基于聚類算法的水稻圖像分割獲獎(jiǎng)科研報(bào)告

基于聚類算法的水稻圖像分割獲獎(jiǎng)科研報(bào)告【摘

要】模糊聚類是一種常用的基于軟劃分的聚類算法，并且在圖像分割上有廣泛的應(yīng)用。本文主要利用軟化分的聚類算法對(duì)水稻圖像進(jìn)行分割，首先圖像進(jìn)行灰度化預(yù)處理，再利用傳統(tǒng)的K均值聚類算法以及模糊C均值聚類算法對(duì)圖像像素的灰度值進(jìn)行快速分類，同時(shí)用改進(jìn)的EnFCM算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明相較于傳統(tǒng)的聚類算法，改進(jìn)的EnFCM算法對(duì)圖像分割效果要優(yōu)于一般聚類算法，而且適用于一般聚類算法難以準(zhǔn)確分割的模糊邊界。

【關(guān)鍵詞】圖像分割;灰度化;K均值聚類;模糊C均值聚類;EnFCM算法

Abstract：Fuzzyclusteringisacommonclusteringalgorithmbasedonsoftpartition，anditiswidelyusedinimagesegmentation.Inthispassage，thericeimageissegmentedbyusingthesofteningclusteringalgorithm.Firstly，theimageispreprocessedbygray-scale，andthenthegrayvalueofimagepixelsisquicklyclassifiedbyusingthetraditionalK-meansclusteringalgorithmandfuzzyC-meansclusteringalgorithm，andcomparedwiththeimprovedEnFCMalgorithm.Theexperimentalresultsshowthatcomparedwiththetraditionalclusteringalgorithm，theimprovedEnFCMalgorithmissuperiortothegeneralclusteringalgorithminimagesegmentation，andissuitableforfuzzyboundarieswhicharedifficulttobeaccuratelysegmentedbythegeneralclusteringalgorithm.

Keywords：imagesegmentation;grayscale;K-meansclustering;fuzzyC-meansclustering;EnFCMalgorithm

引言

近年來，人工智能的發(fā)展促進(jìn)了圖像識(shí)別技術(shù)在農(nóng)業(yè)圖像分割的應(yīng)用。目前，有多種方法用于圖像分割，如閾值分割法、區(qū)域法、分水嶺算法、模糊聚類算法等，其目的是將圖像中具有相似特性的像素劃分為同一類，從而有利于后續(xù)模式識(shí)別等操作[1]。

由于農(nóng)業(yè)圖像的特殊性以及對(duì)象本身的模糊性和不確定性，不同類的邊界很難有清晰的劃分。例如，在水稻圖像分割中，不同對(duì)象的灰度級(jí)范圍可能會(huì)相互重疊?；谀：碚摰木垲惙椒檗r(nóng)業(yè)圖像中的不確定性提供了很好的解決方案。通過隸屬度函數(shù)來表示圖像中的不確定性。其中模糊C均值方法是一種經(jīng)典的聚類算法，具有思路簡單、收斂速度快等優(yōu)勢(shì)[2]。但是，傳統(tǒng)模糊C均值算法容易受到噪聲影響，從而導(dǎo)致過度分割等問題?；诖?，一些改進(jìn)的方法被提出[2]-[3]，其中，加強(qiáng)模糊聚類（EnFCM）在分割性能和計(jì)算速度上更具有優(yōu)勢(shì)。

本文主要研究K均值聚類、模糊C均值聚類以及EnFCM聚類劃分的算法對(duì)水稻圖像分割質(zhì)量的影響。

1圖像預(yù)處理

針對(duì)RGB顏色空間不直觀，且周圍環(huán)境因素如光的明暗、噪聲點(diǎn)等很容易對(duì)總體圖像的分割產(chǎn)生的影響，本文采取傳統(tǒng)的NTSC法[4]，對(duì)像素點(diǎn)的RGB三原色進(jìn)行加權(quán)平均，對(duì)圖像進(jìn)行灰度化預(yù)處理[5]：

式中Gray為像素灰度值，r，g，b的取值分別為0.299，0.587，0.114

同時(shí)，圖像灰度化可以避免可見的條帶失真。本文利用MATLAB讀入彩色圖像，利用rgb2gray函數(shù)得到每個(gè)像素點(diǎn)的灰度值。

當(dāng)圖像灰度化之后，就可以較為容易地利用聚類算法進(jìn)行分割，即對(duì)每一個(gè)像素點(diǎn)的灰度值進(jìn)行聚類，求出各個(gè)像素灰度值的中心值，灰度值大于圖像的中心值的像素點(diǎn)轉(zhuǎn)化為黑色，而灰度值小于中心值的像素點(diǎn)轉(zhuǎn)換為白色，以此獲得不同的圖像分割。

因此，本文并不是直接對(duì)彩色水稻圖像進(jìn)行圖像分割，而是先對(duì)水稻圖像進(jìn)行RGB三原色進(jìn)行加權(quán)平均得到灰度化圖像，在灰度化圖像的基礎(chǔ)上利用聚類算法進(jìn)行圖像分割，從而將水稻的灰度圖像進(jìn)一步轉(zhuǎn)化為黑白圖像[6]。

2.模糊C均值聚類算法的方法理論

2.1算法理論

聚類分析算法的基本思想就是通過對(duì)不同類別數(shù)據(jù)間的相似度達(dá)到相對(duì)最小化，而相同類別數(shù)據(jù)間相似度達(dá)到相對(duì)最大化的一種數(shù)據(jù)分割式計(jì)算分析方法[7]，在圖像上表示即簇內(nèi)距離盡量小，簇間距離盡量大。一般情況下最常用的兩種聚類算法即K均值算法和模糊C均值算法。對(duì)于模糊C均值算法，假定有N個(gè)數(shù)據(jù)的樣本集，把N個(gè)樣本集劃分成c類，假設(shè)第i類的聚類中心為，第j個(gè)樣本對(duì)第i個(gè)類的隸屬度為，對(duì)于模糊C均值的目標(biāo)函數(shù)定義如下：

模糊C聚類算法的思想就是通過式（4）和（5）不斷地修正聚類中心和隸屬度，以實(shí)現(xiàn)目標(biāo)函數(shù)最小化，當(dāng)目標(biāo)函數(shù)值不再改變時(shí)，迭代停止。

K均值聚類可認(rèn)為是模糊C均值聚類的一個(gè)特殊情況，當(dāng)式（3）隸屬度時(shí)即為K均值聚類。

本文中是對(duì)每個(gè)像素的灰度值進(jìn)行聚類分析，因此樣本點(diǎn)即為各個(gè)像素的灰度值。

2.2算法步驟

對(duì)于圖像分割的處理，K均值聚類和模糊C均值算法總體的執(zhí)行步驟一致[7]：

1）對(duì)圖形進(jìn)行灰度化預(yù)處理，每個(gè)像素的灰度值即為目標(biāo)向量;

2）初始化各個(gè)參數(shù)，制定聚類數(shù)目c及聚類中心，模糊加權(quán)指數(shù)m;

3）計(jì)算每個(gè)像素灰度值到聚類中心的歐氏距離，求出隸屬矩陣;

4）求出目標(biāo)函數(shù)，并修正新的聚類中心;

5）若目標(biāo)函數(shù)改變，則返回步驟3），否則算法收斂，計(jì)算結(jié)束;

6）輸出修正后的聚類中心，此聚類中心為圖像分割的閾值。

3EnFCM算法的方法理論

3.1算法理論

模糊C均值雖然算法簡單，但也存在明顯的問題：受噪聲影響較大，容易陷入局部最優(yōu)解。

針對(duì)模糊C均值聚類算法在全局最優(yōu)性上的缺陷，加強(qiáng)模糊聚類EnFCM算法（EnhancedFuzzyC-MeansClustering）是一種更快速的圖像分割算法，提高了灰度圖像的聚類過程和分割速度。

加強(qiáng)模糊聚類EnFCM算法的基本思想是通過在該對(duì)像的像素點(diǎn)及其8鄰域的所有像素之間進(jìn)行一個(gè)線性微分加權(quán)，同時(shí)利用有效的平均灰度直方層級(jí)運(yùn)算來模糊原始局部圖像像素，即對(duì)一個(gè)灰度直方圖像素進(jìn)行了模糊聚類，以此從而形成了從一個(gè)原有的局部圖像擴(kuò)展到其他與局部的像素相鄰的區(qū)域所有像素的平均模糊圖像。在一般情況下，像素的灰度級(jí)值是8位分辨率（256級(jí)灰度），而一般情況下，M級(jí)灰度值的像素?cái)?shù)量比N級(jí)灰度值的像素?cái)?shù)量小很多。因此，相較于模糊C均值聚類算法，加強(qiáng)模糊均值聚類算法EnFCM聚類算法的過程執(zhí)行量和時(shí)間成本明顯降低[8]。

式（9）中是灰度值為的像素點(diǎn)的個(gè)數(shù)，式（7）中的參數(shù)a決定分割質(zhì)量，當(dāng)參數(shù)a的選擇足夠大時(shí)，該方法抗噪聲能力更強(qiáng)，但另一方面，參數(shù)a的選擇足夠小時(shí)，可以使分段的圖像仍然能夠保持清晰度和圖像的細(xì)節(jié)[10]。本文的參數(shù)a默認(rèn)設(shè)定為0.5。

3.2算法步驟

EnFCM算法總體執(zhí)行步驟相似于模糊C均值聚類算法，但需在計(jì)算目標(biāo)函數(shù)前對(duì)像素樣本進(jìn)行預(yù)處理：

1）初始化各個(gè)參數(shù)，制定聚類數(shù)目c及聚類中心，模糊加權(quán)指數(shù)m以及參數(shù)a;

2）對(duì)像素的灰度值進(jìn)行線性加權(quán)和預(yù)處理，得到新的有效灰度級(jí);

3）計(jì)算每個(gè)像素有效灰度級(jí)到聚類中心的歐氏距離，求出隸屬矩陣;

4）求出目標(biāo)函數(shù)，并修正新的聚類中心;

5）若目標(biāo)函數(shù)改變，則返回步驟3），否則算法收斂，計(jì)算結(jié)束;

6）輸出修正后的聚類中心，此聚類中心為圖像分割的閾值。

4試驗(yàn)結(jié)果

為驗(yàn)證EnFCM算法的全局最優(yōu)性，本文利用MATLAB，選取了三種階段以及包含模糊邊界的水稻圖像分別用K均值算法，模糊C聚類算法以及EnFCM算法對(duì)不同的水稻圖像進(jìn)行圖像分割測(cè)試，實(shí)驗(yàn)結(jié)果如下：

圖1選取的是普通生長狀況下的水稻，圖2和圖3選取的是未成熟的和成熟的兩種生長狀況下的水稻，這兩類水稻的總體顏色對(duì)比度較低，而圖4選取的是背景包含模糊邊界的水稻圖像。

圖1的水稻可以看出基于EnFCM算法分割出的水稻相較于K均值聚類和模糊C均值聚類算法的水稻更準(zhǔn)確，EnFCM算法分出的稻谷部分存在的黑色像素間隙明顯小于一般聚類算法。結(jié)合圖2和圖3可以看出，一般的聚類算法可以分割出未成熟和成熟水稻的輪廓，但對(duì)于圖3的低對(duì)比度圖像一般聚類算法相對(duì)難以分割，而EnFCM算法仍能無間隙地分割圖像。綜合圖1-圖3，傳統(tǒng)聚類算法和EnFCM算法均能較為準(zhǔn)確分割出目標(biāo)圖像，而EnFCM的圖像分割效果稍優(yōu)于傳統(tǒng)聚類算法的效果。

而圖4可以看出，傳統(tǒng)聚類算法對(duì)高清部分的水稻能較為準(zhǔn)確地進(jìn)行分割，但在模糊邊界區(qū)傳統(tǒng)算法較難準(zhǔn)確劃分，而EnECM算法對(duì)于模糊圖像的分割仍然較為準(zhǔn)確，因此EnFCM算法適用于模糊邊界的圖像分割處理。

5結(jié)論

本文主要研究聚類算法水稻圖像上的分