自然条件下茶叶嫩芽图像分割方法的研究

张可，吕军

（1.安徽大学计算机科学与技术学院，合肥　230601；2.黄山学院信息工程学院）

自然条件下茶叶嫩芽图像分割方法的研究

张可1，吕军2

（1.安徽大学计算机科学与技术学院，合肥230601；2.黄山学院信息工程学院）

探讨茶叶嫩芽自动分割方法，为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象，比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先，选择了R-B和b分量进行茶叶阈值分割；其次在Lab颜色模型下进行K-means聚类分割；最后，通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响，且实现了自然环境下茶叶嫩芽的有效分割。

茶叶嫩芽；图像处理；自动分割；聚类分析

茶叶嫩芽采摘是茶叶生产工序中最重要的环节之一，直接影响后期茶叶炒青质量和市场销售。目前茶叶嫩芽采摘主要依靠人工采摘为主，机械采茶机［1-2］为辅的工作模式，该方式存在着劳动强度大，选择效率低，易破坏嫩芽完整性等不足。随着计算机技术的飞速发展，杨福增［3］、刘志杰等［4］利用图像处理方法实现了室内环境下陕西“子午仙毫”茶叶嫩芽识别。吴雪梅［5］、韦佳佳［6］分别探讨了采茶距离和颜色模型对茶叶嫩芽分割的影响。上述方法受光照影响较大，鲁棒性较差，且自然环境下尘土、雨水、茶梗、老叶姿态各异等加大了嫩芽分割难度。在传统阈值分割基础上，提出基于K均值聚类的茶叶嫩芽智能分割方法。以自然条件下茶叶图像为研究对象，将RGB颜色空间转换到Lab色彩空间，并利用K均值聚类法实现嫩芽智能识别，为后期机械智能采摘提供参考。

1　材料与方法

1.1茶叶图像采集

所采集的茶叶样本均采自清明时期茅山茶场（安徽，黄山，屯溪，北纬29.71°，东经118.33°），在自然光照条件下利用Nikon D90数码相机采集黄山毛峰图像30幅，以jpg格式存储（如图1）。使用matlab2012a编写相关算法，实现茶叶图像预处理和彩色分割等。

1.2茶叶图像预处理

为加快计算机处理速度，将茶叶图像统一裁定为600×400像素。由于自然环境下茶叶图像易受到灰尘、雨水、颗粒等噪声的影响。因此，采用3×3模板的标量中值滤波对茶叶彩色图像的RGB三个分量分别进行滤波后合成新的彩色图像（如图2），以消弱或清除噪声，利于后期嫩芽分割。

图1　自然环境下茶叶图像Fig.1Tea image under nature conditions

图2　标量中值滤波后茶叶图像Fig.2Tea image by scalar median filter

1.3茶叶图像颜色模型转换

RGB模型是常用的颜色模型之一。人眼所感知的色彩通常是由R（红）、G（绿）、B（蓝）三原色根据不同的比例混合而成。R、G、B三分量高度相关，不适合用于图像分割与分析。为消除RGB的相关性，把茶叶图像从RGB颜色空间转换到Lab颜色空间。首先从RGB空间转换到XYZ颜色空间，其次从XYZ转换到Lab。假设r，g，b为茶叶RGB彩色模型的三个颜色分量，取值范围为［0，255］，具体转换如式1—式3所示：

1.4基于阈值的茶叶嫩芽分割

图像分割是数字图像处理重要的环节之一，分割结果直接影响图像处理的最终效果［7］。阈值分割方法作为一种常用的基于区域的图像分割技术，其原理是按照灰度级分布，对像素集合进行划分，得到的每个子集区域内部具有一致的属性，该方法适用于目标与背景占据不同灰度级范围的图像。待分割灰度图像及阈值的选取直接影响茶叶嫩芽图像分割的质量。分别提取了RGB模型和Lab模型下各颜色分量图和色差图进行前景与背景的对比分析发现，RGB模型下R-B分量和Lab模型下b分量图中茶叶嫩芽与背景差异较大，可用于基于直方图的茶叶阈值分割。效果如图3～图4所示。部分程序如下：

图3　R-B分量图及其直方图Fig.3Gray scale image and histogram of R-B component

图4　b分量图及其直方图Fig.4Gray scale image and histogram of b component

1.5K-means聚类分割

聚类分析又称群分析，是一种研究分类问题的统计分析方法。其主要思想是首先从数据集中选取K个点作为聚类中心，其次计算每个样本到聚类中心的距离，把样本归入距离最小的类中，然后重新计算每个样本到新的聚类中心的距离并归类，通过重复控制使聚类准则最优化，进而得到的聚类中心为最终的分类。

2　结果与分析

2.1茶叶嫩芽图像阈值分割

根据R-B和b灰度直方图特性，选取50作为R-B灰度图的分割阈值；灰度级为115到175部分作为b灰度图中目标保留区域。利用形态学伪目标去除和逻辑与操作实现茶叶嫩芽彩色分割。效果如图5—图6所示。部分代码如下：

图5　基于R-B色差分量图的茶叶二值图像和彩色分割图像Fig.5Binary image and segmentation image of tea sprouts based on R-B color component

图6　基于b分量图的茶叶二至图像和彩色分割图像Fig.6Binary image and segmentation image of tea sprouts based on b color component

2.2茶叶嫩芽图像聚类分割

选取Lab空间下a和b分量作为聚类的数据点集。由于清明时期茶叶嫩芽呈黄绿色，密集的老叶呈深绿色，茶梗呈深红色。因此，根据该生物特性设定K值为3进行聚类收敛。效果分割如图7—图8所示。

图7　聚类分割后两种茶叶嫩芽背景图像Fig.7Two kinds of background images after clustering segmentation

图8　茶叶聚类分割目标图像及形态学处理后茶叶彩色图像Fig.8Tea sprouts images by clustering segmentation and morphology processing

3　结论

对自然环境下茶叶嫩芽图像分割进行研究，根据茶叶嫩芽与背景在不同颜色模型下的差异，选取R-B和b分量进行阈值分割，然后利用伪目标去除获取最终的分割二值图像，最后利用逻辑与操作实现了茶叶彩色分割。基于R-B因子的茶叶嫩芽分割不仅能够有效地识别嫩芽区域，而且能够减小光照等对图像采集的影响。但当茶叶老叶与嫩芽颜色相似时分割识别率较差。

自然环境下茶叶嫩芽易受到老叶、茶梗、外界杂质等影响，但背景相对固定。采用聚类分割将自然环境下茶叶嫩芽图像分为3类，求得各像素点与聚类中心的距离后不断优化收敛，最终识别嫩芽与背景区域。该方法能够弥补颜色阈值分割受光照、色差小等的影响。基于聚类的茶叶嫩芽分割能够有效地实现自然条件下茶叶嫩芽自动识别，为后续嫩芽定位和采摘提供理论基础。

［1］李金贵，罗学平，王同和，等.采茶机在闽南乌龙茶产区的应用探讨［J］.中国茶叶，2010（15）：27-28.

［2］李长虹，谷千里，何林.便携式双滚切刀采茶机运动分析［J］.农机化研究，2011，33（9）：46-48.

［3］杨福增，杨亮亮，田艳娜，等.基于颜色和形状特征的茶叶嫩芽识别方法［J］.农业机械学报，2009，40（增刊）：119-123.

［4］刘志杰，田艳娜，杨亮亮，等.重叠条件下茶叶嫩芽的自动检测方法［J］.中国体视学与图像分析，2009，14（2）：129-132.

［5］魏晋.基于Hausdorff 距离算法的数字图像识别技术在Android中的应用［J］. 河南科技学院学报：自然科学版，2015，43（2）：46-50.

［6］韦佳佳，陈勇，金小俊，等.自然环境下茶叶树梢识别方法研究［J］.茶叶科学，2012，32（5）：377-381.

［7］高俊梅，黄忠文.基于云模型的图像分割［J］.黑龙江八一农垦大学学报，2015，27（1）：88-91.

Study on Automatic Segmentation of Tea Sprouts under Natural Conditions

Zhang Ke1，Lv Jun2
（1.College of Computer Science and Technology，Anhui University，Hefei 230601；2.College of Information and Engineering，Huangshan University）

Methods of automatic segmentation of tea sprouts were studied in order to provide technical support for the intelligent tea packing.Using the images of tea sprouts under natural conditions as the research examples，the effect of segmentation of tea sprouts based on threshold segmentation and clustering was compared.First，obtaining R-B and b color component to segment image based on threshold met hods.Then，using K-means clustering segmentation method under Lab color space to identify tea sprouts.Finally，detecting the tea sprouts by morphology processing.The results showed that the method based on clustering segmentation could be effective for tea sprouts packing under natural conditions and reduce the influence by light.

tea sprouts；image processing；automatic segmentation；clustering analysis

S571.1

A

1002-2090（2016）02-0100-05

10.3969/j.issn.1002-2090.2016.02.021

2015-06-25

张可（1994-），男，安徽大学计算机科学与技术学院2012级本科生。

吕军，男，助教，E-mail：zstulvjun@126.com。