一種增強(qiáng)的Fuzzy ART在蘋(píng)果圖像分割中的實(shí)現(xiàn)-設(shè)計(jì)應(yīng)用

精品文檔-下載后可編輯一種增強(qiáng)的FuzzyART在蘋(píng)果圖像分割中的實(shí)現(xiàn)-設(shè)計(jì)應(yīng)用

中國(guó)是世界上的蘋(píng)果生產(chǎn)國(guó)和消費(fèi)國(guó)，蘋(píng)果種植面積和產(chǎn)量均占世界總量的40%以上，在世界蘋(píng)果產(chǎn)業(yè)中占有重要地位。中國(guó)蘋(píng)果有黃土高原、渤海灣、黃河故道和西南冷涼高地四大產(chǎn)區(qū)，根據(jù)氣候和生態(tài)適宜標(biāo)準(zhǔn)，西北黃土高原產(chǎn)區(qū)和渤海灣產(chǎn)區(qū)是中國(guó)適蘋(píng)果發(fā)展產(chǎn)區(qū)，兩個(gè)區(qū)域蘋(píng)果栽培面積分別占全國(guó)的44%和34%,產(chǎn)量分別占全國(guó)的49%和31%,出口量占全國(guó)的90%以上。黃河故道產(chǎn)區(qū)屬于蘋(píng)果生產(chǎn)的次適宜區(qū)，西南冷涼高地蘋(píng)果生產(chǎn)規(guī)模小、產(chǎn)業(yè)基礎(chǔ)差，無(wú)法滿足蘋(píng)果生產(chǎn)優(yōu)勢(shì)區(qū)域的要求。本文所采用的紅富士蘋(píng)果圖像是使用數(shù)碼相機(jī)（佳能A710IS）在實(shí)際環(huán)境中在自然光源下拍攝的。

圖像分割是一種重要的圖像技術(shù)，在理論研究和實(shí)際應(yīng)用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運(yùn)算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對(duì)圖像進(jìn)行粗分割，因?yàn)樗麄冃枰獜膱D像中提取出來(lái)的信息。例如，可以對(duì)圖像的灰度級(jí)設(shè)置門限的方法分割。值得提出的是，沒(méi)有的標(biāo)準(zhǔn)的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對(duì)應(yīng)的分割方法對(duì)其分割，同時(shí)，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體的場(chǎng)合及要求衡量。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說(shuō)，圖像分割結(jié)果的好壞直接影響對(duì)圖像的理解。

特征提取是基于神經(jīng)網(wǎng)絡(luò)圖像分割的重要組成部分，是目標(biāo)分類的關(guān)鍵步驟。由于只基于一種圖像特征的方法只能表現(xiàn)圖像的部分信息，對(duì)圖像信息的描述比較片面，缺乏足夠的區(qū)分依據(jù)，在大量的圖像分割應(yīng)用中不能取得很好的分割效果，因此可以研究如何利用顏色、形狀、紋理等特征的組合來(lái)提取圖像的特征，比較全面地描述圖像內(nèi)容。

本文研究了基于灰度-紋理的特征提取方法，組成特征向量，經(jīng)過(guò)規(guī)范化和歸一化的處理后，輸入自確定警戒線的FuzzyART神經(jīng)網(wǎng)絡(luò)，對(duì)蘋(píng)果圖像完成初次分割，然后進(jìn)行二值化和圖像平滑后得到蘋(píng)果圖像的傷疤部分。

1FuzzyART神經(jīng)網(wǎng)絡(luò)基本原理

FuzzyART結(jié)構(gòu)與ART1基本相同，但增加了對(duì)輸入向量的歸一化處理。FuzzyART網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，

FuzzyART網(wǎng)絡(luò)的工作過(guò)程為：輸入矢量a經(jīng)F0預(yù)處理產(chǎn)生的信號(hào)I進(jìn)入F1后，經(jīng)過(guò)類別選擇，通過(guò)與F1的連接權(quán)在F1中產(chǎn)生一個(gè)自上而下的激勵(lì)信號(hào)，這一信號(hào)與自下而上的輸入I進(jìn)行匹配比較后，若匹配度超過(guò)警戒線（vigilance）ρ，則發(fā)生共振，F(xiàn)2與F1之間的連接權(quán)得到加強(qiáng)；否則重置F2以進(jìn)行新的匹配。如果所有已學(xué)習(xí)過(guò)的類都與輸入I不匹配，則將其作為新類加入到網(wǎng)絡(luò)中。，自適應(yīng)確定a屬于F2層N個(gè)類別節(jié)點(diǎn)中的哪一類。

2自適應(yīng)確定參數(shù)的FuzzyART

神經(jīng)網(wǎng)絡(luò)輸入的是十進(jìn)制數(shù)據(jù)，這使得網(wǎng)絡(luò)的參數(shù)估計(jì)變得更加困難，因此實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的自適應(yīng)確定可以提高精度和節(jié)約時(shí)間。

自適應(yīng)確定警戒線的FuzzyART網(wǎng)絡(luò)算法如下：

3蘋(píng)果圖像的特征提取

3.1基于顏色的特征提取

很多研究方法都把圖像顏色信息作為特征向量用于基于顏色信息的圖像分割的研究，但是傳統(tǒng)的基于顏色的特征提取方法有一些缺點(diǎn)，圖像的顏色信息只是對(duì)每個(gè)像素各自的信息進(jìn)行描述，不能提供任何這些像素點(diǎn)間的聯(lián)系。圖像是一個(gè)完整的整體，顏色只能描述圖像單個(gè)像素點(diǎn)的信息，卻不能描述圖像的空間位置信息。

例如，圖2所示3幅圖像不同，但具有相同的直方圖。當(dāng)采用顏色信息分析圖像的特征時(shí)，只能對(duì)處在同一灰度級(jí)的像素點(diǎn)的數(shù)量之間進(jìn)行分析，而無(wú)法對(duì)顏色總量相近但空間分布并不相同的圖像進(jìn)行空間信息的分析。因此，提取蘋(píng)果圖像的顏色特征并不能將圖像的空間位置信息也提取出來(lái)，不能充分、完整地描述蘋(píng)果圖像的內(nèi)容。

3.2蘋(píng)果圖像紋理特征提取

在實(shí)際的圖像分割應(yīng)用中，特征組合的分割方法有很多好處，不同特征的優(yōu)勢(shì)可以達(dá)到互補(bǔ)的效果，可以更全面地表現(xiàn)圖像的信息。在顏色特征的基礎(chǔ)上加上紋理特征，以灰度作為顏色特征，僅僅代表了圖像中各像素點(diǎn)的亮度信息，而未包含圖像顏色的空間分布內(nèi)容，加上圖像的紋理特征之后可以體現(xiàn)出圖像局部空間的信息，有效地補(bǔ)充了顏色特征的不足，能夠取得很好的分割效果。

因此本文在這里研究了基于灰度-紋理特征的圖像分割方法。提取蘋(píng)果圖像中表示"亮"的程度的灰度值，并規(guī)范化處理到[0,1],如式（6）所示；對(duì)于紋理特征，采用灰度共生矩陣法提取能量特征，如式（3）所示，與灰度特征組成特征向量。然后對(duì)特征向量歸一化處理，這種處理方式稱為補(bǔ)碼編碼。經(jīng)過(guò)規(guī)范化和歸一化的處理后，可以得到模糊特征向量，如式（8）所示。

4實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)中，為了兼顧計(jì)算量和特征量，減少灰度共生矩陣的尺寸，將原始圖像的灰度級(jí)重新量化為8級(jí)，圖像的分割采用自適應(yīng)警戒線的FuzzyART神經(jīng)網(wǎng)絡(luò)。

實(shí)驗(yàn)步驟如下：

（1）將9×9的窗口在待分割的蘋(píng)果圖像上滑動(dòng)，采用灰度共生矩陣的方法提取紋理特征，結(jié)合灰度特征組成模糊特征，對(duì)模糊特征規(guī)范化和歸一化處理后，并將它作為窗口中心像素點(diǎn)的特征向量I;

（2）將處理好的模糊特征I輸入FuzzyART神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分類，并標(biāo)記中心像素點(diǎn)；

（3）根據(jù)中心像素點(diǎn)的標(biāo)記，將蘋(píng)果圖像分割為幾類，獲得圖像的初次分割結(jié)果；

（4）對(duì)初次分割的結(jié)果，進(jìn)行二值化處理；

（5）對(duì)圖像進(jìn)行中值濾波，并將分割結(jié)果標(biāo)記到原圖，從而提取傷疤。

采用上述步驟對(duì)一幅256×256像素、256級(jí)灰度的圖像進(jìn)行處理，本文采用的其他參數(shù)分別為α=1、β=0.9,二值化閾值T=80,警戒線ρ的初始值采用0.75.

圖3（a）所示是用灰度和紋理相結(jié)合的模糊特征輸入FuzzyART網(wǎng)絡(luò)的分割結(jié)果，傷疤部分基本被分割出來(lái)；圖3（b）是閥值T=35時(shí)的分割結(jié)果，雖然噪聲也比較少，但是傷疤的部分缺失的部分也很多；圖3（c）是閾值T=55時(shí)的分割結(jié)果，傷疤部分缺失比較少而且輪廓比較完整，但是噪聲也增加了，陰影部分的區(qū)域也被分割為傷疤；圖3（d）是閾值T=75時(shí)的分割結(jié)果，雖然傷疤部分越來(lái)越完整，但是噪聲變得更多。從圖3可以看出，隨著閾值的增加，傷疤部分越來(lái)越完整，噪聲也越來(lái)越多；相反，隨著閾值的減少，傷疤缺失的部分越來(lái)越多，噪聲也有變少。閾值分割無(wú)法在保證傷疤部分缺失比較小的同時(shí)，噪聲也比較少，或者基本沒(méi)有。

圖4（a）所示是以坐標(biāo)為（90,141）的像素點(diǎn)作為種子（如箭頭指示）區(qū)域生長(zhǎng)的結(jié)果，傷疤部分幾乎沒(méi)有分割出來(lái)；圖4（b）是以坐標(biāo)為（178,79）的像素點(diǎn)作為種子區(qū)域生長(zhǎng)的結(jié)果，雖然噪聲也比較少，但是傷疤的部分缺失的部分也很多。從圖4可以看出區(qū)域生長(zhǎng)的幾個(gè)缺點(diǎn)為：要通過(guò)人工交互獲得種子像素點(diǎn)，因而使用者必須在每個(gè)目標(biāo)區(qū)域中選擇一個(gè)種子點(diǎn)；區(qū)域生長(zhǎng)法對(duì)噪聲較敏感，容易導(dǎo)致分割出的區(qū)域出現(xiàn)空洞；而且通常會(huì)造成過(guò)度的分割，也就是說(shuō)，把圖像分割成過(guò)多的區(qū)域。

實(shí)驗(yàn)證明，對(duì)有缺陷的蘋(píng)果圖像，基于灰度和紋理提取特征向量，用自適應(yīng)確定警戒線的FuzzyART神經(jīng)網(wǎng)絡(luò)可以較正確地分割出傷疤區(qū)域。

農(nóng)產(chǎn)品圖像