基于蟻群算法的水果圖像分割技術

楊業(yè)娟等

摘要：為了解決移動影像終端對水果識別與處理的關鍵問題，在分析現(xiàn)有水果圖像處理方法的基礎上，提出了基于蟻群算法的彩色水果圖像分割算法，建立了四維向量信息結構的螞蟻單元描述模式和蟻群圖像分割算法的信息操作策略，給出了算法的詳細執(zhí)行步驟。利用Matlab軟件進行了圖像處理算法的試驗分析，結果表明，該方法對水果識別有效、可行，對水果圖像分割處理具有一定的借鑒價值。

關鍵詞：水果圖像；蟻群算法；圖像分割；四維向量

中圖分類號： TP391.41；S126文獻標志碼： A文章編號：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金項目：江蘇省自然科學基金（編號：BK2012128）。

作者簡介：楊業(yè)娟 （1981—），女，江蘇鹽城人，碩士，講師，研究方向為圖形圖像處理、數(shù)據(jù)挖掘、管理信息系統(tǒng)。E-mail：yangyejuanvip@126.com。隨著計算機技術的發(fā)展，尤其是手機等移動數(shù)字成像設備的廣泛應用，利用移動數(shù)字成像設備進行各領域的圖像識別和處理已經(jīng)成為未來發(fā)展趨勢，其應用的關鍵在于根據(jù)應用需求解決圖像中關注目標的檢測和識別。首先需要通過圖像分割技術從采集的圖片中把目標對象與其所在環(huán)境互不重疊地劃分成多個區(qū)域。再針對確定的目標對象所在區(qū)域，對被識別對象進行特征的提取與識別，從而幫助用戶進一步完成其所需要的圖像識別和處理應用。由于目標對象在采樣成像過程中存在自然光源不穩(wěn)定、目標對象移動、目標對象與環(huán)境中附屬物之間以及多個目標對象之間的遮擋等問題，造成移動數(shù)字成像設備在圖像識別與目標對象定位的工作中效率低，很難找到一種適合各類采摘目標的通用圖像分割方法。郭艾俠等提出一種基于探索性分析的荔枝果實與枝葉的識別方法，通過在YCbCr嚴肅空間內，合理設定Cr分量閾值實現(xiàn)對荔枝果實的準確分割[1]；張善文等采用Ostu算法實現(xiàn)對植物病害圖像中葉片的有效分割[2]；周洪剛等采用Ostu分割算法與面積閾值法相結合實現(xiàn)對成熟柑橘的自動識別[3]；郭艾俠等將二次閾值分割方法應用于分割荔枝果實圖像，取得了較好的分割效果[4]；謝忠紅等結合圖像顏色模型，通過采用Ostu算法自動實現(xiàn)了對彩色水果圖像的精確分割[5]；王開義等結合分水嶺與改進的馬爾科夫隨機場模型對馬鈴薯丁粘連圖像進行分割[6]。受到以上研究成果的啟發(fā)，本研究嘗試將蟻群算法（ant colony algorithm，ACA）[7-8]這一來源于生物種群仿真的啟發(fā)式尋優(yōu)算法對具有復雜背景的水果圖像進行分割。

1水果圖像分割算法

要實現(xiàn)對圖像中目標信息的準確識別，就必須考慮識別圖像的內容區(qū)域構成。通過移動數(shù)字成像設備對自然環(huán)境下水果的采樣圖像一般都是復合圖像內容，在整個圖像中主要包括：水果實體、部分細小果枝和葉片、背景環(huán)境和其他一些細縫或者陰影所產生的淺黑色等多種圖像的區(qū)域。要實現(xiàn)對圖像中水果目標的識別提取，有必要對圖像進行區(qū)域分割，從而便于后續(xù)找出對應的水果圖像。

為了解決水果圖像中各部位的分類識別問題，文獻[1-2]通過對強光、普通光和逆光3種光線照射條件下獲取的水果圖像進行探索性數(shù)據(jù)分析，發(fā)現(xiàn)該研究對象的果實體與葉片等主體內容的顏色為偏紅、偏綠和偏褐等，建立了水果圖像YCbCr色彩空間中最佳色彩模型為Cr單通道圖，并以此為基礎設定出合理的閾值分割水果圖像的YCbCr色彩圖，通過去除圖像中的葉片、側枝以及環(huán)境等背景信息，取得了較好的識別效果。但是在實際生活中不同水果具有不同的顏色特點；水果目標與其背景之間有的存在較大的顏色差別，導致水果識別時用單通道分量圖進行分割處理雖然可以縮短圖像處理時間，但是會影響目標識別效率。若采用K-Means、C-Means等模糊聚類的圖像分割方法對水果圖像進行處理時，對于背景顏色與水果顏色差異較小的情況，該方法會把與水果顏色相近的背景區(qū)域和水果同類化，導致水果與背景的誤分類。考慮移動數(shù)字成像設備對自然環(huán)境下水果的圖像采集一般都是RGB彩色圖像，并且水果自身的顏色具有多樣性，本研究嘗試將蟻群算法應用于水果圖像分割處理。

實地拍攝的水果圖像一般為RGB彩色圖像，人們肉眼識別水果也多是通過水果的顏色特征，單通道分量圖的圖像分割方法不能充分利用圖像中豐富的顏色信息，因此識別效率和實用性不佳。本研究基于蟻群算法進行圖像分割，則要充分利用圖像中的顏色特征來構建模糊聚類處理方法。以原始圖像的R、G、B 3 色直方圖為基礎，選擇3色直方圖的k個峰值點作為水果圖像的顏色聚類中心特征，將大量的像素聚類分析循環(huán)計算簡化為僅在少數(shù)幾個聚類中心峰值點之間的分析比較，通過引導蟻群算子在聚類中心附近進行迭代計算，從而提高計算效率。

由于水果表皮上通常都含有一定量的蠟質層，很多水果在成像時會有明顯的反光現(xiàn)象，這種反光在水果圖像中通常以亮斑或亮度增強區(qū)域的形式表現(xiàn)出來，亮斑從顏色角度可看作R、G、B 3色的綜合影響，因此會對圖像的劃分造成干擾。為了削弱亮斑對圖像分割的干擾，需要對亮度進行處理，對亮度較大的區(qū)域需要進行3色的綜合弱化，通過一群算子迭代將其與相鄰像素同化。

在水果圖像中，水果目標果體和背景的區(qū)域劃分通常還需要考慮圖像在像素梯度方面的特征，一般果體、枝、葉和背景物的內部像素梯度變化較小，而邊界和噪聲的像素梯度變化較大，而且內部梯度變化較小的像素占多數(shù)，邊界像素數(shù)又大于噪聲像素數(shù)，因此可以在水果圖像的R、G、B 3色直方圖及圖像梯度基礎上進行如下處理：以k個聚類中心為計算核心逐一檢驗，聚類中心的3色直方特征對應的像素個數(shù)較多的，則該聚類中心一般情況在果體、枝、葉和背景物的內部，令其梯度特征為零；而對聚類中心的3色直方特征對應的像素個數(shù)較少的，令其梯度值為最大梯度列的均值。

對于二維的水果圖像，根據(jù)上面的像素梯度劃分和圖像中不同類別像素的相鄰像素梯度特征表現(xiàn)，定義鄰域特征：（1）

梯度為零的聚類中心，令其鄰域特征為8，則該聚類中心為像素區(qū)塊內部；（2）

對于梯度值較高的聚類中心，若3色特征對應的像素數(shù)目較多，則可令其鄰域特征點數(shù)目為6，則該聚類中心為邊界；（3）

梯度值較高的聚類中心，如果灰度特征對應的像素個數(shù)較少，令其鄰域特征為3，則該聚類中心為噪聲。

綜合上述3原色、亮度、梯度和鄰域的影響，本研究構建的蟻群圖像分割處理算法如下：

所選定初始聚類中心表示為：Ci（P，B，G，N），i=1，…，k。對于給定水果圖像P，定義每個像素Pj 可作為1只螞蟻，每只螞蟻則將3原色、亮度、梯度和鄰域作為特征的四維向量，圖像分割求解實質上是這些螞蟻搜索食物源的聚類問題求解過程。任意圖像像素點Pi 到Pj 的歐氏距離為lij：endprint

摘要：為了解決移動影像終端對水果識別與處理的關鍵問題，在分析現(xiàn)有水果圖像處理方法的基礎上，提出了基于蟻群算法的彩色水果圖像分割算法，建立了四維向量信息結構的螞蟻單元描述模式和蟻群圖像分割算法的信息操作策略，給出了算法的詳細執(zhí)行步驟。利用Matlab軟件進行了圖像處理算法的試驗分析，結果表明，該方法對水果識別有效、可行，對水果圖像分割處理具有一定的借鑒價值。

關鍵詞：水果圖像；蟻群算法；圖像分割；四維向量

中圖分類號： TP391.41；S126文獻標志碼： A文章編號：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金項目：江蘇省自然科學基金（編號：BK2012128）。

作者簡介：楊業(yè)娟 （1981—），女，江蘇鹽城人，碩士，講師，研究方向為圖形圖像處理、數(shù)據(jù)挖掘、管理信息系統(tǒng)。E-mail：yangyejuanvip@126.com。隨著計算機技術的發(fā)展，尤其是手機等移動數(shù)字成像設備的廣泛應用，利用移動數(shù)字成像設備進行各領域的圖像識別和處理已經(jīng)成為未來發(fā)展趨勢，其應用的關鍵在于根據(jù)應用需求解決圖像中關注目標的檢測和識別。首先需要通過圖像分割技術從采集的圖片中把目標對象與其所在環(huán)境互不重疊地劃分成多個區(qū)域。再針對確定的目標對象所在區(qū)域，對被識別對象進行特征的提取與識別，從而幫助用戶進一步完成其所需要的圖像識別和處理應用。由于目標對象在采樣成像過程中存在自然光源不穩(wěn)定、目標對象移動、目標對象與環(huán)境中附屬物之間以及多個目標對象之間的遮擋等問題，造成移動數(shù)字成像設備在圖像識別與目標對象定位的工作中效率低，很難找到一種適合各類采摘目標的通用圖像分割方法。郭艾俠等提出一種基于探索性分析的荔枝果實與枝葉的識別方法，通過在YCbCr嚴肅空間內，合理設定Cr分量閾值實現(xiàn)對荔枝果實的準確分割[1]；張善文等采用Ostu算法實現(xiàn)對植物病害圖像中葉片的有效分割[2]；周洪剛等采用Ostu分割算法與面積閾值法相結合實現(xiàn)對成熟柑橘的自動識別[3]；郭艾俠等將二次閾值分割方法應用于分割荔枝果實圖像，取得了較好的分割效果[4]；謝忠紅等結合圖像顏色模型，通過采用Ostu算法自動實現(xiàn)了對彩色水果圖像的精確分割[5]；王開義等結合分水嶺與改進的馬爾科夫隨機場模型對馬鈴薯丁粘連圖像進行分割[6]。受到以上研究成果的啟發(fā)，本研究嘗試將蟻群算法（ant colony algorithm，ACA）[7-8]這一來源于生物種群仿真的啟發(fā)式尋優(yōu)算法對具有復雜背景的水果圖像進行分割。

1水果圖像分割算法

要實現(xiàn)對圖像中目標信息的準確識別，就必須考慮識別圖像的內容區(qū)域構成。通過移動數(shù)字成像設備對自然環(huán)境下水果的采樣圖像一般都是復合圖像內容，在整個圖像中主要包括：水果實體、部分細小果枝和葉片、背景環(huán)境和其他一些細縫或者陰影所產生的淺黑色等多種圖像的區(qū)域。要實現(xiàn)對圖像中水果目標的識別提取，有必要對圖像進行區(qū)域分割，從而便于后續(xù)找出對應的水果圖像。

為了解決水果圖像中各部位的分類識別問題，文獻[1-2]通過對強光、普通光和逆光3種光線照射條件下獲取的水果圖像進行探索性數(shù)據(jù)分析，發(fā)現(xiàn)該研究對象的果實體與葉片等主體內容的顏色為偏紅、偏綠和偏褐等，建立了水果圖像YCbCr色彩空間中最佳色彩模型為Cr單通道圖，并以此為基礎設定出合理的閾值分割水果圖像的YCbCr色彩圖，通過去除圖像中的葉片、側枝以及環(huán)境等背景信息，取得了較好的識別效果。但是在實際生活中不同水果具有不同的顏色特點；水果目標與其背景之間有的存在較大的顏色差別，導致水果識別時用單通道分量圖進行分割處理雖然可以縮短圖像處理時間，但是會影響目標識別效率。若采用K-Means、C-Means等模糊聚類的圖像分割方法對水果圖像進行處理時，對于背景顏色與水果顏色差異較小的情況，該方法會把與水果顏色相近的背景區(qū)域和水果同類化，導致水果與背景的誤分類?？紤]移動數(shù)字成像設備對自然環(huán)境下水果的圖像采集一般都是RGB彩色圖像，并且水果自身的顏色具有多樣性，本研究嘗試將蟻群算法應用于水果圖像分割處理。

實地拍攝的水果圖像一般為RGB彩色圖像，人們肉眼識別水果也多是通過水果的顏色特征，單通道分量圖的圖像分割方法不能充分利用圖像中豐富的顏色信息，因此識別效率和實用性不佳。本研究基于蟻群算法進行圖像分割，則要充分利用圖像中的顏色特征來構建模糊聚類處理方法。以原始圖像的R、G、B 3 色直方圖為基礎，選擇3色直方圖的k個峰值點作為水果圖像的顏色聚類中心特征，將大量的像素聚類分析循環(huán)計算簡化為僅在少數(shù)幾個聚類中心峰值點之間的分析比較，通過引導蟻群算子在聚類中心附近進行迭代計算，從而提高計算效率。

由于水果表皮上通常都含有一定量的蠟質層，很多水果在成像時會有明顯的反光現(xiàn)象，這種反光在水果圖像中通常以亮斑或亮度增強區(qū)域的形式表現(xiàn)出來，亮斑從顏色角度可看作R、G、B 3色的綜合影響，因此會對圖像的劃分造成干擾。為了削弱亮斑對圖像分割的干擾，需要對亮度進行處理，對亮度較大的區(qū)域需要進行3色的綜合弱化，通過一群算子迭代將其與相鄰像素同化。

在水果圖像中，水果目標果體和背景的區(qū)域劃分通常還需要考慮圖像在像素梯度方面的特征，一般果體、枝、葉和背景物的內部像素梯度變化較小，而邊界和噪聲的像素梯度變化較大，而且內部梯度變化較小的像素占多數(shù)，邊界像素數(shù)又大于噪聲像素數(shù)，因此可以在水果圖像的R、G、B 3色直方圖及圖像梯度基礎上進行如下處理：以k個聚類中心為計算核心逐一檢驗，聚類中心的3色直方特征對應的像素個數(shù)較多的，則該聚類中心一般情況在果體、枝、葉和背景物的內部，令其梯度特征為零；而對聚類中心的3色直方特征對應的像素個數(shù)較少的，令其梯度值為最大梯度列的均值。

對于二維的水果圖像，根據(jù)上面的像素梯度劃分和圖像中不同類別像素的相鄰像素梯度特征表現(xiàn)，定義鄰域特征：（1）

梯度為零的聚類中心，令其鄰域特征為8，則該聚類中心為像素區(qū)塊內部；（2）

對于梯度值較高的聚類中心，若3色特征對應的像素數(shù)目較多，則可令其鄰域特征點數(shù)目為6，則該聚類中心為邊界；（3）

梯度值較高的聚類中心，如果灰度特征對應的像素個數(shù)較少，令其鄰域特征為3，則該聚類中心為噪聲。

綜合上述3原色、亮度、梯度和鄰域的影響，本研究構建的蟻群圖像分割處理算法如下：

所選定初始聚類中心表示為：Ci（P，B，G，N），i=1，…，k。對于給定水果圖像P，定義每個像素Pj 可作為1只螞蟻，每只螞蟻則將3原色、亮度、梯度和鄰域作為特征的四維向量，圖像分割求解實質上是這些螞蟻搜索食物源的聚類問題求解過程。任意圖像像素點Pi 到Pj 的歐氏距離為lij：endprint

摘要：為了解決移動影像終端對水果識別與處理的關鍵問題，在分析現(xiàn)有水果圖像處理方法的基礎上，提出了基于蟻群算法的彩色水果圖像分割算法，建立了四維向量信息結構的螞蟻單元描述模式和蟻群圖像分割算法的信息操作策略，給出了算法的詳細執(zhí)行步驟。利用Matlab軟件進行了圖像處理算法的試驗分析，結果表明，該方法對水果識別有效、可行，對水果圖像分割處理具有一定的借鑒價值。

關鍵詞：水果圖像；蟻群算法；圖像分割；四維向量

中圖分類號： TP391.41；S126文獻標志碼： A文章編號：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金項目：江蘇省自然科學基金（編號：BK2012128）。

作者簡介：楊業(yè)娟 （1981—），女，江蘇鹽城人，碩士，講師，研究方向為圖形圖像處理、數(shù)據(jù)挖掘、管理信息系統(tǒng)。E-mail：yangyejuanvip@126.com。隨著計算機技術的發(fā)展，尤其是手機等移動數(shù)字成像設備的廣泛應用，利用移動數(shù)字成像設備進行各領域的圖像識別和處理已經(jīng)成為未來發(fā)展趨勢，其應用的關鍵在于根據(jù)應用需求解決圖像中關注目標的檢測和識別。首先需要通過圖像分割技術從采集的圖片中把目標對象與其所在環(huán)境互不重疊地劃分成多個區(qū)域。再針對確定的目標對象所在區(qū)域，對被識別對象進行特征的提取與識別，從而幫助用戶進一步完成其所需要的圖像識別和處理應用。由于目標對象在采樣成像過程中存在自然光源不穩(wěn)定、目標對象移動、目標對象與環(huán)境中附屬物之間以及多個目標對象之間的遮擋等問題，造成移動數(shù)字成像設備在圖像識別與目標對象定位的工作中效率低，很難找到一種適合各類采摘目標的通用圖像分割方法。郭艾俠等提出一種基于探索性分析的荔枝果實與枝葉的識別方法，通過在YCbCr嚴肅空間內，合理設定Cr分量閾值實現(xiàn)對荔枝果實的準確分割[1]；張善文等采用Ostu算法實現(xiàn)對植物病害圖像中葉片的有效分割[2]；周洪剛等采用Ostu分割算法與面積閾值法相結合實現(xiàn)對成熟柑橘的自動識別[3]；郭艾俠等將二次閾值分割方法應用于分割荔枝果實圖像，取得了較好的分割效果[4]；謝忠紅等結合圖像顏色模型，通過采用Ostu算法自動實現(xiàn)了對彩色水果圖像的精確分割[5]；王開義等結合分水嶺與改進的馬爾科夫隨機場模型對馬鈴薯丁粘連圖像進行分割[6]。受到以上研究成果的啟發(fā)，本研究嘗試將蟻群算法（ant colony algorithm，ACA）[7-8]這一來源于生物種群仿真的啟發(fā)式尋優(yōu)算法對具有復雜背景的水果圖像進行分割。

1水果圖像分割算法

要實現(xiàn)對圖像中目標信息的準確識別，就必須考慮識別圖像的內容區(qū)域構成。通過移動數(shù)字成像設備對自然環(huán)境下水果的采樣圖像一般都是復合圖像內容，在整個圖像中主要包括：水果實體、部分細小果枝和葉片、背景環(huán)境和其他一些細縫或者陰影所產生的淺黑色等多種圖像的區(qū)域。要實現(xiàn)對圖像中水果目標的識別提取，有必要對圖像進行區(qū)域分割，從而便于后續(xù)找出對應的水果圖像。

為了解決水果圖像中各部位的分類識別問題，文獻[1-2]通過對強光、普通光和逆光3種光線照射條件下獲取的水果圖像進行探索性數(shù)據(jù)分析，發(fā)現(xiàn)該研究對象的果實體與葉片等主體內容的顏色為偏紅、偏綠和偏褐等，建立了水果圖像YCbCr色彩空間中最佳色彩模型為Cr單通道圖，并以此為基礎設定出合理的閾值分割水果圖像的YCbCr色彩圖，通過去除圖像中的葉片、側枝以及環(huán)境等背景信息，取得了較好的識別效果。但是在實際生活中不同水果具有不同的顏色特點；水果目標與其背景之間有的存在較大的顏色差別，導致水果識別時用單通道分量圖進行分割處理雖然可以縮短圖像處理時間，但是會影響目標識別效率。若采用K-Means、C-Means等模糊聚類的圖像分割方法對水果圖像進行處理時，對于背景顏色與水果顏色差異較小的情況，該方法會把與水果顏色相近的背景區(qū)域和水果同類化，導致水果與背景的誤分類?？紤]移動數(shù)字成像設備對自然環(huán)境下水果的圖像采集一般都是RGB彩色圖像，并且水果自身的顏色具有多樣性，本研究嘗試將蟻群算法應用于水果圖像分割處理。

實地拍攝的水果圖像一般為RGB彩色圖像，人們肉眼識別水果也多是通過水果的顏色特征，單通道分量圖的圖像分割方法不能充分利用圖像中豐富的顏色信息，因此識別效率和實用性不佳。本研究基于蟻群算法進行圖像分割，則要充分利用圖像中的顏色特征來構建模糊聚類處理方法。以原始圖像的R、G、B 3 色直方圖為基礎，選擇3色直方圖的k個峰值點作為水果圖像的顏色聚類中心特征，將大量的像素聚類分析循環(huán)計算簡化為僅在少數(shù)幾個聚類中心峰值點之間的分析比較，通過引導蟻群算子在聚類中心附近進行迭代計算，從而提高計算效率。

由于水果表皮上通常都含有一定量的蠟質層，很多水果在成像時會有明顯的反光現(xiàn)象，這種反光在水果圖像中通常以亮斑或亮度增強區(qū)域的形式表現(xiàn)出來，亮斑從顏色角度可看作R、G、B 3色的綜合影響，因此會對圖像的劃分造成干擾。為了削弱亮斑對圖像分割的干擾，需要對亮度進行處理，對亮度較大的區(qū)域需要進行3色的綜合弱化，通過一群算子迭代將其與相鄰像素同化。

在水果圖像中，水果目標果體和背景的區(qū)域劃分通常還需要考慮圖像在像素梯度方面的特征，一般果體、枝、葉和背景物的內部像素梯度變化較小，而邊界和噪聲的像素梯度變化較大，而且內部梯度變化較小的像素占多數(shù)，邊界像素數(shù)又大于噪聲像素數(shù)，因此可以在水果圖像的R、G、B 3色直方圖及圖像梯度基礎上進行如下處理：以k個聚類中心為計算核心逐一檢驗，聚類中心的3色直方特征對應的像素個數(shù)較多的，則該聚類中心一般情況在果體、枝、葉和背景物的內部，令其梯度特征為零；而對聚類中心的3色直方特征對應的像素個數(shù)較少的，令其梯度值為最大梯度列的均值。

對于二維的水果圖像，根據(jù)上面的像素梯度劃分和圖像中不同類別像素的相鄰像素梯度特征表現(xiàn)，定義鄰域特征：（1）

梯度為零的聚類中心，令其鄰域特征為8，則該聚類中心為像素區(qū)塊內部；（2）

對于梯度值較高的聚類中心，若3色特征對應的像素數(shù)目較多，則可令其鄰域特征點數(shù)目為6，則該聚類中心為邊界；（3）

梯度值較高的聚類中心，如果灰度特征對應的像素個數(shù)較少，令其鄰域特征為3，則該聚類中心為噪聲。

綜合上述3原色、亮度、梯度和鄰域的影響，本研究構建的蟻群圖像分割處理算法如下：

所選定初始聚類中心表示為：Ci（P，B，G，N），i=1，…，k。對于給定水果圖像P，定義每個像素Pj 可作為1只螞蟻，每只螞蟻則將3原色、亮度、梯度和鄰域作為特征的四維向量，圖像分割求解實質上是這些螞蟻搜索食物源的聚類問題求解過程。任意圖像像素點Pi 到Pj 的歐氏距離為lij：endprint