基于MRFO的茶叶嫩芽图像分割方法

姜苗苗，问美倩，杨芷羽，王铂闻，程玉柱

（210037江苏省 南京市 南京林业大学 机械电子工程学院）

0 引言

在传统采摘方式中，人工采摘是主要的完成方式，但这种采摘方式效率不高，而且成本很高，需要招聘现场员工和管理人员，限制了茶叶的整体生产效率。目前，计算机技术和模式识别技术的快速发展，通过计算机图像处理的可视化技术来自动识别名优茶茶叶嫩芽，然后通过相应的机械设备来有选择、有针对性、高效、低损伤地自动采摘茶叶花蕾，从而提高茶叶的采摘效率和品质。其中，图像分割[1-5]是茶叶花蕾识别过程中非常重要的一步。图像分割是将图像分割成若干特定的、独特的区域并提出感兴趣对象的技术和过程。它在保留图像结构特征信息的同时，大大减少了图像分析[6-7]和识别等后续高级处理阶段的数据量，这是从图像处理到图像分析的关键步骤。茶叶图像分割是计算机视觉研究金字塔的低层，因此其为图像后续操作，比如图像描述、图像理解和图像分析的根本，在图像工程中的重要性不言而喻。随着计算机技术的不断发展，杨福增[8]、刘志杰[9]等人分别在白色背景下获取了陕西名茶“午子仙毫”图像利用阈值分割实现了自然环境下的茶叶图像，提出了基于不同色彩因子嫩叶和老叶自动分离。韦佳佳[10]针对自分割的嫩梢识别方法,为后期嫩梢定位提供了理论基础。魔鬼鱼觅食优化[11]（MRFO）是一种自然计算的优化算法，应用于各种优化计算中。超绿色是一种绿色植物叶片提取方法，其系数是固定不变的。嫩芽和老叶都是绿色的，利用超绿色将其区分开，本文提出一种利用基于改进的颜色因子与阈值计算[12]的茶叶嫩芽图像分割方法。通过MRFO优化计算获得超绿色系数、颜色因子灰度化、最佳阈值确定等步骤，实现茶叶嫩芽目标检测。

1 图像分割

1.1 算法流程

本文利用改进的颜色因子与阈值分割技术构建一套茶叶嫩芽图像分割方法，算法流程如图1所示。首先，输入茶叶嫩芽RGB彩色图像，利用MRFO优化算法训练计算得到ExG系数，利用改进的ExG系数实现彩图的灰度化，对灰度图像进行阈值计算，并对阈值进行偏移改进，得到新的单峰阈值实现图像分割，获得嫩芽目标。

1.2 ExG

提取绿色植物通常采用颜色因子方法，最有名的是ExG (超绿色)，表达式为

式中：r，g，b——彩图的R，G，B各通道灰度图像。

式中：R*，G*，B*——规一化后的RGB像素值。

1.3 MRFO

魔鬼鱼身体扁平，有一对胸鳍，还有一对头部裂片在其巨大的嘴前面延伸。生物进化出了奇妙的智能觅食策略，第1种是链式觅食，第2种是旋风觅食，第3种是翻腾觅食。

（1）链式觅食模型

式中：xid（t）——第i个个体在d维下t时刻的位置；r ——[0，1]范围内的随机数；a——权重系数；——高度集中的浮游生物。

（2）旋风觅食模型

式中：β——权重系数；T——迭代的最大数量；r1——在[0，1]的随机数。

（3）翻腾觅食模型

式中：S——决定魔鬼鱼翻腾范围的翻腾因子。

链式觅食策略使每个个体更新其相对于其前方的位置和当前全局最优解的位置，旋风式觅食策略使每个个体都能更新其相对于前方和参考位置的位置，是否选择目前获得的最佳位置或搜索空间中产生的随机位置作为参考位置取决于t/T值，前者有助于开发，后者有助于勘探。t/T值的逐渐增加促使MRFO从探索性搜索向开发性搜索平稳过渡，利用rand值，MRFO可以在链式和旋风式之间切换。翻腾觅食允许个体在不断变化的搜索范围内进行自适应搜索，MRFO非常容易实现，并且需要调整的参数很少。

1.4 MRFO优化的ExG

超绿色的系数为固定值2，-1，-1，可以通过MRFO优化得到最佳的系数，从而提交图像灰度化性能。MRFO算法流程如表1。

表1 MRFO算法流程Tab.1 MRFO algorithm flow

首先，初始化种群等相关参数，然后，计算每个个体的适应度值，最后，通过选用各不同的觅食模型，得到魔鬼鱼的位置值，再通过不停迭代得到最佳的位置并停止算法。

2 茶叶嫩芽图像分割

本文选取茶叶嫩芽进行分割。步骤如下：确定最优彩图颜色因子系数、颜色因子灰度化、最佳阈值确定、阈值分割等环节；在Windows 10家庭中文版操作系统下，采用MATLAB2020a软件，采用IPToolbox图像处理工具箱。本文采用两张视角的彩图，如图2所示。

图2 测试图Fig.2 Test images

2.1 ExG系数计算

利用MRFO优化实现ExG系数计算。首先设定种群数为30，迭代次数为20，RGB对应的下限为[-2 0 -2]，上限为[0 2 0]，适应度函数定义为数值，人工标准分割图和测试图之间的偏差值。其数值越小，适应度越好。通过训练后，正视图的数值为[-0.490 1，1.103 8，-1.435 9]，斜视图的数值为[-1.262 0，1.949 5，-1.724 0]。

2.2 ExG灰度化

利用不同系数的超绿色颜色因子对图2中的彩色图像进行灰度化处理，RGB三通道分别赋予不同的权重进行加权计算，最后获得灰度图，并进行归一化处理，分别得到正视角图和斜视角图，如图3所示。

图3 灰度图Fig.3 Grayscale images

2.3 改进的阈值分割

由于嫩芽占茶叶叶片的比例较少，所以，嫩芽目标与老叶背景的比值很小，则目标像素的数目远远小于背景像素数目。因此，灰度图的直方图具有单峰性。通过改进的超绿色灰度化后，嫩芽目标的像数值偏大，老叶的像素值较小。所以，用Otsu分割效果较差，如图4中的（a）与（c）所示。

Otsu分割的阈值偏小，产生较多的误分率。通过观察分布规律，指定两步法实现对Otsu的改进。首先，对超绿色灰度图进行Otsu分割，得到阈值；其次，对阈值进行偏移，偏移量的计算设定为0.2(100%对应1)。分割结果如图4中的（b）与（d）所示。

图4 分割图Fig.4 Segmentation images

3 结果分析

Jaccard相似系数，作为数值标量或数值向量返回，其值在[0,1]范围，主要用于计算符号度量或者布尔值度量的样本间的相似度。给定的2个集合A和B，用Jaccard相似系数来判断两个集合的交集在并集元素中所占有的比例。

式中：Ni，Nj——节点i和节点j的邻居节点的集合；——节点i和节点j的共同邻居个数；——节点 i和节点j的所有邻居个数。Dice相似系数，作为数值标量或数值向量返回，其值也在[0,1]范围内。

式中：Ni，Nj——节点i和节点j的邻居节点的集合；——节点i和节点j的共同邻居个数。Bfscore算法用于计算预测分割的边界和真正的分割基础事实的轮廓匹配分数。预报和基础事实可以是用于二进制分割的一对逻辑数组，或者是用于多类分割的一对标签或分类数组。

式中：A——精确的值；B——召回的值。

利用式（6）—式（8）对图4与图5进行计算，如表2所示。Jaccard，Dice，Bfscore分别简化为Jac，Dice，Bfs。斜视图的分割效果优于正视图。改进的阈值分割算法明显优于Otsu算法，综合而言，提出的MRFO优化的颜色因子与改进的阈值分割能够提取茶叶嫩芽目标，性能优于Otsu。

图5 手工分割图Fig.5 Manual segmentation results

表2 MRFO算法指标Tab.2 MRFO algorithm indexes %

4 小结

（1）利用MRFO优化算法计算颜色因子系数，获取最佳数值及改进的超绿色因子，能突出茶叶嫩芽目标，使其像素值增加，目标和背景差异变大，实现图像灰度化后，有利于图像分割。

（2）正视与斜视图测试显示，改进的颜色因子能实现彩图灰度化，改进的阈值算法能够实现嫩芽灰度图分割，用于茶叶嫩芽检测，实现目标信息增强及目标提取，获取茶叶嫩芽提取。

（3）运用MRFO实现颜色因子系数的计算，提高了超绿色颜色因子的性能，为茶叶嫩芽识别提供了一种方法。阈值的偏移量可以通过优化算法实现进一步精确的计算。还需要通过大量的图片进行测试，验证算法的适应性。