基于模糊聚类分析的草莓图像分割方法研究

张红旗　刘宇　李海军

摘要：为改善草莓采摘机器视觉系统中果实图像的分割效果，对普通均值聚类的分割方法理论进行分析，针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法，大大改善草莓果实图像的分割效果。

关键词：机器视觉；模糊；分割算法；聚类；草莓图像

中图分类号：S126 文献标识码：A 文章编号：1674-1161（2014）07-0021-03

机器视觉技术是农业机器人的核心技术之一，而图像分割又是机器视觉技术的前提和关键。对于草莓采摘机器人来讲，图像分割效果的优劣直接影响机械手的采摘精度[1]。将自然状态下的成熟草莓从复杂环境背景中识别出来，并准确地计算其外形尺寸及形心位置，是草莓采摘机器人进行目标空间准确定位的基础。在自然状态下生长的草莓的植株叶子状况和成熟度都存在差异，且采集到的图像受拍摄距离、拍摄角度、光照条件、噪声等因素影响，给草莓果实图像的分割带来了一定的困难[2]。不同类型图像具有的图像特征有很大差异，所以到目前为止，研究者们还没有找到一个适合所有图像类型的通用分割算法，使得图像分割的新思路和新算法不断涌现[3-4]。

图像分割通常需要进行反复试验。聚类分析是多元统计分析的一种，是一种重要的数据分析技术，它根据一定的准则把数据分成大小不同的簇，使同一簇对象之间的相似度最大，而不同簇之间的相似度最小，以便揭示数据之间的联系与区别[5]。针对草莓果实图像的特点，提出一种模糊C-均值聚类（FCM）图像分割方法，来改善图像的分割效果。

1 普通C均值聚类算法

普通C均值聚类是一种硬划分，具有“非此即彼”的性质。算法把n个向量xj（j=0，1，……n）分为c个组Gi（i=0，1……c），求出每组的聚类中心v，使得具有非相似性指标的目标函数达到最小。当选择欧几里德距离作为组j中向量xk与相应聚类中心vi间的非相似性指标时，价值函数可定义为：

J=Ji=||xk-vi||2 （1）

定义一个c×n的二维隶属矩阵u：

uik=1 对每个k≠i，如果||xj-vi||2≤||xj-vk||2

0 其它 （2）

其中，vi为聚类中心，其值为分组i中所有向量的均值。则：

vi=xk （3）

其中，|Gi|=∑uij，隶属矩阵u具有性质：uij=1，?j=1，…，n，且uij=n，普通C均值算法的性能依赖于聚类中心的初始位置，并且有较快的收敛速度，对于简单分明的图像具有较好的分割效果[6]。

2 模糊C-均值聚类（FCM）图像分割算法

模糊C-均值聚类算法最先由提出来的，后经改进。该算法是聚类分析与模糊数学相结合的产物，它是依据最小二乘法原理，用隶属度确定每个数据点属于某个聚类程度的一种聚类算法。FCM把n个向量xi（i-0，1……n）分成c个模糊组，使用取值在[0 1]间的隶属度来确定每个数据点属于各个组的程度，隶属矩阵u允许取值在0，1之间的元素，一个数据集的隶属度的和为1，即：

模糊聚类的优点是不但能明确指出每类的中心，同时还能指明类之间的衔接和离散情况，是一种非常有效的聚类方法，FCM计算流程如图1所示。

FCM算法利用两层迭代求价值函数J（u， v1……uc）的最小值，内层用于计算聚类中心v及更新模糊隶属度矩阵μ，外层用于判断算法是否收敛到预定的阈值ε。迭代结束后，从产生的隶属度矩阵中，得到每个像素对某一个聚类中心的隶属度，根据其隶属度的大小决定该像素的归属。

3 结论与讨论

分别使用普通C均值聚类算法和模糊C-均值聚类（FCM）图像分割算法对草莓果实图像（图2和图3）进行分割，结果如图4和图5所示。由分割的结果可以看出，模糊C-均值聚类（FCM）图像分割算法不但能明确指出每类的中心，还指明类之间的衔接和离散情况，分割效果比较满意。

参考文献

[1] 张铁中，陈利兵.基于图像的草莓重心位置和采摘点的确定[J].中国农业大学学报，2005，10（1）：48-51.

[2] 张凯良，杨丽. 草莓采摘位置机器视觉与激光辅助定位方法[J].农业机械学报，2010，41（4）：151-155.

[3] 谢志勇，张铁中. 基于RGB彩色模型的草莓图像色调分割算法[J].中国农业大学学报，2006，11（1）：8486.

[4] 金立左，夏良正，杨世周.图象分割的自适应模糊阈值法[J].中国图象图形学报，2000，5（5）：217-220.

[5] 杨勇，郑崇勋，林盘.基于改进的模糊c均值聚类图像分割新算法[J].光电子，2005，16（9）：111-112.

[6] 李云松，李明.基于灰度空间特征的模糊C均值聚类图像分割[J].计算机工程与设计，2007，28（6）：1 358-1 363.

摘要：为改善草莓采摘机器视觉系统中果实图像的分割效果，对普通均值聚类的分割方法理论进行分析，针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法，大大改善草莓果实图像的分割效果。

关键词：机器视觉；模糊；分割算法；聚类；草莓图像

中图分类号：S126 文献标识码：A 文章编号：1674-1161（2014）07-0021-03

机器视觉技术是农业机器人的核心技术之一，而图像分割又是机器视觉技术的前提和关键。对于草莓采摘机器人来讲，图像分割效果的优劣直接影响机械手的采摘精度[1]。将自然状态下的成熟草莓从复杂环境背景中识别出来，并准确地计算其外形尺寸及形心位置，是草莓采摘机器人进行目标空间准确定位的基础。在自然状态下生长的草莓的植株叶子状况和成熟度都存在差异，且采集到的图像受拍摄距离、拍摄角度、光照条件、噪声等因素影响，给草莓果实图像的分割带来了一定的困难[2]。不同类型图像具有的图像特征有很大差异，所以到目前为止，研究者们还没有找到一个适合所有图像类型的通用分割算法，使得图像分割的新思路和新算法不断涌现[3-4]。

图像分割通常需要进行反复试验。聚类分析是多元统计分析的一种，是一种重要的数据分析技术，它根据一定的准则把数据分成大小不同的簇，使同一簇对象之间的相似度最大，而不同簇之间的相似度最小，以便揭示数据之间的联系与区别[5]。针对草莓果实图像的特点，提出一种模糊C-均值聚类（FCM）图像分割方法，来改善图像的分割效果。

1 普通C均值聚类算法

普通C均值聚类是一种硬划分，具有“非此即彼”的性质。算法把n个向量xj（j=0，1，……n）分为c个组Gi（i=0，1……c），求出每组的聚类中心v，使得具有非相似性指标的目标函数达到最小。当选择欧几里德距离作为组j中向量xk与相应聚类中心vi间的非相似性指标时，价值函数可定义为：

J=Ji=||xk-vi||2 （1）

定义一个c×n的二维隶属矩阵u：

uik=1 对每个k≠i，如果||xj-vi||2≤||xj-vk||2

0 其它 （2）

其中，vi为聚类中心，其值为分组i中所有向量的均值。则：

vi=xk （3）

其中，|Gi|=∑uij，隶属矩阵u具有性质：uij=1，?j=1，…，n，且uij=n，普通C均值算法的性能依赖于聚类中心的初始位置，并且有较快的收敛速度，对于简单分明的图像具有较好的分割效果[6]。

2 模糊C-均值聚类（FCM）图像分割算法

模糊C-均值聚类算法最先由提出来的，后经改进。该算法是聚类分析与模糊数学相结合的产物，它是依据最小二乘法原理，用隶属度确定每个数据点属于某个聚类程度的一种聚类算法。FCM把n个向量xi（i-0，1……n）分成c个模糊组，使用取值在[0 1]间的隶属度来确定每个数据点属于各个组的程度，隶属矩阵u允许取值在0，1之间的元素，一个数据集的隶属度的和为1，即：

模糊聚类的优点是不但能明确指出每类的中心，同时还能指明类之间的衔接和离散情况，是一种非常有效的聚类方法，FCM计算流程如图1所示。

FCM算法利用两层迭代求价值函数J（u， v1……uc）的最小值，内层用于计算聚类中心v及更新模糊隶属度矩阵μ，外层用于判断算法是否收敛到预定的阈值ε。迭代结束后，从产生的隶属度矩阵中，得到每个像素对某一个聚类中心的隶属度，根据其隶属度的大小决定该像素的归属。

3 结论与讨论

分别使用普通C均值聚类算法和模糊C-均值聚类（FCM）图像分割算法对草莓果实图像（图2和图3）进行分割，结果如图4和图5所示。由分割的结果可以看出，模糊C-均值聚类（FCM）图像分割算法不但能明确指出每类的中心，还指明类之间的衔接和离散情况，分割效果比较满意。

参考文献

[1] 张铁中，陈利兵.基于图像的草莓重心位置和采摘点的确定[J].中国农业大学学报，2005，10（1）：48-51.

[2] 张凯良，杨丽. 草莓采摘位置机器视觉与激光辅助定位方法[J].农业机械学报，2010，41（4）：151-155.

[3] 谢志勇，张铁中. 基于RGB彩色模型的草莓图像色调分割算法[J].中国农业大学学报，2006，11（1）：8486.

[4] 金立左，夏良正，杨世周.图象分割的自适应模糊阈值法[J].中国图象图形学报，2000，5（5）：217-220.

[5] 杨勇，郑崇勋，林盘.基于改进的模糊c均值聚类图像分割新算法[J].光电子，2005，16（9）：111-112.

[6] 李云松，李明.基于灰度空间特征的模糊C均值聚类图像分割[J].计算机工程与设计，2007，28（6）：1 358-1 363.

摘要：为改善草莓采摘机器视觉系统中果实图像的分割效果，对普通均值聚类的分割方法理论进行分析，针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法，大大改善草莓果实图像的分割效果。

关键词：机器视觉；模糊；分割算法；聚类；草莓图像

中图分类号：S126 文献标识码：A 文章编号：1674-1161（2014）07-0021-03

机器视觉技术是农业机器人的核心技术之一，而图像分割又是机器视觉技术的前提和关键。对于草莓采摘机器人来讲，图像分割效果的优劣直接影响机械手的采摘精度[1]。将自然状态下的成熟草莓从复杂环境背景中识别出来，并准确地计算其外形尺寸及形心位置，是草莓采摘机器人进行目标空间准确定位的基础。在自然状态下生长的草莓的植株叶子状况和成熟度都存在差异，且采集到的图像受拍摄距离、拍摄角度、光照条件、噪声等因素影响，给草莓果实图像的分割带来了一定的困难[2]。不同类型图像具有的图像特征有很大差异，所以到目前为止，研究者们还没有找到一个适合所有图像类型的通用分割算法，使得图像分割的新思路和新算法不断涌现[3-4]。

图像分割通常需要进行反复试验。聚类分析是多元统计分析的一种，是一种重要的数据分析技术，它根据一定的准则把数据分成大小不同的簇，使同一簇对象之间的相似度最大，而不同簇之间的相似度最小，以便揭示数据之间的联系与区别[5]。针对草莓果实图像的特点，提出一种模糊C-均值聚类（FCM）图像分割方法，来改善图像的分割效果。

1 普通C均值聚类算法

普通C均值聚类是一种硬划分，具有“非此即彼”的性质。算法把n个向量xj（j=0，1，……n）分为c个组Gi（i=0，1……c），求出每组的聚类中心v，使得具有非相似性指标的目标函数达到最小。当选择欧几里德距离作为组j中向量xk与相应聚类中心vi间的非相似性指标时，价值函数可定义为：

J=Ji=||xk-vi||2 （1）

定义一个c×n的二维隶属矩阵u：

uik=1 对每个k≠i，如果||xj-vi||2≤||xj-vk||2

0 其它 （2）

其中，vi为聚类中心，其值为分组i中所有向量的均值。则：

vi=xk （3）

其中，|Gi|=∑uij，隶属矩阵u具有性质：uij=1，?j=1，…，n，且uij=n，普通C均值算法的性能依赖于聚类中心的初始位置，并且有较快的收敛速度，对于简单分明的图像具有较好的分割效果[6]。

2 模糊C-均值聚类（FCM）图像分割算法

模糊C-均值聚类算法最先由提出来的，后经改进。该算法是聚类分析与模糊数学相结合的产物，它是依据最小二乘法原理，用隶属度确定每个数据点属于某个聚类程度的一种聚类算法。FCM把n个向量xi（i-0，1……n）分成c个模糊组，使用取值在[0 1]间的隶属度来确定每个数据点属于各个组的程度，隶属矩阵u允许取值在0，1之间的元素，一个数据集的隶属度的和为1，即：

模糊聚类的优点是不但能明确指出每类的中心，同时还能指明类之间的衔接和离散情况，是一种非常有效的聚类方法，FCM计算流程如图1所示。

FCM算法利用两层迭代求价值函数J（u， v1……uc）的最小值，内层用于计算聚类中心v及更新模糊隶属度矩阵μ，外层用于判断算法是否收敛到预定的阈值ε。迭代结束后，从产生的隶属度矩阵中，得到每个像素对某一个聚类中心的隶属度，根据其隶属度的大小决定该像素的归属。

3 结论与讨论

分别使用普通C均值聚类算法和模糊C-均值聚类（FCM）图像分割算法对草莓果实图像（图2和图3）进行分割，结果如图4和图5所示。由分割的结果可以看出，模糊C-均值聚类（FCM）图像分割算法不但能明确指出每类的中心，还指明类之间的衔接和离散情况，分割效果比较满意。

参考文献

[1] 张铁中，陈利兵.基于图像的草莓重心位置和采摘点的确定[J].中国农业大学学报，2005，10（1）：48-51.

[2] 张凯良，杨丽. 草莓采摘位置机器视觉与激光辅助定位方法[J].农业机械学报，2010，41（4）：151-155.

[3] 谢志勇，张铁中. 基于RGB彩色模型的草莓图像色调分割算法[J].中国农业大学学报，2006，11（1）：8486.

[4] 金立左，夏良正，杨世周.图象分割的自适应模糊阈值法[J].中国图象图形学报，2000，5（5）：217-220.

[5] 杨勇，郑崇勋，林盘.基于改进的模糊c均值聚类图像分割新算法[J].光电子，2005，16（9）：111-112.

[6] 李云松，李明.基于灰度空间特征的模糊C均值聚类图像分割[J].计算机工程与设计，2007，28（6）：1 358-1 363.