基于PSO和视觉显著性棉花图像分割算法.docVIP

基于PSO和视觉显著性棉花图像分割算法 　　摘要：针对自然光条件下具有复杂背景的棉花图像，提出了1种新的图像分割方法。首先，利用粒子群优化（PSO）算法进行聚类预处理，去除图像中较暗区域；其次，利用简单线性迭代聚类（SLIC）算法构建超像素，并用1种改进的方法检测每个超像素在图像中的独特性和分布情况权值，利用检测结果逐像素计算显著度获得整幅图像的显著图；最后，利用连通域面积去噪方法得到棉花图像分割结果。结果表明，该方法能有效去除图像的复杂背景，消除强光和阴影影响，准确地将棉花图像从背景中分割出来，效果较理想。 　　关键词：粒子群优化（PSO）算法；显著性；简单线性迭代聚类（SLIC）；棉花分割 　　中图分类号： TP391.4；S126文献标志码： A文章编号：1002-1302（2016）02-0430-04 　　收稿日期：2015-09-04 　　基金项目：国家自然科学基金（编号；塔里木大学校长基金平台建设项目（编号：TDZKPT201201）。 　　作者简介：曹洪武（1980―），男，云南开远人，硕士，讲师，主要从事图像处理、计算机视觉等方面的研究。E-mail：chw0920@163.com。 　　通信作者：姚江河，硕士，副教授，主要从事农业信息化方面的研究。E-mail：yao9698@163.com。新疆作为中国棉花主产区，总产量长期居于全国首位。近年来，在国家政策鼓励下，新疆采用机采棉比例日益提高，但棉花采摘质量与手工采摘方式相比仍有很大差距，因此，研究基于计算机视觉的采棉机器人具有较大意义，提升棉花图像分割算法的精度是实现采棉机器人的关键问题之一，这将有效地减少采摘杂质、提高棉花采摘品质。近年来，已有较多学者对棉花图像的分割处理进行了深入研究，并从不同角度提出了解决方案，比较典型的方法有韦皆顶等基于HSV彩色模型的自然场景下的棉花图像分割算法[1]，时颢等提出的利用粒子群和K均值混合聚类分割算法[2]，陈钦政等提出的基于SVM的棉花图像分割算法[3]，王星等提出的基于YCbCr空间和GA神经网络的棉花图像分割算法[4]，张豪等提出的最佳熵法的棉花分割方法[5]等，这些方法从不同角度对棉花分割算法进行了改进，也取得了较好的效果，但仍未形成一种适合各种复杂情况的棉花分割的通用算法，采摘精度仍有提升空间。笔者在上述研究基础上提出1种基于粒子群和视觉显著性的棉花图像分割算法：首先，利用粒子群优化（particle swarm optimization，PSO）算法对棉花图像进行聚类预处理；其次，利用1种改进的显著性算法进行棉花图像分割；最后，利用连通域去噪方法消除噪声，分别实现了棉花图像在强光和阴影条件下的分割。 　　1基于PSO算法的图像聚类预处理 　　在自然光照条件下采集的棉花图像组成较为复杂，除棉花本身外，还包括枯枝、杂草及各种阴影等噪声区域，要将棉花目标分割出来，需要先消除噪声区域的影响，而棉花本身是色彩感知均匀的，在视觉上属于高对比度区域，本研究方法首先考虑利用PSO算法对图像进行聚类预处理，去除图像中颜色相对较暗区域，减少干扰。处理过后的图像，颜色较暗的区域被填充为黑色，其余亮度较高区域得以保留，如棉花图像及若干较小的离散区域，有效减少了检测范围，降低后续显著性检测的复杂度。 　　粒子群算法简介：PSO算法由Kennedy和Eberhart于1995年提出，是一种用于模拟鸟群群体觅食行为的群集智能随机优化算法[6]。该算法通过在搜索空间中的粒子个体间的协作以及群体信息共享来寻求最优解，其算法主要思想为：在n维搜索空间中，PSO算法初始化为1组粒子，其中每个粒子对应解空间中的1个候选解，它与每个粒子的位置和速度相关，如第i个粒子的位置和速度可分别表示为Xi=（xi1，xi2，…，xin）、Vi=（vi1，vi2，…，vin），每个粒子都有一个被优化函数决定的适应值。通过迭代，粒子能动态追踪个体极值Pi和群体极值Pg来更新自身的速度和位置，其中Pi=（pi1，pi2，…，pin）表示粒子i所到达的具有最优适应值的位置，Pg=（pg1，pg2，…，pgn）表示群体中所有粒子所到达的最优位置，计算公式如下： 　　4结语 　　利用PSO算法进行聚类预处理，能有效去除图像中较暗区域，同时较完整地分割出包含棉花图像的色彩感知均匀且较亮区域；在PSO聚类处理结果基础上进行显著性检测能提高检测效率，同时能有效保留边缘细节。结果表明，该方法能够很好地消除强光条件和阴影条件的影响，适应于复杂条件下的棉花图像分割，分割精度较高。在今后的工作中，如何进一步优化算法、提高图像分割效率将是研究重点。 　　参考文献： 　　[1]韦皆顶，费树岷，汪木兰，等. 基于HSV彩色模型的自然场景下棉