基于小波融合的苹果图像分割的研究

黄 玲 石玉秋 覃永新

（广西科技大学 电气与信息工程学院，广西 柳州 545006）

0 引言

苹果图像的视觉检测广泛应用于苹果分级、 苹果采摘机器人等研究领域， 对图像中苹果区域的准确分割是进行后续苹果特征提取、 品质判断、 识别定位等处理的前提。 近年来， 许多学者对苹果图像的分割进行了大量研究[1-2]。 2008 年张亚静等通过计算苹果样本图像和背景图像这两类样本的颜色特征和纹理特征， 利用神经网络建立模型， 实现苹果图像分割[2]。2011 年王丽等提出基于改进的主成分分析算法的图像分割方法， 通过将苹果图像颜色特征进行归类，运用边缘像素排序的方法，实现苹果图像完整分割[3]。这些研究通过不同方法实现苹果图像的分割， 然而实际图像采集时，易受环境的光照变化，噪声干扰等影响，图像质量难以保证，从而给图像分割带来较大误差。

图像融合的方法能有效改善图像质量， 目前已有很多学者对此进行了研究[4]。 2012 年梁明等提出一种基于证据理论的特征融合苹果分级方法[5]。 2017 年罗晓清等提出一种基于非下采样轮廓波变换和尺度不变特征变换的苹果图像融合的新方法[6]。 2018 年刘娜等提出一种基于小波变换的图像融合算法， 并对不同层次的小波系数采用不同的融合规则[7]，从而改善图像质量。 这些研究通过融合的方法，减小噪声的影响，较好的改善图像质量。 为此，提出将多幅图像进行融合，再对融合后图像进行分割， 从而减少光照变化、 噪声干扰等因素影响，减小分割误差。

1 基于小波融合的图像分割

图像融合是将多幅图像融合在一起， 以获取更为精确、 全面和可靠的图像描述。 目前图像融合可分为三个层次：像素级融合、特征级融合和决策级融合。 其中像素级融合是将各原图像中对应像素进行融合处理，能保留尽可能多的图像信息，精度较高，是目前图像融合研究的主要方向。 像素级融合中， 基于小波变换的图像融合是一种常用且有效的方法。 小波变换可以将图像分解到不同频率域， 并运用不同的融合规则， 从而在融合后图像中保留原图像在不同频率域的显著特征， 在此基础上进行图像分割， 能更准确分割出目标与背景图像。

1.1 基于小波的图像分解

图1 二层小波分解示意图

小波变换可以将原始图像分解成一系列具有不同空间分辨率和频域特性的子图像。 用小波变换中常用的Mallat 算法对二维图像进行二层小波分解的示意图如图1 所示。

图像经过一次小波变换， 被分解成4 个不同频带的子图像，如图1 中，LL 为图像低频子带，它是图像的近似表示；LH、HL、HH 分别表示水平高频带、 垂直高频带和对角分量高频带。 下次的分解只对低频子带进行分解。

1.2 图像融合的规则

小波变换可以将图像分解到不同的频率域， 在不同的频率域运用不同的融合规则。 其中， 分解出来的低频子图像包含了源图像的大部分能量和亮度信息，是源图像整体特性的大体继承； 分解出来的高频子图像反映的是源图像的边缘细节信息。 小波系数的融合可有多种方法， 本文对于小波分解后的高频和低频系数均采用绝对值最大法，具体规则如下：

式中，Ci(A,p)，Ci(B,p)，Ci(F,p)分别表示原图像A、B 和融合图像F 在i 层小波分解时，p 点的系数。

1.3 基于小波融合的图像分割步骤

设A，B 为两幅原始图像，F 为融合后的图像，基于小波融合的图像分割步骤如下：

（1）对两幅原图分别进行小波变换，得到每幅图像在不同频带上的小波系数；

（2）对分解得到的各层子带系数，分别采用不同规则进行融合处理；

（3）对融合后的系数进行小波逆变换，得到融合图像；

（4）对融合后的图像进行分割。

2 实验结果与分析

图2 苹果图像采集系统

实验中苹果图像采集系统， 如图2 所示， 包括苹果、暗箱、可调光源、摄像头、计算机。将苹果水平置于暗箱中，摄像头安装于暗箱外，位于苹果正前方，摄像头与苹果基本同一水平高度。 实验通过摄像头， 对每一个苹果，获取5 幅图像，共采集了4 个苹果共20 幅图像。 每次采集时不可避免会出现光线波动、 噪声的干扰等， 从而每次采集到的苹果图像并不完全相同。实验中对苹果图像的两种分割方法： 即直接进行阈值法分割与经小波融合后再分割，两种方法进行对比。

方法一为直接对每幅苹果图像运用OSTU 法进行分割，如图3 所示，(a)为原始图像，经阈值分割后得到图(b)，进行去噪处理后得到最终苹果分割图像(c)。

方法二为将图像进行小波融合后再分割。 首先将获取的20 幅原始苹果图像分为4 组，每5 幅为一组进行小波融合后再分割。将每组中第1、第2 幅图按照上述方法进行小波融合，得到苹果融合图像D1，再将第3 幅图与D1 进行融合，依次叠加进行融合处理，从而每组得到一幅苹果融合图像， 最后对融合后的苹果图像利用OSTU 法进行分割。 图3 中(d)图为第1 组苹果图像经小波融合后运用OSTU 法得到的苹果分割图。

图3 苹果图像

将上述两种苹果图像分割方法进行对比。 表1 是运用Ostu 法分割的20 幅苹果图像分割误差数据。表2是基于小波融合的苹果图像分割误差数据。 表中误差A 是将苹果当做背景的像素点的个数， 误差B 为将背景当做苹果的像素点的个数，误差C 为整幅图中像素总误差。

表2 基于小波融合的苹果图像误差表

从表中可看出， 表2 中总误差C 明显小于表1 中总误差C。 对表1 和表2 中的像素总误差C 做F 检验，得到统计显著性值P=0.0477，小于0.05，表明两种方法得到的图像误差的方差值有显著性差异。 基于小波融合的苹果图像分割误差有明显改善。

3 小结

苹果图像的分割是果实识别定位等应用的基础，而图像采集时易受光线变化、 噪声等影响， 从而影响图像分割效果。 将图像经小波融合后再进行分割，对分割误差有明显改善。

表1 Ostu 法分割苹果图像误差表