基于改進(jìn)Kmeans算法的玉米葉片圖像分割

郭超凡， 王旭明， 石晨宇， 靳 鴻

(1. 中北大學(xué) 電氣與控制工程學(xué)院， 山西 太原 030051； 2. 杭州山億建設(shè)有限公司， 浙江 杭州 311300)

0 引 言

國家脫貧攻堅(jiān)取得了全面勝利， 為了鞏固脫貧成果， 需要全面推進(jìn)鄉(xiāng)村振興戰(zhàn)略， 其中包括加快農(nóng)業(yè)信息化建設(shè)， 開展建設(shè)試點(diǎn)， 實(shí)施智慧農(nóng)業(yè)工程， 推進(jìn)質(zhì)量興農(nóng)等[1]. 智慧農(nóng)業(yè)將新興技術(shù)和傳統(tǒng)農(nóng)業(yè)深度融合， 從而實(shí)現(xiàn)農(nóng)業(yè)的信息智能化， 提升農(nóng)作物質(zhì)量， 提高產(chǎn)量[2]. 然而， 農(nóng)作物病蟲害是影響質(zhì)量和產(chǎn)量的一個(gè)重要因素， 如果在農(nóng)作物生長的早期發(fā)現(xiàn)并及時(shí)防治， 可以極大地提升農(nóng)作物的質(zhì)量與產(chǎn)量. 隨著機(jī)器視覺與深度學(xué)習(xí)的快速發(fā)展， 農(nóng)作物病蟲害識別也取得了一系列實(shí)質(zhì)性突破[3]. 利用圖像處理操作將農(nóng)作物與背景分離之后再進(jìn)行識別是當(dāng)前農(nóng)作物病蟲害識別的方法之一， 其中圖像分割是將農(nóng)作物與背景分離的重要步驟.

基于閾值[4]和聚類[5]的圖像分割方法應(yīng)用較廣. 閾值分割法是設(shè)置灰度閾值從而將像素點(diǎn)分為不同的類， 雖然處理速度較快， 但確定合適的閾值比較困難， 特別是對于背景信息較復(fù)雜的圖像. Kmeans算法因?yàn)楹唵巍?快速的優(yōu)點(diǎn)被廣泛應(yīng)用在圖像聚類分割中， 然而Kmeans初始聚類中心選擇不合適將會導(dǎo)致分割效果不理想， 且存在易陷入局部最優(yōu)解的問題. 為了解決Kmeans算法初始聚類中心選擇的問題， 并且在一定程度上避免陷入局部最優(yōu)， 引入了群智能優(yōu)化算法并取得了較好的效果[6-8].

本文提出一種利用群智能優(yōu)化算法中的烏鴉搜索算法[9]與Kmeans聚類算法相結(jié)合進(jìn)行玉米葉片圖像分割的方法. 本方法具有良好的全局搜索能力， 可以有效解決Kmeans算法存在的問題， 并提高聚類分割的準(zhǔn)確度.

1 圖像處理

1.1 圖像獲取

玉米葉片圖像如圖 1 所示， 包含陰天、 晴天、 有雜草、 多株的情況， 圖片分辨率為640×480.

圖 1 玉米葉片圖像

1.2 顏色空間轉(zhuǎn)換

圖像處理中常見的顏色空間有RGB(Red紅色， Green綠色， Blue藍(lán)色)、 HSV(Hue色調(diào)， Saturation飽和度， Value明度)等. 自然環(huán)境下拍攝的圖像非常容易受到光照的影響， 對亮度較為敏感， 但RGB顏色空間的3個(gè)分量都和亮度緊密相關(guān)， 如果使用RGB顏色空間描述不同光照下同一場景的圖像會顯示不同的RGB值， 不利于后期的圖像分割. HSV顏色空間的色調(diào)H分量和飽和度S分量受光照的影響相對較小[10]， 而且H分量與物體表面的反射率有關(guān)， 其值唯一， 所以選擇H分量進(jìn)行處理[11].

RGB顏色空間下常用的是灰度圖， 為了進(jìn)行對比， 將玉米葉片圖像轉(zhuǎn)為灰度圖像如圖 2 所示， 轉(zhuǎn)到HSV空間獲取H分量如圖 3 所示.

圖 2 灰度圖

圖 3 HSV空間的H分量圖

1.3 基于CSA-Kmeans算法的圖像聚類分割

1.3.1 Kmeans算法

Kmeans聚類算法的主要作用是將相似樣本自動劃分到一個(gè)類別中， 通過指定類別數(shù)k， 將輸入樣本劃分為k個(gè)不相交的子集， 從而實(shí)現(xiàn)聚類為k個(gè)簇的效果. 玉米葉片圖像普遍可以分為玉米葉片和土地背景兩部分， 可以使用Kmeans聚類算法進(jìn)行圖像分割來提取玉米葉片信息. 算法具體步驟如圖 4 所示.

圖 4 Kmeans算法流程圖

評估準(zhǔn)則函數(shù)為簇內(nèi)誤差平方和SSE (Sum of the Squared Error)， 如式(1)所示. 聚類的過程就是搜索能夠最小化SSE的聚類中心.

(1)

式中：k為簇的數(shù)目；Ci為第i個(gè)簇的數(shù)據(jù)集合；μi為簇Ci的中心點(diǎn)；x為簇Ci中的數(shù)據(jù)樣本.

1.3.2 烏鴉搜索算法(CSA)

烏鴉群中存在一種與優(yōu)化過程極其相似的行為： 烏鴉會將多余的食物藏在環(huán)境中某個(gè)隱蔽的地方， 在它需要的時(shí)候取回藏起來的食物. 為了獲得更加優(yōu)質(zhì)的食物來源， 烏鴉會互相跟蹤去竊取其它烏鴉所儲藏的食物. 烏鴉搜索算法試圖模擬烏鴉的智能行為來尋找優(yōu)化問題的解決方案[9].

xi,iter+1=

(2)

式中：ri和rj為0～1之間的一個(gè)隨機(jī)數(shù)；APj,iter是烏鴉j在第iter次循環(huán)中的感知概率；fli,iter為飛行長度；xi,iter和xi,iter+1分別為第i只烏鴉在第iter和iter+1次循環(huán)時(shí)的位置；mj,iter為第j只烏鴉在第iter次循環(huán)時(shí)的記憶位置.

(3)

式中：mi,iter和mi,iter+1分別為第i只烏鴉在第iter和iter+1次循環(huán)時(shí)的記憶位置；f(·)表示適應(yīng)度值.

算法具體步驟如圖 5 所示.

圖 5 烏鴉搜索算法流程圖

1.3.3 CSA-Kmeans混合聚類算法

Kmeans算法需要初始化聚類中心， 而初始聚類中心的選擇會影響聚類效果， 如果初始值選得不好， 有時(shí)甚至沒有辦法獲得有效的聚類結(jié)果. 初始聚類中心可以事先指定或者在數(shù)據(jù)集中隨機(jī)抽取. 隨機(jī)選擇不能保證初始值選擇得合適， 事先指定只能針對特定的圖像去設(shè)置專用的初始聚類中心， 缺乏自主靈活性. 而CSA不是一種貪婪算法， 這樣會增加生成解的多樣性， 降低最終得到的是局部最優(yōu)解的可能性； 同時(shí)， CSA收斂速度較快， 可以使用CSA獲取初始聚類中心供Kmeans算法使用， 這樣能夠提高算法的全局優(yōu)化能力， 改善初始聚類質(zhì)量. 具體步驟如下：

1) 優(yōu)化問題設(shè)為最小化適應(yīng)度函數(shù)， 從而得到最優(yōu)的聚類中心. 將玉米葉片圖像的像素點(diǎn)作為搜索空間， 設(shè)聚類數(shù)為K， 則決策變量為K.鴉群大小設(shè)為N， 而每只烏鴉都是一個(gè)可行解， 所以每只烏鴉就是一種可能的聚類中心組合.最大迭代次數(shù)設(shè)為itermax， 飛行長度設(shè)為fl， 感知概率設(shè)為AP.

2) 初始化每只烏鴉的位置和記憶. 在搜索空間中隨機(jī)放置N只烏鴉得到初始位置，K為決策變量的個(gè)數(shù)， 同時(shí)將第一次迭代中烏鴉的記憶位置設(shè)置為初始位置的值， 如式(4)和式(5)所示.

(4)

(5)

3) 計(jì)算烏鴉的適應(yīng)度. 適應(yīng)度函數(shù)如式(6)所示.

(6)

4) 生成新的位置. 如式(2)所示， 重復(fù)此過程更新所有烏鴉的位置.

5) 檢查新位置的可行性. 若新位置可行則更新， 否則保持原位置不變. 由于聚類中心一定為某個(gè)像素值， 所以新位置的每一個(gè)元素必須在0～255之間， 更新位置的函數(shù)如式(7)所示.

(7)

6) 計(jì)算新位置的適應(yīng)度. 其函數(shù)如式(6)所示.

7) 更新烏鴉的記憶. 若新位置的適應(yīng)度優(yōu)于記憶中儲存的位置的適應(yīng)度則更新記憶， 否則保持原來的記憶， 如式(3)所示.

8) 重復(fù)步驟4)～7)， 直到滿足終止條件， 然后將烏鴉記憶中儲存的適應(yīng)度最高的位置作為優(yōu)化問題的最優(yōu)解.

9) 將上一步中得到的最優(yōu)解作為Kmeans算法的初始聚類中心， 執(zhí)行Kmeans算法實(shí)現(xiàn)玉米葉片圖像分割.

由于要將玉米葉片與背景分離開， 所以選擇聚類數(shù)為2， 將得到的灰度圖和H分量圖像進(jìn)行CSA-Kmeans聚類分割， 結(jié)果如圖 6 和圖 7 所示.

圖 6 灰度圖的聚類分割圖

圖 7 H分量圖的聚類分割圖

由圖 6 和圖 7 對比可知， 灰度圖像受光照與背景復(fù)雜程度的影響較大， 分割效果不太理想， 相比而言， H分量圖分割效果較好.

1.4 玉米葉片提取

大部分噪點(diǎn)相比于玉米葉片和背景而言呈現(xiàn)出孤立存在、 面積較小等特點(diǎn)， 可以使用小面積去除的方法消除這些噪點(diǎn). 首先標(biāo)記二值圖像中所有的連通區(qū)域， 然后刪除掉面積小于閾值的連通區(qū)域. 由于噪點(diǎn)與病害斑點(diǎn)呈現(xiàn)出細(xì)小離散的特點(diǎn)， 所以， 此處閾值選取固定值， 設(shè)為圖像大小的1/50. 作物和背景中都存在噪點(diǎn)， 對聚類分割得到的圖像和反色后的圖像都執(zhí)行小面積去除操作可以有效地消除噪點(diǎn)， 如圖 8 所示.

圖 8 小面積去除

使用小面積去除后的模板在原圖上提取玉米葉片， 如圖 9 所示.

圖 9 玉米葉片提取

2 結(jié)果與分析

2.1 玉米葉片分割的正確性分析

將圖像轉(zhuǎn)化到HSV空間后提取到的H分量圖(圖 3)中存在白色斑點(diǎn)， 由于Kmeans聚類算法受初始聚類中心的影響較大， 存在易陷入局部最優(yōu)的問題， 所以圖像分割時(shí)， 有時(shí)會出現(xiàn)誤分割， 將白色斑點(diǎn)作為一類， 而將玉米葉片與土地背景歸為了一類， 如圖 10 所示.

圖 10 誤分割圖

誤分割會導(dǎo)致后續(xù)玉米葉片提取的失敗， 為了比較算法的性能， 定義分割準(zhǔn)確率Sa為

(8)

式中：m為正確分割的次數(shù)；n為總的分割次數(shù).

運(yùn)行算法的軟件平臺為Windows10操作系統(tǒng)下的python 3.7； 硬件平臺為Intel(R) Pentium(R) CPU G4560 @ 3.50 GHz 3.5 GHz處理器， 8 G 內(nèi)存.

烏鴉搜索算法的參數(shù)如下： 鴉群大小N=10， 最大迭代次數(shù)itermax=50， 感知概率AP=0.1， 飛行長度fl=2.

對圖 3 所示的陰天、 晴天、 有雜草、 多株圖像的H分量圖分別使用Kmeans和CSA-Kmeans算法進(jìn)行500次聚類分割， 得到的平均運(yùn)行時(shí)間和分割準(zhǔn)確率對比如表 1 所示.

表 1 兩種算法的對比結(jié)果

由表 1 可知， CSA-Kmeans算法的分割準(zhǔn)確率高于單獨(dú)使用Kmeans算法的分割準(zhǔn)確率， 而單獨(dú)使用Kmeans算法耗時(shí)少于CSA-Kmeans算法. CSA-Kmeans算法需要先使用CSA搜索聚類中心， 再執(zhí)行Kmeans算法， 所以運(yùn)行時(shí)間大于單獨(dú)使用Kmeans算法； 此外， 運(yùn)行時(shí)間還與CSA中的可調(diào)變量如鴉群數(shù)、 迭代次數(shù)等有關(guān).

在陰天、 晴天、 有雜草、 多株各20張圖片上進(jìn)行兩種算法的聚類分割對比顯示， CSA-Kmeans算法的分割正確率均大于等于單獨(dú)使用Kmeans算法的分割正確率， 表明了改進(jìn)算法的有效性； 平均運(yùn)行時(shí)間均大于單獨(dú)使用Kmeans算法的平均運(yùn)行時(shí)間， 說明改進(jìn)算法在運(yùn)行時(shí)間上略差.

利用Kmeans評估準(zhǔn)則函數(shù)， 得到圖像正確分割(見圖 7)和錯誤分割(見圖 10)時(shí)的簇內(nèi)誤差平方和， 如表 2 所示.

表 2 圖像分割的簇內(nèi)誤差平方和

由表 2 可知， 圖像錯誤分割時(shí)的簇內(nèi)誤差平方和大于正確分割的簇內(nèi)誤差平方和. Kmeans算法聚類分割就是迭代尋找可以最小化簇內(nèi)誤差平方和的解的過程， 誤分割的簇內(nèi)誤差平方和大于正確分割的， 說明在聚類分割過程中， Kmeans算法受初始聚類中心的影響較大， 易陷入局部最優(yōu)解而出現(xiàn)沒有跳出局部最優(yōu)的情況進(jìn)而導(dǎo)致誤分割.

結(jié)合表 1 所示的兩種算法正確率的對比結(jié)果， 可以看出CSA-Kmeans算法利用烏鴉搜索算法的全局尋優(yōu)能力對Kmeans算法進(jìn)行改進(jìn)， 在一定程度上可以優(yōu)化Kmeans算法易陷入局部最優(yōu)的問題， 從而提高分割準(zhǔn)確率.

2.2 玉米葉片分割的完整性分析

圖 11 為玉米葉片病害斑點(diǎn)圖. 在圖 11(a)～(c)存在病害斑點(diǎn)的玉米葉片中， 圓框標(biāo)記了部分病害斑點(diǎn)被保留的情況， 而方框標(biāo)記了病害斑點(diǎn)被忽略的情況. 當(dāng)病害斑點(diǎn)出現(xiàn)在葉片非邊緣位置時(shí)， 使用小面積去除法可以將其保留在葉片上供后續(xù)研究； 但是當(dāng)病害斑點(diǎn)出現(xiàn)在葉片邊緣且與大片土地背景連通時(shí)， 小面積去除法會將其與土地背景歸為一類而忽略掉. 圖 11(d) 中由于沒有病害而被完整保留.

圖 11 玉米葉片病害斑點(diǎn)圖

3 結(jié) 論

玉米葉片分割提取會受光照影響而導(dǎo)致識別精度不高， 使用HSV顏色空間的H分量進(jìn)行圖像處理可以降低光照的影響； CSA和Kmeans結(jié)合的算法可以有效提升圖像分割的準(zhǔn)確性. 對于葉片上的病害斑點(diǎn)， 如果出現(xiàn)在葉片邊緣且與土地背景相連呈現(xiàn)出非孤立點(diǎn)的狀態(tài)， 小面積去除法無法將其消除， 這時(shí)分割的葉片是不完整的. 下一步研究將著重解決非孤立病害斑點(diǎn)如何保留， 以及對算法運(yùn)行時(shí)間進(jìn)行優(yōu)化.