龍金輝，朱真峰

(1.鄭州大學(xué)信息工程學(xué)院，鄭州450052；2.河南機(jī)電職業(yè)學(xué)院信息系，鄭州451191）

圖像分割技術(shù)是實(shí)現(xiàn)采摘機(jī)器人視覺(jué)識(shí)別與定位的支撐技術(shù)。采集圖像中的復(fù)雜背景制約了機(jī)器人視覺(jué)處理系統(tǒng)對(duì)圖像的準(zhǔn)確分割與目標(biāo)區(qū)域的完整獲取。因此，研究如何提高圖像分割精度并提取出完整目標(biāo)區(qū)域具有重要的實(shí)用價(jià)值。目前，針對(duì)采摘機(jī)器人視覺(jué)處理系統(tǒng)采集的圖像進(jìn)行有效分割的研究還處在不斷發(fā)展探索階段。Huang等[1]提出基于二維直方圖和遺傳算法的二維模糊熵的紅富士蘋(píng)果圖像分割方法，實(shí)現(xiàn)了復(fù)雜自然場(chǎng)景以及光照變化情況下的蘋(píng)果圖像分割；呂繼東等[2]在對(duì)果實(shí)圖像顏色統(tǒng)計(jì)分析的基礎(chǔ)上，采用基于顏色特征的Otsu動(dòng)態(tài)閾值圖像分割方法對(duì)蘋(píng)果圖像進(jìn)行快速分割；王丹丹等[3]通過(guò)聚類算法獲取目標(biāo)區(qū)域，采用Ncut算法提取蘋(píng)果目標(biāo)輪廓，然后利用Spline插值算法重建遮擋蘋(píng)果目標(biāo)輪廓，實(shí)現(xiàn)蘋(píng)果目標(biāo)分割與重建；徐黎明等[4]使用同態(tài)濾波算法對(duì)楊梅圖進(jìn)行預(yù)處理，然后應(yīng)用K均值聚類算法在Lab顏色空間中對(duì)彩色楊梅圖像進(jìn)行分割；Harrell等[5-7]通過(guò)對(duì)水果特性的分析，實(shí)現(xiàn)了將果實(shí)從背景中提取出的閾值分割算法；Ghabousian等[8-9]將模糊聚類圖像分割算法應(yīng)用于水果疤痕檢測(cè)，可以有效分割出水果表面疤痕；趙海波等[10-14]提出了改進(jìn)的模糊聚類圖像分割算法，并應(yīng)用于成熟果蔬的檢測(cè)與識(shí)別。

隨著智能農(nóng)業(yè)的發(fā)展，機(jī)器人將在棉花采摘作業(yè)過(guò)程中發(fā)揮越來(lái)越重要的作用。采棉機(jī)器人視覺(jué)處理系統(tǒng)工作的前提是在采集的棉花圖像中準(zhǔn)確識(shí)別出目標(biāo)區(qū)域，實(shí)際上就是將棉花這一目標(biāo)區(qū)域從圖像中分割出來(lái)。然而針對(duì)棉花圖像分割的研究還不是很多。劉廣瑞等[15]將彩色圖像轉(zhuǎn)化為灰度圖像，通過(guò)閾值法分割棉花圖像；張成梁等[16]提出了將分水嶺變換與改進(jìn)模糊C均值聚類融合的方法對(duì)棉花圖像進(jìn)行分割；王玲等[17]選取噪聲較低的色調(diào)-強(qiáng)度-飽和度（Hue，intensity and saturation，HIS） 和 La*b*顏色空間基于閾值對(duì)棉花圖像進(jìn)行分割。劉坤等[18]提出1種基于隨機(jī)Hough變換的對(duì)自然環(huán)境中的棉花識(shí)別方法；劉金帥等[19]首先計(jì)算出Fisher判別向量和各類的質(zhì)心，根據(jù)像素點(diǎn)距離各質(zhì)心最近的準(zhǔn)則進(jìn)行棉花圖像分割；韋皆頂?shù)萚20]在色調(diào)-飽和度 -亮度（Hue，saturation and value，HSV）顏色空間下使用S通道作為棉花圖像的特征進(jìn)行閾值分割；陳欽政等[21]結(jié)合閾值法提出了1種在Ohta顏色空間下基于支持向量機(jī)的棉花圖像分割算法。劉廣瑞等[22]通過(guò)采用圖像分割中的Otsu最佳閾值法及相關(guān)圖像處理方法實(shí)現(xiàn)了對(duì)棉花幼苗的有效識(shí)別。

本研究分析了閾值分割算法、模糊聚類（FuzzyC-means，F(xiàn)CM）以及相應(yīng)改進(jìn)的圖像分割算法[23-26]、量子粒子群（Quantum particle swarm optimization，QPSO）圖像分割算法[27]和馬爾可夫隨機(jī)場(chǎng)（Markov random field，MRF）分割圖像算法[28]等算法的優(yōu)劣以及適用性；參考圖像像素信息與數(shù)量特征，以成熟棉花圖像為例，提出了融合馬爾可夫隨機(jī)場(chǎng)與量子粒子群聚類的棉花圖像分割算法，以期解決上述分割算法中的問(wèn)題，有效避免噪聲干擾，提高分割圖像精度。

1　模型與原理

1.1　馬爾可夫隨機(jī)場(chǎng)模型

由于受到各種干擾因素影響，待分割圖像存在一定數(shù)量噪聲。因此，進(jìn)行圖像分割時(shí)要考慮鄰域信息?；隈R爾可夫隨機(jī)場(chǎng)的圖像分割算法[28]在解決像素所屬類的過(guò)程中參考了鄰域像素所屬類，該算法具有較好的抗噪聲能力。

在馬爾可夫隨機(jī)場(chǎng)模型中，像素所屬的類由鄰域像素所屬類決定，其中，ηij是像素yij的鄰域，ηij=｛t1,t2,…t8｝，如圖 1 所示。

圖1　yij的鄰域 ηijFig.1　yijand its neighborhoodηij

1.2　模糊聚類圖像分割算法

FCM算法由Bezdek等提出，其基本思想是使用隸屬度來(lái)確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)類別的程度，通過(guò)迭代運(yùn)算，求出目標(biāo)函數(shù)的最小化，以確定其最佳類別。模糊聚類算法將n個(gè)樣本點(diǎn)X=（x1,x2,…，xn）劃分為c類，并求出每個(gè)類的聚類中心vi(i=1,2,…，c)，使得目標(biāo)函數(shù)達(dá)到最小。其中，每個(gè)樣本點(diǎn)的隸屬度取值范圍為[0,1]，每個(gè)樣本點(diǎn)與相應(yīng)聚類中心的隸屬度構(gòu)成隸屬矩陣U。uij∈[0,1]是模糊隸屬度，表示第j個(gè)樣本點(diǎn)隸屬于第i類的程度，滿足約束條件

目標(biāo)函數(shù)為：

其中，dij為第i個(gè)聚類中心與第j個(gè)樣本點(diǎn)的距離，如果算法用于圖像分割，則該距離實(shí)際上可以選取2個(gè)像素點(diǎn)的灰度值變化量的絕對(duì)值。

該算法是通過(guò)迭代方法求解目標(biāo)函數(shù)的最小值，然后依據(jù)隸屬度矩陣確定像素類別。

1.3　量子粒子群算法

QPSO算法[27]在粒子群算法的粒子進(jìn)化方式的基礎(chǔ)上融入了量子物理學(xué)思想，在量子空間中通過(guò)蒙特卡羅方法確定粒子的位置。粒子位置的確定公式：

其中：pBesti(t)和gBest(t)分別是在第i次迭代過(guò)程中第i個(gè)局部最優(yōu)粒子位置和全局最優(yōu)粒子位置，Ф1，Ф2，u是在（0，1）區(qū)間服從均勻分布的隨機(jī)數(shù)，p為局部引子；mBest(t)為第i次迭代過(guò)程中粒子的平均最佳位置；β為收縮擴(kuò)張因子，其值可以調(diào)整；M為群體大??；D為維數(shù)。

在群體智能算法中，量子粒子群算法相對(duì)于傳統(tǒng)粒子群算法的特征是全局尋優(yōu)策略更有效、算法的收斂性更好以及算法的控制參數(shù)更少。因此，筆者在進(jìn)行圖像分割算法設(shè)計(jì)中吸納了量子粒子群算法思想。

1.4　本研究提出的融合馬爾可夫隨機(jī)場(chǎng)與量子粒子群聚類的棉花圖像分割算法

圖像的聚類分割方法本質(zhì)上是根據(jù)圖像像素灰度值與聚類中心像素灰度值的接近程度對(duì)像素點(diǎn)聚類。理想的顏色模型應(yīng)使得目標(biāo)區(qū)域像素灰度與背景區(qū)域像素灰度差異明顯，這樣可以通過(guò)分割算法有效地獲取目標(biāo)區(qū)域。如果顏色空間的選取不合適，將會(huì)對(duì)圖像分割結(jié)果造成不利影響。通過(guò)比較，本算法選取RGB顏色模式，將讀入的彩色圖像轉(zhuǎn)換為灰度圖像，并且選取綠色通道灰度圖像作為待分割圖像；針對(duì)模糊聚類圖像分割算法容易陷入局部極值的問(wèn)題，采用量子粒子群聚類算法進(jìn)行圖像初步分割；充分參考鄰域信息以增強(qiáng)算法的抗噪聲能力，由初步分割的結(jié)果作為依據(jù)，采用馬爾可夫隨機(jī)場(chǎng)圖像分割方法得到中間分割結(jié)果，這樣既可提高分割算法的抗噪聲能力，又可避免分割算法陷入局部極值；最后，由于在確定距離所采集的棉花圖像中棉花目標(biāo)面積大小是可以推定范圍的。因此，本算法通過(guò)設(shè)定連通區(qū)域面積閾值范圍提取目標(biāo)區(qū)域。

本研究圖像分割算法的具體步驟為：（1）將讀入的彩色圖像轉(zhuǎn)換為灰度圖像。（2）初始化算法參數(shù)值，設(shè)置種群規(guī)模為N=20，最大迭代次數(shù)為50；初始化隸屬度矩陣。（3）初始化粒子位置，初始化粒子各分量值在適當(dāng)?shù)娜≈捣秶?；根?jù)式（2）返回粒子的適應(yīng)度值，遴選局部最佳位置的適應(yīng)度值。（4）通過(guò)式（2）返回的粒子適應(yīng)度值進(jìn)行比較擇優(yōu)，根據(jù)粒子局部極值pBesti(t)更新全局極值gBest(t)。（5）更新聚類中心和隸屬度矩陣，并使用式（4）、式（5）、式（6）對(duì)粒子的位置進(jìn)行更新，產(chǎn)生下次循環(huán)使用的粒子群。（6）判斷是否達(dá)到設(shè)置的迭代次數(shù)，如果達(dá)到迭代次數(shù)則退出循環(huán)；然后輸出全局最優(yōu)解gBest(t)，根據(jù)全局最優(yōu)解將圖像進(jìn)行目標(biāo)區(qū)域與背景區(qū)域劃分的初步分割；否則，轉(zhuǎn)到步驟4。（7）以初步分割的結(jié)果作為依據(jù)，計(jì)算得到馬爾可夫隨機(jī)場(chǎng)模型，由最大概率原則得到中間分割結(jié)果。（8）對(duì)中間分割結(jié)果中的連通區(qū)域進(jìn)行處理，依據(jù)圖像中棉花目標(biāo)區(qū)域面積的最小值與最大值設(shè)定連通區(qū)域面積閾值范圍。例如，本研究處理的圖像像素為130×130，經(jīng)測(cè)算棉花目標(biāo)區(qū)域面積介于3 332～8 754像素；因此，可以將連通區(qū)域面積閾值范圍設(shè)定在3 332～8 754像素，標(biāo)記為分割的目標(biāo)區(qū)域，不在這個(gè)范圍的連通區(qū)域可以看成干擾噪聲，作為背景區(qū)域，將其各像素的值設(shè)置為零。

1.5　仿真試驗(yàn)設(shè)計(jì)

1.5.1運(yùn)行平臺(tái)環(huán)境。操作系統(tǒng)Windows XP；CPU Intel Core2 Duo T6570 2.10 GHz，RAM 1.9 GB。采用MATLAB R2012b進(jìn)行仿真。

1.5.2分析對(duì)象（棉花圖像）采集與選擇。9月下旬晴天條件下，在河南省新鄉(xiāng)縣七里營(yíng)鎮(zhèn)棉花種植區(qū)（棉花品種為新植雜2號(hào)），從不同角度采集在自然環(huán)境下進(jìn)入吐絮期的棉花圖像。從采集的100幅圖像中選取30幅進(jìn)行試驗(yàn)。

1.5.3算法及運(yùn)行參數(shù)設(shè)置。分別運(yùn)行Otsu閾值法、聚類分割算法、量子粒子群分割算法、馬爾可夫隨機(jī)場(chǎng)分割算法和本算法。依據(jù)解空間，對(duì)粒子群各粒子位置進(jìn)行初始化，粒子規(guī)模20，最大迭代次數(shù)50次，像素灰度級(jí)為255。

1.5.4效果評(píng)價(jià)。為了更客觀地評(píng)估本算法，引入分割效果的評(píng)價(jià)指標(biāo)Jaccard相似度（Jaccard similarity，JS）與峰值信噪比（Peak signal to noise ratio，PSNR）對(duì)圖像分割結(jié)果進(jìn)行定量評(píng)價(jià)。其計(jì)算公式為：

在式（7）中，S1，S2分別表示圖像分割結(jié)果像素集合和標(biāo)準(zhǔn)分割像素集合；該比值越接近1分割效果越好，分割精度越高。在式（8）中，m,n分別為圖像的行數(shù)與列數(shù)；PSNR值越大表明圖像分割效果越好。

2　結(jié)果與分析

2.1　分割圖像結(jié)果

圖2　棉花圖像及其灰度直方圖Fig.2　Cotton images and their gray scale histogram

隨機(jī)選取經(jīng)過(guò)處理后得到像素大小為130×130的棉花正面圖像與棉花側(cè)面圖像各1幅，它們的灰度直方圖如圖2所示。從圖2可以看出，圖像像素灰度分布呈現(xiàn)雙峰狀態(tài)，這些圖像適用于圖像分割算法的評(píng)價(jià)。將得到的棉花正面灰度圖像（圖2-b）和棉花側(cè)面灰度圖像（圖2-d）作為算法的輸入圖像，分別運(yùn)行Otsu閾值法、聚類分割算法、量子粒子群分割算法、馬爾可夫隨機(jī)場(chǎng)分割算法和本算法，分割結(jié)果如圖3和圖4所示?？梢钥闯?，本算法分割結(jié)果與人工標(biāo)準(zhǔn)分割結(jié)果最接近，分割效果最好。

圖3　棉花正面圖像分割結(jié)果Fig.3　Cotton front image segmentation results

圖4　棉花側(cè)面圖像分割結(jié)果Fig.4　Cotton side image segmentation results

2.2　不同方法分割效果評(píng)價(jià)

將15幅棉花正面圖像和15幅棉花側(cè)面圖像作為算法的輸入圖像，分別運(yùn)行上述原有的4種算法和本算法，根據(jù)所得結(jié)果計(jì)算JS與PSNR，結(jié)果見(jiàn)表1和表2?？梢钥闯?，受復(fù)雜背景因素的干擾，分割算法會(huì)將類似像素灰度區(qū)域錯(cuò)誤地識(shí)別為目標(biāo)區(qū)域。Otsu算法分割棉花圖像的JS與PSNR最低；FCM算法和QPSO算法分割效果相當(dāng)；MRF算法的抗噪聲能力強(qiáng)于Otsu算法、FCM算法和QPSO算法；本算法對(duì)棉花正面圖像與棉花側(cè)面圖像進(jìn)行分割所得到的JS與PSNR在所有算法中都是最高的，平均值分別為98.94%、77.48 dB。與Otsu算法、FCM算法、QPSO算法和MRF算法相比，本算法分割精度平均提高 4.56、3.20、3.69、2.47 百分點(diǎn)，PSNR平均提高 13.10 dB、12.53 dB、12.36 dB、9.81 dB。

3　結(jié)論

提出了融合馬爾可夫隨機(jī)場(chǎng)與量子粒子群聚類的棉花圖像分割算法：首先，將讀入的RGB模式的棉花彩色圖像轉(zhuǎn)換為灰度圖像；其次，將利用圖像鄰域信息的馬爾可夫隨機(jī)場(chǎng)模型、具有隨機(jī)遍歷性的量子粒子群全局尋優(yōu)策略以及對(duì)圖像中的少量模糊和不確定點(diǎn)具有良好適應(yīng)性的模糊聚類方法相融合，進(jìn)行圖像分割；最后，在分割圖像的基礎(chǔ)上通過(guò)對(duì)連通區(qū)域面積閾值的設(shè)定以獲取目標(biāo)區(qū)域。并通過(guò)分割效果評(píng)價(jià)，驗(yàn)證了本算法的有效性。

表1　各算法分割結(jié)果精度（JS）比較Table 1　Comparison of precision of segmentation results of each algorithm　%

表2　各算法分割結(jié)果峰值信噪比比較Table 2　Comparison ofPSNRof each algorithm segmentation result　dB

[1]Huang L W,He D J,Yang S X.Segmentation on ripe Fuji apple with fuzzy 2D entropy based on 2D histogram and GA optimization[J].Intelligent Automation&Soft Computing,2013,19(3):239-251.

[2]呂繼東,趙德安,姬偉.蘋(píng)果采摘機(jī)器人目標(biāo)果實(shí)快速跟蹤識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(1):65-72.Lü Jidong,Zhao De’an,Ji Wei.Fast tracing recognition method of target fruit for apple harvesting robot[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(1):65-72.

[3]王丹丹,徐越,宋懷波,等.融合K-means與Ncut算法的無(wú)遮擋雙重疊蘋(píng)果目標(biāo)分割與重建[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(10):227-234.Wang Dandan,Xu Yue,Song Huaibo,et al.Fusion ofK-means and Ncut algorithm to realize segmentation and reconstruction of two overlapped apples without blocking by branches and leaves[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(10):227-234.

[4]徐黎明,呂繼東.基于同態(tài)濾波和K均值聚類算法的楊梅圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(14):202-208.Xu Liming,Lü Jidong.Bayberry image segmentation based on homomorphic filtering andK-means clustering algorithm[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(14):202-208.

[5]Harrell R C,Slaughter D C,Adsit P D.A fruit tracking system for robotic harvesting[J].Machine Vision and Applications,1989,2(2):69-80.

[6]Grift T,Zhang Q,Kondo N,et al.A review of automation and robotics for the bio-industry[J].Journal of Biomechatronics Engineering,2008,1(1):37-54.

[7]蔡健榮,周小軍,李玉良,等.基于機(jī)器視覺(jué)自然場(chǎng)景下成熟柑橘識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(1):175-178.Cai Jianrong,Zhou Xiaojun,Li Yuliang,et al.Recognition of mature oranges in natural scene based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering,2008,24(1):175-178.

目前我國(guó)資產(chǎn)評(píng)估的主要目的還是服務(wù)于礦業(yè)權(quán)交易和政府備案，在礦業(yè)市場(chǎng)融資方面起到的作用很少。合理準(zhǔn)確的資產(chǎn)評(píng)估對(duì)礦業(yè)市場(chǎng)融資是一個(gè)有力保證，通過(guò)制定相關(guān)政策和科學(xué)的引導(dǎo)，推動(dòng)礦產(chǎn)資源資產(chǎn)評(píng)估在市場(chǎng)融資中的作用，提高評(píng)估結(jié)果的權(quán)威性和可信度，使礦產(chǎn)資源資產(chǎn)評(píng)估與市場(chǎng)充分結(jié)合，改善礦業(yè)投資環(huán)境。

[8]Ghabousian A,Shamsi M.Segmentation of apple color images utilizing fuzzy clustering algorithms[J].Advances in Digital Multimedia,2012,1(1):59-63.

[9]Moradi G,Shamsi M,Sedaghi M H,et al.Fruit defect detection from color images using ACM and MFCM algorithms[C]//Proceedings of the International Conference on Electronic Devices,Systems and Application,April 25-27,2011.Kuala Lumpur,Malaysia:Institute of Electrical and Electronics Engineers,2011:182-186.

[10]趙海波,周向紅.基于計(jì)算機(jī)視覺(jué)的番茄催熟與正常熟識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(2):355-359.Zhao Haibo,Zhou Xianghong.Recognition of artificial ripening tomato and nature mature tomato based on computer vision[J].Transactions of the Chinese Society of Agricultural Engineering,2011,27(2):355-359.

[11]熊俊濤,鄒湘軍,陳麗娟,等.基于機(jī)器視覺(jué)的自然環(huán)境中成熟荔枝識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(9):162-166.Xiong Juntao,Zou Xiangjun,Chen Lijuan,et al.Recognition of mature litchi in natural environment based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(9):162-166.

[12]熊俊濤,鄒湘軍,陳麗娟,等.荔枝采摘機(jī)械手果實(shí)識(shí)別與定位技術(shù)[J].江蘇大學(xué)學(xué)報(bào),2012,33(1):1-5.Xiong Juntao,Zou Xiangjun,Chen Lijuan,et al.Fruit recognition and positioning technology of litchi picking manipulator[J].Journal of Jiangsu University,2012,33(1):1-5.

[13]陳科尹,鄒湘軍,熊俊濤,等.基于視覺(jué)顯著性改進(jìn)的水果圖像模糊聚類分割算法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(6):157-165.Chen Keyin,Zou Xiangjun,Xiong Juntao,et al.Improved fruit fuzzy clustering image segmentation algorithm based on visual saliency[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(6):157-165.

[14]王富春,徐越,宋懷波.西紅柿果實(shí)目標(biāo)識(shí)別方法研究[J].農(nóng)機(jī)化研究,2015(10):24-28.Wang Fuchun,Xu Yue,Song Huaibo.Study on identification of tomatos[J].Journal of Agricultural Mechanization Research,2015(10):24-28.

[15]劉廣瑞,黃真,毛樹(shù)春,等.OTSU最佳閾值法在棉花幼苗識(shí)別中的應(yīng)用研究[J].棉花學(xué)報(bào),2013,25(1):86-89.Liu Guangrui,Huang Zhen,Mao Shuchun,et al.Application study about optimal threshold method in cotton seedling recognition[J].Cotton Science,2013,25(1):86-89.

[16]張成梁,李蕾,董全成,等.基于顏色和形狀特征的機(jī)采棉雜質(zhì)識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(7):28-34.Zhang Chengliang,Li Lei,Dong Quancheng,et al.Recognition method for machine-harvested cotton impurities based on color and shape features[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(7):28-34.

[17]王玲,王萍,陳兵林,等.基于顏色閾值的田間籽棉圖像分割技術(shù)[J].作物學(xué)報(bào),2010,36(3):503-507.Wang Ling,Wang Ping,Chen Binlin,et al.Image segmentation technique of field cotton based on color threshold[J].Acta A-gronomica Sinica,2010,36(3):503-507.

[18]劉坤,費(fèi)樹(shù)岷,汪木蘭,等.基于改進(jìn)隨機(jī)Hough變換的棉桃識(shí)別技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(8):160-165.Liu Kun,Fei Shumin,Wang Mulan,et al.Cotton recognition based on randomized Hough transform[J].Transactions of the Chinese Society for Agricultural Machinery,2010,41(8):160-165.

[19]劉金帥,賴惠成,賈振紅.基于YCbCr顏色空間和Fisher判別分析的棉花圖像分割研究[J].作物學(xué)報(bào),2011,37(7):1274-1279.Liu Jinshuai,Lai Huicheng,Jia Zhenhong.Image segmentation of cotton based on YCbCr color space and fisher discrimination analysis[J].Acta Agronomica Sinica,2011,37(7):1274-1279.

[20]韋皆頂,費(fèi)樹(shù)岷,汪木蘭,等.基于HSV顏色模型的自然場(chǎng)景下棉花圖像分割策略研究[J].棉花學(xué)報(bào),2008,20(1):34-38.Wei Jieding,Fei Shumin,Wang Mulan,et al.Research on the segmentation strategy of the cotton images on the natural condition based upon the HSV color-space model[J].Cotton Science,2008,20(1):34-38.

[21]陳欽政,賴惠成,王星,等.一種基于支持向量機(jī)的棉花圖像分割算法[J].計(jì)算機(jī)工程,2013,39(5):266-269.Chen Qinzhen,Lai Huicheng,Wang Xing,et al.An cotton image segmentation algorithm based on support vector machine[J].Computer Engineering,2013,39(5):266-269.

[22]劉廣瑞,黃真,毛樹(shù)春,等.OTSU最佳閾值法在棉花幼苗識(shí)別中的應(yīng)用研究[J].棉花學(xué)報(bào),2013,25(1):86-89.Liu Guangrui,Huang Zhen,Mao Shuchun,et al.Application study about OTSU optimal threshold method in cotton seedling recognition[J].Cotton Science,2013,25(1):86-89.

[23]Hafiane A,Zavidovique B.FCM with spatial and multiresolution constraints for image segmentation[C]//Proceedings of the Second International Conference on Image Analysis and Recognition.Toronto,Canada:Institute of Electrical and Electronics Engineers,2005:17-23.

[24]Sun J,Feng B,Xu W B.Particle swarm optimization with particles having quantum behavior[C]//Proceeding of the 2004 Congress on Evolutionary Computation.Portland,USA:Institute of Electrical and Electronics Engineers,2004:325-331.

[25]Bezdek J C.Pattern recognition with fuzzy objection function algorithms[M].New York:Plenum Press,1981.

[26]張小紅,寧紅梅.基于混沌粒子群和模糊聚類的圖像分割算法[J].計(jì)算機(jī)應(yīng)用研究,2011,28(12):4786-4789.Zhang Xiaohong,Ning Hongmei.Fuzzy clustering image segmentation algorithm based on CPSO[J].Application Research of Computers,2011,28(12):4786-4789

[27]許亞駿,吳小俊.基于量子行為粒子群優(yōu)化的軟子空間聚類算法[J].模式識(shí)別與人工智能,2016,29(6):558-565.Xu Yajun,Wu Xiaojun.Soft subspace clustering algorithm based on quantum-behaved particle swarm optimization[J].Pattern Recognition and Artificial Intelligence,2016,29(6):558-565.

[28]佘黎煌,鐘華,張石.結(jié)合馬爾可夫隨機(jī)場(chǎng)與C-模糊均值聚類的腦圖像分割[J].中國(guó)圖象圖形學(xué)報(bào),2012,17(12):1554-1560.She Lihuang,Zhong Hua,Zhang Shi.Fuzzy C-means clustering algorithm combined with Markov random field for brain MR image segmentation[J].Journal of Image and Graphics,2012,17(12):1554-1560.