家蠶微粒子圖像的分割技術(shù)研究

胡新宇+錢磊+張道德+吳良溢

摘 要： 針對家蠶微粒子圖像存在背景復(fù)雜、光照不均及微小彩色目標(biāo)圖像分割處理問題，研究彩色家蠶微粒子圖像在復(fù)雜場景下的分割技術(shù)。該方法首先通過模糊對比度增強(qiáng)預(yù)處理方法，增強(qiáng)微粒子目標(biāo)圖像和復(fù)雜背景的對比度；然后，采用顏色特征提取準(zhǔn)則從非目標(biāo)雜質(zhì)圖像中直接分離出彩色目標(biāo)圖像，減少了疑似孢子引起誤識別的可能性，同時(shí)提高了二維Otsu分割方法對彩色微粒子小目標(biāo)圖像分割的有效性。實(shí)驗(yàn)結(jié)果表明該方法對微粒子圖像分割處理效果良好。

關(guān)鍵詞： 家蠶微粒子； 彩色圖像分割； 模糊增強(qiáng)； 二維Otsu； 顏色特征提??； HSI模型

中圖分類號： TN911.73?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）04?0041?04

Abstract： In allusion to the complex background and uneven illumination of pebrine images and segmentation processing problem of small color target images， the segmentation technology of color pebrine images in complex scenes was researched. The contrast of pebrine target image and complex background is increased by using the method of fuzzy contrast enhancement preprocessing. The color target images are directly separated from non?target impurity images by using the color feature extraction criterion， which can not only reduce the possibility of misrecognition of suspected spores， but also improve the effectiveness of two?dimensional Otsu segmentation method for color pebrine target image segmentation. The experiment results show that the method has good effect on pebrine image segmentation processing.

Keywords： pebrine； color image segmentation； fuzzy enhancement； two?dimensional Otsu； color feature extraction； HSI model

家蠶微粒子病俗稱“蠶癌”[1]，利用視覺技術(shù)進(jìn)行檢測，將蠶蛾研磨、經(jīng)離心分離后置于顯微鏡下拍攝圖像進(jìn)行處理。微粒子大小為3～4 μm×1.5～2.5 μm，形態(tài)為橢圓形，在600倍顯微鏡下觀察呈淡綠色。采集的微粒子圖像背景復(fù)雜，有大量不同形態(tài)的蠶蛾碎片等雜質(zhì)圖像，另外顯微圖像光照不均，存在反光和噪聲。研究復(fù)雜背景下微粒子彩色目標(biāo)圖像的分割技術(shù)，成為影響家蠶微粒子圖像自動(dòng)檢測的一項(xiàng)關(guān)鍵技術(shù)。

1 微粒子圖像的模糊對比度增強(qiáng)預(yù)處理

針對微粒子顯微圖像對比度差、光照不均勻的問題，采用模糊對比度增強(qiáng)處理[2]方法，增強(qiáng)微粒子目標(biāo)圖像和復(fù)雜背景的對比度，減少微粒子圖像復(fù)雜背景及噪聲干擾影響，為下一步圖像分割做好準(zhǔn)備。

為此，引入局部對比度算子，選擇合適的凸函數(shù)進(jìn)行模糊增強(qiáng)處理，放大鄰域內(nèi)各像素間的差異，然后通過逆映射將圖像變換到空間域進(jìn)行平滑濾波，完成微粒子圖像增強(qiáng)預(yù)處理。主要包括以下4個(gè)工作步驟：

4） 對比度增強(qiáng)處理方法，把背景中的噪聲干擾信息和目標(biāo)圖像邊緣細(xì)節(jié)有效信息都同時(shí)進(jìn)行了模糊增強(qiáng)，為了有效去除離散的噪聲點(diǎn)，考慮采用中值濾波方法。

從圖1可知，經(jīng)模糊對比度增強(qiáng)處理后，增強(qiáng)了微粒子圖像局部區(qū)域輪廓和色彩特征，使小顆粒目標(biāo)圖像和背景對比度更加清晰，有利于圖像后續(xù)分割處理。

2 家蠶微粒子圖像的分割算法研究

對于低照度、小目標(biāo)微粒子圖像，經(jīng)過對比度增強(qiáng)預(yù)處理后，能顯著增強(qiáng)微粒子顯微圖像與背景的對比度，突顯目標(biāo)區(qū)域微粒子圖像的輪廓和色彩特征，為復(fù)雜背景下微粒子目標(biāo)圖像的分割做好準(zhǔn)備。

2.1 Otsu閾值分割算法分析

最大類間方差法[4?5]（Otsu法）作為一種非參數(shù)監(jiān)督的自適應(yīng)閾值選取方法，Haralick研究認(rèn)為，目標(biāo)區(qū)域像素占比至少大于30%時(shí)，一維Otsu分割效果最好[6]；而Wang H.Y.等提出的二維Otsu閾值分割法[7]，其閾值分割依據(jù)是將由像素灰度值和鄰域內(nèi)灰度平均值分布形成的二維灰度直方圖作為閾值選取參考，使它在小目標(biāo)圖像分割上具有良好的分割性能。

應(yīng)用上述兩種算法理論，對圖1c）進(jìn)行Otsu閾值分割后的效果如圖2所示。

對比分析兩種分割處理效果圖，可看出：

1） 由于微粒子圖像小目標(biāo)像素占比較少，經(jīng)一維Otsu分割處理后的圖像中存在大量雜質(zhì)見圖2a），實(shí)驗(yàn)證明，該方法不適合小目標(biāo)微粒子圖像分割；

2） 經(jīng)對比，圖2b）中大量存在的小顆粒雜質(zhì)圖像，經(jīng)二維Otsu分割處理后沒有顯現(xiàn)出來，并保持目標(biāo)區(qū)域良好的橢圓形邊緣特征，表明二維Otsu法在小目標(biāo)圖像分割性能上，優(yōu)于一維Otsu算法。

二維Otsu算法雖在小目標(biāo)圖像分割上具有良好分割性能，但由于目標(biāo)圖像在基于全局的灰度值統(tǒng)計(jì)中占比不夠，導(dǎo)致二維Otsu法分割性能同樣不佳，需研究復(fù)雜背景下微粒子顯微圖像的分割技術(shù)。endprint

2.2 面向微粒子圖像的分割技術(shù)研究

由于沒有充分利用目標(biāo)圖像局部的實(shí)際有效信息，即微粒子呈淡綠色的色彩特征，因而難以準(zhǔn)確提取微粒子圖像的目標(biāo)區(qū)域，據(jù)此研究面向微粒子圖像的分割技術(shù)。

2.2.1 微粒子圖像的HSI模型分析

美國色彩學(xué)家H.A.Munseu提出HSI顏色模型[8]，對于依靠人眼來感知色彩特性的微粒子圖像識別檢測處理合適。微粒子原始圖像（圖1a）的HSI各顏色分量圖如圖3所示。

由各顏色分量圖像知：H分量圖像（圖3a））中白色亮點(diǎn)清晰地顯示出需提取的微粒子目標(biāo)圖像區(qū)域；S分量圖像（圖3b））較完整地標(biāo)識出目標(biāo)圖像橢圓形區(qū)域輪廓，由于微粒子目標(biāo)圖像飽和度值接近背景中的雜質(zhì)圖像，導(dǎo)致分離出大量雜質(zhì)圖像；圖3c）顯示背景與目標(biāo)圖像無明顯特征差異，表明I分量和色彩信息不相關(guān)。

因此，選擇HSI模型符合人眼感知色彩的視覺習(xí)慣，其H，S分量圖像與人眼觀察色彩特性進(jìn)行蠶檢的檢驗(yàn)流程一致，模型中各顏色分量值[9]定義為：

2.2.2 微粒子圖像的顏色特征提取準(zhǔn)則確定

選取50個(gè)微粒子圖像樣本，分別統(tǒng)計(jì)各樣本H，S，I各顏色分量的分布情況如圖4所示。

1） HSI顏色空間中，H分量主要在125°變化范圍波動(dòng)，飽和度S分量變化范圍為0.1

2） 由于亮度I分量與微粒子色彩信息無關(guān)，故不限定圖像I分量閾值，而通過合理地設(shè)置色調(diào)H和飽和度S的閾值范圍，實(shí)現(xiàn)微粒子彩色目標(biāo)的直接分離。

根據(jù)H，S分量統(tǒng)計(jì)結(jié)果，確定微粒子圖像的顏色特征提取準(zhǔn)則為：

2.2.3 基于HSI的彩色微粒子圖像分割技術(shù)

二維Otsu分割方法對于小目標(biāo)圖像具有良好分割性能，為了充分利用微粒子圖像淡綠色特征，提出基于HSI的彩色微粒子顯微圖像分割技術(shù)。

首先，利用顏色特征準(zhǔn)則提取分離出微粒子彩色目標(biāo)圖像。

1） 根據(jù)顏色特征提取彩色目標(biāo)，把和微粒子形態(tài)相似但具不同色彩特性的霉菌孢子分離出來，減少后續(xù)處理中產(chǎn)生的誤判別；

2） 去除復(fù)雜背景中雜質(zhì)圖像干擾，改善彩色目標(biāo)圖像在全局閾值分割處理中灰度統(tǒng)計(jì)特性，保證閾值分割算法的有效性；

3） 確定顏色特征準(zhǔn)則時(shí)，擴(kuò)大H，S顏色分量閾值范圍，降低漏判可能性。

其次，采用二維Otsu分割方法對彩色目標(biāo)H分量圖像進(jìn)行分割處理。具有相似顏色特征的目標(biāo)圖像經(jīng)提取分離后，采用H分量圖像表征其色彩特征，在綜合比較兩個(gè)Otsu法分割性能的基礎(chǔ)上，對H分量彩色目標(biāo)圖像應(yīng)用二維Otsu分割方法[10]處理。通過初始階段直接分離出彩色目標(biāo)圖像，減少雜質(zhì)圖像干擾，提高二維Otsu法對單色彩分量分割處理的有效性。

最后，利用形態(tài)特征參數(shù)去除雜質(zhì)噪聲干擾。

分割后的微粒子圖像，存在大量大小不一、形狀各異的雜質(zhì)噪聲，嚴(yán)重影響識別的效率和正確率，通過設(shè)定形態(tài)特征參數(shù)的閾值范圍，剔除掉雜質(zhì)圖像中與目標(biāo)圖像周長和面積差異較大的圖塊，實(shí)現(xiàn)目標(biāo)修正和提高識別效率的作用。

分析微粒子目標(biāo)圖像特征參數(shù)值，微粒子面積大小為83～137個(gè)像素，周長為27～36個(gè)像素。在實(shí)際蠶檢時(shí)，微粒子特征參數(shù)值因受相機(jī)參數(shù)影響而不固定，微粒子圖像面積的閾值范圍設(shè)定為[60，140]，周長范圍為[25，50]。根據(jù)微粒子形態(tài)特征參數(shù)篩除原始圖像中雜質(zhì)圖塊，使形態(tài)相近的目標(biāo)圖像分割出來。

3 實(shí)驗(yàn)結(jié)果及分析

按照上述圖像分割理論，對微粒子圖像進(jìn)行分割處理：圖5b）為對微粒子原圖像（圖5a））提取后的彩色目標(biāo)圖像，圖5c）為圖5b）的H分量圖像，圖5d）為采用二維Otsu法對圖5c）進(jìn)行閾值分割后的效果圖，圖6為微粒子圖像分割后續(xù)處理的效果圖。

對比分析各實(shí)驗(yàn)結(jié)果如下：

1） 由圖5b）可知，以顏色特征提取準(zhǔn)則實(shí)現(xiàn)非目標(biāo)雜質(zhì)圖像的有效去除（如圖5a）中方框標(biāo)識的蠶蛾碎片、氣泡等干擾雜質(zhì)圖塊），將彩色目標(biāo)從復(fù)雜背景圖像中直接提取出來。

2） 圖5c）中灰白色區(qū)域，表示彩色目標(biāo)對象具有同一色調(diào)，背景中的部分雜質(zhì)圖塊，通過顏色特征提取準(zhǔn)則實(shí)現(xiàn)有效濾除，提高了圖像分割效果。由圖5d）可知，分割處理的微粒子目標(biāo)圖像輪廓特征完整，圖像雜質(zhì)噪聲顯著。

3） 圖6a）表明，形態(tài)濾波可有效去除圖像中點(diǎn)噪聲和孔噪聲，并在一定程度上平滑了邊界，實(shí)現(xiàn)了邊界光滑、單連通域目標(biāo)圖像的完整分割，如圖6a）中三角形標(biāo)注，濾波效果顯著；由圖6b）、圖6c）可知，經(jīng)周長和面積兩形態(tài)特征閾值篩選后，圖6a）中存在的大量塊狀雜質(zhì)圖像被有效去除，取得了良好的降噪效果，有利于提高后續(xù)圖像識別算法的效率和準(zhǔn)確率。

4 結(jié) 論

在對微粒子圖像模糊增強(qiáng)預(yù)處理的基礎(chǔ)上，分析了二維Otsu分割法在微粒子小目標(biāo)圖像分割上的局限性。研究面向微粒子圖像的分割技術(shù)，通過顏色特征提取準(zhǔn)則直接分離出彩色目標(biāo)圖像，背景中大量雜質(zhì)圖塊的去除，減少疑似微孢子誤判別的可能性，提高二維Otsu分割法對彩色微粒子小目標(biāo)H分量圖像分割的有效性。通過基于特征參數(shù)的圖像分割后續(xù)處理，實(shí)現(xiàn)了光滑邊界、單連通目標(biāo)區(qū)域的完整分割。

參考文獻(xiàn)

[1] 孫育紅，王浩.農(nóng)村原蠶生產(chǎn)防控家蠶微粒子病的體會[J].江蘇蠶業(yè)，2015，37（4）：26?28.

SUN Yuhong， WANG Hao. Prevention and control of silkworm micromonopathies in rural silkworm production [J]. Jiangsu sericulture， 2015， 37（4）： 26?28.

[2] KHARE R K， SINHA G R. Fuzzy based contrast enhancement method for lung cancer CT images [J]. International journal of engineering and computer science， 2017， 6（5）： 21201?21204.

[3] 胡新宇.基于機(jī)器視覺的家蠶微粒子圖像識別方法的研究[D].武漢：武漢理工大學(xué)，2011.

HU Xinyu. Research on the image recognition method of pebrine disease based on computer vision [D]. Wuhan： Wuhan University of technology， 2011.

[4] OTSU N. A threshold selection method from gray?level histograms [J]. IEEE transactions on system， man， and cybernetics， 1979， 9（1）： 62?66.

[5] CHEN Lianqing， GAO Liguo. Image segmentation based on iterative threshold and Otsu [J]. Journal of Jilin University （Engineering and technology edition）， 2007， 37： 139?143.

[6] HARALICK R M， SHAPIRO L G. Image segmentation techniques [J]. Computer graphics image processing， 1985， 29： 100?132.

[7] WANG Haiyang， PAN Delu， XIA Deshen. A fast algorithm for two?dimensional Otsu adaptive threshold algorithm [J]. Journal of image & graphics， 2005， 33（9）： 968?971.

[8] KIM C W， SON H， KIM C M. Automated color model?based concrete detection in construction?site images by using machine learning algorithms [J]. Journal of computing in civil engineering， 2012， 26（3）： 421?433.

[9] SUN T Y， TSAI S J， CHAN V. HSI color model based lane?marking detection [C]// Proceedings of IEEE Intelligent Transportation Systems Conference. Toronto： IEEE， 2006： 1168?1172.

[10] ZHOU C， TIAN L， ZHAO H， et al. A method of two?dimensional Otsu image threshold segmentation based on improved firefly algorithm [C]// Proceedings of IEEE International Conference on Cyber Technology in Automation， Control， and Intelligent Systems. Shenyang： IEEE， 2015： 1420?1424.endprint