基于高斯混合模型的葉片檢測分割算法

2018-02-27 03:06:41侯兆靜

計算機應用與軟件 2018年1期

侯兆靜馮全張濤

(甘肅農業(yè)大學機電工程學院甘肅蘭州 730070)

0 引言

在農業(yè)領域，利用圖像處理和機器視覺對作物的生長狀態(tài)、病蟲害進行監(jiān)測、識別，已經越來越流行。要完成這些任務，通常要在圖像中準確分割出作物的葉片區(qū)域，以便在葉片區(qū)域進行后續(xù)其他處理，如測量葉片面積、檢測是否有病斑等。圖像分割是圖像識別過程中關鍵的一步，決定了后續(xù)識別是否成功。對于大田作物葉片的分割，面臨來自葉片類內劇烈變化和復雜背景兩個方面的挑戰(zhàn)。類內影響主要有：(1) 由于光照在一天內變化劇烈，從早到晚，圖像中同一葉片的顏色、灰度值等變化劇烈[1]；(2) 監(jiān)控圖像中，既有正常葉片，也有非正常葉片(如葉片上有各種病斑)；(3) 有些葉片處于陰影區(qū)，有些則處于光照區(qū)，也會出現(xiàn)一張葉片的不同區(qū)域處于陰影和光照區(qū)。復雜背景則包括雜草、泥土、作物果實、莖稈、藤、套袋、塑料膜等。對于作物葉片分割，研究者已經提出了許多方法，主要包括閾值、區(qū)域、邊緣檢測、聚類、水平集、分形、神經網絡等[2-12]。這些方法中，大多處理對象限于單葉片圖像，對圖像采集時間、角度、距離、背景等有嚴格要求。此外大部分算法在實際分割過程中需要人工參與，不能自動完成分割任務。雖然文獻[12]實現(xiàn)了分割的全程自動化，但是只能處理特定類型葉片圖像(純綠色且表面較為光滑、無病斑)。

本文試圖解決現(xiàn)有葉片分割算法存在的問題，提出一種能適應多種情形，分割過程完全自動化的葉片分割方法，為此引入了機器視覺中的目標檢測技術。目標檢測技術以一幅圖像為輸入，輸出通常為若干方框，即邊界盒，邊界盒內包含識別出的目標。根據(jù)直觀觀察，一個好的目標檢測算法輸出的邊界盒可以將目標緊湊地框出，從而為分割提供很好的初始值。在對葉片分割之前，我們首先用多張各種類型葉片圖像樣本訓練葉片檢測器；在實際分割時，用訓練好的葉片檢測器在一幅圖像中檢測出葉片的大體位置和范圍，在這些范圍內對分割特征采樣，由采樣點作為種子構造出葉片特征的混合高斯模型，采用馬爾科夫隨機場中能量最小化的方法對整幅圖像的葉片區(qū)域進行分割，圖1給出了本方法流程圖。我們以葡萄葉片作為分割對象，實驗表明，本方法能較好解決復雜背景和多種病斑葉片的自動分割問題。

圖1 本分割方法的流程圖

1 葉片檢測算法

文獻[14]采用滑動窗口檢測方式，通過構建尺度金字塔在各個尺度搜索，在一個窗口上用HOG特征和SVM分類器判斷是否有葡萄葉片。這種方法對于視角較正的葉片檢測效果較高。但沒有解決多視角問題、葉片姿態(tài)不正，以及葉片因病斑導致的表面變化很大時的檢測問題。葡萄葉片基本呈心形，觀察葉片圖像，不同視角下葉片形狀變化較大，但其各子區(qū)域相對于中心位置通常不會出現(xiàn)明顯偏移(形變小)。故本文采用了多個子線性分類器對不同視角、不同外觀的葡萄葉片分類，不同視角的葉片可以看成不同子類，外觀相差很大的葉片也可看成不同子類。檢測過程采用滑動窗口和多尺度模式[14]。

1.1 無監(jiān)督子類分類器的訓練

1.1.1 基本分類器的優(yōu)化問題

假設有已經標識的n個訓練圖像樣本I={(I1,l1),…,(Ii,li),…,(In,ln)}，其中l(wèi)i∈{-1,1}。我們的目標是從這些樣本訓練出一組KC個子分類器，將正負葉片樣本區(qū)分開來，其中每個分類器在訓練集的不同子集上訓練。這要求將正樣本聚成KC個子類，為每個子類訓練一個子分類器。如何將正的訓練樣本分配到每個子集的問題由隱變量x來建模，則分類問題可以表示為如下latent SVM的優(yōu)化問題：

(1)

li·si,xi≥1 -εi,εi≥0

(2)

(3)

si,j=ωj·φj(Ii)+bj

(4)

式中：‖a‖表示對a取L2范數(shù)，ε為松弛變量，si,j為第i個樣本在第j個子分類器的得分，ωj為第j個子類的決策面，φj表示圖像特征，本文采用HOG特征，bj為第j個子分類器的偏置。由于這個優(yōu)化問題是半凸的，分類器參數(shù)ωj和隱變量xi可以用文獻[15]中求解latent SVM的迭代法獲得。

1.1.2 歸一化后優(yōu)化問題

觀察上述優(yōu)化問題發(fā)現(xiàn)，上述KC個子分類器只在式(3)才有真正的耦合，即在分配正負樣本給不同子集時。故實際上各個子分類器的學習還是獨立的。由于不同子集數(shù)據(jù)分布不同，每個子分類器的輸出得分并不在一個基準上，這可能造成有些實際分類效果好的分類器輸出得分不一定高，有些差分類器卻輸出較高得分，這可以通過對每個子分類器的輸出得分進行歸一化來解決。我們采用文獻[16]的方法，將第j個子分類器對第i個樣本的得分si,j通過sigmoid函數(shù)轉換成可以彼此比較的得分分布：

(5)

(6)

式中：Aj和Bj是從下列l(wèi)ogistic損失函數(shù)Lj中學到的參數(shù)：

(7)

式中：ti=|Wi,j∩Wi|/|Wi,j∪Wi|，ti∈[0,1]，Wi為第i個樣本的人工標出的邊界盒，Wi,j為第j個子分類器對第i個樣本預測的邊界盒。

故經過校準，最終的KC個子分類器的參數(shù)優(yōu)化問題變?yōu)閷κ?1)、式(2)、式(4)、式(5)、式(6)和式(7)的優(yōu)化，仍然可以采用文獻[15]的迭代法解決。

1.1.3 子集的初始化

多個線性子分類器擬合非線性分類器成功的關鍵之一是要生成對應的多個初始子集，這可以采用人工方法完成，即一開始由人工根據(jù)子集數(shù)量KC，將視覺上比較接近的樣本放入同一個子集合中。但這種方法在樣本較多時比較費時費力，我們采用了無監(jiān)督的聚類方法自動完成：計算所有正樣本的特征，用K-means聚類算法將所有正樣本劃分成KC個子集。子集初始化時采用HOG特征，與實際葉片檢測時所用特征一致。

1.2 特征與檢測

本文中，葡萄葉片的檢測特征采用HOG特征。HOG的核心思想是假定所檢測的物體外形能夠被光強梯度或邊緣方向的分布所描述[17]。通過將整幅圖像分割成小的連接區(qū)域(稱為cells)，每個cell生成一個方向梯度直方圖或者cell中像素的邊緣方向，這些直方圖的組合可作為待檢測目標的描述子。通過Gammar校正，HOG特征具有很好的照射/陰影不變性。HOG特征在目標檢測中得到了廣泛的應用，如經典的DPM方法就采用了HOG特征。

上述多子類分類器訓練完成后，我們采用多尺度窗口掃描方式在一幅圖像檢測葡萄葉片。每個檢測結果定義為返回的一個邊界盒和相應的得分。檢測的基本過程如下：(1) 在每個尺度上的每個掃描窗口中，首先逐個用每個子分類器計算窗口的得分，得分越高，是葉片的可能性越高。(2) 保留得分高于某個閾值的檢測結果，其余丟棄。(3) 對每個子分類器產生的多個重疊窗口用非極大值抑制，只保留得分最高的窗口。(4) 對于每個子分類器的檢測得分，用從訓練樣本中學習得到Aj和Bj和式(5)進行校準。(5) 對于多個子分類器的重疊窗口，仍然采用非極大值抑制，保留最高得分窗口。(6) 輸出得分高于一定閾值的窗口作為葉片目標的邊界盒。

2 基于高斯混合模型和馬爾科夫隨機場的葉片分割

上述基于HOG特征的葉片檢測利用了葉片的外觀和形狀邊緣信息，形狀信息是先驗知識，研究表明：構造自頂而下分割框架是提高分割精度的有效策略[18-19]。近年來，用基于馬爾科夫隨機場(MRF)的能量方程對像素以及相鄰關系建模，再用圖割最小化能量方程，被證明是一種高效的底層分割方法[20-21]，它只需要像素的底層信息。但這類方法通常需要人機交互來獲得目標和背景種子。本文的分割策略是將這兩種方法結合起來，用形狀先驗知識檢測葉片大體區(qū)域，再用圖割法分割葉片，將先驗知識和底層信息有效的結合起來。