結合顏色差異和模糊聚類的葉片圖像分割

汪慶慶，杜慶煒，馬慶春，高慶潔，譚紅春

（安徽中醫藥大學醫藥信息工程學院，安徽合肥230012)

葉片是植物圖像的重要特征，葉片圖像分割是構建中藥植物識別系統的關鍵技術。自然環境中的葉片圖像背景較為復雜，而葉片圖像最終的分割精度和分割時間會影響整個識別系統的性能。近年來，許多學者嘗試不同顏色空間對植物圖像進行分割，沈雯雯等在LAB空間使用聚類算法對含有非均勻光照的葉片圖像進行分割[1]，鄒秋霞等在LAB空間使用硬聚類算法對含有陰影區域的植物葉片圖像進行分割[2]，張國權等基于HSV空間對圖像中的葉片和蟲子之間邊界提取[3]，宋西平等在HSI空間成功將葡萄果實從葉片枝干背景中分割出來[4]。上述圖像分割方法通常是基于不同的顏色空間變換，但過多的顏色空間變換需要消耗大量時間，很難滿足圖像實時處理的要求。因此，本文提出一種基于顏色差異特征的FCM算法用于自然環境中的中藥植物葉片圖像分割，記為N_FCM算法。

1 NDI顏色特征

歸一化綠-紅差異化指數[5]（Normalized Green–Red Difference Index，NDI）是Hunt等提出的一種基于RGB空間的紅綠差異化指標，這種顏色差異性特征是通過對綠-紅通道空間簡單運算而獲取的，能夠很好地區分出蔬菜和土壤。NDI特征描述如下：

其中，R等價于Green/Red，NDI歸一化范圍為[-1,1]。NDI特征也可以變換為

在本文算法中，(2)式中的變量G為RGB圖像的G通道圖像，變量R為RGB圖像的R通道圖像。

通常自然環境中采集獲取的中藥葉片圖像中主要背景包含土壤、碎石、枯葉等非綠色背景，其次背景中也包含一些雜草等其他非主要葉片的綠色背景，這種圖像差異化特征能夠很好地區分出主要葉片圖像和土壤枯葉等非綠色背景。

2 FCM算法原理

FCM算法[6]是將樣本集劃分為c個子集，通過隸屬度矩陣與類聚中心間的交替迭代，求解出最優聚類目標函數。聚類目標函數為

其中，m ∈[1,∞ )為加權指數，vi(i=1,2,…,c)為第i個聚類的聚類中心為模糊隸屬度矩陣，uij表示樣本xj對第i個聚類的隸屬程度，d(xj,vi)表示樣本xj與類聚中心vi之間的歐氏距離||xj-vi||。

迭代更新公式為

3 N_FCM算法

N_FCM算法是在FCM算法的基礎上引入NDI顏色差異特征，具體步驟如下：

step1:讀取原始拍攝的中藥葉片圖像，用(2)式對原圖進行NDI灰度化預處理；

step2:初始化模糊隸屬度矩陣，聚類中心個數和樣本；

step3:循環迭代，在第k步循環中改變聚類中心和隸屬度值；

step4:循環終止，|v(k+1)i-v(k)i||小于算法結束閾值ε或者達到最大迭代次數T，否則k=k+1，轉到step3；

step5:獲取葉片圖像通過聚類獲得的二值化分割圖像；

step6:使用數學形態學的開閉運算，去除影響葉片圖像的噪聲和孔洞區域；

step7:使用面積因素去除其他影響主葉片的其他綠色區域；

step8:根據分割的二值圖像結果，計算獲得原始葉片分割后的圖像。

4 實驗過程和實驗結果

本文的實驗環境為32位Windows7操作系統，i5主頻2.4 GHz CPU，4 GB內存，使用Matlab7編程實現。

實驗1N_FCM葉片圖像分割

N_FCM算法使用matlab的fuzzy toolbox的相關函數實現模糊聚類：

U=initfcm(cluster_n,data_n)；%初始化隸屬度函數矩陣

[U,center,obj_fcn(i)]=stepfcm(data U,cluster_n,expo)；%迭代修正center,重新計算U;

分割目標為葉片部分和背景兩類，故聚類中心個數cluster_n=2；樣本data_n通過將NDI灰度化圖像INDI轉化獲取；隸屬度矩陣指數m=2；算法結束閾值ε=1e-5，算法最大迭代次數T=100；數學形態學使用開閉運算參數se=strel('disk',6)。

實驗2基于Lab顏色空間的FCM葉片圖像分割(L_FCM)

Lab顏色空間是使用L、a、b 3個垂直坐標來表示一個顏色空間，色彩信息只與a、b有關，其中，a表示色彩系中的紅色和綠色之間的變化。自然環境中的葉片圖像為綠色，背景中非綠色區域為偏紅色系的土壤枯葉等。因此本實驗選取a通道用于FCM葉片圖像分割。FCM參數設置與實驗1相同。

實驗3基于HSV顏色空間的FCM葉片分割(H_FCM)

HSV顏色空間中，與色彩相關的信息僅和H、S分量有關，其中，H分量的顏色是一個不利于表達的環狀色彩，色彩感受主要取決于S分量。因此，本實驗提取與顏色有關的S通道用于FCM圖像分割。FCM參數設置與實驗1相同。

本文所用的實驗圖片為自然環境下在藥用植物園使用手機拍照獲取的彩色圖像，圖像分辨率為2 448×3 264，為方便處理按比例縮放為512×682。圖1為中藥植物大吳風草葉片圖像，圖2為中藥植物木芙蓉的葉片圖像。對兩幅圖片分別使用上述3種算法進行實驗，每組圖像中：第1至3行分別代表N_HCM、L_FCM和H_FCM算法的分割過程；圖1(a)列和圖2(a)列表示原始自然環境中獲得的圖像；圖1(b)列和圖2(b)列表示使用當前顏色特征模糊聚類分割的結果；圖1(c)列和圖2(c)列表示使用數學形態學開閉運算分割的結果；圖1(d)列和圖2(d)列表示使用面積因素分割獲得的結果；圖1(e)列和圖2(e)列表示原始葉片圖像通過算法分割出的最終結果。

圖1 大吳風草葉片

圖2 木芙蓉葉片

通過表1可以看出，N_FCM運行時間最短，H_FCM其次，L_FCM運行時間最長。

表1 3種分割算法運行時間比較

實驗結果表明，從分割精度來看，N_FCM算法和L_FCM算法一樣能夠準確地分割出綠色葉片區域；但從分割時間來看，N_FCM算法比L_FCM算法運行時間更短，故本文提出的N_FCM算法更能夠滿足中藥葉片分割系統的準確性和實時性兩方面的要求。

5 結束語

為準確快速地分割出自然環境中的中藥葉片圖像，本文提出了一種基于NDI顏色差異特征的葉片圖像分割算法。該算法利用自然環境中能區分綠色葉片與背景的顏色差異特征在預處理方面進行優化，其次對圖像聚類結果使用數學形態學進行修正，最后使用面積因素去除其他非葉片的綠色區域。實驗對比結果證明，本文提出的N_FCM算法在分割準確度和分割運行時間兩方面都達到了比較理想的效果，能夠滿足自然條件下的中藥葉片圖像分割要求。

[1]沈雯雯,白杰云,官俊,等.自然背景下基于反射模型的樹葉彩色圖像分割[J].森林工程,2014,30(6):13-16.

[2]鄒秋霞,楊林楠,彭琳,等.基于Lab空間和K-Means聚類的葉片分割算法研究[J].農機化研究,2015,37(9):222-226.

[3]張國權,李戰明,李向偉,等.HSV空間中彩色圖像分割研究[J].計算機工程與應用,2010,46(26):179-181.

[4]宋西平,李國琴,羅陸鋒,等.基于HSI色彩空間與FFCM聚類的葡萄圖像分割[J].農機化研究,2015,37(10):40-44．

[5]HUNT E R,CAVIGELLI M,DAUGHTRY C S T,et al.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J].Precision Agriculture,2005,6(4):358-378.

[6]BEZDEK J C.Cluster validity with fuzzy sets[J].Journal of Cybernetics,1973,3(3):58-73.