應(yīng)用區(qū)域顏色分割的機(jī)采棉雜質(zhì)檢測(cè)方法

張成梁，李 蕾，董全成，葛榮雨

(1. 濟(jì)南大學(xué) 機(jī)械工程學(xué)院，山東 濟(jì)南 250022；2. 齊魯工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院，山東 濟(jì)南 250353)

?

應(yīng)用區(qū)域顏色分割的機(jī)采棉雜質(zhì)檢測(cè)方法

張成梁1，李 蕾2，董全成1，葛榮雨1

(1. 濟(jì)南大學(xué) 機(jī)械工程學(xué)院，山東 濟(jì)南 250022；2. 齊魯工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院，山東 濟(jì)南 250353)

機(jī)采棉中的雜質(zhì)繁雜，而雜質(zhì)類型及含量對(duì)后期棉花加工工藝的影響很大。為此，提出一種應(yīng)用區(qū)域顏色分割方法以檢測(cè)棉花中的雜質(zhì)。在圖像分割中，先對(duì)濾波后的機(jī)采棉圖像進(jìn)行彩色梯度運(yùn)算，通過(guò)擴(kuò)展極小變換運(yùn)算獲得標(biāo)記圖像，在修改后的梯度圖像上運(yùn)用分水嶺算法獲得初始分割圖像，然后對(duì)初始分割圖像進(jìn)行區(qū)域合并。區(qū)域合并過(guò)程中要綜合考慮空間鄰接性、顏色信息和區(qū)域面積3個(gè)因素。顏色信息主要采用飽和度、亮度、區(qū)域顏色向量模及顏色相似度4個(gè)特征量。用層次遞進(jìn)的合并方法，迭代過(guò)程更新信息特征。最后通過(guò)支持向量機(jī)算法提取顏色、紋理、形狀特征對(duì)雜質(zhì)區(qū)域進(jìn)行識(shí)別。結(jié)果表明，所提方法對(duì)機(jī)采棉中天然雜質(zhì)的平均識(shí)別率為94%。

機(jī)采棉；圖像分割；雜質(zhì)識(shí)別；標(biāo)記分水嶺；區(qū)域合并；顏色特征

隨著農(nóng)業(yè)現(xiàn)代化程度的提高，機(jī)械采摘棉花成為主流趨勢(shì)[1]。相對(duì)于手摘棉，機(jī)采棉雜質(zhì)種類多，含量高，為保證棉花質(zhì)量，棉花加工過(guò)程中多級(jí)清雜環(huán)節(jié)顯得尤為重要。通過(guò)機(jī)采棉圖像判定機(jī)采棉中的含雜率，可為棉花加工工藝提供有利的指導(dǎo)[2],直接影響皮棉加工質(zhì)量，進(jìn)而影響紡紗及印染工藝。圖像分割是機(jī)采棉圖像處理的前提和基礎(chǔ)，分割的好壞直接影響后續(xù)處理效果，圖像分割不準(zhǔn)確會(huì)導(dǎo)致棉花雜質(zhì)識(shí)別難度大，甚至造成錯(cuò)誤判別。目前對(duì)棉花雜質(zhì)的研究大都集中在棉花中異性纖維的分割識(shí)別方面，為紡紗過(guò)程的開(kāi)清棉工序提供除雜檢測(cè)依據(jù)。檢測(cè)方法包括X光斷層掃描像、紫外光譜分析、可見(jiàn)光拍照等[3-4]，圖像分割方面主要使用閾值分割等方法[5-6]。而對(duì)于機(jī)采棉中的葉屑、棉枝、鈴殼、僵瓣、塵雜等天然雜質(zhì)在加工過(guò)程中的檢測(cè)研究相對(duì)較少[7-8]。

圖像分割方法目前大致分為閾值分割法、邊緣分割法和區(qū)域分割法3大類。其中，區(qū)域分割法以區(qū)域的一致性作為準(zhǔn)則對(duì)圖像進(jìn)行區(qū)域劃分，將感興趣的區(qū)域提取出來(lái)做進(jìn)一步處理。相對(duì)閾值分割和邊緣分割法，區(qū)域分割法抗噪能力強(qiáng)，魯棒性好[9]。機(jī)采棉雜質(zhì)繁雜，為更好地對(duì)機(jī)采棉雜質(zhì)進(jìn)行分類識(shí)別，便于機(jī)采棉加工中有針對(duì)性的清雜處理，本文提出一種基于區(qū)域顏色信息分割的機(jī)采棉雜質(zhì)檢測(cè)方法。為避免在梯度圖像上直接用分水嶺變換產(chǎn)生的嚴(yán)重過(guò)分割現(xiàn)象，首先通過(guò)擴(kuò)展極小變換運(yùn)算得到標(biāo)記圖像，在標(biāo)記圖像修正后的梯度圖像上運(yùn)用分水嶺算法對(duì)其進(jìn)行初始分割；然后將初始分割后的區(qū)域作為處理的基本單元，在綜合考慮圖像的空間鄰接性、顏色信息以及區(qū)域面積等因素的影響下完成區(qū)域合并操作；最后提取獨(dú)立完整雜質(zhì)區(qū)域的顏色、紋理、形狀特征，利用支持向量機(jī)(SVM)方法完成雜質(zhì)識(shí)別過(guò)程。

1 試驗(yàn)材料與裝置

試驗(yàn)材料為新疆農(nóng)八師149團(tuán)新陸早59號(hào)機(jī)采棉，其中含有葉屑、枝條、鈴殼、僵瓣、塵雜等天然性雜質(zhì)。圖像采集裝置(如圖1所示)主要包括儲(chǔ)棉裝置、石英玻璃板、光源、光源支架、工業(yè)相機(jī)、相機(jī)支架、暗室、防護(hù)罩和電腦。采集圖片時(shí)，將機(jī)采棉存放在儲(chǔ)棉裝置中，并將其壓在石英玻璃板上進(jìn)行拍攝。相機(jī)選用維視MV-EM510C/M型彩色面陣工業(yè)CCD相機(jī)，分辨率為2 456像素×2 058像素，CCD尺寸為16.9 mm，GigE千兆以太網(wǎng)輸出；M0824-MPW2工業(yè)鏡頭的焦距為8 mm；照明光源為4段條形LED漫射光源AFT-WL21244-22W，AFT-ALP2430-02光源控制器。拍攝裝置實(shí)物如圖2所示。

注：1—儲(chǔ)棉裝置；2—石英玻璃板；3—光源；4—光源支架；5—工業(yè)相機(jī)；6—相機(jī)支架；7—暗室；8—防護(hù)罩；9—電腦。圖1 圖像采集裝置Fig.1 Image acquisition device

圖2 拍攝裝置實(shí)物照片F(xiàn)ig.2 Photo of shooting device

2 機(jī)采棉含雜圖像處理

2.1 算法控制流程

本文結(jié)合標(biāo)記分水嶺算法和基于顏色信息的區(qū)域合并算法對(duì)機(jī)采棉雜質(zhì)進(jìn)行分割。對(duì)圖像進(jìn)行中值濾波，得到濾波后的彩色梯度圖像，利用擴(kuò)展極小變換運(yùn)算得到標(biāo)記圖像，采用形態(tài)學(xué)強(qiáng)制最小運(yùn)算修正梯度圖像，并采用分水嶺變換得到初始分割圖像，在此基礎(chǔ)上合并初始分割圖像區(qū)域。首先，建立區(qū)域鄰接關(guān)系表，通過(guò)亮度閾值和顏色相似性對(duì)相鄰區(qū)域進(jìn)行初始合并；然后，采用飽和度閾值和亮度閾值對(duì)圖像中的僵瓣等區(qū)域進(jìn)行合并，過(guò)程中將深色雜質(zhì)與淺色雜質(zhì)分別獨(dú)立進(jìn)行合并；最后，利用飽和度閾值和區(qū)域向量模對(duì)暗色特征的棉花區(qū)域完成最終合并。

圖像分割完成后，標(biāo)記雜質(zhì)類型，包括棉枝、棉葉、鈴殼、僵瓣和塵雜，計(jì)算各區(qū)域的顏色特征、形狀特征和紋理特征，構(gòu)造11維特征向量，訓(xùn)練SVM識(shí)別模型，利用建立的模型完成圖像雜質(zhì)的分類識(shí)別。具體算法流程如圖3所示。

圖3 機(jī)采棉圖像雜質(zhì)分割流程圖Fig.3 Flow chart of machine-harvested cotton impurities segmentation

2.2 圖像初始分割

分水嶺算法是一種形態(tài)學(xué)分割方法，運(yùn)算簡(jiǎn)單，但由于噪聲以及圖像本身紋理細(xì)節(jié)的存在，圖像含有大量的偽極小值，造成分水嶺嚴(yán)重的過(guò)分割[10]。為抑制過(guò)分割現(xiàn)象，本文參考文獻(xiàn)[11]的標(biāo)記分水嶺分割方法對(duì)圖像進(jìn)行初始分割，分割步驟如下。

1) 首先對(duì)圖像進(jìn)行濾波預(yù)處理。采用彩色圖像向量直接求取梯度圖像，在此基礎(chǔ)上，引入擴(kuò)展極小變換(H-minima)運(yùn)算進(jìn)行極值標(biāo)記。比較給定的閾值h，從而限制局部極小值點(diǎn)數(shù)目。梯度圖像經(jīng)過(guò)深度閾值為h的擴(kuò)展極小變換運(yùn)算，即：

(1)

式中：▽f為彩色梯度圖像；▽fmark為標(biāo)記圖像；Hmin(·)表示形態(tài)學(xué)H-minima運(yùn)算；h表示深度閾值。

2) 在標(biāo)記圖像基礎(chǔ)上，通過(guò)形態(tài)學(xué)強(qiáng)制最小運(yùn)算修正梯度圖像，僅在被標(biāo)記位置出現(xiàn)局部極小區(qū)域。修正梯度圖像▽fws為

(2)

式中IMmin(·)表示形態(tài)極小值標(biāo)定操作。

3) 在修正后的梯度圖像上進(jìn)行分水嶺分割運(yùn)算，得到機(jī)采棉的初始分割圖像fws，即：

fws=WST(▽fws)

(3)

式中WST(·)表示分水嶺分割操作算子。

2.3 圖像區(qū)域合并

通過(guò)標(biāo)記分水嶺方法得到的初始分割圖像中仍然存在許多過(guò)分割區(qū)域，需要對(duì)這些區(qū)域進(jìn)行合并。在合并時(shí)，本文綜合考慮區(qū)域間的空間鄰接性、顏色相似度和區(qū)域面積等3方面因素。為提高分割準(zhǔn)確度，合并過(guò)程中采用層層遞進(jìn)多次合并的方法，合并過(guò)程迭代更新區(qū)域空間鄰接性、顏色特征和區(qū)域面積等信息。

2.3.1 空間鄰接性判定

空間鄰接性表示區(qū)域間的相鄰關(guān)系，只有相鄰的區(qū)域在滿足條件的情況下才能進(jìn)行合并操作。具體操作時(shí)，將圖像初分割后的圖塊進(jìn)行區(qū)域標(biāo)記，使用鄰接關(guān)系表的形式表示各區(qū)域間的相鄰關(guān)系[12]。如圖4所示，假設(shè)圖像中存在A、B、C、D、E、F等6個(gè)分割區(qū)域，需要對(duì)該圖像根據(jù)空間鄰接性進(jìn)行區(qū)域合并操作。

（三）僅注重軟件的操作和結(jié)果的分析，卻忽視了對(duì)統(tǒng)計(jì)原理的深度分析和統(tǒng)計(jì)思想的逐步滲透，理論講授不夠立系統(tǒng)、深入和立體。

圖4 圖像分割區(qū)域示意圖Fig.4 Image segmentation region sketch map

據(jù)此建立的鄰接關(guān)系如表1所示。計(jì)算時(shí)，首先根據(jù)鄰接關(guān)系表中的數(shù)字“0”或“1”判斷2個(gè)區(qū)域是否為相鄰區(qū)域，若相鄰，再根據(jù)區(qū)域顏色信息進(jìn)一步判斷是否能夠合并。在2個(gè)符合判別條件的相鄰區(qū)域合并過(guò)程中，根據(jù)分水嶺脊線上像素點(diǎn)八鄰域的標(biāo)記數(shù)統(tǒng)計(jì)情況，完成2個(gè)區(qū)域標(biāo)記數(shù)字的統(tǒng)一及分水嶺脊線的消除操作。

通過(guò)編程實(shí)現(xiàn)合并過(guò)程的迭代運(yùn)算，隨著迭代過(guò)程的進(jìn)行，算法更新分割區(qū)域圖與鄰接關(guān)系表，同時(shí)更新合并后新區(qū)域的顏色信息。

2.3.2 區(qū)域顏色信息特征選取

顏色信息特征是機(jī)采棉圖像區(qū)域間相似性判定的關(guān)鍵因素。機(jī)采棉圖像中，棉花和雜質(zhì)顏色信息復(fù)雜，可采用閾值法和顏色相似性函數(shù)判別完成相鄰區(qū)域間的合并。機(jī)采棉圖像背景多變，目標(biāo)信息易混淆，比如棉花可能掩蓋雜質(zhì)，僵瓣的顏色信息復(fù)雜，籽棉團(tuán)之間的間隙呈現(xiàn)暗色棉花區(qū)域等。實(shí)驗(yàn)發(fā)現(xiàn)，將RGB空間與HSI空間的顏色信息相結(jié)合對(duì)機(jī)采棉圖像分割更為有效。

表1 鄰接關(guān)系表Tab.1 Adjacent relation table

注：“1”表示2個(gè)區(qū)域鄰接；“0”表示不鄰接。

機(jī)采棉圖像中，利用HSI顏色空間的飽和度S和亮度I特征區(qū)分棉纖維與雜質(zhì)效果較好。從實(shí)驗(yàn)統(tǒng)計(jì)數(shù)據(jù)中得出：雜質(zhì)飽和度比棉花普遍高；棉花亮度比雜質(zhì)偏高；由于機(jī)采棉圖像中色彩區(qū)別不顯著，色調(diào)H的規(guī)律性較弱，因此不采用色調(diào)H特征。

在RGB空間中，主要采用顏色相似性srgb和區(qū)域顏色向量模Mrgb2個(gè)特征。在區(qū)域合并時(shí)，相對(duì)于面積差異大的區(qū)域，面積相近的2個(gè)區(qū)域?qū)︻伾町愐蟾?；同時(shí)，在2個(gè)區(qū)域面積相近的情況下，區(qū)域面積和越大，對(duì)顏色差異要求更小。本文在充分考慮區(qū)域面積因素的基礎(chǔ)上建立顏色相似度特征srgb，公式[13]為

(4)

式中：srgb表示i區(qū)域和j區(qū)域的相似度；Ri、Gi、Bi、Rj、Gj、Bj分別表示第i、j個(gè)區(qū)域的三基色平均像素值；ri、rj表示i區(qū)域和j區(qū)域的面積。

區(qū)域顏色向量模為

(5)

2.4 雜質(zhì)識(shí)別模型

在分類識(shí)別方面，SVM方法解決了有限數(shù)量樣本的高維模型構(gòu)造問(wèn)題，同時(shí)具有良好的預(yù)測(cè)能力，具有較好的泛化和推廣能力[14-15]。本文選用SVM對(duì)分割后的機(jī)采棉含雜圖像進(jìn)行雜質(zhì)種類識(shí)別。

表2 區(qū)域顏色特征值部分?jǐn)?shù)據(jù)統(tǒng)計(jì)表Tab.2 Part data statistics of region color feature value

2.4.1 識(shí)別特征選擇

對(duì)SVM分類器的訓(xùn)練和測(cè)試，需要對(duì)分割后的圖像提取特征向量，在圖像分割階段已經(jīng)提取了機(jī)采棉圖像雜質(zhì)區(qū)域特征的S、I及Mrgb，在此基礎(chǔ)上，本文增加了形狀特征和紋理特征作為SVM識(shí)別的特征向量。

形狀方面采用面積、周長(zhǎng)、離心率以及矩形度4個(gè)特征量。面積用同一標(biāo)記區(qū)域中像素?cái)?shù)表示；周長(zhǎng)用圖形區(qū)域外邊界的相鄰2像素之間的距離和表示；離心率即區(qū)域形狀接近圓形的程度；矩形度用雜質(zhì)區(qū)域圖的最小外接矩形面積與其面積之比表示。

紋理方面采用基于灰度直方圖的平均亮度、平均對(duì)比度、一致性和熵4個(gè)特征量。平均亮度為圖像中所選擇區(qū)域的亮度均值；平均對(duì)比度為圖像中所選擇區(qū)域的亮度標(biāo)準(zhǔn)偏差；一致性用于度量像素值的一致性，當(dāng)所有灰度值相等時(shí)，該值最大；熵用于度量像素值的隨機(jī)性。

2.4.2 核函數(shù)選取及參數(shù)確定

SVM算法中核函數(shù)的使用解決了維數(shù)災(zāi)難問(wèn)題，線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)為常用核函數(shù)。其中，RBF核函數(shù)應(yīng)用最廣泛，各方面性能均表現(xiàn)穩(wěn)定。本文選用RBF作為SVM的核函數(shù)。

使用RBF核函數(shù)需要確定懲罰因子C和核函數(shù)參數(shù)γ。為避免參數(shù)選擇的盲目性，本文采用LIBSVM-FarutoUltimate工具箱提供的網(wǎng)格參數(shù)尋優(yōu)方法，確定最優(yōu)參數(shù)值組合[16]。

3 結(jié)果與分析

機(jī)采棉典型圖像的實(shí)例分割結(jié)果如圖5所示，各方法對(duì)應(yīng)的圖像分割線如圖6所示。

圖5 機(jī)采棉典型圖像實(shí)例分割結(jié)果Fig.5 Case segmentation results of typical image. (a) Original image; (b) Filtered image; (c) Watershed segmentation image; (d) Modified gradient image; (e) Segmentation image using marked watershed algorithm; (f) Primary iteration image; (g) Secondary iteration image; (h) Ternary iteration image; (i) Segmentation image using Otsu algorithm; (j) Segmentation image using Canny operator

圖6 機(jī)采棉典型圖像各方法分割線Fig.6 Typical image split line of each method. (a) Segmentation image using marked watershed algorithm; (b) Primary iteration image; (c) Secondary iteration image; (d) Ternary iteration image; (e) Segmentation image using Canny operator

圖5(a)為典型實(shí)例原始圖像，圖5(b)為對(duì)原圖像中值濾波后圖像，由于圖像包含塵雜等比較細(xì)小的雜質(zhì)，需要用小窗口濾波。圖5(c)為直接在其彩色梯度圖像上運(yùn)用分水嶺算法得到的分割圖像，可看到過(guò)分割現(xiàn)象非常嚴(yán)重。為消除過(guò)分割現(xiàn)象，利用極小值擴(kuò)展運(yùn)算得到標(biāo)記圖像后，運(yùn)用強(qiáng)制最小運(yùn)算得到修正梯度圖像如圖5(d)所示。對(duì)修改后的梯度圖像進(jìn)行分水嶺運(yùn)算得到初始分割圖像如圖5(e)所示，分割線如圖6(a)所示。由圖可看到圖像中雜質(zhì)邊界十分清晰，但仍有過(guò)分割現(xiàn)象，在此基礎(chǔ)上需要進(jìn)行區(qū)域合并。首先利用亮度閾值和顏色相似度特征對(duì)圖像進(jìn)行初始合并，得到圖5(f)，分割線如圖6(b)所示。從圖中可看出較淺的棉花區(qū)域以及較深的枝條、棉葉等雜質(zhì)合并完整，僵瓣及鈴殼部分區(qū)域仍有很多區(qū)域沒(méi)有合并。然后利用飽和度閾值和亮度閾值對(duì)圖像中的僵瓣、鈴殼等區(qū)域進(jìn)行合并，如圖5(g)所示，分割線如圖6(c)所示，僵瓣和鈴殼淺色區(qū)域完成合并，部分暗色棉花區(qū)域仍沒(méi)有合并。最后用區(qū)域顏色向量模和飽和度閾值將暗色棉花區(qū)域合并，如圖5(h)所示，分割線如圖6(d)所示，可看出：機(jī)采棉圖像中鈴殼、僵瓣、枝條、葉屑等雜質(zhì)分割完整，邊界清晰，整體效果理想；鈴殼的兩面由于顏色信息差別很大，將其分成2個(gè)部分，機(jī)采棉圖像分割區(qū)域最終合并完成。

為對(duì)比分割效果，使用Otsu算法得到的分割圖像如圖5(i)所示，該方法可將較深顏色雜質(zhì)分割清楚，但是邊緣不準(zhǔn)確，對(duì)僵瓣、鈴殼區(qū)域提取不完整，暗色棉花與塵雜存在誤判情況，該方法是對(duì)圖像進(jìn)行閾值處理，沒(méi)有分割線可提起。使用Canny算子得到的分割圖像如圖5(j)所示，分割線如圖6(e)所示，僵瓣和鈴殼分割誤差較大，且Canny算子不能將邊緣封閉。由此可見(jiàn)，本文算法對(duì)于僵瓣、鈴殼以及暗色棉花區(qū)域抗噪能力更強(qiáng)，準(zhǔn)確度更高。

分別用本文方法和Otsu-SVM方法對(duì)80張新疆農(nóng)八師149團(tuán)新陸早59號(hào)機(jī)采棉含雜圖片進(jìn)行圖像分割、雜質(zhì)識(shí)別操作，各雜質(zhì)的識(shí)別準(zhǔn)確率如表3所示。

表3 各類雜質(zhì)識(shí)別準(zhǔn)確率Tab.3 Recognition accurate ratio of impurities

分別通過(guò)人眼識(shí)別圖片雜質(zhì)與本文方法進(jìn)行比較，統(tǒng)計(jì)雜質(zhì)個(gè)數(shù)，計(jì)算識(shí)別準(zhǔn)確率。由于Otsu圖像分割的邊界偏差大，區(qū)域內(nèi)同類雜質(zhì)的顏色特征、紋理特征一致性差，區(qū)域形狀特征不明顯，導(dǎo)致識(shí)別率不高。本文方法對(duì)鈴殼、僵瓣、枝條、葉屑雜質(zhì)區(qū)域的分割準(zhǔn)確，識(shí)別率顯著提高，整體效果理想。由于雜質(zhì)間的重疊及棉花纖維的掩蓋，且塵雜的面積較小，有些人眼可觀察到的塵雜識(shí)別較為困難，因此塵雜識(shí)別率相對(duì)較低。

4 結(jié) 論

本文提出一種基于區(qū)域顏色信息特征的機(jī)采棉天然雜質(zhì)分割方法。為抑制過(guò)分割現(xiàn)象，通過(guò)擴(kuò)展極小變換運(yùn)算，采用標(biāo)記分水嶺算法得到初始分割圖像。建立顏色相似度函數(shù)，選取飽和度、亮度、區(qū)域顏色向量模作為區(qū)域顏色特征。合并過(guò)程中利用多次合并方法，迭代過(guò)程更新特征信息，使得算法準(zhǔn)確度高，抗噪能力強(qiáng)。通過(guò)SVM提取多維特征向量，對(duì)機(jī)采棉分割后圖像進(jìn)行雜質(zhì)識(shí)別。試驗(yàn)結(jié)果表明，對(duì)于機(jī)采棉中的僵瓣、鈴殼、枝條、葉屑、塵雜等天然雜質(zhì)，本文方法可獲得94%的平均識(shí)別率。

FZXB

[1] 田景山, 王文敏, 王聰, 等. 機(jī)械采收方式對(duì)新疆棉品質(zhì)的影響[J]．紡織學(xué)報(bào), 2016, 37(7):13-17. TIAN Jingshan, WANG Wenmin, WANG Cong, et al. Effect of cotton mechanical picking on fiber qualities in Xinjiang[J]. Journal of Textile Research, 2016, 37(7):13-17.

[2] 徐紅, 曹吉強(qiáng), 葉偉, 等. 鋸齒式皮棉清理對(duì)機(jī)采棉性能的影響[J]. 紡織學(xué)報(bào), 2014, 35(1): 35-39. XU Hong, CAO Jiqiang, YE Wei, et al. Influence of saw type lint cleaning on performance of machine stripped cotton[J]. Journal of Textile Research, 2014, 35(1): 35-39.

[3] PAI A, SARI-SARRAF H, HEQUET E F. Recognition of cotton contaminants via X-ray microtomographic image analysis[J]. IEEE Transactions on Industry Applications, 2004, 40(1): 77-85.

[4] MUSTAFIC A, LI C, HAIDEKKER M. Blue and UV LED-induced fluorescence in cotton foreign matter[J]. Journal of Biological Engineering, 2014, 8(1): 8-29.

[5] YANG Wenzhu, LI Daoliang, ZHU Liang. A new approach for image processing in foreign fiber detection[J]．Computers and Electronics in Agriculture, 2009, 68(1): 68-77.

[6] 闞道宏, 李道亮, 楊文柱, 等. 棉花異性纖維圖像在線分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(增刊2): 11-15. KAN Daohong, LI Daoliang, YANG Wenzhu, et al. Cotton image segmentation method for online foreign fiber inspection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 26(S2): 11-15.

[7] 張成梁, 李蕾, 董全成, 等. 基于顏色和形狀特征的機(jī)采棉雜質(zhì)識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(7): 28-34. ZHANG Chengliang, LI Lei, DONG Quancheng, et al. Recognition method for machine-harvested cotton impurities based on color and shape features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 28-34.

[8] WANG X, YANG W, LI Z. A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton[J]. Computers & Electrical Engineering, 2015, 46: 500-510.

[9] 許凱, 秦昆, 黃伯和, 等. 基于云模型的圖像區(qū)域分割方法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2010, 15(5): 757-763. XU Kai, QIN Kun, HUANG Bohe, et al. A new method of region based image segmentation based on cloud model[J]. Journal of Image and Graphics, 2010, 15(5): 757-763.

[10] 周慧, 張華熊, 胡潔, 等. 基于平滑濾波和分水嶺算法的重組織織物圖像分割[J]. 紡織學(xué)報(bào), 2015, 36(8): 38-42. ZHOU Hui, ZHANG Huaxiong, HU Jie, et al．Backed weave image segmentation based on smoothing filter and watershed algorithm[J]. Journal of Textile Research, 2015, 36(8): 38-42.

[11] 高麗, 楊樹(shù)元, 李海強(qiáng). 一種基于標(biāo)記的分水嶺圖像分割新算法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2007, 12(6): 1025-1032. GAO Li, YANG Shuyuan, LI Haiqiang. New unsupervised image segmentation via marker-based watershed[J]. Journal of Image and Graphics, 2007, 12(6): 1025-1032.

[12] 李占波, 楊二偉, 李進(jìn)文. 基于改進(jìn)分水嶺和區(qū)域合并的彩色圖像分割[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2014, 35(7): 2458-2461. LI Zhanbo, YANG Erwei, LI Jinwen. Color image segmentation based on improved marked watershed transform and region merging[J]. Computer Engineering and Design, 2014, 35(7): 2458-2461.

[13] 盧中寧, 強(qiáng)贊霞. 基于梯度修正和區(qū)域合并的分水分割算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2009, 30(8): 2075-2077. LU Zhongning, QIANG Zanxia. Watershed segmentation based on gradient modification and region merging[J]. Computer Engineering and Design, 2009, 30(8): 2075-2077.

[14] KORKMAZ S A, POYRAZ M. Least square support vector machine and minumum redundacy maximum relavance for diagnosis of breast cancer from breast microscopic images[J]. Procedia-Social and Behavioral Sciences, 2015, 174(3): 4026-4031.

[15] 周植宇, 楊明, 薛林繼, 等. 一種基于高斯核支持向量機(jī)的非結(jié)構(gòu)化道路環(huán)境植被檢測(cè)方法[J]. 機(jī)器人, 2015, 37(6): 702-707. ZHOU Zhiyu, YANG Ming, XUE Linji, et al. Vegetation detection approach based on Gaussian kernel support vector machine in unstructured road environ-ment[J]. Robot, 2015, 37(6): 702-707.

[16] CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 389-396.

Detection method for machine-harvested cotton impurities based on region color segmentation

ZHANG Chengliang1，LI Lei2，DONG Quancheng1，GE Rongyu1

(1.SchoolofMechanicalEngineering，UniversityofJinan,Jinan,Shandong250022,China；2.SchoolofMechanical&AutomotiveEngineering,QiluUniversityofTechnology,Jinan,Shandong250353,China)

Machine-harvested cotton impurities are complicated. It is important to detect the type and content of impurities for adjustment of the processing technique of cotton. An impurity detection method based on region color segmentation was presented. During image segmentation stage color gradient image was obtained based on filtered image firstly. Marking image was achieved by H-minima transform, and initial segmentation image was acquired based on modified gradient image by watershed algorithm. Then region merging was conducted for initial segmentation image. Region adjacency, region color feature and region area were considered for region merging. Region color features such as saturation, intensity, region color vector module and color similarity were used. Repeated merging was adopted, and information of color feature was updated in different merging. Finally various features including color, texture and shape were extracted by support vector machines algorithm for impurity recognition. Experimental results show that a successful recognition ratio of 94% for natural impurities is achieved.

machine-harvested cotton；image segmentation；impurity recognition；marker-controlled watershed；region merging；color feature

10.13475/j.fzxb.20160906707

2016-09-30

2017-04-12

國(guó)家自然科學(xué)基金項(xiàng)目(51305164，51405194)；山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016GNC110025)

張成梁(1983—)，男，講師，博士。主要研究方向?yàn)閳D像檢測(cè)識(shí)別、智能儀器儀表以及優(yōu)化控制研究等。E-mail:me_zhangcl@ujn.edu.cn。

TP 391.41

A