基于ACO 和K-means 算法相结合的生菜叶片图像分割方法

陈浩，裴瑞杰，汪鑫

（南阳农业职业学院，南阳473000）

0 引言

农作物图像处理主要是通过计算机技术对图像进行去噪、增强、分割、特征提取、融合等操作，从而提取目标区域，预测农作物生长状况[1-3]，提取农作物抗旱性特征[4]，识别农作物害虫[5-7]和农作物的检测[8-12]等，分割是图像处理过程中最重要的步骤之一，分割质量的高低直接影响后续图像处理的效果。目前图像分割方法主要有基于阈值分割法[13-15]、基于边缘分割法[16-17]和基于聚类、区域及特定理论分割法[18-19]等。其中，K-means算法[20-21]是Mac Queen 提出的一种通过相似性度量进行区域划分的聚类算法，原理简单，便于处理大量数据，广泛应用于图像处理领域，然而却存在对初始化聚类中心比较敏感、不能自适应选择聚类个数等缺点，有学者提出将智能优化算法运用到图像分割中[22-24]，其中蚁群优化算法计算简单、易于实现，得到广泛应用。本文提出一种新的聚类方法应用与生菜叶片图像分割，该方法将ACO 算法与K-means 算法相结合对图像进行优化聚类。实验结果表明该方法在生菜叶片图像分割中具有更好的性能。

1 蚁群优化算法

蚁群优化算法（Ant Colony Optimization，ACO）[25-26]是一种模拟蚂蚁觅食行为的仿生优化算法。算法基本思想是蚂蚁觅食过程中会在局部范围内测量群体相似性，这些数据将转化为是否觅食的概率，常应用于图像处理领域[27-28]。图像X 中的像素点Xj,j=1,2,…,N 被视做一个蚂蚁，该像素点的特征向量由其灰度值表示。蚂蚁觅食的过程可以看做图像分割的过程。计算随机像素点Xi到Xj之间的欧氏距离：

式中p 为权重因数。

计算从Xi到Xj的概率ρij：

式中τij为信息素；ηij(t)为启发函数；α 和β 为影响因子；S 为经过路径的集合。随着蚂蚁的移动，每次循环之后运用式（3）更新每条路径上的信息素：

式中ρ 为信息素衰减系数；Δτij为当前循环中每条路径上的信息素增量。

2 K-means聚类算法

K-means 聚类算法是一种对类内目标进行划分的方法，其目的使分类后的子集合满足类内误差平方和最小。通过最小化每个局部子集，该算法将在全局上产生最优子集。该算法可应用于图像分割，其基本步骤如下：

（1）定义一个等距离方法初始化聚类中心：

（2）分配各样本点到相近的聚类集合，样本分配依据为：

式中i=1,2,…,K;j=1,2,…,N，Distancei,j为从第j个像素点到第i 个聚类中心的距离，N 为样本空间中像素点的数量。

（3）根据步骤2 的聚类结果，更新聚类中心：

式中i=1,2,…K，Ni是第步骤2 中被分配到第i类中的像素点的个数。

（4）若聚类中心发生变化，重复步骤2，直到循环结束。

（5）第K-1 类和K 类聚类中心的均值被作为分割阈值：

3 基于ACO和K-means相结合的聚类算法（KACO）

3.1 算法改进

K-means 聚类的收敛速率ACO 算法快，但是聚类结果很大程度上依赖于初始聚类中心的选择，ACO 算法的分割结果比K-means 算法快，但是收敛速率慢。原因是ACO 算法初始化时每条路径上的信息素是相同的，蚂蚁很难在短时间内找到合适的路径。因此在图像分割中为了达到更高的收敛速率和正确性需要对K-means 算法进行改进。如果在初始化算法时给出了启发式信息素，收敛速度可以加快。因此，改进算法的基本思想是通过K-means 算法快速分类，然后通过分类结果更新信息素，直到其他蚂蚁选择更好的路径。也就是说聚类中心Centerj由分类结果估计，如果示例样本点i 被作为初始聚类中心，从示例样本点i 到聚类中心Centerj的距离由如下公式计算：

式中δ 为常量。

3.2 算法描述

（1）初始化参数α、β、ρ、δ。

（2）运用（5）式计算初始聚类中心。

（3）运用（6）式计算每个像素点到初始聚类中心的距离。

（4）开始循环并计算隶属度，如果计算值大于一个随机值λ，通过公式（3）、（4）和（9）更新信息素增量Δτij，同时通过（7）式更新聚类中心，否则此像素点没有被分类。

（5）如果有像素点没有被分类，则返回步骤4，否则结束循环。

（6）运用（8）式计算阈值，然后分割图像。

4 实验结果

为了验证本文算法的有效性以单个生菜叶片图像和生菜冠层图像为实验对象。实验环境为：Windows 10 操作系统，32 位操作系统，2.67GHz 处理器，6GB 内存，编程环境为VS2013。本文分别对K-means 算法、ACO 算法以及KACO 算法运行100 次，并记录每次运行结果，统计三种算法求得最优解的次数，结果如表1、表2 所示。

表1 单个生菜叶片图像分割对比

表2 生菜冠层图像分割对比

从表中可以看出ACO 算法运行时间最多，准确率最低；K-means 算法运行时间最少，准确率排第二；KACO 算法运行时间排第二，准确率最高。

此外，本文分别运用K-means 算法、ACO 算法以及KACO 算法分割单个生菜叶片图像和生菜冠层图像，分割结果如图1、图2 所示。

图1 单个生菜叶片分割对比图

图2 生菜冠层分割对比图

图1 为单个生菜叶片分割对比图，从图中可以看出KACO 算法分割效果较好，它能够将整个生菜叶片图像

分离出来，而ACO 算法以及K-means 算法分离不彻底，存在较多模糊、空洞，且光照将强的区域没有被分离。

图2 为生菜冠层分割对比图，从图中可以看出，KACO 算法能够将生菜冠层与地面复杂背景分离，分割效果较好，而ACO 以及K-means 算法未能将冠层与地面复杂背景分离，特别是种植盆无法分离。

5 结语

本文以生菜叶片图像为测试对象，探索基于ACO和K-means 相结合的聚类算法在农作物图像分割中的应用，提出了KACO 算法。实验结果表明，采用本文算法能有效地分割生菜叶片与生菜冠层图像，为进一步对农作物图像的处理奠定了基础。