CN102013021A - 基于颜色和区域生长的茶叶嫩芽分割和识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，提出了一种用于茶叶嫩芽分割和识别的新的方法，本发明首先将原始的茶叶RGB彩色图像转化为HIS颜色空间，并根据其中的色调H和饱和度S参数进行初步的种子选择，然后对种子区域基于颜色的相似性和区域的邻接性进行区域生长，并结合颜色距离和边缘距离进行区域的生长和合并，完成茶叶嫩芽的分割，再提取颜色和嫩芽图像二值化后的形状特征参数，最后通过改进的遗传神经网络完成识别。通过对茶叶图像中茶叶嫩芽进行的分割和识别试验，结果表明该算法能很好地将茶叶嫩芽从茶叶图像中分离出来，可较好地保存茶叶嫩芽的轮廓信息，并取得了很好的识别结果。

Description

基于颜色和区域生长的茶叶嫩芽分割和识别方法

技术领域

本发明涉及一种图像处理技术，是一种基于颜色和区域生长的对现场茶叶图像中茶叶嫩芽进行分割和识别的方法。

背景技术

结合电子技术和计算机图像处理技术在农业农田环境、大棚和果园等生产中的应用是现代化农业和精细农业的要求，应用计算机技术对茶叶色泽和品质的分析和识别虽然已有一些研究，但以往的研究多是对已制成的茶叶的形状和颜色或者是对茶叶的汤色进行研究，对现场茶树中的茶叶嫩芽的分割和识别在国内目前极少有相应研究。茶叶嫩芽的生长状态和成熟度对茶叶的及时采摘和后期的茶叶成品质量起着重要的作用，及时地识别和分析出茶叶嫩芽的生长状态对茶叶的标准化规模生产有着积极的作用。

图像分割是将图像中有特殊意义的满足特定条件的区域同别的区域分开，使这些区域相互不相交。现有的彩色图像分割方法有阈值法，特征空间聚类法及区域生长合并法。前者要求直方图中有明显波峰波谷，分割粗糙，性能不好；特征空间聚类法融合了图像域的局部信息和空间信息，局部决策抗噪音干扰性强，但易造成欠分割。区域生长合并法可以有效融合颜色信息和空间信息，并且能综合局部信息和全局信息，可同时对在空间上不相邻但颜色相似的区域进行合并和分割。

遗传算法是一种借鉴生物界自然选择和群体遗传机理的高度并行、自适应全局搜索的算法。它模拟了自然选择和自然遗传中发生的繁殖、交配和突变现象，针对常用BP神经网络算法的收敛速度很慢，易陷入局域最小和全局搜索能力较弱，且在学习速率较大时数值稳定性很差等特征。利用遗传算法对神经网络的初始权值和阈值进行快速优化，在解空间中定位出一个较好的搜索空间，并将此作为其后采用神经网络搜索的初始权值和阈值，然后利用神经网络的局部搜索能力强的特点在解空间中搜索出最优解。

发明内容

本发明利用茶叶图像的颜色空间特性，结合茶叶嫩芽和茶树老叶图像中各区域之间的特征相似和相异性关系，提出一种改进的基于区域生长的新算法，并结合颜色距离和边缘距离进行区域的生长和合并，从而对茶叶嫩芽进行分割，算法结合了颜色特征和区域特征的全局信息和局部信息，能更好地对茶叶图像中的多个茶叶嫩芽进行分割。

同时根据对实际识别过程模拟与预测的复杂性及其神经网络模型的结构特性，提出将遗传算法与神经网络相结合，利用遗传算法对神经网络进行了训练，用于茶叶嫩芽的识别过程，克服了BP神经网络模型容易陷入局部极小的缺点，取得了较好的效果。

本发明所提出的改进的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是包含以下具体步骤：

(1)获取茶树中茶叶原始图像；

(2)将原始图像从RGB颜色空间转换到HSI颜色空间，并选取模型中的H和S参数作为茶叶图像的特征；

(3)在图像中选择部分像素点作为种子；

(4)基于生长规则对种子区域进行生长，将与茶叶嫩芽种子颜色性质相似的相邻像素附加在生长区域的种子上；

(5)基于合并规则对整幅图像的多个子块进行扫描，对在颜色上相近，空间上相邻的区域进行合并；

(6)对合并后的区域进行膨胀和收缩的形态学处理，去除小的孔洞；

(7)完成多个茶叶嫩芽的分割；

(8)结合茶叶嫩芽的颜色特征参数和嫩芽图像二值化处理后提取的形状特征参数设计遗传神经网络模型；

(9)得出茶叶嫩芽的识别结果。

在步骤(4)中为了表明一个区域与它的邻域区域有很高的相似度，为每个区域定义一个相似度函数，用相似度函数来衡量一个区域与它的邻域的区域的相似性程度，如果一个区域的相似度函数值大于一个阈值，则该区域才能被选择为种子区域。

将一个区域Ri的邻域集合定义为：

$U_i^R=R_i\∪R_j/R_j\∈R$

其中j＝1，...，K，i和j是邻域的区域，将一个区域与它邻域的区域的相似度函数定义为：

$f(R_i,U_i^R)={\mathrm{\ϵ}}_1\·\mathrm{simH}\left(R_i\right)+{\mathrm{\ϵ}}_2\·\mathrm{simS}\left(R_i\right)$

其中 $\mathrm{simH}\left(R_i\right)=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{k+1}(x_t-\stackrel{\‾}{x})}{k+1}}$

x_t为

中每个区域的色调H分量均值，

为集合内所有区域的色调分量均值；

而 $\mathrm{simS}\left(R_i\right)=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{k+1}(y_t-\stackrel{\‾}{y})}{k+1}}$

y_t为

中每个区域的饱和度S分量均值，

为集合内所有区域的饱和度分量均值。而ε₁和ε₂是定义的色调分量和饱和度分量系数。

在步骤(5)的区域合并中，认为两个区域在颜色上相近，空间上相邻，并且其邻域处没有显著的边缘是两个可相连的区域。即一个区域与它的邻域区域的相对颜色距离的最大值要小于定义的阈值。颜色距离定义采用区域的色调分量均值进行计算，定义如下：

$D_c=\frac{r_i\·r_j}{r_i+r_j}\left|\right|{\stackrel{\‾}{\mathrm{\μ}}}_i-{\stackrel{\‾}{\mathrm{\μ}}}_j\left|\right|$

其中r_i和r_j分别代表i和j区域中包含的像素个数，

和

代表两个区域的颜色均值，|| ||表示欧式距离。r_i·r_j的乘积使得包含像素数目较少的区域与其他区域的颜色距离相比较小，从而在颜色均值相同的情况下，有利于小区域的优先合并，使得分割结果更加符合人们的视觉特性。对于初始的分割区域，采用的分级区域合并算法来完成最后的分割，即每次合并图像中距离最相近的两个区域，形成一个新的区域，同时新区域与其他区域的邻域关系和距离也随之调整。

同时在对茶叶的嫩芽的种子区域选取过程中，有可能由于在老叶片上也有相近的小的区域，使得分割结果区域中选出多个种子区域，造成错误或过分割的效果，为了解决这个问题，结合茶叶嫩芽和老叶之间形状大小有较大的区别，通过边缘距离来有效的加以区别，同时对区域的合并进行一些限制。定义边缘距离为：

$D_e=\frac{1}{P_{\mathrm{ij}}}\underset{m,n}{\mathrm{\Σ}}\left|\right|x_m-x_n\left|\right|$

其中P_ij表示区域边缘上的像素个数，x_m和x_n分别表示边缘两侧的m和n点的位置值。|| ||表示欧式距离。同时要求：

(1)只有两个相邻区域的色调均值差和饱和度均值差都小于一定的阈值，那么才能对这两个区域进行合并。

(2)如果一个区域的像素个数小于一定的阈值和边缘距离超过一定范围，那么将这个区域合并到与它的色调均值差异最小的邻域区域中去。

在步骤(8)中定义了中轴长度，分枝长度，分枝个数，面积，平均幅宽，颜色共6项特征参数。同时在实际应用中，采用遗传算法来实现3层神经网络的学习与设计。

(1)遗传算法中个体的变量为神经元网络权值，采用十进制编码方式，每个个体的维数为M(N+I)，其中M，N，I分别为隐层、输入层和输出层神经元个数。

(2)确定网络权值和初始化种群，若W＝(w₁，w₂，......，w_n)，n为种群数，则确定目标函数为

而取适应度函数为

其中P为训练样本对总数，m为输出节点，y_i第i个训练样本的期望网络输出值，f_i(x)第i个训练样本的网络输出值。

(3)进行种群复制，同时保持种群规模的一致性，对适应度值从大到小进行排序，保留最优个体不进行交叉和变异操作。对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作，重复直到组成新一代种群。

附图说明

图1是茶叶嫩芽的分割和识别算法流程图。

图2是茶叶的原始图像。

图3是茶叶嫩芽的分割结果。

图4是茶叶嫩芽和二值化后的嫩芽图像。

图5是茶叶嫩芽的轮廓图和中轴、分枝图像。

具体实施方式

茶叶的原始图像格式是RGB格式，它受外界光线影响较大，随光照条件的变化，R、G、B三个分量都会有较大变化，直接利用这些分量往往不能得到所需的效果，所以在对图像彩色空间的选取中，选取HSI空间，它更能接近人对彩色世界的观察方式，能更好地表明我们对色彩的理解，它通过色调H(Hue)、饱和度S(Saturation)、亮度I(Intensity)三个属性来表示颜色，在HSI空间中，H、S、I三分量之间的相关性比R、G、B三分量之间要小很多，HSI空间的优点还在于它将亮度(I)与反映色彩本质特性的两个参数——色调(H)和饱和度(S)分开，使得图像处理更少受光照条件的影响。因此基于HSI空间的茶叶图象分割，能取得比RGB空间更好的效果。

在种子区域的合并是通过循环遍历每个种子区域邻域，逐行检查每个种子区域的邻域窗口，比较种子区域与邻域区域的色调均值和饱和度均值的差值，如果小于一定的阈值，则进行区域合并。循环执行，直到任何两个区域之间的色调均值和饱和度均值之差都不再小于设定的阈值为止。同时在每一次循环前更新新区域的色调均值和饱和度均值，去掉每个区域原始的邻域区域里已经被合并的区域，保持每个区域与其他区域之间最新的邻域关系。实验中色调均值差阈值设为0.05，饱和度均值差阈值设为0.065。同时实验中，ε₁取值0.75，ε₂取值0.25

应用遗传算法求解问题的首要步骤是确定表示方案，即把问题的搜索空间中每个可能的点表示为确定的特征串。研究根据具体情况的需要，该判别网络的输入结点数为10，隐层数取为6，输出层结点数为4，对应于一芽、一芽一叶、一芽二叶、一芽三叶4个生长类型。遗传控制参数经实际应用，选取如下：群体规模N取为100，交叉算子Pc设为0.8，变异算子Pm设为0.005。

实验使用的数码相机为CANON S80，在图像取像过程中，采用近景模式，关闭闪光灯，以避免闪光灯自身光线对茶叶颜色的影响，同时应在自然光下进行取像，避免阳光的直射，在取像中所取成像焦距为25cm，分辨率采用1600×1200。

实验所用的计算机CPU为E5200，内存为2G，在实验中，对茶叶嫩芽图像的平均分割和识别时间约为2秒，能满足实时计算的要求。

实验发现，取像焦距较近时，所取得的茶叶嫩芽较少，分割和识别的准确率较高，在4-8个嫩芽时分割和识别的准确率最高。当焦距更近时，会影响景深和成像的清晰度，从而影响分割正确率，但当焦距最远时，嫩芽成像图像减小，图像色泽的范围变宽，分割和识别的准确率也会有所下降。

Claims (6)

1.一种基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是包含以下具体步骤：

(1)获取茶树中茶叶原始图像；

(2)将原始图像从RGB颜色空间转换到HSI颜色空间，并选取模型中的H和S参数作为茶叶图像的特征；

(3)在图像中选择部分像素点作为种子；

(4)基于生长规则对种子区域进行生长，将与茶叶嫩芽种子颜色性质相似的相邻像素附加在生长区域的种子上；

(5)基于合并规则对整幅图像的多个子块进行扫描，对在颜色上相近，空间上相邻的区域进行合并；

(6)对合并后的区域进行膨胀和收缩的形态学处理；

(7)完成多个茶叶嫩芽的分割；

(8)结合茶叶嫩芽的颜色特征参数和嫩芽图像二值化处理后提取的形状特征参数设计遗传神经网络模型；

(9)得出茶叶嫩芽的识别结果。

2.根据权利要求1所述的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是：在步骤(4)中为了表明一个区域与它的邻域区域有很高的相似度，为每个区域定义一个相似度函数：

其中 $\mathrm{simH}\left(R_i\right)=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{k+1}(x_t-\stackrel{\‾}{x})}{k+1}};$

x_t为中每个区域的色调H分量均值，

为

集合内所有区域的色调分量均值；

而 $\mathrm{simH}\left(R_i\right)=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{k+1}(y_t-\stackrel{\‾}{y})}{k+1}};$

y_t为

中每个区域的饱和度S分量均值，

为

集合内所有区域的饱和度分量均值；

而ε₁和ε₂是定义的色调分量和饱和度分量系数。

3.根据权利要求1所述的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是：在步骤(5)中两个区域在颜色上相近，空间上相邻，并且其邻域处没有显著的边缘则可认为是两个可相连的区域；颜色距离定义采用区域的色调分量均值进行计算，定义如下：

$D_c=\frac{r_i\·r_j}{r_i+r_j}\left|\right|{\stackrel{\‾}{\mathrm{\μ}}}_i-{\stackrel{\‾}{\mathrm{\μ}}}_j\left|\right|$

其中r_i和r_j分别代表i和j区域中包含的像素个数，

和代表两个区域的

颜色均值，||  ||表示欧式距离。

4.根据权利要求1所述的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是：

在步骤(5)中引入了边缘距离来有效减少错误的分割，同时对区域的合并进行一些限制；边缘距离的定义为：

$D_e=\frac{1}{P_{\mathrm{ij}}}\underset{m,n}{\mathrm{\Σ}}\left|\right|x_m-x_n\left|\right|$

其中P_ij表示区域边缘上的像素个数，x_m和x_n分别表示边缘两侧的m和n点的位置值，|| ||表示欧式距离。

5.根据权利要求1所述的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是：在步骤(8)中定义了中轴长度，分枝长度，分枝个数，面积，平均幅宽，颜色共6项特征参数。

6.根据权利要求1所述的基于颜色和区域生长的茶叶嫩芽分割和识别方法，其特征是：在步骤(8)中的具体步骤为：

(8.1)遗传算法中个体的变量为神经元网络权值，采用十进制编码方式，每个个体的维数为M(N+I)，其中M，N，I分别为隐层、输入层和输出层神经元个数；

(8.2)确定网络权值和初始化种群，若W＝(w₁，w₂，......，w_n)，n为种群数，则确定目标函数为：

而取适应度函数为

其中P为训练样本对总数，m为输出节点，y_i第i个训练样本的期望网络输出值，f_i(x)第i个训练样本的网络输出值；

(8.3)进行种群复制，同时保持种群规模的一致性，对适应度值从大到小进行排序，保留最优个体不进行交叉和变异操作，对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作，重复直到组成新一代种群。

Images