中北大学2014届本科毕业论文
2.3 蔬菜图像的分割
对于本设计的图像分割，目的是将图像的前景与背景区分开来，以便提取出前景部分的特征。
2.3.1 具有封闭外层轮廓的蔬菜图像的背景去除算法
观察采集的蔬菜图像，发现包菜、西红柿等蔬菜图像都具有封闭的外层轮廓，若能将它们的外层轮廓线提取出来，则可以以该轮廓线为界，里面为前景部分，外面为背景部分。为了使蔬菜图像的外层轮廓显现出来，先对二值化后的图像利用Canny算子进行边缘检测。图2.4为二值化的包菜图像进行边缘检测后的图像。
图2.4 包菜图像边缘检测后的图像
算法说明：
一、外层轮廓的跟踪。首先，对像素的8邻域进行编码，使得像素点的8个邻域方向均可以用数字代替。然后，置图像最左端为起始点，按逆时针方向搜寻邻近点，其中像素点8个邻域方向分别标记为0，1，2，3，4，5，6，7。当搜寻到第一个白色点时，记为起始点。通过前一次搜寻的次数K来确定下一次搜寻的方向Ki。依次下去，直至下一搜寻点为起始点时，跟踪完毕[4]、[5]、[6]。图2.5为包菜图像外层轮廓线图像。
图2.5 包菜图像外层轮廓线图像
二、轮廓填充。为使前景部分保留下来，将提取出的轮廓线内部填充为白色。然后将填充后的图像与原图像逻辑与操作则可以达到去除图像背景的目的。图2.6为包菜图像内
- 7 -
中北大学2014届本科毕业论文
部填充后的图像。
图2.6 包菜图像填充后的图像
三、背景去除。将填充后的图像与原图像逻辑与操作，即将背景去除。图2.7为背景去除后的包菜图像。
图2.7 包菜图像去除背景后的图像
2.3.2 K-Means聚类算法
封闭外层轮廓的蔬菜图像的背景去除算法仅仅适合于图像前景与背景像素灰度区别较大，且提取出来的前景外侧轮廓线是封闭的情况。对于前景与背景灰度区别较小的情况,则不能通过这种方法来进行分割。为此，需要寻找一种更加通用的方法。
K-Means聚类算法是一种自适应搜索算法，其基本思想是：通过迭代不断调整聚类中心，最终将数据集中的个体划分为K类，使其所有个体到所属类的类中心的欧式距离之和最小。
算法说明：
设由n个数据点组成的数据集为X=｛xi|xi∈R，i=1,2,…,n｝,每个数据点xi是由d个表征其特征的数据组成的向量。K均值聚类的目标是将这n个数据点划分成K类组成聚类集C=｛ck|k=1,2,…,K｝,其中ck类的类中心设为uk，定义被划分到ck类的点
d
- 8 -
中北大学2014届本科毕业论文
xi到类中心uk的欧式距离为：
D(xi,uk)=
?(xij?ukj)j?1d2 (xi∈ck) 式2.2
那么，所有被划分到ck类的点xi到该类的类中心uk的欧式距离之和为：
M（ck）=
xi?ck?D(xi,uk) 式2.3
式2.3中统计的是聚类集C中的第k个划分子类ck中的点到该类中心的欧式距离之和。那么，将聚类集中的各个子类都统计一次，就得到了数据集中的所有点xi到其所属类的类中心的欧式距离之和为：
S（xi）=?M(ck)=?k?1KKk?1xi?ck?D(xi,uk)=???iD(xi,uk) 式2.4
k?1i?1Kn?1,if?其中，?i=??0,if?xi?ckxi?ck。由此可见，要使式2.4中的S（x）的值最小，类中心uk应i取该聚类子集ck中各数据点的平均值。K均值聚类的迭代过程可以描述为如下过程[7]： ①：按照最大化最小化原则，选定K个数据点作为K个子类划分的初始类中心。 ②：计算各数据点到类中心的欧式距离，按照最近邻原则将其划分到各类中心表示的子
类中，得到K个子类数据集。
③：计算各个子类数据集中各点的平均值，把该平均值作为该子类新的类中心。 ④：计算所有数据点到其所属类中心的欧式距离之和S（xi），判断类中心和S（xi）的值是否发生改变。如果是，就转到第（2）步；如果否，就转到第（5）步。 ⑤：终止迭代，算法结束。
算法改进：
由于K均值聚类算法对初始类中心的依赖性较大。若是随机的选择聚类初始类中心，最终分割出的图像存在着很大的不稳定性。为此，给初始类中心的选择添加一个限定条
- 9 -
中北大学2014届本科毕业论文
件：使初始类中心的均值等于利用最大类间差值法（大津法）[8]、[9]分割图像时的阈值。 K-Means聚类算法用于蔬菜图像分割的步骤： ①：将图像缩小尺寸至原来的1/4，记为 I1 。
②：将彩色图像I1从RGB颜色空间转至HSV颜色空间。 ③：提取出HSV颜色空间中图像的3个通道的图像 。
④：对该3个通道的图像进行聚类，观察效果，选取效果最好的通道图像，记为I2。 ⑤：将I2尺寸放大至原始图像尺寸。
图2.8为包菜图像由RGB颜色空间转化为HSV颜色空间后，3个通道的图像。观察可知，V通道图像前景部分和背景部分差别较大，因此选择V通道图像来进行图像的聚类。
(a) H通道图像 (b) S通道图像 (c) V通道图像 图2.8 包菜图像HSV颜色空间下3通道图像
图2.9为各种类蔬菜聚类后图像。
(a) 青菜 (b) 包菜 (c) 芹菜 - 10 -
中北大学2014届本科毕业论文
(d) 韭菜 (e) 菠菜 (f) 花菜 图2.9 各类蔬菜聚类后的图像
2.3.3 含阴影图像的分割算法
对于含有阴影的图像，使用K均值聚类算法则不能起到很好的分割效果，阴影区域和前景图像聚类在一起了，如图2.10所示。
含阴影的黄瓜图像 K-Means算法分割后的图像 含阴影的茄子图像 K-Means算法分割后的图像 图2.10含阴影的蔬菜图像分割后的图像
若对K均值聚类算法分割后的图像再次进行聚类分割，实验发现，再次聚类后，很
- 11 -