基于凹點尋找標記的分水嶺算法分割粘連谷粒

吳叔珍，姚 青

(浙江理工大學 信息學院，浙江 杭州 310018)

基于凹點尋找標記的分水嶺算法分割粘連谷粒

吳叔珍，姚 青*

(浙江理工大學 信息學院，浙江 杭州 310018)

針對標記分水嶺算法分割粘連谷粒出現欠分割現象，提出一種基于凹點尋找前景標記的分水嶺算法對谷粒進行粘連分割。首先，對谷粒圖像進行canny邊緣檢測，獲得谷粒的輪廓，并在低尺度下計算輪廓線的曲率來獲取候選凹點，通過自適應閾值和角度去除偽凹點；然后，對經過預處理的圖像進行歐式距離變換，按照距離梯度的方向對輪廓曲線進行像素擴充，在凹點處加快速度，再對減去輪廓的二值圖進行前景標記；最后，對原二值圖應用基于標記的分水嶺算法進行分割。利用手機采集5種谷物的圖像進行粘連谷粒分割，結果表明，可獲得96.4%的谷粒計數準確率。該方法可滿足于日常利用手機拍攝的谷粒圖像計數的需求。

圖像分割； 粘連谷粒； 分水嶺； 凹點； 標記

在分析作物產量的影響因素和進行作物優良品種的選育過程中，往往需要對谷物進行計數[1-3]。傳統的谷粒計數方法主要采用人工計數或光電計數[4-5]，這些計數方法存在效率低、準確度不高、抗干擾能力弱等缺點。利用數字圖像處理技術對谷粒進行計數快速、準確、受外界干擾小，因此受到廣泛的關注。應用數字圖像處理技術對谷粒計數之前，往往需要對谷粒進行粘連分割。目前，針對不同形狀的粘連顆粒狀物體，學者們提出了不同的分割方法，主要包括基于數學形態學的分割算法[6-11]，利用凹點進行分割[12-15]和分水嶺算法及其改進算法[16-21]等。基于數學形態學的分割方法主要是利用極限腐蝕來進行圖像分割，其缺陷是容易導致目標對象變形，且其結構元素較難確定；利用凹點進行分割需要準確地定位凹點、匹配凹點并對相應的凹點進行準確地連線。分水嶺分割算法[16]將梯度幅值圖像看成1幅地形圖，梯度對應于海拔高度，模擬浸水過程實現分割。由于傳統的分水嶺算法中，每個區域最小值點對應1個區域，當目標形狀不規則或目標粘連嚴重時，在1個區域會產生多個極小值點，容易造成過分割現象。為了獲得更好的粘連物體分割效果，一些學者分別研究和改進了凹點分割和分水嶺分割算法，或者將2種算法結合起來。如高星[22]分別改進了分水嶺算法和凹點分割算法進行粘連大米分割，但對于較復雜的粘連情況分割效果較差；童振等[23]先應用分水嶺算法分割粘連細胞的內邊緣，然后由細胞的外邊界和凹頂點間的最短路徑來確定最終的分離曲線，在不損失細胞幾何特征的基礎上實現了粘連細胞的分割。

為了尋找多種類圓形的谷粒粘連分割方法，本文在分水嶺算法基礎上，提出在距離梯度方向上加強目標粘連處的凹陷程度，以便獲得更有利于分割目標的前景標記，再進行標記分水嶺分割，以提高分水嶺算法對粘連谷粒分割的準確率。

1 材料與方法

1.1 材料

以5種谷物為材料，分別為綠豆、紅豆、黃豆、小米、黏米。

1.2 圖像采集

根據谷粒顏色，選擇與谷粒反差較大的純色紙張放置在平臺上，將谷粒隨機撒在紙上。由于手機獲取圖像具有操作簡單、成本低和便攜等優點，本文使用安卓手機(像素1 300萬，拍照環境為自然光)采集谷粒圖像。圖1為5種谷粒圖像。

圖1 手機拍攝的5種谷物圖像

1.3 凹點檢測

由于谷粒圖像存在粘連、光線不均勻和二值圖存在孔洞等問題，首先對谷粒目標進行輪廓提取，然后在低尺度下計算曲率獲得候選的凹點，最后采用自適應閾值和角度的比較去除圓角和虛假的凹點。

1.3.1 谷粒輪廓的提取

首先將彩色圖像灰度化，然后利用canny邊緣檢測器對谷粒邊緣進行檢測，得到二值輪廓圖。從圖2可以看出，由于目標表面灰度不均勻和canny邊緣檢測器本身的缺陷，在目標內部檢測出孔洞的邊緣，且存在斷裂邊緣，對后期處理結果可能造成不良影響。為了去除內部錯誤邊緣、連接斷裂邊緣，對二值輪廓圖像素進行判斷。

從二值輪廓圖左上方第1個連通域的邊緣開始，對邊緣點的八連通區域進行判斷，當八連通區域內的像素與該邊緣點的距離小于設定的閾值時，連接該像素和邊緣。由于對像素進行掃描時，是以連通域為單位的，只對最外層的邊緣進行判斷，一般孔洞造成的虛假邊緣都位于連通域內部，所以不對孔洞邊緣進行判斷而將其作為非邊緣，從而去除錯誤邊緣。連接斷裂邊緣，去除錯誤邊緣后，獲得谷粒的輪廓(圖2)。

圖2 綠豆圖像粘連區域凹點檢測

1.3.2 候選凹點的獲取

首先，定義圖像的尺度空間L(x,y,σ)為高斯函數G(x,y,σ)與灰度圖像I(x,y)的卷積，即

L(x,y,σ)=G(x,y,σ)I(x,y)。

在低尺度空間上，對目標輪廓計算曲率。設平面曲線坐標表示為[x(μ),y(μ)]，μ為弧長參數。曲線的曲率K[24]為：

其中：

式中：g(μ,σ)為尺度σ的高斯函數，gμ(μ,σ)，gμμ(μ,σ)分別是g(μ,σ)的一階和二階導數；σ為函數的寬度參數，控制了函數的對輪廓的平滑程度。獲得每個邊緣像素的曲率后，排除曲率大于0的凸點，取曲率極小值的點為候選的凹點。

1.3.3 去除虛假凹點

由于提取的目標對象輪廓不平滑，在非粘連部分可能存在輕微的凹陷，造成虛假的凹點。為了去除虛假凹點，選取候選凹點前后的極值點A、B，先計算A、B之間像素的曲率絕對值的均值，若候選凹點的曲率絕對值小于中值，則將該點從凹點集排除。然后計算A、B與候選凹點形成的角度，剔除角度過大的凹點。利用上述方法對圖2中目標輪廓提取進行虛假凹點去除，結果在低尺度下計算綠豆輪廓曲率檢測凹點的方法可獲得較好的凹點定位效果，能夠滿足后續輔助尋找前景標記的要求。

1.4 基于凹點尋找前景標記的分水嶺分割

基于標記的分水嶺算法使用一系列預定義標記來引導圖像的分割，其本質是利用先驗知識來幫助分割。算法的關鍵在于如何獲得準確的標記圖像，即如何將前景物體與背景準確地標記出來。在1個目標內部存在多個極小值時可以通過合并極小值的方法來解決分水嶺的過分割；當目標嚴重粘連時，在粘連的多個目標內部僅有1個極小值，此時無法很好地標記目標對象。本文在標記之前先在圖像的凹點處對圖像處理，加深凹點處的凹陷程度。對提取的目標輪廓圖像進行像素擴充，在凹點所在位置加快擴充的速度，將原二值圖像中擴充像素的位置設置成背景，減少目標的粘連。對處理過的二值圖尋找前景標記，以此獲得更準確的標記。基于凹點尋找前景標記的算法步驟如下。

對二值圖進行歐式距離變換。

將凹點檢測提取的二值邊緣圖像Ic中的非零像素點Mi記為集合C，設其個數為L，滿足Mi∈C，i=1，2，…，L；Gi表示Mi處距離變換圖像的值；檢測到的凹點Tj記為集合F，集合元素個數為W，滿足Tj∈F，j=1，2，…，W；對任意Mi∈F，標記為1。

對任意Mi∈C，求其八連通區域A，Aki、BWki、Gki分別為Mi在k(k=0，1，2，…，7)方向上的像素點以及該點處二值圖像的值和距離變換圖像的值。

執行下列操作：判斷BWki=0&&Gki>Gi是否為真，若為真，則往下執行，否則k++；若Aki∈C，則往下執行，否則，將Aki加入集合C中，L=L+1；若Mi∈F，則再次求取k方向上與Mi距離為上次距離2倍的像素，記為A2ki，重復前2步驟；判斷A2ki∈F是否為真，若為真，則往下執行，否則，將A2ki加入集合F中，F=F+1。

重復執行1次上述步驟。

記二值圖像Ib內目標對象的像素為集合B，O=B-C。

對集合O表示的圖像進行歐式距離變換，取極小值作為前景標記，對其進行形態學變換得到方便觀察的標記。

按照上述步驟，對綠豆粘連圖像進行前景標記和分割，結果見圖3。

圖3 綠豆圖像前景標記和粘連分割

2 結果與分析

為了測試本文方法的有效性，同時與傳統的分水嶺方法[14]和基于標記的分水嶺方法[25-26]進行比較，對綠豆粘連圖像進行分割，結果見圖4。從圖中可以看出，傳統分水嶺算法出現了嚴重的過分割現象；由于光照不均勻和目標內部存在孔洞，基于標記的分水嶺算法將背景誤判為目標對象，在圖像四周比較亮的區域也被認為是目標，并且還存在欠分割現象。本文方法由于前景標記準確，能夠很好地將目標分割開，對于粘連嚴重的對象也能準確分割。

為了驗證本文方法的魯棒性，利用手機采集了5種谷物的粘連圖像，包括綠豆、紅豆、黃豆、小米和黏米。每種谷物拍攝了4幅圖，利用本文提出的分割方法對每幅圖的粘連谷粒進行分割計數，結果見表1。從表1可以看出，本文提出的方法獲得谷粒計數準確率平均為96.4%。其中，對于顆粒較大和類圓形谷粒，分割效果非常好；對形狀不規則且較小的谷粒如小米，則分割精度稍低，因為在尋找凹點時，谷粒形狀不規則導致虛假的凹點無法去除，且在錯誤凹點處加深了凹陷導致過分割。

圖4 利用3種不同方法對綠豆粘連圖像進行分割

3 小結

針對運用數字圖像處理實現谷粒計數中的圖像分割問題，分析了分水嶺算法產生過分割和標記分水嶺算法出現欠分割問題的原因，提出了基于凹點尋找前景標記的分水嶺谷粒分割方法。該方法首先利用canny算子進行輪廓提取，連接斷裂邊緣，消除孔洞邊緣；然后在低尺度下計算曲率獲取候選凹點，并判斷曲率和角度大小去除虛假凹點，在凹點處進一步加深凹陷，獲取準確的前景標記；最后運用標記分水嶺分割得到粘連谷粒的分割圖像，對其進行連通域標記并統計連通個數實現谷粒計數。

為了測試本文方法的有效性，比較了傳統的分水嶺方法、基于標記的分水嶺方法和本文方法。結果表明，先對加深凹點處凹陷程度的二值圖提取前景標記，再對原二值圖進行標記分水嶺分割的方法，可以解決傳統的分水嶺方法過分割和基于標記的分水嶺方法欠分割的問題，對粘連谷粒具有較好的分割效果。為了測試本文方法的魯棒性，對5種谷物的粘連谷粒圖像進行分割測試，結果獲得了96.4%的谷粒計數準確率，表明本方法具有較強的魯棒性。本文算法程序可以移植到手機中，利用手機在自然光條件下拍攝谷物圖像，即可對圖像中的谷粒進行分割計數，該方法將具有操作簡單、精度高、便攜和成本低等優點，可推廣應用于有谷粒計數需求的部門。

表1 5種谷物粘連谷粒分割計數結果

注：手機像素為1 300萬，拍照環境為自然光。

[1] 張海燕, 焦碧嬋, 李貴全. 大豆產量及其相關數量性狀關系的分析[J]. 山西農業科學, 2006, 34(2): 27-29.

[2] 郭長霞, 李俊獻, 李建華, 等. 河南大豆主要數量性狀與產量的相關和通徑分析[J]. 大豆科技, 2013 (1): 26-28.

[3] 楊仕華, 廖琴, 胡小軍, 等. 我國常規水稻品種選育與推廣分析[J]. 中國稻米, 2009, 15(5): 1-4.

[4] 宋初蘇, 華嬌, 藍景針, 等. 轉盤斜刮式光電自動數粒儀設計[J]. 農業機械學報, 2011, 42(11): 89-92.

[5] 宋珊珊. 花生種子自動數粒儀的研制[D]. 保定: 河北農業大學, 2015.

[6] THIRAN J P, BECKS M O, MACQ B M M, et al. Automatic recognition of cancerous cells using mathematical morphology[C]//Visualization in Biomedical Computing 1994. International Society for Optics and Photonics, 1994: 392-401.

[7] PANCHANATHAN S. Automatic classification of cells using morphological shape in peripheral blood images [J]. Proc Spie, 2000, 4210: 290-298.

[8] 楊華東, 簡淼夫. 基于灰度形態重構的顆粒圖像分割方法[J]. 南京工業大學學報(自然科學版), 2005, 27(3): 98-102.

[9] 李毅, 謝利利, 王名福, 等. 粉體顆粒形貌特征的提取與識別技術[J]. 重慶大學學報, 2000, 23(5): 67-69.

[10] 尤育賽, 于慧敏, 劉圓圓. 基于粒度測量的重疊圓形顆粒圖像分離方法[J]. 浙江大學學報(工學版), 2005, 39(7): 962-966.

[11] 周天娟, 張鐵中, 楊麗, 等. 基于數學形態學的相接觸草莓果實的分割方法及比較研究[J]. 農業工程學報, 2007, 23(9): 164-168.

[12] 李宏輝, 郝穎明, 吳清瀟, 等. 基于凹點方向線的粘連藥品圖像分割方法[J]. 計算機應用研究, 2013, 30(9): 2852-2854.

[13] 韋冬冬, 趙豫紅. 基于凹點匹配的重疊圖像分割算法[J]. 計算機與應用化學, 2010, 27(1): 99-102.

[14] 劉偉華, 隋青美. 基于凹點搜索的重疊粉體顆粒的自動分離算法[J]. 電子測量與儀器學報, 2010, 24(12): 1095-1100.

[15] 孫永, 鄭力新. 基于凹點搜尋的棒材計數方法研究[J]. 工礦自動化, 2011, 37(5): 55-58.

[16] VINCENT L, SOILLE P. Watersheds in digital spaces: An efficient algorithm based on immersion simulations [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1991, 13(6): 583-598.

[17] 肖助明, 馮月亮, 李濤, 等. 形態分水嶺算法在重疊米粒圖像分割中的應用[J]. 計算機工程與應用, 2007, 43(24): 196-199.

[18] 楊蜀秦, 何東健, 寧紀鋒. 一種基于分水嶺的連接米粒自動分割算法[J]. 光子學報, 2009, 38(10): 2728-2732.

[19] 陳婷婷, 程小平. 采用模糊形態學和形態學分水嶺算法的圖像分割[J]. 西南大學學報(自然科學版), 2008, 30(3): 142-145.

[20] 高麗, 楊樹元, 李海強. 一種基于標記的分水嶺圖像分割新算法[J]. 中國圖象圖形學報, 2007, 12(6): 1025-1032.

[21] LI D, ZHANG G, WU Z, et al. An edge embedded marker-based watershed algorithm for high spatial resolution remote sensing image segmentation [J]. IEEE Transactions on Image Processing, 2010, 19(10): 2781-2787.

[22] 高星. 基于標記分水嶺和凹點的粘連大米圖像分割技術研究[D]. 鄭州: 河南工業大學, 2015.

[23] 童振, 蒲立新, 董方杰. 基于改進分水嶺算法和凹點搜索的乳腺癌粘連細胞分割[J]. 生物醫學工程學雜志, 2013 (4): 692-696.

[24] HE X C, YUNG N H C. Curvature scale space corner detector with adaptive threshold and dynamic region of support[C]//ICPR '04 Proceedings of the Pattern Recognition, 17th International Conference on (ICPR'04). Washington: IEEE Computer Society, 2004: 791-794.

[25] AUDIGIER R, LOTUFO R. Uniquely-determined thinning of the tie-zone watershed based on label frequency [J]. Journal of Mathematical Imaging and Vision, 2007, 27(2): 157-173.

[26] 陳潔, 胡永, 劉澤國. 基于標記的分水嶺圖像分割算法研究[J]. 軟件, 2012, 33(9): 115-117.

(責任編輯：侯春曉)

2017-05-11

國家863計劃項目(2013AA102402)；浙江理工大學521人才培養計劃

吳叔珍(1996—)女，江西上饒人，本科生，研究方向為圖像處理，E-mail: wsue1996@163.com。

姚 青(1974—)，女，江蘇沭陽人，教授，博士，研究方向為圖像處理，E-mail: q-yao@zstu.edu.cn。

10.16178/j.issn.0528-9017.20170833

TP751.1

A

0528-9017(2017)08-1401-05

文獻著錄格式：吳叔珍，姚青. 基于凹點尋找標記的分水嶺算法分割粘連谷粒[J].浙江農業科學，2017，58(8)：1401-1405.