基于小波融合的蘋果圖像分割的研究

黃 玲 石玉秋 覃永新

（廣西科技大學 電氣與信息工程學院，廣西 柳州 545006）

0 引言

蘋果圖像的視覺檢測廣泛應用于蘋果分級、 蘋果采摘機器人等研究領域， 對圖像中蘋果區(qū)域的準確分割是進行后續(xù)蘋果特征提取、 品質判斷、 識別定位等處理的前提。 近年來， 許多學者對蘋果圖像的分割進行了大量研究[1-2]。 2008 年張亞靜等通過計算蘋果樣本圖像和背景圖像這兩類樣本的顏色特征和紋理特征， 利用神經(jīng)網(wǎng)絡建立模型， 實現(xiàn)蘋果圖像分割[2]。2011 年王麗等提出基于改進的主成分分析算法的圖像分割方法， 通過將蘋果圖像顏色特征進行歸類，運用邊緣像素排序的方法，實現(xiàn)蘋果圖像完整分割[3]。這些研究通過不同方法實現(xiàn)蘋果圖像的分割， 然而實際圖像采集時，易受環(huán)境的光照變化，噪聲干擾等影響，圖像質量難以保證，從而給圖像分割帶來較大誤差。

圖像融合的方法能有效改善圖像質量， 目前已有很多學者對此進行了研究[4]。 2012 年梁明等提出一種基于證據(jù)理論的特征融合蘋果分級方法[5]。 2017 年羅曉清等提出一種基于非下采樣輪廓波變換和尺度不變特征變換的蘋果圖像融合的新方法[6]。 2018 年劉娜等提出一種基于小波變換的圖像融合算法， 并對不同層次的小波系數(shù)采用不同的融合規(guī)則[7]，從而改善圖像質量。 這些研究通過融合的方法，減小噪聲的影響，較好的改善圖像質量。 為此，提出將多幅圖像進行融合，再對融合后圖像進行分割， 從而減少光照變化、 噪聲干擾等因素影響，減小分割誤差。

1 基于小波融合的圖像分割

圖像融合是將多幅圖像融合在一起， 以獲取更為精確、 全面和可靠的圖像描述。 目前圖像融合可分為三個層次：像素級融合、特征級融合和決策級融合。 其中像素級融合是將各原圖像中對應像素進行融合處理，能保留盡可能多的圖像信息，精度較高，是目前圖像融合研究的主要方向。 像素級融合中， 基于小波變換的圖像融合是一種常用且有效的方法。 小波變換可以將圖像分解到不同頻率域， 并運用不同的融合規(guī)則， 從而在融合后圖像中保留原圖像在不同頻率域的顯著特征， 在此基礎上進行圖像分割， 能更準確分割出目標與背景圖像。

1.1 基于小波的圖像分解

圖1 二層小波分解示意圖

小波變換可以將原始圖像分解成一系列具有不同空間分辨率和頻域特性的子圖像。 用小波變換中常用的Mallat 算法對二維圖像進行二層小波分解的示意圖如圖1 所示。

圖像經(jīng)過一次小波變換， 被分解成4 個不同頻帶的子圖像，如圖1 中，LL 為圖像低頻子帶，它是圖像的近似表示；LH、HL、HH 分別表示水平高頻帶、 垂直高頻帶和對角分量高頻帶。 下次的分解只對低頻子帶進行分解。

1.2 圖像融合的規(guī)則

小波變換可以將圖像分解到不同的頻率域， 在不同的頻率域運用不同的融合規(guī)則。 其中， 分解出來的低頻子圖像包含了源圖像的大部分能量和亮度信息，是源圖像整體特性的大體繼承； 分解出來的高頻子圖像反映的是源圖像的邊緣細節(jié)信息。 小波系數(shù)的融合可有多種方法， 本文對于小波分解后的高頻和低頻系數(shù)均采用絕對值最大法，具體規(guī)則如下：

式中，Ci(A,p)，Ci(B,p)，Ci(F,p)分別表示原圖像A、B 和融合圖像F 在i 層小波分解時，p 點的系數(shù)。

1.3 基于小波融合的圖像分割步驟

設A，B 為兩幅原始圖像，F(xiàn) 為融合后的圖像，基于小波融合的圖像分割步驟如下：

（1）對兩幅原圖分別進行小波變換，得到每幅圖像在不同頻帶上的小波系數(shù)；

（2）對分解得到的各層子帶系數(shù)，分別采用不同規(guī)則進行融合處理；

（3）對融合后的系數(shù)進行小波逆變換，得到融合圖像；

（4）對融合后的圖像進行分割。

2 實驗結果與分析

圖2 蘋果圖像采集系統(tǒng)

實驗中蘋果圖像采集系統(tǒng)， 如圖2 所示， 包括蘋果、暗箱、可調(diào)光源、攝像頭、計算機。將蘋果水平置于暗箱中，攝像頭安裝于暗箱外，位于蘋果正前方，攝像頭與蘋果基本同一水平高度。 實驗通過攝像頭， 對每一個蘋果，獲取5 幅圖像，共采集了4 個蘋果共20 幅圖像。 每次采集時不可避免會出現(xiàn)光線波動、 噪聲的干擾等， 從而每次采集到的蘋果圖像并不完全相同。實驗中對蘋果圖像的兩種分割方法： 即直接進行閾值法分割與經(jīng)小波融合后再分割，兩種方法進行對比。

方法一為直接對每幅蘋果圖像運用OSTU 法進行分割，如圖3 所示，(a)為原始圖像，經(jīng)閾值分割后得到圖(b)，進行去噪處理后得到最終蘋果分割圖像(c)。

方法二為將圖像進行小波融合后再分割。 首先將獲取的20 幅原始蘋果圖像分為4 組，每5 幅為一組進行小波融合后再分割。將每組中第1、第2 幅圖按照上述方法進行小波融合，得到蘋果融合圖像D1，再將第3 幅圖與D1 進行融合，依次疊加進行融合處理，從而每組得到一幅蘋果融合圖像， 最后對融合后的蘋果圖像利用OSTU 法進行分割。 圖3 中(d)圖為第1 組蘋果圖像經(jīng)小波融合后運用OSTU 法得到的蘋果分割圖。

圖3 蘋果圖像

將上述兩種蘋果圖像分割方法進行對比。 表1 是運用Ostu 法分割的20 幅蘋果圖像分割誤差數(shù)據(jù)。表2是基于小波融合的蘋果圖像分割誤差數(shù)據(jù)。 表中誤差A 是將蘋果當做背景的像素點的個數(shù)， 誤差B 為將背景當做蘋果的像素點的個數(shù)，誤差C 為整幅圖中像素總誤差。

表2 基于小波融合的蘋果圖像誤差表

從表中可看出， 表2 中總誤差C 明顯小于表1 中總誤差C。 對表1 和表2 中的像素總誤差C 做F 檢驗，得到統(tǒng)計顯著性值P=0.0477，小于0.05，表明兩種方法得到的圖像誤差的方差值有顯著性差異。 基于小波融合的蘋果圖像分割誤差有明顯改善。

3 小結

蘋果圖像的分割是果實識別定位等應用的基礎，而圖像采集時易受光線變化、 噪聲等影響， 從而影響圖像分割效果。 將圖像經(jīng)小波融合后再進行分割，對分割誤差有明顯改善。

表1 Ostu 法分割蘋果圖像誤差表