曹洪武++周保平++姚江河

摘要：針對自然光條件下具有復雜背景的棉花圖像，提出了1種新的圖像分割方法。首先，利用粒子群優(yōu)化（PSO）算法進行聚類預處理，去除圖像中較暗區(qū)域；其次，利用簡單線性迭代聚類（SLIC）算法構(gòu)建超像素，并用1種改進的方法檢測每個超像素在圖像中的獨特性和分布情況權值，利用檢測結(jié)果逐像素計算顯著度獲得整幅圖像的顯著圖；最后，利用連通域面積去噪方法得到棉花圖像分割結(jié)果。結(jié)果表明，該方法能有效去除圖像的復雜背景，消除強光和陰影影響，準確地將棉花圖像從背景中分割出來，效果較理想。

關鍵詞：粒子群優(yōu)化（PSO）算法；顯著性；簡單線性迭代聚類（SLIC）；棉花分割

中圖分類號： TP391.4；S126文獻標志碼： A文章編號：1002-1302（2016）02-0430-04

收稿日期：2015-09-04

基金項目：國家自然科學基金（編號：61563046）；塔里木大學校長基金平臺建設項目（編號：TDZKPT201201）。

作者簡介：曹洪武（1980—），男，云南開遠人，碩士，講師，主要從事圖像處理、計算機視覺等方面的研究。E-mail：chw0920@163.com。

通信作者：姚江河，碩士，副教授，主要從事農(nóng)業(yè)信息化方面的研究。E-mail：yao9698@163.com。新疆作為中國棉花主產(chǎn)區(qū)，總產(chǎn)量長期居于全國首位。近年來，在國家政策鼓勵下，新疆采用機采棉比例日益提高，但棉花采摘質(zhì)量與手工采摘方式相比仍有很大差距，因此，研究基于計算機視覺的采棉機器人具有較大意義，提升棉花圖像分割算法的精度是實現(xiàn)采棉機器人的關鍵問題之一，這將有效地減少采摘雜質(zhì)、提高棉花采摘品質(zhì)。近年來，已有較多學者對棉花圖像的分割處理進行了深入研究，并從不同角度提出了解決方案，比較典型的方法有韋皆頂?shù)然贖SV彩色模型的自然場景下的棉花圖像分割算法[1]，時顥等提出的利用粒子群和K均值混合聚類分割算法[2]，陳欽政等提出的基于SVM的棉花圖像分割算法[3]，王星等提出的基于YCbCr空間和GA神經(jīng)網(wǎng)絡的棉花圖像分割算法[4]，張豪等提出的最佳熵法的棉花分割方法[5]等，這些方法從不同角度對棉花分割算法進行了改進，也取得了較好的效果，但仍未形成一種適合各種復雜情況的棉花分割的通用算法，采摘精度仍有提升空間。筆者在上述研究基礎上提出1種基于粒子群和視覺顯著性的棉花圖像分割算法：首先，利用粒子群優(yōu)化（particle swarm optimization，PSO）算法對棉花圖像進行聚類預處理；其次，利用1種改進的顯著性算法進行棉花圖像分割；最后，利用連通域去噪方法消除噪聲，分別實現(xiàn)了棉花圖像在強光和陰影條件下的分割。

1基于PSO算法的圖像聚類預處理

在自然光照條件下采集的棉花圖像組成較為復雜，除棉花本身外，還包括枯枝、雜草及各種陰影等噪聲區(qū)域，要將棉花目標分割出來，需要先消除噪聲區(qū)域的影響，而棉花本身是色彩感知均勻的，在視覺上屬于高對比度區(qū)域，本研究方法首先考慮利用PSO算法對圖像進行聚類預處理，去除圖像中顏色相對較暗區(qū)域，減少干擾。處理過后的圖像，顏色較暗的區(qū)域被填充為黑色，其余亮度較高區(qū)域得以保留，如棉花圖像及若干較小的離散區(qū)域，有效減少了檢測范圍，降低后續(xù)顯著性檢測的復雜度。

粒子群算法簡介：PSO算法由Kennedy和Eberhart于1995年提出，是一種用于模擬鳥群群體覓食行為的群集智能隨機優(yōu)化算法[6]。該算法通過在搜索空間中的粒子個體間的協(xié)作以及群體信息共享來尋求最優(yōu)解，其算法主要思想為：在n維搜索空間中，PSO算法初始化為1組粒子，其中每個粒子對應解空間中的1個候選解，它與每個粒子的位置和速度相關，如第i個粒子的位置和速度可分別表示為Xi=（xi1，xi2，…，xin）、Vi=（vi1，vi2，…，vin），每個粒子都有一個被優(yōu)化函數(shù)決定的適應值。通過迭代，粒子能動態(tài)追蹤個體極值Pi和群體極值Pg來更新自身的速度和位置，其中Pi=（pi1，pi2，…，pin）表示粒子i所到達的具有最優(yōu)適應值的位置，Pg=（pg1，pg2，…，pgn）表示群體中所有粒子所到達的最優(yōu)位置，計算公式如下：

4結(jié)語

利用PSO算法進行聚類預處理，能有效去除圖像中較暗區(qū)域，同時較完整地分割出包含棉花圖像的色彩感知均勻且較亮區(qū)域；在PSO聚類處理結(jié)果基礎上進行顯著性檢測能提高檢測效率，同時能有效保留邊緣細節(jié)。結(jié)果表明，該方法能夠很好地消除強光條件和陰影條件的影響，適應于復雜條件下的棉花圖像分割，分割精度較高。在今后的工作中，如何進一步優(yōu)化算法、提高圖像分割效率將是研究重點。

參考文獻：

[1]韋皆頂，費樹岷，汪木蘭，等. 基于HSV彩色模型的自然場景下棉花圖像分割策略研究[J]. 棉花學報，2008，20（1）：34-38.

[2]時顥，賴惠成，覃錫忠. 子群與K均值混合聚類的棉花圖像分割算法[J]. 計算機工程與應用，2013（21）：226-229.

[3]陳欽政，賴惠成，王星，等. 一種基于支持向量機的棉花圖像分割算法[J]. 計算機工程，2013，39（5）：266-269.

[4]王星，賴惠成，任磊，等. 基于YCbCr空間和GA神經(jīng)網(wǎng)絡的棉花圖像分割算法[J]. 計算機工程與應用，2012（11）：176-179.

[5]張豪，郭輝，韓長杰，等. 基于最佳熵法棉花圖像分割與提取的研究[J]. 工業(yè)控制計算機，2015（7）：104-105，107.

[6]Kennedy J，Eberhart R. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks IV，1995：1942-1948.

[7]Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[8]Perazzi F，Kraehenbuehl P，Pritch Y A. Saliency filters：contrast based filtering for salient region detection[C].2012 IEEE Conference on Computer Vision and Pattern Recognition，2012：733-740.

[9]孫建成，曾培峰，禹素萍，等. 二值圖像的區(qū)域標識與噪聲去除[J]. 天津工業(yè)大學學報，2006，25（1）：45-47.

[8]Sarangan V，Devarapalli M R，Radhakrishnan S. A framework for fast RFID tag reading in static and Mobile environments[J]. Computer Networks，2008，52（5）：1058-1073.

[9]劉世明，陳建宏，張宗平，等. 基于RFID的供港蔬菜安全監(jiān)管溯源系統(tǒng)[J]. 計算機系統(tǒng)應用，2014，23（2）：42-47.

[10]朱鵬. 蔬菜跟蹤追溯物聯(lián)網(wǎng)關鍵技術研究[D]. 南京：南京郵電大學，2013.

[11]董金. 現(xiàn)代農(nóng)業(yè)種植和農(nóng)產(chǎn)品信息管理系統(tǒng)設計[D]. 荊州：長江大學，2013.

[12]龐娜，程德福. 基于ZigBee無線傳感器網(wǎng)絡的溫室監(jiān)測系統(tǒng)設計[J]. 吉林大學學報：信息科學版，2010，28（1）：55-60.

[13]蔣薇，賴青貴，秦玲，等. 基于ADO.NET數(shù)據(jù)訪問技術的研究和應用[J]. 微計算機信息，2010，26（30）：141-143.

[14]晏國生，劉君. 基于物聯(lián)網(wǎng)的河北果蔬產(chǎn)業(yè)全程監(jiān)測與控制信息服務平臺研究[J]. 農(nóng)業(yè)系統(tǒng)科學與綜合研究，2011，27（3）：371-375.

[15]吳波，呂旭健，陳軍響，等. 基于物聯(lián)網(wǎng)的溫州市農(nóng)產(chǎn)品質(zhì)量安全監(jiān)控溯源體系的構(gòu)建與應用[J]. 浙江農(nóng)業(yè)科學，2013，50（4）：482-485.李哲，田建艷，鄭晟，等. 基于MPU6050和HMC5883L的豬的姿態(tài)檢測[J]. 江蘇農(nóng)業(yè)科學，2016，44（2）：434-437.