邹小林

摘要：为快速提取皇帝柑图像中的目标，提出一种局部邻域最大差分的过渡区阈值图像分割算法。该方法首先计算图像中每个像素的局部邻域最大差分;再对图像的全部、局部最大差分进行排序，选取值较大的像素作为过渡区的像素点;然后对过渡区的内部进行填充，使过渡区与目标合成一体，最后剔除过渡区中的背景点，获得图像的目标。为检验提出算法的有效性，采用分割误差、假阳性率、重叠系数和运算时间共4个指标与已有算法进行比较，结果表明，本研究算法的平均分割误差只有7.76%，比有效平均梯度法和局部熵法分别降低6.93%、6.24%，假阳性率分别降低 3.40%、3.05%，重叠系数分别提高14.6%、11.62%;算法运算速度分别提高约3.6、4.6倍。试验结果表明，本研究算法具有很好的提取皇帝柑图像中目标的性能。

关键词：局部邻域最大差分;皇帝柑;过渡区;图像分割;假阳性率;重叠系数

中图分类号： TP391.41  文献标志码： A  文章编号：1002-1302（2019）10-0235-04

2010年，我国水果总产量约占世界总产量的30%，产量位居世界第一，但我国水果出口量不足产量的5%，且售价只有国际平均售价的50%。出现这种状况的主要原因是对采摘水果进行处理的技术偏低[2]，没有对销售水果进行等级分拣。针对这种情况，基于图像处理[3]的水果等级分类方法不断涌现。文献[4-10]分别采用色差分量、邻差和、支持向量机、对数相似度约束、边缘检测和框架检测等理论结合Matlab软件提供的Otsu阈值算法分割水果图像。关于柑橘图像分割与识别的主要文献分别采用色差分量、Canny算子结合Otsu阈值算法分割图像[11-13]。针对已有文献一般都采用Otsu阈值分割算法而没有考虑其他阈值算法分割水果图像，本研究提出基于局部邻域最大差分的过渡区阈值图像分割算法。

1 高光去除

图像的高光点表示具有最高亮度值的图像区域。皇帝柑图像中的高光改变了皇帝柑的本色，会影响皇帝柑图像中目标提取、识别、分类。因此须要去除皇帝柑图像中的高光，作为皇帝柑图像分割的预处理步骤之一。文献[14]先把图像从RGB颜色空间转换为YUV颜色空间，再对亮度通道Y分别进行归一化处理、均衡化处理以及多项式函数转换，提出的去除高光的算法步骤具体为（1）将图像读入R、G、B 3个通道。（2）将图像从RGB颜色空间转换为YUV颜色空间。（3）对亮度通道Y进行归一化处理。（4）对Y进行直方图均衡化处理。（5）对Y进行多项式转换。

2 有效平均梯度的过渡区提取算法

有效平均梯度的过渡区提取算法通过计算有效平均梯度[15]（EAG）以及对图像的灰度进行剪切来确定图像的过渡区，设（i，j）∈S，其中S为像素坐标的集合，f（i，j）为坐标为（i，j）的图像像素灰度值。有效平均梯度定義为

4 局部邻域最大差分的过渡区提取算法

4.1 局部邻域最大差分

由于过渡区位于图像边缘附近，所以处于过渡区像素的邻域中一定存在前景或背景中的像素，与其邻域内的像素灰度值差的绝对值中一般都存在比较大的值。背景区域和目标区域由于同质性较好，因此像素与其邻域内像素的灰度值差的绝对值一般都比较小。

由公式（10）计算的局部邻域最大差分的特点：（1）图像非过渡区具有较高的同质性，即非过渡区的局部邻域最大差分较小;（2）图像过渡区的像素灰度值变化大，即过渡区的局部邻域最大差分较大。

4.2 局部邻域最大差分的过渡区提取算法步骤

（2）将W中的局部邻域最大差分由大到小排序;（3）将排在前面α%的像素选取出来构成过渡区，α的取值范围一般是10～30;（4）过渡区内部像素点是图像目标点，其外部像素点是图像背景点，采用Matlab提供的区域填充算法对过渡区的内部进行填充。填充后过渡区和目标合成一个区域。（5）对第4步中的合成区域的四周向内的每个方向剔除n个背景像素点，得到图像目标。n的取值范围一般是1～5。

5 主要研究思路

主要分为2个部分：（1）图像预处理，去掉图像中的高光;（2）图像分割。

本研究的图像预处理采用文献[14]中的算法去除图像的高光。去除图1-a中高光，结果如图1-b所示。图1-a中的R、G、B分量的取值范围分别为[25，212]、[6，203]、[0，215]，而去除高光后的图1-b的R、G、B分量的取值范围分别为[23，78]、[4，154]、[0，181]。数据显示亮度值大的高光点被消除。

图像分割采用本研究提出的局部邻域最大差分的过渡区提取算法，分割去除高光后的皇帝柑图像。提取图1-a中的过渡区结果，如图1-c所示。图1-c显示过渡区把目标包围在中间。用Matlab函数imfill（）填充过渡区后的情况，如图 1-d所示。对图1-d中过渡区的背景点剔除后如图1-e所示。图1-e中比较容易发现图的左下角和图的正上方有一些背景点被清除。根据图1-e获得的图像目标分类结果，即分割图像1-a的结果，如图1-f所示。

6 试验结果与分析

6.1 分割质量评价准则

采用分类误差（ME）[17]、假阳性率（FPR）[18]和叠加系数（OI）[19]等作为分割效果评价标准。

BO和FO分别表示人工分割图像的背景、目标;BT和FT分别是根据算法分割图像的背景、目标;||表示集合中元素的个数。

6.2 结果与分析

采用2个试验（试验1图像中不带叶片，试验2图像中带叶片）来检验本研究方法的分割效果。本研究方法与文献[15-16]中提出的算法（有效平均梯度法、局部熵法）作对比试验。采用分割误差[17]、假阳性率[18]、叠加系数[19]、运算时间等4个指标检验分割效果。图2、图3中的参考图像是人工分割获取的。

试验1的分割结果（图2）表明，本研究算法能够很好地提取图像中的目标（皇帝柑），而文献[15-16]中提出的算法都存在较为严重的过度分割。由表1可知，本研究算法的平均分割误差是 5.22%，而文献[15-16]中算法的平均分类误差分别为10.51%、8.70%。由表2可知，本研究算法的平均假阳性率是7.85%，而文献[15-16]中算法的平均假阳性率分别为9.83%、10.06%。由表3可知，本研究算法的平均叠加系数是87.27%，而文献[15-16]中算法的平均叠加系数分别为73.79%、80.06%。由表4可知，本研究算法的平均运行时间是0.167 3 s，而文献[15-16]中算法的平均运行时间分别为0.5937、0.755 7 s。本研究算法的平均运行时间分别只有文献[15-16]中算法的28.18%、22.14%。试验1的结果表明，本研究算法在分割含有高光和阴影的皇帝柑图像时，比文献[15-16]中算法的运行速度快，且具有更好的提取图像目标的性能。

试验2的分割结果如图3所示，本研究算法能够很好地提取图像中的目标（皇帝柑），而文献[15-16]中的算法均存在较为严重的过度分割，把很多皇帝柑的高光区域分割在背景中。由表5可知，本研究算法的平均分割误差是10.30%，而文献[15-16]中算法的平均分割误差分别为18.87%、1929%。由表6可知，本研究算法的平均假阳性率是1522%，而文献[15-16]中算法的平均假阳性率分别为2003%、19.10%。由表7可知，本研究算法的平均叠加系数是79.62%，而文献[15-16]中算法的平均叠加系数分别为63.90%、63.59%。由表8可知，本研究算法的平均运行时间是0.164 3 s，而文献[15-16]中算法的平均运行时间分别为0.594 3、0.750 7 s。本研究算法的平均运行时间分别只有文献[15-16]中算法的27.65%、21.89%。

综合2组试验的结果表明，本研究算法的平均分割误差是 7.76%，而文献[15-16]中算法的平均分割误差分别为14.69%、13.99%，因此本研究算法的分类误差比文献[15-16]中算法分别下降6.93、6.24百分点。本研究算法的平均假阳性率是11.54%，而文献[15-16]中算法的平均假阳性率分别为14.93%、14.58%，因此本研究算法的平均假陽性率比文献[15-16]中算法分别下降3.40、3.05 百分点。本研究算法的平均叠加系数是83.45%，而文献 [15-16]中算法的平均叠加系数分别为68.85%、71.83%，因此本研究算法的平均叠加系数比文献[15-16]中算法分别提高14.60、11.62 百分点。本研究算法的平均运行时间是0.166 s，而文献[15-16]中算法的平均运行时间分别为0.594、0.753 s，因此本研究算法的平均运行时间比文献[15-16]中算法分别下降0.428、0.587 s。本研究算法的平均运行速度分别比文献[15-16]中算法提高3.6、4.6倍。2组试验的结果表明，本研究算法能够更好更快地提取皇帝柑图像中的目标，说明本研究算法比文献[15-16]中的算法具有更好地分割性能。

7 结论

针对在分割含有高光、阴影和叶子的皇帝柑图像时，难以准确提取图像中的目标这一问题，本研究提出局部邻域最大差分的过渡区阈值图像分割算法，跟经典的过渡区阈值图像分割算法相比，该算法能够很好地分割含有高光、阴影和叶子的皇帝柑图像。

参考文献：

[1]刘 晓. 基于多光谱图像的柑橘糖度含量在线无损检测研究[D]. 南昌：江西农业大学，2011.

[2]张洪胜，张宗坤，刘万好，等. 我国有机水果的生产现状及发展前景[J]. 烟台果树，2008（2）：9-10.

[3]祝谨惠. 基于图像处理的水果物流分拣中的等级鉴定技术[J]. 物流技术，2014，33（3）：416-418.

[4]赵德安，刘晓洋，陈 玉，等. 苹果采摘机器人夜间识别方法[J]. 农业机械学报，2015，46（3）：15-22.

[5]吕继东，赵德安，姬 伟. 苹果采摘机器人目标果实快速跟踪识别方法[J]. 农业机械学报，2014，45（1）：65-72.

[6]郭文川，梁 玮，宋怀波. 基于邻差和的农产品X射线图像分割算法[J]. 农业机械学报，2012，43（11）：214-219.

[7]张春龙，张 楫，张俊雄，等. 近色背景中树上绿色苹果识别方法[J]. 农业机械学报，2014，45（10）：277-281.

[8]赵瑶池，胡祝华. 基于对数相似度约束Otsu的自然场景病害果实图像分割[J]. 农业机械学报，2015，46（11）：9-15.

[9]黄 辰，费继友. 基于图像特征融合的苹果在线分级方法[J]. 农业工程学报，2017，33（1）：285-291.

[10]Deb K，Suny A H. Shadow detection and removal based on YCbCr Color Space[J]. Smartcr，2014，4（1）：23-33.

[11]蔡健荣，周小军，李玉良，等. 基于机器视觉自然场景下成熟柑橘识别[J]. 农业工程学报，2008，24（1）：175-178.

[12]彭 辉，文友先，吴兰兰，等. 采用自适应canny算子的树上柑橘图像边缘检测[J]. 计算机工程与应用，2011，47（9）：163-166.

[13]周志宇，刘迎春，张建新. 基于自适应Canny算子的柑橘边缘检测[J]. 农业工程学报，2008，24（3）：21-24.

[14]Górny P. Highlight removal method for HDR images[J]. Ecology and Environmental Science，2009，21（10）：321-340.

[15]章毓晋. 过渡区和图像分割[J]. 电子学报，1996，24（1）：12-17.

[16]Pun T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing，1980，2（3）：223-237.

[17]Yasnoff W A，Mui J K，Bacus J W. Error measures for scene segmentation[J]. Pattern Recognition，1977，9（4）：217-231.

[18]Hu Q M，Hou Z，Nowinski W L. Supervised range-constrained thresholding[J]. IEEE Transactions on Image Processing，2006，15（1）：228-240.

[19]宋怀波，张卫园，张欣欣，等. 基于模糊集理论的苹果表面阴影去除方法[J]. 农业工程学报，2014，30（3）：135-141.