析[J].农业工程学报，2007,23(4):183-185.

[2]韦皆顶.基于机器视觉的智能型采棉机器人研究[D].东南大学,2008.

[3]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):502-507.

[4]韦皆顶,费树岷,汪木兰等.基于HSV彩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)

[5]万鹏,孙瑜,孙永海.基于计算机视觉的大米粒形识别方法[J].吉林大学学报（工学版）,2008,38(2):489-492.

[6]周天娟,张铁中,杨丽等.基于数学形态学的相接触草莓果实的分割方法及比较研究[J].农业工程学报.2007,23(9):164-168.

[7]张俊雄,吴科斌,宋鹏,李伟,陈绍江.基于BP神经网络的玉米单倍体种子图像分割[J].江苏大学学报(自然科学版),2011,(06):621-625.

[8]SONG Kai,LIU Zhikun,SU Hang,et al.A Research of Maize Disease Image Recognition of Corn Based on BP Networks[J].ICMTMA,2011, 246 - 249

[9]WANG Mu-lan ,LIU Kun ,LI Xiao-xia,et al.Image Recognition Technology in Intelligent Cotton Harvesting Machine[J].ICM,2011,320 - 323