基于間斷性Gamma校正的粘連蠶繭分割方法研究

摘" 要： 目前，蠶繭分割計數研究主要針對大小幾乎完全相同的蠶繭，難以應對大小差異較大的情況。針對上述問題，采用圖像增強的方法提取蠶繭表面并進行蠶繭的粘連分割。首先，將原圖直接轉化為灰度圖像進行腐蝕處理，通過Gamma校正使得圖像灰度值收縮；其次，通過限制對比度自適應直方圖均衡化（CLAHE）方法提高蠶繭圖像與其背景區(qū)域的灰度差，使其進一步分離；再利用高斯濾波和腐蝕方法平滑并收縮蠶繭圖像，根據亮度數據進行第二次Gamma校正以調整對比度；最后，通過二值化處理統(tǒng)計連通域個數得出蠶繭數量。實驗結果表明，所提方法針對大小蠶繭分割適應力較強，平均準確率高達99%。

關鍵詞： Gamma校正； 粘連蠶繭； 圖像分割； 蠶繭計數； 圖像增強； 限制對比度自適應直方圖均衡化； 高斯濾波

中圖分類號： TN911.73?34； TP391.4" " " " " " " " " "文獻標識碼： A" " " " " " " " 文章編號： 1004?373X（2024）16?0180?07

Method of adhesive silkworm cocoon segmentation based on intermittent

Gamma correction

QIU Shumin1， 2， SUN Weihong1， 2， SHAO Tiefeng1， 2， LIANG Man1， 2

（1. College of Mechanical and Electrical Engineering， China Jiliang University， Hangzhou 310018， China;

2. Cocoon and Silk Quality Inspection Technology Institute， China Jiliang University， Hangzhou 310018， China）

Abstract： The research on silkworm cocoon segmentation and counting mainly focuses on silkworm cocoons that are almost identical in size， making it difficult to cope with situations with significant differences in size. On this basis， the surface of the silkworm cocoon can be extracted by means of the image enhancement method for the adhesive segmentation of the silkworm cocoon. The original image is directly converted into a grayscale image for the corrosion processing， and the grayscale value of the image is shrunk by means of the Gamma correction. The contrast limited adaptive histgram equalization （CLAHE） method is used to improve the gray difference between the silkworm cocoon image and its background area， so that it could be further separated. The Gaussian filter and corrosion method are used to smooth and shrink the silkworm cocoon image， and then the second Gamma correction is conducted based on brightness data to adjust the contrast. The number of connected domain is counted by binary processing to obtain the number of silkworm cocoons. The experimental results show that the proposed method has strong adaptability to the segmentation of large and small silkworm cocoons， and the average accuracy is as high as 99%.

Keywords： Gamma correction; adhesive silkworm cocoon; image segmentation; silkworm cocoon counting; image enhancement; contrast limited adaptive histgram equalization; Gaussian filter

0" 引" 言

蠶繭質量檢驗方法與檢測技術的科學性和實用性十分重要。在纖維檢驗時，評估蠶繭質量的過程中需確保蠶繭的數量準確，因為蠶繭數量不一致可能會導致解舒的差異，進而影響到繅絲過程[1]。因此，蠶繭數量的準確計算成為研究的重要方面。

常用的顆粒圖像分割方法主要有分水嶺算法、凹點分割算法、膨脹腐蝕形態(tài)學分割方法等。本課題組在蠶繭分割計數方面也進行了一定的研究[2]，采用一種正方形模板的凹點搜索方法定向腐蝕分割蠶繭，然而該方法在凹點密集或特征不明顯情況下的粘連易被誤判，平均分割準確率為96.2%。古亭等人利用距離變換的算法進行蠶繭分割[3]，平均準確率為99%?？追笔サ热嗽诖嘶A上進行改進，提出了一種基于多層次距離變換的蠶繭分割計數方法，并與分水嶺分割算法相結合，在粘連蠶繭大小幾乎一致的情況下，該方法分割的計數精度達到99.97%。然而對于粘連在一起、尺寸差異較大的蠶繭，該方法在進行圖像處理時易將過小蠶繭略除，致使大小蠶繭未能完全分割[4]。針對粘連蠶繭尺寸差異較大的情況的相關文獻資料較少。為提高后兩者蠶繭分割的準確率，本文提出了一種間斷性Gamma校正的粘連蠶繭分割方法。在二值化處理前，通過腐蝕和Gamma校正增強圖像對比度，收縮蠶繭個體圖像邊緣灰度值，降低其區(qū)域像素點數量。其次，結合限制對比度自適應直方圖均衡化（CLAHE）算法提升圖像細節(jié)和對比度，增大圖像中蠶繭的邊緣背景與其自身的灰度值差異。與此同時，利用高斯濾波和腐蝕平滑圖像，去除噪點。最后，通過第二次Gamma校正再次增強圖像，減小對比度，提高蠶繭分割準確率，保證計數的準確性。

1" 實驗材料和環(huán)境

實驗所采用的蠶繭都是經過繭衣剝離，大蠶繭與小蠶繭的尺寸比約為3∶1。同等大小的蠶繭狀態(tài)如圖1a）所示，不同大小的蠶繭狀態(tài)如圖1b）所示。

實驗采用MOKOSE_UC50攝像機，最高像素為1 600萬，所拍攝的圖像分辨率為1 920×1 080。蠶繭平鋪于傳送帶，在無反光皮帶上進行拍攝。傳送帶側邊放置條形光源來保持光照穩(wěn)定，燈條所在高度距離蠶繭表面高度約為15 cm， 燈條角度可調，燈條表面與豎直方向角度約為50°。拍攝布置示意圖如圖2所示。

實驗的軟件環(huán)境為：Windows 11 64位系統(tǒng)，vs2019+

OpenCV 4.5.5。硬件環(huán)境為：16 GB內存，Core i7?11800H 2.30 GHz CPU。

2" 實驗方法

2.1" 圖像初校正

Gamma校正算法常應用于圖像增強領域，調整圖像對比度，改善圖像中光照不均勻的情況[5?6]。因此，利用Gamma校正對圖像中的粘連蠶繭圖像進行預處理。圖3為實驗采用的輸入蠶繭圖像。

首先，將輸入圖像轉化為灰度圖像。對灰度單通道圖像進行Gamma校正，即對輸入圖像灰度值進行非線性操作，使輸出圖像與輸入圖像灰度值呈指數關系[7]。Gamma校正的原理為：

[s=crγ1] （1）

式中：c為灰度縮放系數；r∈[0，1]表示圖歸一化圖像像素值；γ1為Gamma因子，控制整個變換的縮放程度；s是反歸一化后圖像的實際輸出強度。γ1值大于1，圖像低灰度值區(qū)域的動態(tài)范圍變小，高灰度值區(qū)域的動態(tài)范圍變大，降低了低灰度值區(qū)域圖像對比度，提高了高灰度值區(qū)域圖像對比度；γ1值小于1，與上述作用相反。據此，本實驗選取γ1值大于1的情況。經實驗，初始狀態(tài)灰度圖像中蠶繭區(qū)域較大量的像素點集中在（60，140）灰度值范圍內，針對此區(qū)域像素點數量，取不同[1γ1]值，得到校正后像素點數量分布的相關數據，如圖4所示。

參考初始狀態(tài)灰度圖像中蠶繭區(qū)域像素點數量分布，當[1γ1]值取0.15～0.18時，在灰度值（60，140）之間取中值100，其后半部分即灰度值較高部分，像素數量的增加量相比其他[1γ1]的部分要高。進一步選取此范圍內數據進行實驗，得出[1γ1]取0.17、0.18時，在灰度值為0的像素點數量之差約為取0.16時的6倍，即圖像黑色像素點在0.17與0.18之前存在的變化量大于0.17與0.16之間的，故取0.17為一個分界點。

通過上述分析，取[1γ1]=0.17進行實驗研究，既控制蠶繭個體在圖像中的灰度值范圍，保證蠶繭圖像灰度級不存在過度壓縮現象，維持其邊緣信息，又能相對較好地保持圖像中蠶繭個體和邊緣背景區(qū)域像素區(qū)分度。

校正前，初始灰度圖像中的蠶繭需濾除蠶繭周邊的部分干擾。因而腐蝕用于縮小或細化圖像中的物體，利用結構元素沿著圖像中的對象邊界進行滑動，求取結構元素覆蓋區(qū)域內的最小像素值，從而將對象邊界向內收縮，消除小的細節(jié)或連接處[8]。通過對灰度圖像進行腐蝕操作，可以收縮圖像中蠶繭個體邊緣，去除部分干擾。

校正后，圖像中蠶繭個體周身存在的少量繭衣通過腐蝕，結合Gamma校正直接濾除。圖5所示的蠶繭圖像得到校正后，部分蠶繭個體已與其粘連的個體分離。

與此同時，再通過腐蝕操作進一步增大蠶繭個體之間的距離，所得蠶繭圖像如圖6所示。

2.2" 圖像細節(jié)增強

Gamma校正結合限制對比度自適應直方圖均衡化算法，能夠在增強對比度的同時保持圖像自然度[9]。因此，為增大圖像中蠶繭個體與其邊緣背景的區(qū)分度，結合限制對比度自適應直方圖均衡化進行進一步的圖像增強。不同于普通的直方圖均衡化，限制對比度自適應直方圖均衡化（CLAHE）是自適應直方圖均衡化（AHE）的改進，但兩者都屬于直方圖均衡化算法[10]。CLAHE算法避免了AHE算法處理圖像時出現的塊狀和過度增強的問題[11]，其通過設定閾值來限制直方圖的分布，避免圖像過度增強。

CLAHE算法的具體步驟如下。

1） 將圖像劃分成k個大小相等、形狀相同、互不重疊的m×n個小塊。

2） 生成灰度映射并累積直方圖。在每個子區(qū)域中，將像素數均勻劃分到每個灰度級，并通過對灰度直方圖進行累計，得到累計直方圖。平均像素點數量的計算公式如下：

[Navg=Nxp·NypNgray] （2）

式中：Navg為子塊的平均像素點數量；Ngray為子塊所包含的灰度級數；[Nxp]為子塊x方向的像素數；[Nyp]為子塊y方向的像素數。

3） 裁剪直方圖。限定每個子塊中灰度值所包含的像素數不超過預定剪切閾值ClipLimit。閾值公式如下：

[ClipLimit=NClip·Navg] （3）

式中[NClip]為剪切系數。

灰度直方圖的剪裁方式如圖7所示，箭頭方向為裁剪出的像素點數量分配過程。遞歸重復地分配超過限制的像素點，直到超出的部分可以忽略不計。

4） 通過插值運算提高效率。根據圖8所示的插值運算示意圖，分別計算A、B、C、D四塊直方圖累計分布函數（CDF）。針對灰色像素點映射值，通過雙線性插值得到該像素點的最終映射值；對于黑色像素塊部分，采用線性插值得到；對邊角附近的白色區(qū)域，使用變換函數進行處理。

灰色區(qū)域運算方法公式為：

[i'=y[（1-x）fA（i）+xfB（i）]+（1-y）·" " " " [（1-x）fC（i）+xfD（i）]] （4）

白色區(qū)域運算方法公式為：

[i'=（1-x）fA（i）+xfB（i）] （5）

黑色區(qū)域運算方法公式為：

[i'=fA（i）] （6）

式中：i為區(qū)域內某點像素點數量；[i']為新像素點數量；[fA（i）]、[fB（i）]、[fC（i）]、[fD（i）]分別為通過周圍四個子塊的映射函數。

經過第一次Gamma校正，（0，25）灰度值范圍內像素點數量急劇增加。為計算這一區(qū)域像素點數量，根據前文計算的實驗數據設置實驗閾值進行裁剪，選擇合適的像素塊大小對每個像素塊做插值運算，保持圖像塊的連續(xù)。CLAHE算法處理后效果如圖9所示。

CLAHE均衡了圖像亮度，增強了圖像細節(jié)。然而圖像高頻部分除邊緣細節(jié)外，還帶來了噪聲干擾。

高斯濾波被廣泛用于處理圖像降噪過程[12]。本文在傳統(tǒng)CLAHE算法的基礎上，結合高斯濾波進行改進。構建一個（2a-1）×（2a-1）的權重矩陣與圖像進行卷積運算，生成模糊后圖像，處理效果如圖10所示。高斯濾波后去除了圖像中蠶繭表面部分噪點。

2.3" 圖像預處理補償

CLAHE方法結合高斯濾波有效增強了蠶繭圖像細節(jié)。但為避免圖像噪聲過度增強，根據亮度分布特性計算亮度削弱與增強的控制參數，構建第二個Gamma校正函數。根據統(tǒng)計學估計[13]得出[1γ2]，公式如下：

[1γ2=1γ1·n+ε] （7）

式中：n為比例系數；[ε]為補償系數。本文根據實驗環(huán)境得[1γ2]為0.64，再一次進行腐蝕，收縮蠶繭個體圖像邊緣，此后進行第二次Gamma校正。

為應對實際應用場景，計算校正前后的圖像標準差：

[σ=1Ni=1Nxi-θ2] （8）

式中：[σ]為標準差；N是圖像中的像素點數量（總像素數）；[xi]是第i個像素的灰度值；θ是圖像的樣本平均灰度值。

選取數量在100～150計算蠶繭圖像標準差，圖11為計算的標準差數據圖。由圖可知，因蠶繭數量的增加導致圖像中紋理、細節(jié)或者更多的變化，使得圖像標準差隨著蠶繭個數的增加呈現線性增長趨勢。通過圖像全局標準差評估圖像質量和對比度，對圖像預處理過程具有引導作用[14]。對第二次Gamma校正前后標準差進行對比分析，整體標準差變化值為0.46，即表示經過增強后圖像中所有像素點的像素值相對于均值的離散程度增加，且穩(wěn)定在0.46。根據該值，可在實際環(huán)境中對[1γ2]進行調整。

第二次Gamma校正后的圖像，在各個灰度值的像素點數量差異變小，對比度降低，弱化了圖像細節(jié)，與此同時保留了圖像中的蠶繭個體。第二次Gamma校正后蠶繭圖像如圖12所示。

2.4" 圖像二值化

經過上述圖像預處理，利用最大類間方差法（Otsu算法）進行圖像二值化。Otsu算法運行速度快、分割精度高，能夠快速獲得分割閾值[15]。最終二值化處理效果如圖13所示。

2.5" 方法總流程

整個流程像素點變換如圖14、圖15所示。通過第一次Gamma校正，圖像中蠶繭個體區(qū)域的白色像素點數量有所減少；通過CLAHE算法調整灰度圖像的像素分布，近0灰度值區(qū)域像素點數量平均到整體直方圖下方。第一次Gamma校正結合CLAHE，圖像灰度像素點數量達10萬級，部分已穩(wěn)定在一定的灰度值范圍內。最后，通過第二次Gamma校正，圖像灰度值二次整體向0灰度值方向移動，即圖像整體像素數量向黑色像素值區(qū)域集中。圖像預處理階段調整了圖像的像素點數量分布，為二值化分割奠定了基礎，使得圖像中蠶繭個體能夠完全被分割。

整體方法步驟如下。

1） 圖像初校正。采集圖像后，直接轉化為灰度圖像，腐蝕處理后，根據不同[1γ1]值的計算選取合適的值。

2） 圖像細節(jié)增強。通過CLAHE算法增強圖像中蠶繭表面細節(jié)，同時，加入高斯濾波和腐蝕算法濾除圖像表面噪點。

3） 圖像再補償。根據亮度分布特性計算亮度削弱與增強的控制參數，構建第二個Gamma校正函數，調整不同灰度值的像素分布，校正圖像對比度。

4） 蠶繭個數計算。通過Otsu算法二值化后，計算圖像中連通域的數量，得到蠶繭最終數量值。

間斷性Gamma校正方法具體流程如圖16所示。

3" 結果與分析

根據文獻[4]中的思想，通過多次距離變換與間斷性Gamma校正方法進行對比。實驗選用3組圖像，根據圖17所展示的蠶繭分割情況，本文算法對大小蠶繭的分割效果比多次距離變換方法的處理效果要更好。圖17中三組實驗依次為原圖像、多次距離變換處理、本文方法處理。因為大小蠶繭的問題，經過多次距離變換后，過小蠶繭被忽略，粘連的大小蠶繭整體被識別為一個蠶繭。與此同時，本文方法仍然能夠將其完全分割。

根據圖像增強算法的特性和CLAHE算法的特性，傳統(tǒng)直方圖均衡化算法和完美反射算法也能夠對圖像對比度和白點進行調整。傳統(tǒng)直方圖均衡化（HE）方法通過對圖像累積分布函數進行變換來實現，可能會導致部分區(qū)域的過度增強。完美反射（PR）算法通過對圖像中的每個像素值進行線性變換，將圖像中最暗和最亮的像素值分別映射到0和255，進行圖像增強，但容易忽略圖像中的局部信息。本文將上述兩種方法與采用的CLAHE方法做替換進行實驗。

進行了蠶繭容納數量為100～160的實驗，大小蠶繭粘連分割實驗結果如表1所示。根據表1準確率對比結果，本文方法適應能力更強，分割準確率更高，平均準確率高達99%，而通過HE算法和PR算法增強后的圖像分割效果并不理想。本文算法單次運行平均時間約為0.435 s。

4" 結" 論

通過對圖像增強即圖像預處理的研究，本文提出一種間斷性Gamma校正方法，對圖像中大小蠶繭個體進行分割計數，平均準確率高達99%。直接利用灰度單通道圖像進行處理有效降低了計算成本，減少了流程運行時間；同時，實驗利用腐蝕算法進行多尺度的處理，避免了圖像中蠶繭的一次性過分割現象的出現。不僅如此，通過對圖像增強的研究，圖像中的目標個體之間的差異更為明顯，為其二值化提供了良好的前提，使得蠶繭圖像二值化處理后能夠被完全分割，保證了計數結果的準確性。

注：本文通訊作者為孫衛(wèi)紅。

參考文獻

[1] 鄭祚福，趙心雨，林海濤.蠶繭品質控制工序研究進展[J].輕工科技，2021，37（11）：87?88.

[2] 孫衛(wèi)紅，洪徐健，梁曼，等.基于凹點定向腐蝕的粘連蠶繭圖像分割方法[J].蠶業(yè)科學，2019，45（3）：369?376.

[3] 古亭，李子印，王樂.基于距離變換的粘連蠶繭分割方法[J].計算機工程與應用，2019，55（23）：177?181.

[4] 孔繁圣，李子印，古亭，等.基于多層次距離變換的蠶繭分割計數算法[J].蠶業(yè)科學，2020，46（2）：190?196.

[5] 胡易，鄒立，昝世良，等.基于暗通道和伽馬變換的水下圖像增強[J].電光與控制，2021，28（3）：81?85.

[6] HUANG S C， CHENG F C， CHIU Y S. Efficient contrast enhancement using adaptive Gamma correction with weighting distribution [J]. IEEE transactions on image processing， 2013， 22（3）： 1032?1041.

[7] 楊金輝，高賢君，楊元維，等.自適應Gamma變換的遙感影像云陰影補償方法[J].激光與光電子學進展，2022，59（10）：430?438.

[8] 方慶，張順生，段昶.基于腐蝕和膨脹運算的SAR圖像橋梁目標檢測方法[J].火控雷達技術，2011，40（3）：37?41.

[9] CHANG Y， JUNG C， KE P，et al. Automatic contrast?limited adaptive histogram equalization with dual Gamma correction [J]. IEEE access， 2018， 6： 11782?11792.

[10] 張錚，王孫強，熊盛輝，等.結合小波變換和CLAHE的圖像增強算法[J].現代電子技術，2022，45（3）：48?51.

[11] 王輝，宋思蒙，錢勇，等.基于CLAHE增強的GIS局放脈沖序列識別算法[J].高電壓技術，2021，47（11）：3836?3844.

[12] 談杰，范乃吉，白斌，等.高斯濾波對規(guī)則斑點圖像的亞像素匹配精度影響研究[J].中國測試，2022，48（4）：6?11.

[13] 賈俊平，何曉群，金勇進.統(tǒng)計學[M].7版.北京：中國人民大學出版社，2023.

[14] 馬銀平，江偉.基于局部均值和標準差的圖像增強算法[J].計算機工程，2009，35（22）：205?206.

[15] 王震，杜進楷，寇宏玉，等.基于Otsu閾值分割的邊緣快速圖像插值算法[J].現代電子技術，2019，42（2）：71?74.