張薇 王穎

摘要

視覺顯著性在探索中不斷地發(fā)展，是通過人類視覺注意機制從而對有限的認(rèn)識資源加以分析和利用，提取出重要的信息。視覺顯著性在計算機視覺問題中起著基礎(chǔ)性的作用，通過對所見資源進(jìn)行感知并加以分析，從而為后續(xù)的工作做準(zhǔn)備圖像分割是一種重要的圖像分析技術(shù)，是對圖像處理進(jìn)行的重要過程，同時有利于對圖像進(jìn)行進(jìn)一步的分析和理解。水果圖像模糊聚類分割法中準(zhǔn)確分割水果圖像是采摘機器人實現(xiàn)視覺定位的關(guān)鍵技術(shù)，其基于視覺顯著性的特征及作用，并融合不同方面的圖像，從而形成一種新的認(rèn)識方法。依據(jù)視覺顯著性感知下的圖像分析，對水果的聚類分割方法進(jìn)行分析和研究，從而提取出合適的特征，實現(xiàn)全方位視覺導(dǎo)航對水果圖像進(jìn)行準(zhǔn)確地分割，在視覺顯著性的基礎(chǔ)上對模糊聚類算法加以運用，能使水果采摘技術(shù)通過視覺定位，從而解決水果圖像中過分分割的問題，滿足人們在水果分割中不斷發(fā)展的需求。

【關(guān)鍵詞】視覺顯著性特征 水果圖像 模糊聚類分割算法

視覺顯著性對于水果圖像模糊聚類分割算法改進(jìn)主要表現(xiàn)在其更好地描述果蔬圖像的外形特征，從而提高識別系統(tǒng)的識別準(zhǔn)確性。傳統(tǒng)的模糊聚類分割算法在發(fā)展中不斷出現(xiàn)新的問題，而在其中加入視覺的特性，融合新的技術(shù)，從而對于傳統(tǒng)模式有一定的改進(jìn)作用?；谀壳皣鴥?nèi)水果發(fā)展情況來看，為了提高水果的工作效率，減低成本，對于自動化的模式加以運用的不斷發(fā)展的方向趨勢。而在此模式上改進(jìn)水果圖像模糊聚類分割法是較為重要的，而將視覺顯著想的特性融入其中，選擇合適的圖像分割手法，對傳統(tǒng)模糊聚類分割算法的問題加以解決，從而在提高圖像處理的水平的基礎(chǔ)上提高水果的工作效率。針對傳統(tǒng)模糊聚類分割法中出現(xiàn)對于水果分割率不準(zhǔn)確的問題，結(jié)合視覺顯著性，對于其有一定的改進(jìn)作用。首先通過對水果模型的選取根據(jù)水果特性確定顏色模型，然后對模型進(jìn)行不同程度的處理，在視覺顯著性的特點基礎(chǔ)上，形成圖像聚類的空間，最后再將圖像進(jìn)行調(diào)整和改進(jìn)，從而提供一種新的基礎(chǔ)算法。

1 視覺顯著性與模糊聚類分割算法

1.1 視覺顯著性

視覺顯著性是在視覺模型的基礎(chǔ)上，對圖像基本特征進(jìn)行分析和整理，將其融入計算機發(fā)展中從而不斷促進(jìn)其應(yīng)用范圍的擴(kuò)大?；谝曈X的顯著性特征對顯著的區(qū)域進(jìn)行分析有著較為重要的意義，能夠?qū)τ邢薜馁Y源進(jìn)行分配，使計算機對于易于觀察的區(qū)域優(yōu)先進(jìn)行分配，從而在此基礎(chǔ)上不斷探索和發(fā)展。在如今顯著性檢測一般分為兩類，即自下而上基于數(shù)據(jù)驅(qū)動顯著性區(qū)域突顯和自上而下任務(wù)驅(qū)動型目標(biāo)實現(xiàn)。視覺顯著性中其基于不同果蔬的顏色模型及圖像分割，從而使機器人實現(xiàn)全方位的視覺導(dǎo)航。

在計算機領(lǐng)域，有關(guān)視覺顯著性的研究在于提出模擬人類視覺注意機制的模型，基于不同方法下采用不同尺度的圖像處理，把研究對象通過合適的方法從復(fù)雜的環(huán)境中提取出來，從而實現(xiàn)視覺定位。在計算機和機器人的視覺領(lǐng)域中，研究者對于視覺顯著性的作用越來越加以重視和探究，從而使視覺顯著性技術(shù)在大量的視覺數(shù)據(jù)中確定出相關(guān)區(qū)域。近年來在此方面研究者提出來四種模型，即認(rèn)識注意模型、決策論注意模型、頻域分析注意模型、圖論注意模型。這些模型己在計算機視覺中得到了成功的應(yīng)用，并獲得了較高的圖像分割準(zhǔn)確率，在發(fā)展中有著十分重要的現(xiàn)實意義。

1.2 模糊聚類分割算法特征

模糊聚類算法是通過在事物不同特性的基礎(chǔ)上，建立一種模糊相近關(guān)系并運用分割算法進(jìn)行分析。模糊聚類分析算法是一種多元的分析方法，對于水果圖像的分析有著重要的作用。水果的形狀及顏色都各有特色，具有不同的對比度特點。根據(jù)這些顏色模型將其從復(fù)雜的環(huán)境中分辨出來，使用水果圖像模糊聚類算法不斷完善和發(fā)展。針對同一模糊相似物體的特性，不斷確定模糊聚類有效的方法，解決傳統(tǒng)模糊聚類分割算法中過分分割的現(xiàn)象。

在進(jìn)行模糊聚類分割算法時，每一個圖像都有所對應(yīng)的信息值，通過圖像處理從而對這些數(shù)值進(jìn)行一定的分析處理，實現(xiàn)圖像的分割和聚類的擴(kuò)散。在考慮分割效果的時候，要針對不同的類型及不同圖像之間的對比，對各個影響因素進(jìn)行斷定和取舍，從而使算法更適合圖像的分割技術(shù)?？梢酝ㄟ^傳統(tǒng)模糊聚類分割算法中的FCM聚類分割算法實現(xiàn)圖像的分割，F(xiàn)CM算法是一種基于劃分的聚類算法，其通過將同一種類的對象劃分在一起，從而使此空間內(nèi)相似度增加，在此基礎(chǔ)上對物體進(jìn)行分類和研究。模糊C均值算法是普通C均值算法的改進(jìn)，普通C均值算法是通過對數(shù)據(jù)進(jìn)行硬性的劃分，從而進(jìn)行分析，而FCM是較柔性的模糊聚類分割算法。由此可以在此算法的基礎(chǔ)上，針對圖片的類型及精確度的處理，從而使得研究出合適的算法。

2 視覺顯著性對于水果圖像模糊聚類分割算法的改進(jìn)

2.1 基于直方圖的快速模糊聚類分割算法

圖像模糊聚類分割方法為了改進(jìn)傳統(tǒng)的的算法方式，其中圖像分割是進(jìn)行圖像分析和探究的重要前提。FCM算法建立在傳統(tǒng)模糊集的基礎(chǔ)上，對與復(fù)雜多變的數(shù)據(jù)算法難以得到滿意的聚類結(jié)果。為了提高傳統(tǒng)模糊聚類算法的運行速度，在FCM的基礎(chǔ)上引入直方圖，壓縮圖像聚類的空間，從而減少運算量。其中FCM算法的應(yīng)用較為廣泛，其具有直觀和易于理解的特點。由于傳統(tǒng)的模糊聚類算法對于模型參數(shù)的選取有一定的局限性，而基于直方圖的快速模糊聚類算法，提高了傳統(tǒng)算法的準(zhǔn)確性各實時性，其相對于傳統(tǒng)的算法模式，對于圖像的分割有較好的效果。直方圖的模糊聚類分割算法將圖像模糊聚類算法引入圖像分割算法的研究中，從而得到圖像模糊聚類分割算法，其在傳統(tǒng)的基礎(chǔ)上有所突破，并不斷發(fā)展。

2.2 改進(jìn)的模擬退火粒子群算法

在傳統(tǒng)的模糊聚類分割算法中，其主要存在的問題在在對于聚類中心取值方面，其對于中心區(qū)域的取值較為敏感需不斷探索和研究以找到新的適合的手段，將其中的問題加以解決。模擬退火粒子群算法是根據(jù)粒子進(jìn)化后的適應(yīng)值進(jìn)行概率接受通過初始粒子群，每個粒子根據(jù)當(dāng)前的路徑在領(lǐng)域中產(chǎn)生一條新的路徑，并不斷更新自身找到最優(yōu)的路徑，使其算法具有較高的有效性。改進(jìn)的模擬退火粒子群算法簡單容易，能使粒子群更好算法更好地應(yīng)用于離散領(lǐng)域，具有較高的使用價值。粒子群算法也存在一定的弊端，其若選擇不恰當(dāng)?shù)姆绞?，會使其算法向不利的方向發(fā)展。最優(yōu)化的任務(wù)在電子工程、操作系統(tǒng)等領(lǐng)域的表現(xiàn)穩(wěn)步上升，其源于退火過程，將固體加溫，再冷卻，使其排列趨于有序，在此過程中，通過退火過程的啟發(fā)，是溫度達(dá)到最低點時，獲得最優(yōu)解的概率較大，改進(jìn)的模擬退火粒子算法降低了對初始解的依賴性，在一定程度上縮短了運行的時間，提高了算法的效率，具有較強的發(fā)展意義及價值。