非结构环境下成熟草莓分割方法

2022-03-02邢婧瑜解迎刚高博斌

现代电子技术 2022年5期

邢婧瑜，解迎刚，高博斌

（1.北京信息科技大学信息与通信工程，北京 100101；2.昆明理工大学冶金与能源工程，云南昆明 650093）

0 引言

我国是农业生产大国，具有独特的地理环境优势，非常适宜草莓生长。果农种植草莓基本为大面积种植。然而，我国目前采摘草莓仍以工作效率低下的人工采摘为主，增加了果农采摘成本，同时也制约了农产品的市场发展。因此，果实采摘机器人是国内外研究的热点。在非结构环境下，由于复杂环境因素的影响，增加了果实识别及分割的难度。

文献[2]将不可分小波与标记分水岭的图像分割算法相结合，在很大程度上解决了图像分割中存在的过分割问题。文献[3]为了降低颜色相近环境下果实识别的错误率，尽可能地减少复杂环境对果实识别的干扰，采用将两种摄像机组合在一起拍摄图像并进行融合的方法。文献[4]提出几何形态学及迭代随机圆结合的番茄识别算法，该算法在处理重叠、遮挡的番茄果实识别问题上具有比较理想的效果。文献[5]采用改进的聚类图像分割算法对果实进行识别，但因为果实生长环境不同，果实大小、颜色也不同，该算法不具备通用性，且分割不够精细，不利于做进一步研究。文献[6]的创新之处在于以树干颜色为特征，设定阈值区间并采用迭代法选取合适的阈值，该算法对于颜色相差较大的林木，降低了识别的错误率。文献[7]针对非结构环境下苹果识别准确率较低的问题，通过对苹果的颜色特征及边缘检测两个方面进行实验分析，提出了一种在非结构环境下的苹果识别方法。文献[8]提出了一种改进的Faster RCNN 刺梨果实识别方法，该算法对非结构环境下刺梨果实的识别准确率较高。文献[9]提出了一种阈值分割算法，该算法改善了独立的隶属度函数对不同特征图像的匹配性较低的问题，该算法的准确率较高。文献[10]通过机器视觉对蓝莓果实进行品相和质量分级的无损检测，以此来实现大规模、高准确率、低损伤的蓝莓果实分级。文献[11]为解决牛油果图像光照分布不均匀问题，对牛油果图像进行光照补偿，使光照均匀化，提高了分割的准确率。

上述文献针对成熟果实的分割与识别，提出了多种方法。但由于草莓果实生长环境较为复杂且果实大小、形状不同，上述方法对成熟草莓分割还不够准确，从而影响后续果实的识别与定位的精度。因此，本文提出了一种基于改进的Otsu 阈值分割和分水岭算法相结合的方法对成熟草莓进行分割。

1 改进的Otsu 阈值与分水岭算法相结合的分割方法

1.1 图像滤波

由于自然环境下存在多种噪声且背景复杂，为了使提取草莓果实的效果更好，对采集到的图像进行滤波处理。

本文采用双边滤波对图像进行去噪，与其他的滤波方式相比，双边滤波主要从空间信息和颜色信息进行考量，在滤波过程中很大程度地保留了图像的边缘信息。其算法如下：

式中：(,)为输入图像像素灰度值；(,)为输出图像像素灰度值。

1.2 颜色空间转换

RGB 颜色空间是基本的颜色空间，各种颜色空间均可通过RGB 颜色空间进行转换，本文采用YCrCb 颜色空间，其转换公式如下：

1.3 改进的Otsu 阈值分割算法

对现有的研究结果进行分析，目前没有一种阈值分割算法适合所有图像。对于不同的图像分割需求，在现有的阈值分割算法上进行改进，找出效果最好的阈值分割算法。

Otsu 算法是日本学者根据最小二乘法推理出的方法。实现方法如下：图像大小为，灰度级为，n为灰度级的像素点数，灰度值为的像素点在图像中出现的比例为()= n()。单阈值分割中，选取( 0 ≤≤-1 )中的一个值作为阈值，将图像一分为二。灰度级为[0,]的像素点划分为部分，灰度级为[+ 1,-1]的像素点划分为部分。设()，()分别表示和两部分出现的概率；()，()表示和两部分的平均灰度级。则有：

图像的平均灰度级为：

图像的类间方差表示为：

()达到最大值时，为最合适的分割阈值：

传统的Otsu 法对于直方图为双峰分布的图像分割效果较好，然而实际的草莓图像中，由于复杂的环境因素的影响，图像的直方图分布存在着不规律性，利用Otsu 分割算法进行分割，分割效果不理想。因此对阈值的选取过程进行优化，文中提出了一种改进Otsu 阈值分割算法，将部分像素所占的比例即作为权重因子加入算法，并引入系数0.5，使最佳阈值趋向于灰度直方图的波谷处，改进后的类间方差表示为：

1.4 分水岭分割算法

分水岭算法的原理：令N(=1,2,3,… )表示分割图像(,)的局部极小值，(M )为相应的集水盆地中所有点集合。[]表示位于(,)=下方的所有坐标(,)的集合。即：

水位增加的过程中，将(,)=下方的所有点标记为黑色，反之则被标记为白色。B(M )表示产生的二值图像，公式如下：

将[min+1]初始化为[min+1]，然后算法进行递归调用。第步递归运算，通过[-1]求解出[]，设为[]中的连通分量，则分以下三种情况：

1）⋂[-1]为空；

2）⋂[-1]包含[-1]中一个连通分量；

3）⋂[-1]包含[-1]中至少一个连通分量。

当出现一个最小值满足情况1），此时将加入[-1]生成[]；当处在局部极小值构成的集水盆地时，满足情况2），将加入[-1]共同组成新的[]集合；当处在两个及以上集水盆地的脊线处位置时，符合情况3），所以需要在内建立分水岭，防止盆地中的水溢出。

本文算法主要步骤如下：

1）输入彩色图像；

2）图像预处理：灰度化、双边滤波；

3）进行颜色空间的转换并提取Cr 分量；

4）通过改进的Otsu 阈值分割算法对草莓图像进行初次分割；

5）针对重叠、遮挡的草莓利用分水岭算法进行二次分割，得到分割图像。

对草莓果实进行分割的算法流程图如图1 所示。

图1 图像分割算法流程图

2 实验结果与分析

本文使用的草莓图像采集于辽宁省丹东市，拍照时间为2020 年6 月，包含阴晴天气、重叠遮挡等各种情况下的草莓图像，共采集80 幅图像，其中晴天60 幅，阴天20 幅，重叠遮挡草莓25 幅。

通过RGB 至YCrCb 颜色空间转换公式，对采集到的图像进行颜色空间转换。如图2所示，图2a）为原始图像，图2b）为YCrCb 转换后图像，图2c）为YCrCb 数值图。

图2 草莓图像颜色特征分析

YCrCb 颜色空间的一个重要性质是，Y 分量与Cr、Cb 分量是互不干扰，相互独立的。因此在草莓分割过程中，只需考虑Cr 和Cb 分量时，则不需要顾忌在非结构环境下光照带来的影响。根据YCrCb 数值图，本文使用YCrCb 颜色空间中Cr 分量图进行草莓果实与背景的区分，Cr 分量图如图2d）所示。

将Cr 分量图灰度化，如图3 所示。利用改进的Otsu算法对图像进行分割，如图4 所示。

图3 灰度图像

图4 改进Otsu 阈值分割算法图

分别运用传统的Otsu 阈值分割法、迭代法、最大熵算法以及改进的阈值分割算法进行分割，如图5 所示。

将四种方法分割草莓图像的性能进行对比，如表1所示。

表1 成熟草莓分割算法性能对照 %

从图5 和表1 中可以看出，与传统Otsu 阈值分割以及迭代法、最大熵算法相比，改进的Otsu 阈值分割在复杂背景下分割成熟草莓图像效果更好。经过改进Otsu阈值分割算法分割后，图像中目标草莓的边缘信息以及分离的果实形状较为完整。利用其他算法分割，一些图像中还残留了部分噪声，丢失草莓区域信息。不能将果实与背景有效分离，不利于进一步处理。

图5 同类算法对比图

在图像处理果实识别中，除了需要考虑复杂的环境因素带来的影响，还要考虑果实相互重叠的情况。传统的Otsu 阈值分割算法及改进的Otsu 阈值分割算法并不能将重叠果实分离，还需采用分水岭分割方法对重叠果实进行分割。首先将摄像机采集到的图像进行预处理。然后进行颜色空间转换并提取Cr 分量，如图6 所示。通过改进的Otsu 阈值分割算法对目标草莓果实进行初次分割。利用分水岭算法进行二次分割，如图7 所示。

图6 Cr 分量图

通过图7 可以看出，分水岭分割能够大致将粘连、重叠果实分离，虽然果实边缘部分缺失，但基本达到将单个果实分离的目的，为接下来的工作奠定基础。

图7 粘连情况下的草莓分割

通过对80 幅非结构环境下拍摄的草莓图像进行分割，正确识别率达到87%，如表2 所示。

表2 分割结果

其中无遮挡草莓分割正确率为90%，粘连、遮挡等草莓正确分割率为85%。

针对非结构环境下草莓图像的分割，将本文算法与其他算法进行对比实验，如图8 所示。

文献[16]求取原灰度图像的梯度图像，利用分水岭分割算法进行分割。如图8a）所示，针对单个草莓分割边缘清晰，分割效果较好，但对粘连的草莓不能有效的进行分割。文献[17]首先提取梯度幅值图像的局部最小值点，然后利用分水岭分割算法在此改进的梯度图上进行分割。如图8d）所示，在粘连的草莓中多分割出一部分区域。文献[18]提出了一种将形态学重建滤波与通过最大熵阈值处理后的标记分水岭算法相结合的图像分割方法。如图8e）所示，不能将草莓果实有效分离，效果较差。本文算法针对独立草莓果实，分离果实形状完整，边缘信息保留较好，针对粘连草莓果实，能够达到将果实分离的目的。不同算法对比如表3 所示。