低對比度茶葉嫩芽圖像自動(dòng)分割方法的研究

周禮贊 方夢瑞 呂軍

(黃山學(xué)院信息工程學(xué)院 245041)

采茶是茶葉生產(chǎn)的第一環(huán)節(jié)，目前以人工采摘為主，機(jī)械采摘為輔，人工采摘耗時(shí)耗力、機(jī)械采摘[1～2]缺乏選擇性。智能采摘的重要前提是有效地分割茶葉嫩芽。隨著圖像處理技術(shù)的發(fā)展，汪洋[3]、韋佳佳[4～5]、楊增福[6]等實(shí)現(xiàn)了不同顏色模型下嫩芽的自動(dòng)分割。姚波[7]、汪建[8]等學(xué)者利用嫩芽形態(tài)特征實(shí)現(xiàn)了采摘點(diǎn)的選擇。

自然環(huán)境下嫩芽受老葉、茶梗、土壤等雜質(zhì)的影響，圖像對比度低，無法有效地識別。針對自然生長環(huán)境下低對比度茶葉圖像，首先建立顏色模型上的色差特征信息，然后通過灰度拉伸增強(qiáng)目標(biāo)與背景的對比度，最后利用基于迭代法的OTSU算法實(shí)現(xiàn)嫩芽圖像自動(dòng)分割。

1 茶葉嫩芽顏色空間信息

利用NikonD90數(shù)碼相機(jī)拍攝自然環(huán)境下毛峰圖像，以JPG存儲(chǔ)，如圖1所示，圖像中主要包含嫩芽、老葉、枝條三種目標(biāo)。在RGB顏色模型下選擇原始圖像中嫩芽、老葉和枝條等感興趣區(qū)域ROI(RegionofInterest)，如圖2所示，進(jìn)行顏色信息提取與分析，具體步驟如下：

(1)分別獲取三個(gè)感興趣區(qū)域的紅色(R)、綠色(G)、藍(lán)色(B)灰度值；

(2)根據(jù)各顏色分量的灰度值，繪制茶葉圖像各分量的灰度對比散點(diǎn)圖，如圖3、圖4、圖5所示；

(3)分析各顏色分量之間的統(tǒng)計(jì)特性，選擇待分割圖像。

圖3、圖4、圖5中各分量灰度分布圖可以發(fā)現(xiàn)，嫩芽、老葉和枝條三個(gè)ROI區(qū)域在R分量和B分量對應(yīng)的坐標(biāo)值分布中，三者分布在不同區(qū)域；在R分量和G分量對應(yīng)的坐標(biāo)值分布中，三者均在對角線附近，且出現(xiàn)臨近分布成片和重疊；在G分量和B分量對應(yīng)的坐標(biāo)值分布中，三者均在對角線下方，老葉和枝條呈現(xiàn)相似性，與嫩芽區(qū)域不重疊。根據(jù)三個(gè)色差分布情況和距離45°對角線盡量小的原則，選擇G-B色差圖作為待分割圖像，為有效實(shí)現(xiàn)嫩芽分割提供理論依據(jù)。

2 茶葉嫩芽圖像分割方法

2.1 茶葉嫩芽圖像增強(qiáng)

茶葉圖像采集過程中易受到噪聲影響，利用矢量中值濾波對三分量分別濾波后再合成以增強(qiáng)圖像質(zhì)量。實(shí)現(xiàn)程序和效果如圖6所示。

rgb=imread(‘maofeng.jpg’)； %讀取當(dāng)前路徑下茶葉圖像

fori=1:3 %利用矢量中值濾波對三分量分別濾波

RGB(:,:,i)=medfilt2(rgb(:,:,i),[33]);

end

2.2 茶葉圖像灰度拉伸

由圖5中G-B色差圖發(fā)現(xiàn)，茶葉嫩芽與老葉、枝條等背景對比度低，無法突出嫩芽感興趣區(qū)域。因此，利用指數(shù)形式的灰度拉伸以擴(kuò)展高灰度區(qū)壓縮低灰度區(qū)，具體變換和效果圖如式1和圖7所示。

其中g(shù)ray(x,y)、maxH分別為G-B色差圖中各灰度值和最大灰度值，Gray(x,y)為拉伸后灰度值。

圖1 自然環(huán)境下毛峰茶葉圖像 圖2 枝條、老葉、嫩芽三個(gè)ROI圖像

圖3 茶葉圖像顏色R分量和B分量灰度分布圖和R-B色差圖

圖4 茶葉圖像顏色R分量和G分量灰度分布圖和R-G色差圖

圖5 茶葉圖像顏色G分量和B分量灰度分布圖和G-B色差圖

圖6 矢量中值濾波后茶葉圖像

圖7 指數(shù)拉伸前、后的G-B色差灰度圖

圖8 茶葉嫩芽分割前、后RGB彩色圖像

2.3 茶葉嫩芽自動(dòng)分割

閾值分割是常用的分割方法之一，其基本思路是利用圖像灰度值呈現(xiàn)的分布情況選擇閾值，然后將每個(gè)像素值與之進(jìn)行比較后歸類。閾值的選擇影響分割效果及后期的應(yīng)用推廣。自然環(huán)境下茶葉圖像灰度值動(dòng)態(tài)范圍較大，采用全局迭代閾值法獲取分割閾值，然后利用形態(tài)學(xué)操作實(shí)現(xiàn)偽目標(biāo)剔除和孔洞填充后，通過邏輯與運(yùn)算實(shí)現(xiàn)茶葉嫩芽彩色分割，具體流程如下：

(1)利用全局迭代閾值法獲取分割閾值；

①選取茶葉G-B色差圖平均灰度作為初始閾值，T0=(lowGrey+highGrey)/2其中l(wèi)owGrey和highGrey分別為茶葉G-B色差圖中最小和最大灰度值；

②根據(jù)閾值T(首次分割時(shí)T=T0)將圖像分成目標(biāo)與背景兩部分，然后分別求出兩部分的平均灰度μ0和μ1；

③計(jì)算新閾值：T1=(μ0+μ1)/2，將T1作為新的全局閾值代替T；

④重復(fù)②、③，直到相鄰兩次分割閾值相等或達(dá)到一定的迭代次數(shù)，迭代結(jié)束。

(2)利用步驟(1)中最終閾值，結(jié)合OTSU法實(shí)現(xiàn)初始的二值分割；

(3)bwareaopen函數(shù)剔除面積較小的偽目標(biāo)后，利用imfill函數(shù)將目標(biāo)區(qū)域內(nèi)部孔洞進(jìn)行填充，以獲取較為純凈的二值圖像bw；

(4)利用邏輯與操作實(shí)現(xiàn)茶葉嫩芽彩色分割，其原理為步驟(2)二值圖像bw像素值為1時(shí)，原始彩色圖像保持不變，否則置0。效果圖如圖8所示。

[mn]=size(bw);%獲取二值圖像尺寸

fori=1:m%利用嵌套循環(huán)遍歷所有像素點(diǎn)

forj=1:n

ifbw(i,j)==1%當(dāng)二值圖像為目標(biāo)時(shí)，原始彩色保持不變，否則置為背景黑色

rgb(i,j,:)=rgb(i,j,:);

elsergb(i,j,:)=0;

end

end

end

3 結(jié)果與分析

自然環(huán)境下茶葉生長密度大，以及老葉、枝條、土壤和光照等使得茶葉圖像對比度低，加大了嫩芽分割的難度。首先對采集的茶葉圖像進(jìn)行顏色特征分布統(tǒng)計(jì)，選取G-B色差灰度圖作為待分割圖像；其次利用指數(shù)灰度拉伸擴(kuò)大對比度；然后利用迭代法獲取全局閾值并結(jié)合形態(tài)學(xué)操作實(shí)現(xiàn)二值分割；最終通過邏輯與操作實(shí)現(xiàn)了嫩芽彩色分割。根據(jù)茶葉圖像顏色特征分布獲取的G-B色差因子在嫩芽分割應(yīng)用中具有強(qiáng)魯棒性和可靠性，為自然條件下低對比度的茶葉嫩芽智能采摘提供理論基礎(chǔ)。