基于模糊聚類的番茄目標(biāo)快速識別算法

龍金輝， 朱真峰

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

在現(xiàn)代農(nóng)業(yè)裝備機(jī)械化與智能化方向發(fā)展的過程中，果蔬采摘智能機(jī)器人的使用能夠節(jié)省人工成本、降低果蔬損傷率、提高果農(nóng)經(jīng)濟(jì)效益[1-3]。采摘智能機(jī)器人的視覺定位系統(tǒng)，須要檢測果蔬目標(biāo)的空間位置，為運(yùn)動控制提供位置信息。果蔬目標(biāo)識別的重要技術(shù)之一是選擇合適的圖像分割技術(shù)，把果蔬目標(biāo)從復(fù)雜的背景中快速準(zhǔn)確地分割出來。目前，國內(nèi)外許多研究人員開展了大量的研究工作。Harrell等研究自然場景下成熟水果的自適應(yīng)Otsu閾值分割算法，分析水果的色調(diào)、飽和度和灰度等特性，可以實(shí)現(xiàn)完整果實(shí)從復(fù)雜背景中的提取[4-7]；Ghabousian等依據(jù)水果損傷機(jī)理，利用模糊聚類分割算法進(jìn)行水果損傷檢測，從而提取出水果表面?zhèn)蘙8-9]；趙海波等使用圖像閾值分割技術(shù)提取出與水果內(nèi)部品質(zhì)相關(guān)的表面特征，檢測水果內(nèi)部品質(zhì)[10]。熊俊濤等討論了模糊聚類分割算法在成熟果蔬檢測與識別中的應(yīng)用，構(gòu)建基于顏色模型的果蔬圖像模糊聚類分割方法[11-12]。

本研究通過對模糊聚類分割算法的研究與分析，結(jié)合采摘機(jī)器人對圖像處理算法所具有的一定自適應(yīng)性和實(shí)時性的要求，以成熟番茄為例，提出一種改進(jìn)的果蔬圖像模糊聚類分割算法。本算法在傳統(tǒng)模糊聚類圖像分割算法的基礎(chǔ)上，通過引入隸屬度約束項(xiàng)，加快模糊聚類的收斂速度，縮短圖像分割時間，提高目標(biāo)識別速度，在一定程度上解決了傳統(tǒng)模糊聚類圖像分割算法所具有的圖像過分割現(xiàn)象與迭代次數(shù)較多、識別速度較慢的問題。

1 模糊聚類算法

模糊聚類(FCM)算法由Bezdek等提出，其用于圖像分割的基本思想是使用隸屬度來確定每個數(shù)據(jù)點(diǎn)屬于某個聚類的程度，通過迭代運(yùn)算，得出目標(biāo)函數(shù)的最小化值，從而確定其最佳類別[13]。模糊聚類算法將n個樣本點(diǎn)X=(x1,x2,…,xn)劃分為c個類，并求出每個類的聚類中心vi(i=1,2,…,c)，使得目標(biāo)函數(shù)達(dá)到最小值。其中，每個樣本點(diǎn)的隸屬度取值范圍為[0，1]，每個樣本點(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個樣本點(diǎn)隸屬于第i個類的程度，滿足以下約束條件：

(1)

目標(biāo)函數(shù)為：

(2)

式中：dij為第i個聚類中心與第j個樣本點(diǎn)的距離；m為加權(quán)指數(shù)。

在滿足式(1)約束條件下使得目標(biāo)函數(shù)達(dá)到最小值。根據(jù)拉格朗日乘數(shù)法，得出目標(biāo)函數(shù)取得最小值的必要條件為：

(3)

(4)

具體計(jì)算過程為：步驟1，在區(qū)間[0，1]內(nèi)隨機(jī)初始化隸屬矩陣；步驟2，根據(jù)式(3)計(jì)算聚類中心；步驟3，根據(jù)式(2)計(jì)算目標(biāo)函數(shù)，如果相對上次目標(biāo)函數(shù)值的改變量小于確定的閾值，算法停止；步驟4，根據(jù)式(4)更新隸屬矩陣，轉(zhuǎn)到步驟2。

2 基于模糊聚類算法的番茄目標(biāo)識別算法

為提高聚類算法的工作性能、加快圖像分割速度，本研究提出一種新的快速FCM圖像分割算法，并將該算法應(yīng)用于番茄目標(biāo)識別，且取得了比較好的識別效果。

聚類算法的聚類結(jié)果對初始中心具有一定的敏感性。在模糊聚類算法中，數(shù)據(jù)影響類中心的下一次迭代值，隸屬度可以認(rèn)為是數(shù)據(jù)使類中心產(chǎn)生變化的影響力度量，隸屬度越大的數(shù)據(jù)對類中心的吸引力越大，類中心的下一次迭代值受其影響就越大，離它最近的類中心在下一次迭代時更靠近它，同時對其他的類中心也有不同程度的影響，因此當(dāng)一個類中心受到離它最近的類中數(shù)據(jù)吸引靠近該類時，同時也受來自其他類中數(shù)據(jù)的吸引遠(yuǎn)離該類，這種情況通常會延緩模糊聚類的收斂速度。

(5)

(6)

(7)

3 試驗(yàn)結(jié)果與分析

為驗(yàn)證本研究算法的有效性，選取番茄圖像進(jìn)行圖像分割試驗(yàn)，并與傳統(tǒng)FCM圖像分割算法和Otsu圖像分割算法進(jìn)行對比。試驗(yàn)環(huán)境為Windows XP操作系統(tǒng)，2.09 GHz處理器，2 G內(nèi)存，程序運(yùn)行環(huán)境為Matlab 2012a。

算法的實(shí)現(xiàn)步驟如下：設(shè)定聚類數(shù)目和迭代停止閾值，隨機(jī)產(chǎn)生滿足約束條件的隸屬度初始矩陣，計(jì)算聚類中心，由于成熟果實(shí)目標(biāo)與背景存在顯著的顏色差異，成熟番茄目標(biāo)的顏色主要為紅色，提取背景與目標(biāo)差別顯著的紅色通道灰度圖像，使用本研究所提出的方法對番茄目標(biāo)進(jìn)行分割；分別采用傳統(tǒng)模糊聚類算法和Otsu算法對測試圖像進(jìn)行分割；對比3種算法的分割結(jié)果，計(jì)算分割誤差。從測試圖像采用上述步驟進(jìn)行分割的結(jié)果中選取出部分如圖1所示。其中，圖 1-a、圖1-e為2張番茄圖像的紅色通道灰度圖，圖1-b、圖1-f為Otsu算法分割圖像得到的番茄目標(biāo)圖像，圖1-c、圖1-g為傳統(tǒng)FCM算法分割圖像得到的番茄目標(biāo)圖像，圖1-d、圖1-h為本算法分割圖像得到的結(jié)果。

為更客觀地判斷本算法的準(zhǔn)確性，將分割效果分別與傳統(tǒng)模糊聚類算法和Otsu算法的分割效果進(jìn)行對比，引入分割效果的評判標(biāo)準(zhǔn)，即番茄面積的分割錯誤率σ，其計(jì)算方法為

(8)

式中：S為原始圖像中番茄目標(biāo)的真實(shí)面積，即番茄區(qū)域包含的像素點(diǎn)數(shù)；Si(i=1，2，3)分別對應(yīng)FCM算法、Otsu算法和本方法分割出的面積所包含的像素點(diǎn)數(shù)。采用式(8)計(jì)算面積分割錯誤率所得的數(shù)據(jù)如表1所示，通過對表1的分析可知，Otsu算法的平均分割誤差率最高，為45.56%；傳統(tǒng)FCM算法的平均分割誤差率為19.87%；本算法的平均分割誤差率與傳統(tǒng)模糊聚類算法接近，但是本算法的平均運(yùn)行時間大大縮短，運(yùn)行速度得到了極大的提高。通過上述數(shù)據(jù)及結(jié)果分析表明，利用本研究所提出的算法可以有效地完成番茄目標(biāo)的分割。

表1 3種算法分割效果比較

注：“—”表示Otus算法非迭代算法。

4 結(jié)論

在番茄圖像分割中，為提高番茄目標(biāo)識別的準(zhǔn)確性與實(shí)時性，本研究對模糊聚類分割圖像算法進(jìn)行改進(jìn)，通過引入隸屬度約束項(xiàng)，加快算法的迭代速度，大大縮短分割圖像目標(biāo)的時間，通過與FCM算法和Otsu算法分割性能的比較發(fā)現(xiàn)，將該方法應(yīng)用于成熟番茄目標(biāo)的識別能夠有效地提高識別速度與識別準(zhǔn)確率。

[1]盧 軍，王賢鋒，后德家. 水果采摘機(jī)器人視覺系統(tǒng)研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)，2012，51(21)：4705-4708.

[2]陳 磊，陳帝伊，馬孝義. 果蔬采摘機(jī)器人的研究[J]. 農(nóng)機(jī)化研究，2011，33(1)：224-227，231.

[3]蔡健榮，周小軍，李玉良，等. 基于機(jī)器視覺自然場景下成熟柑橘識別[J]. 農(nóng)業(yè)工程學(xué)報，2008，24(1)：175-178.

[4]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.

[5]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.

[6]石雪強(qiáng)，程新文，李春福，等. 自然環(huán)境下蘋果彩色圖像分割研究[J]. 安徽農(nóng)業(yè)科學(xué)，2011，39(30)：18993-18995，19004.

[7]李 斌，Wang N，汪懋華，等. 基于單目視覺的田間菠蘿果實(shí)識別[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(10)：345-349.

[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]//International Conference on Electronic Devices，Systems and Applications，2011：182-186.

[10]趙海波，周向紅. 基于計(jì)算機(jī)視覺的番茄催熟與正常熟識別[J]. 農(nóng)業(yè)工程學(xué)報，2011，27(2)：355-359.

[11]熊俊濤，鄒湘軍，陳麗娟，等. 基于機(jī)器視覺的自然環(huán)境中成熟荔枝識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報，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)識別與定位技術(shù)[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版)，2012，33(1)：1-5.

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