基于凹点寻找标记的分水岭算法分割粘连谷粒

吴叔珍，姚 青

(浙江理工大学 信息学院，浙江 杭州 310018)

基于凹点寻找标记的分水岭算法分割粘连谷粒

吴叔珍，姚 青*

(浙江理工大学 信息学院，浙江 杭州 310018)

针对标记分水岭算法分割粘连谷粒出现欠分割现象，提出一种基于凹点寻找前景标记的分水岭算法对谷粒进行粘连分割。首先，对谷粒图像进行canny边缘检测，获得谷粒的轮廓，并在低尺度下计算轮廓线的曲率来获取候选凹点，通过自适应阈值和角度去除伪凹点；然后，对经过预处理的图像进行欧式距离变换，按照距离梯度的方向对轮廓曲线进行像素扩充，在凹点处加快速度，再对减去轮廓的二值图进行前景标记；最后，对原二值图应用基于标记的分水岭算法进行分割。利用手机采集5种谷物的图像进行粘连谷粒分割，结果表明，可获得96.4%的谷粒计数准确率。该方法可满足于日常利用手机拍摄的谷粒图像计数的需求。

图像分割； 粘连谷粒； 分水岭； 凹点； 标记

在分析作物产量的影响因素和进行作物优良品种的选育过程中，往往需要对谷物进行计数[1-3]。传统的谷粒计数方法主要采用人工计数或光电计数[4-5]，这些计数方法存在效率低、准确度不高、抗干扰能力弱等缺点。利用数字图像处理技术对谷粒进行计数快速、准确、受外界干扰小，因此受到广泛的关注。应用数字图像处理技术对谷粒计数之前，往往需要对谷粒进行粘连分割。目前，针对不同形状的粘连颗粒状物体，学者们提出了不同的分割方法，主要包括基于数学形态学的分割算法[6-11]，利用凹点进行分割[12-15]和分水岭算法及其改进算法[16-21]等。基于数学形态学的分割方法主要是利用极限腐蚀来进行图像分割，其缺陷是容易导致目标对象变形，且其结构元素较难确定；利用凹点进行分割需要准确地定位凹点、匹配凹点并对相应的凹点进行准确地连线。分水岭分割算法[16]将梯度幅值图像看成1幅地形图，梯度对应于海拔高度，模拟浸水过程实现分割。由于传统的分水岭算法中，每个区域最小值点对应1个区域，当目标形状不规则或目标粘连严重时，在1个区域会产生多个极小值点，容易造成过分割现象。为了获得更好的粘连物体分割效果，一些学者分别研究和改进了凹点分割和分水岭分割算法，或者将2种算法结合起来。如高星[22]分别改进了分水岭算法和凹点分割算法进行粘连大米分割，但对于较复杂的粘连情况分割效果较差；童振等[23]先应用分水岭算法分割粘连细胞的内边缘，然后由细胞的外边界和凹顶点间的最短路径来确定最终的分离曲线，在不损失细胞几何特征的基础上实现了粘连细胞的分割。

为了寻找多种类圆形的谷粒粘连分割方法，本文在分水岭算法基础上，提出在距离梯度方向上加强目标粘连处的凹陷程度，以便获得更有利于分割目标的前景标记，再进行标记分水岭分割，以提高分水岭算法对粘连谷粒分割的准确率。

1 材料与方法

1.1 材料

以5种谷物为材料，分别为绿豆、红豆、黄豆、小米、黏米。

1.2 图像采集

根据谷粒颜色，选择与谷粒反差较大的纯色纸张放置在平台上，将谷粒随机撒在纸上。由于手机获取图像具有操作简单、成本低和便携等优点，本文使用安卓手机(像素1 300万，拍照环境为自然光)采集谷粒图像。图1为5种谷粒图像。

图1 手机拍摄的5种谷物图像

1.3 凹点检测

由于谷粒图像存在粘连、光线不均匀和二值图存在孔洞等问题，首先对谷粒目标进行轮廓提取，然后在低尺度下计算曲率获得候选的凹点，最后采用自适应阈值和角度的比较去除圆角和虚假的凹点。

1.3.1 谷粒轮廓的提取

首先将彩色图像灰度化，然后利用canny边缘检测器对谷粒边缘进行检测，得到二值轮廓图。从图2可以看出，由于目标表面灰度不均匀和canny边缘检测器本身的缺陷，在目标内部检测出孔洞的边缘，且存在断裂边缘，对后期处理结果可能造成不良影响。为了去除内部错误边缘、连接断裂边缘，对二值轮廓图像素进行判断。

从二值轮廓图左上方第1个连通域的边缘开始，对边缘点的八连通区域进行判断，当八连通区域内的像素与该边缘点的距离小于设定的阈值时，连接该像素和边缘。由于对像素进行扫描时，是以连通域为单位的，只对最外层的边缘进行判断，一般孔洞造成的虚假边缘都位于连通域内部，所以不对孔洞边缘进行判断而将其作为非边缘，从而去除错误边缘。连接断裂边缘，去除错误边缘后，获得谷粒的轮廓(图2)。

图2 绿豆图像粘连区域凹点检测

1.3.2 候选凹点的获取

首先，定义图像的尺度空间L(x,y,σ)为高斯函数G(x,y,σ)与灰度图像I(x,y)的卷积，即

L(x,y,σ)=G(x,y,σ)I(x,y)。

在低尺度空间上，对目标轮廓计算曲率。设平面曲线坐标表示为[x(μ),y(μ)]，μ为弧长参数。曲线的曲率K[24]为：

其中：

式中：g(μ,σ)为尺度σ的高斯函数，gμ(μ,σ)，gμμ(μ,σ)分别是g(μ,σ)的一阶和二阶导数；σ为函数的宽度参数，控制了函数的对轮廓的平滑程度。获得每个边缘像素的曲率后，排除曲率大于0的凸点，取曲率极小值的点为候选的凹点。

1.3.3 去除虚假凹点

由于提取的目标对象轮廓不平滑，在非粘连部分可能存在轻微的凹陷，造成虚假的凹点。为了去除虚假凹点，选取候选凹点前后的极值点A、B，先计算A、B之间像素的曲率绝对值的均值，若候选凹点的曲率绝对值小于中值，则将该点从凹点集排除。然后计算A、B与候选凹点形成的角度，剔除角度过大的凹点。利用上述方法对图2中目标轮廓提取进行虚假凹点去除，结果在低尺度下计算绿豆轮廓曲率检测凹点的方法可获得较好的凹点定位效果，能够满足后续辅助寻找前景标记的要求。

1.4 基于凹点寻找前景标记的分水岭分割

基于标记的分水岭算法使用一系列预定义标记来引导图像的分割，其本质是利用先验知识来帮助分割。算法的关键在于如何获得准确的标记图像，即如何将前景物体与背景准确地标记出来。在1个目标内部存在多个极小值时可以通过合并极小值的方法来解决分水岭的过分割；当目标严重粘连时，在粘连的多个目标内部仅有1个极小值，此时无法很好地标记目标对象。本文在标记之前先在图像的凹点处对图像处理，加深凹点处的凹陷程度。对提取的目标轮廓图像进行像素扩充，在凹点所在位置加快扩充的速度，将原二值图像中扩充像素的位置设置成背景，减少目标的粘连。对处理过的二值图寻找前景标记，以此获得更准确的标记。基于凹点寻找前景标记的算法步骤如下。

对二值图进行欧式距离变换。

将凹点检测提取的二值边缘图像Ic中的非零像素点Mi记为集合C，设其个数为L，满足Mi∈C，i=1，2，…，L；Gi表示Mi处距离变换图像的值；检测到的凹点Tj记为集合F，集合元素个数为W，满足Tj∈F，j=1，2，…，W；对任意Mi∈F，标记为1。

对任意Mi∈C，求其八连通区域A，Aki、BWki、Gki分别为Mi在k(k=0，1，2，…，7)方向上的像素点以及该点处二值图像的值和距离变换图像的值。

执行下列操作：判断BWki=0&&Gki>Gi是否为真，若为真，则往下执行，否则k++；若Aki∈C，则往下执行，否则，将Aki加入集合C中，L=L+1；若Mi∈F，则再次求取k方向上与Mi距离为上次距离2倍的像素，记为A2ki，重复前2步骤；判断A2ki∈F是否为真，若为真，则往下执行，否则，将A2ki加入集合F中，F=F+1。

重复执行1次上述步骤。

记二值图像Ib内目标对象的像素为集合B，O=B-C。

对集合O表示的图像进行欧式距离变换，取极小值作为前景标记，对其进行形态学变换得到方便观察的标记。

按照上述步骤，对绿豆粘连图像进行前景标记和分割，结果见图3。

图3 绿豆图像前景标记和粘连分割

2 结果与分析

为了测试本文方法的有效性，同时与传统的分水岭方法[14]和基于标记的分水岭方法[25-26]进行比较，对绿豆粘连图像进行分割，结果见图4。从图中可以看出，传统分水岭算法出现了严重的过分割现象；由于光照不均匀和目标内部存在孔洞，基于标记的分水岭算法将背景误判为目标对象，在图像四周比较亮的区域也被认为是目标，并且还存在欠分割现象。本文方法由于前景标记准确，能够很好地将目标分割开，对于粘连严重的对象也能准确分割。

为了验证本文方法的鲁棒性，利用手机采集了5种谷物的粘连图像，包括绿豆、红豆、黄豆、小米和黏米。每种谷物拍摄了4幅图，利用本文提出的分割方法对每幅图的粘连谷粒进行分割计数，结果见表1。从表1可以看出，本文提出的方法获得谷粒计数准确率平均为96.4%。其中，对于颗粒较大和类圆形谷粒，分割效果非常好；对形状不规则且较小的谷粒如小米，则分割精度稍低，因为在寻找凹点时，谷粒形状不规则导致虚假的凹点无法去除，且在错误凹点处加深了凹陷导致过分割。

图4 利用3种不同方法对绿豆粘连图像进行分割

3 小结

针对运用数字图像处理实现谷粒计数中的图像分割问题，分析了分水岭算法产生过分割和标记分水岭算法出现欠分割问题的原因，提出了基于凹点寻找前景标记的分水岭谷粒分割方法。该方法首先利用canny算子进行轮廓提取，连接断裂边缘，消除孔洞边缘；然后在低尺度下计算曲率获取候选凹点，并判断曲率和角度大小去除虚假凹点，在凹点处进一步加深凹陷，获取准确的前景标记；最后运用标记分水岭分割得到粘连谷粒的分割图像，对其进行连通域标记并统计连通个数实现谷粒计数。

为了测试本文方法的有效性，比较了传统的分水岭方法、基于标记的分水岭方法和本文方法。结果表明，先对加深凹点处凹陷程度的二值图提取前景标记，再对原二值图进行标记分水岭分割的方法，可以解决传统的分水岭方法过分割和基于标记的分水岭方法欠分割的问题，对粘连谷粒具有较好的分割效果。为了测试本文方法的鲁棒性，对5种谷物的粘连谷粒图像进行分割测试，结果获得了96.4%的谷粒计数准确率，表明本方法具有较强的鲁棒性。本文算法程序可以移植到手机中，利用手机在自然光条件下拍摄谷物图像，即可对图像中的谷粒进行分割计数，该方法将具有操作简单、精度高、便携和成本低等优点，可推广应用于有谷粒计数需求的部门。

表1 5种谷物粘连谷粒分割计数结果

注：手机像素为1 300万，拍照环境为自然光。

[1] 张海燕, 焦碧婵, 李贵全. 大豆产量及其相关数量性状关系的分析[J]. 山西农业科学, 2006, 34(2): 27-29.

[2] 郭长霞, 李俊献, 李建华, 等. 河南大豆主要数量性状与产量的相关和通径分析[J]. 大豆科技, 2013 (1): 26-28.

[3] 杨仕华, 廖琴, 胡小军, 等. 我国常规水稻品种选育与推广分析[J]. 中国稻米, 2009, 15(5): 1-4.

[4] 宋初苏, 华娇, 蓝景针, 等. 转盘斜刮式光电自动数粒仪设计[J]. 农业机械学报, 2011, 42(11): 89-92.

[5] 宋珊珊. 花生种子自动数粒仪的研制[D]. 保定: 河北农业大学, 2015.

[6] THIRAN J P, BECKS M O, MACQ B M M, et al. Automatic recognition of cancerous cells using mathematical morphology[C]//Visualization in Biomedical Computing 1994. International Society for Optics and Photonics, 1994: 392-401.

[7] PANCHANATHAN S. Automatic classification of cells using morphological shape in peripheral blood images [J]. Proc Spie, 2000, 4210: 290-298.

[8] 杨华东, 简淼夫. 基于灰度形态重构的颗粒图像分割方法[J]. 南京工业大学学报(自然科学版), 2005, 27(3): 98-102.

[9] 李毅, 谢利利, 王名福, 等. 粉体颗粒形貌特征的提取与识别技术[J]. 重庆大学学报, 2000, 23(5): 67-69.

[10] 尤育赛, 于慧敏, 刘圆圆. 基于粒度测量的重叠圆形颗粒图像分离方法[J]. 浙江大学学报(工学版), 2005, 39(7): 962-966.

[11] 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.

[12] 李宏辉, 郝颖明, 吴清潇, 等. 基于凹点方向线的粘连药品图像分割方法[J]. 计算机应用研究, 2013, 30(9): 2852-2854.

[13] 韦冬冬, 赵豫红. 基于凹点匹配的重叠图像分割算法[J]. 计算机与应用化学, 2010, 27(1): 99-102.

[14] 刘伟华, 隋青美. 基于凹点搜索的重叠粉体颗粒的自动分离算法[J]. 电子测量与仪器学报, 2010, 24(12): 1095-1100.

[15] 孙永, 郑力新. 基于凹点搜寻的棒材计数方法研究[J]. 工矿自动化, 2011, 37(5): 55-58.

[16] VINCENT L, SOILLE P. Watersheds in digital spaces: An efficient algorithm based on immersion simulations [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1991, 13(6): 583-598.

[17] 肖助明, 冯月亮, 李涛, 等. 形态分水岭算法在重叠米粒图像分割中的应用[J]. 计算机工程与应用, 2007, 43(24): 196-199.

[18] 杨蜀秦, 何东健, 宁纪锋. 一种基于分水岭的连接米粒自动分割算法[J]. 光子学报, 2009, 38(10): 2728-2732.

[19] 陈婷婷, 程小平. 采用模糊形态学和形态学分水岭算法的图像分割[J]. 西南大学学报(自然科学版), 2008, 30(3): 142-145.

[20] 高丽, 杨树元, 李海强. 一种基于标记的分水岭图像分割新算法[J]. 中国图象图形学报, 2007, 12(6): 1025-1032.

[21] LI D, ZHANG G, WU Z, et al. An edge embedded marker-based watershed algorithm for high spatial resolution remote sensing image segmentation [J]. IEEE Transactions on Image Processing, 2010, 19(10): 2781-2787.

[22] 高星. 基于标记分水岭和凹点的粘连大米图像分割技术研究[D]. 郑州: 河南工业大学, 2015.

[23] 童振, 蒲立新, 董方杰. 基于改进分水岭算法和凹点搜索的乳腺癌粘连细胞分割[J]. 生物医学工程学杂志, 2013 (4): 692-696.

[24] HE X C, YUNG N H C. Curvature scale space corner detector with adaptive threshold and dynamic region of support[C]//ICPR '04 Proceedings of the Pattern Recognition, 17th International Conference on (ICPR'04). Washington: IEEE Computer Society, 2004: 791-794.

[25] AUDIGIER R, LOTUFO R. Uniquely-determined thinning of the tie-zone watershed based on label frequency [J]. Journal of Mathematical Imaging and Vision, 2007, 27(2): 157-173.

[26] 陈洁, 胡永, 刘泽国. 基于标记的分水岭图像分割算法研究[J]. 软件, 2012, 33(9): 115-117.

(责任编辑：侯春晓)

2017-05-11

国家863计划项目(2013AA102402)；浙江理工大学521人才培养计划

吴叔珍(1996—)女，江西上饶人，本科生，研究方向为图像处理，E-mail: wsue1996@163.com。

姚 青(1974—)，女，江苏沭阳人，教授，博士，研究方向为图像处理，E-mail: q-yao@zstu.edu.cn。

10.16178/j.issn.0528-9017.20170833

TP751.1

A

0528-9017(2017)08-1401-05

文献著录格式：吴叔珍，姚青. 基于凹点寻找标记的分水岭算法分割粘连谷粒[J].浙江农业科学，2017，58(8)：1401-1405.