姜苗苗，問(wèn)美倩，楊芷羽，王鉑聞，程玉柱

（210037江蘇省 南京市 南京林業(yè)大學(xué) 機(jī)械電子工程學(xué)院）

0 引言

在傳統(tǒng)采摘方式中，人工采摘是主要的完成方式，但這種采摘方式效率不高，而且成本很高，需要招聘現(xiàn)場(chǎng)員工和管理人員，限制了茶葉的整體生產(chǎn)效率。目前，計(jì)算機(jī)技術(shù)和模式識(shí)別技術(shù)的快速發(fā)展，通過(guò)計(jì)算機(jī)圖像處理的可視化技術(shù)來(lái)自動(dòng)識(shí)別名優(yōu)茶茶葉嫩芽，然后通過(guò)相應(yīng)的機(jī)械設(shè)備來(lái)有選擇、有針對(duì)性、高效、低損傷地自動(dòng)采摘茶葉花蕾，從而提高茶葉的采摘效率和品質(zhì)。其中，圖像分割[1-5]是茶葉花蕾識(shí)別過(guò)程中非常重要的一步。圖像分割是將圖像分割成若干特定的、獨(dú)特的區(qū)域并提出感興趣對(duì)象的技術(shù)和過(guò)程。它在保留圖像結(jié)構(gòu)特征信息的同時(shí)，大大減少了圖像分析[6-7]和識(shí)別等后續(xù)高級(jí)處理階段的數(shù)據(jù)量，這是從圖像處理到圖像分析的關(guān)鍵步驟。茶葉圖像分割是計(jì)算機(jī)視覺(jué)研究金字塔的低層，因此其為圖像后續(xù)操作，比如圖像描述、圖像理解和圖像分析的根本，在圖像工程中的重要性不言而喻。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，楊福增[8]、劉志杰[9]等人分別在白色背景下獲取了陜西名茶“午子仙毫”圖像利用閾值分割實(shí)現(xiàn)了自然環(huán)境下的茶葉圖像，提出了基于不同色彩因子嫩葉和老葉自動(dòng)分離。韋佳佳[10]針對(duì)自分割的嫩梢識(shí)別方法,為后期嫩梢定位提供了理論基礎(chǔ)。魔鬼魚覓食優(yōu)化[11]（MRFO）是一種自然計(jì)算的優(yōu)化算法，應(yīng)用于各種優(yōu)化計(jì)算中。超綠色是一種綠色植物葉片提取方法，其系數(shù)是固定不變的。嫩芽和老葉都是綠色的，利用超綠色將其區(qū)分開，本文提出一種利用基于改進(jìn)的顏色因子與閾值計(jì)算[12]的茶葉嫩芽圖像分割方法。通過(guò)MRFO優(yōu)化計(jì)算獲得超綠色系數(shù)、顏色因子灰度化、最佳閾值確定等步驟，實(shí)現(xiàn)茶葉嫩芽目標(biāo)檢測(cè)。

1 圖像分割

1.1 算法流程

本文利用改進(jìn)的顏色因子與閾值分割技術(shù)構(gòu)建一套茶葉嫩芽圖像分割方法，算法流程如圖1所示。首先，輸入茶葉嫩芽RGB彩色圖像，利用MRFO優(yōu)化算法訓(xùn)練計(jì)算得到ExG系數(shù)，利用改進(jìn)的ExG系數(shù)實(shí)現(xiàn)彩圖的灰度化，對(duì)灰度圖像進(jìn)行閾值計(jì)算，并對(duì)閾值進(jìn)行偏移改進(jìn)，得到新的單峰閾值實(shí)現(xiàn)圖像分割，獲得嫩芽目標(biāo)。

1.2 ExG

提取綠色植物通常采用顏色因子方法，最有名的是ExG (超綠色)，表達(dá)式為

式中：r，g，b——彩圖的R，G，B各通道灰度圖像。

式中：R*，G*，B*——規(guī)一化后的RGB像素值。

1.3 MRFO

魔鬼魚身體扁平，有一對(duì)胸鰭，還有一對(duì)頭部裂片在其巨大的嘴前面延伸。生物進(jìn)化出了奇妙的智能覓食策略，第1種是鏈?zhǔn)揭捠?，?種是旋風(fēng)覓食，第3種是翻騰覓食。

（1）鏈?zhǔn)揭捠衬Ｐ?/p>

式中：xid（t）——第i個(gè)個(gè)體在d維下t時(shí)刻的位置；r ——[0，1]范圍內(nèi)的隨機(jī)數(shù)；a——權(quán)重系數(shù)；——高度集中的浮游生物。

（2）旋風(fēng)覓食模型

式中：β——權(quán)重系數(shù)；T——迭代的最大數(shù)量；r1——在[0，1]的隨機(jī)數(shù)。

（3）翻騰覓食模型

式中：S——決定魔鬼魚翻騰范圍的翻騰因子。

鏈?zhǔn)揭捠巢呗允姑總€(gè)個(gè)體更新其相對(duì)于其前方的位置和當(dāng)前全局最優(yōu)解的位置，旋風(fēng)式覓食策略使每個(gè)個(gè)體都能更新其相對(duì)于前方和參考位置的位置，是否選擇目前獲得的最佳位置或搜索空間中產(chǎn)生的隨機(jī)位置作為參考位置取決于t/T值，前者有助于開發(fā)，后者有助于勘探。t/T值的逐漸增加促使MRFO從探索性搜索向開發(fā)性搜索平穩(wěn)過(guò)渡，利用rand值，MRFO可以在鏈?zhǔn)胶托L(fēng)式之間切換。翻騰覓食允許個(gè)體在不斷變化的搜索范圍內(nèi)進(jìn)行自適應(yīng)搜索，MRFO非常容易實(shí)現(xiàn)，并且需要調(diào)整的參數(shù)很少。

1.4 MRFO優(yōu)化的ExG

超綠色的系數(shù)為固定值2，-1，-1，可以通過(guò)MRFO優(yōu)化得到最佳的系數(shù)，從而提交圖像灰度化性能。MRFO算法流程如表1。

表1 MRFO算法流程Tab.1 MRFO algorithm flow

首先，初始化種群等相關(guān)參數(shù)，然后，計(jì)算每個(gè)個(gè)體的適應(yīng)度值，最后，通過(guò)選用各不同的覓食模型，得到魔鬼魚的位置值，再通過(guò)不停迭代得到最佳的位置并停止算法。

2 茶葉嫩芽圖像分割

本文選取茶葉嫩芽進(jìn)行分割。步驟如下：確定最優(yōu)彩圖顏色因子系數(shù)、顏色因子灰度化、最佳閾值確定、閾值分割等環(huán)節(jié)；在Windows 10家庭中文版操作系統(tǒng)下，采用MATLAB2020a軟件，采用IPToolbox圖像處理工具箱。本文采用兩張視角的彩圖，如圖2所示。

圖2 測(cè)試圖Fig.2 Test images

2.1 ExG系數(shù)計(jì)算

利用MRFO優(yōu)化實(shí)現(xiàn)ExG系數(shù)計(jì)算。首先設(shè)定種群數(shù)為30，迭代次數(shù)為20，RGB對(duì)應(yīng)的下限為[-2 0 -2]，上限為[0 2 0]，適應(yīng)度函數(shù)定義為數(shù)值，人工標(biāo)準(zhǔn)分割圖和測(cè)試圖之間的偏差值。其數(shù)值越小，適應(yīng)度越好。通過(guò)訓(xùn)練后，正視圖的數(shù)值為[-0.490 1，1.103 8，-1.435 9]，斜視圖的數(shù)值為[-1.262 0，1.949 5，-1.724 0]。

2.2 ExG灰度化

利用不同系數(shù)的超綠色顏色因子對(duì)圖2中的彩色圖像進(jìn)行灰度化處理，RGB三通道分別賦予不同的權(quán)重進(jìn)行加權(quán)計(jì)算，最后獲得灰度圖，并進(jìn)行歸一化處理，分別得到正視角圖和斜視角圖，如圖3所示。

圖3 灰度圖Fig.3 Grayscale images

2.3 改進(jìn)的閾值分割

由于嫩芽占茶葉葉片的比例較少，所以，嫩芽目標(biāo)與老葉背景的比值很小，則目標(biāo)像素的數(shù)目遠(yuǎn)遠(yuǎn)小于背景像素?cái)?shù)目。因此，灰度圖的直方圖具有單峰性。通過(guò)改進(jìn)的超綠色灰度化后，嫩芽目標(biāo)的像數(shù)值偏大，老葉的像素值較小。所以，用Otsu分割效果較差，如圖4中的（a）與（c）所示。

Otsu分割的閾值偏小，產(chǎn)生較多的誤分率。通過(guò)觀察分布規(guī)律，指定兩步法實(shí)現(xiàn)對(duì)Otsu的改進(jìn)。首先，對(duì)超綠色灰度圖進(jìn)行Otsu分割，得到閾值；其次，對(duì)閾值進(jìn)行偏移，偏移量的計(jì)算設(shè)定為0.2(100%對(duì)應(yīng)1)。分割結(jié)果如圖4中的（b）與（d）所示。

圖4 分割圖Fig.4 Segmentation images

3 結(jié)果分析

Jaccard相似系數(shù)，作為數(shù)值標(biāo)量或數(shù)值向量返回，其值在[0,1]范圍，主要用于計(jì)算符號(hào)度量或者布爾值度量的樣本間的相似度。給定的2個(gè)集合A和B，用Jaccard相似系數(shù)來(lái)判斷兩個(gè)集合的交集在并集元素中所占有的比例。

式中：Ni，Nj——節(jié)點(diǎn)i和節(jié)點(diǎn)j的鄰居節(jié)點(diǎn)的集合；——節(jié)點(diǎn)i和節(jié)點(diǎn)j的共同鄰居個(gè)數(shù)；——節(jié)點(diǎn) i和節(jié)點(diǎn)j的所有鄰居個(gè)數(shù)。Dice相似系數(shù)，作為數(shù)值標(biāo)量或數(shù)值向量返回，其值也在[0,1]范圍內(nèi)。

式中：Ni，Nj——節(jié)點(diǎn)i和節(jié)點(diǎn)j的鄰居節(jié)點(diǎn)的集合；——節(jié)點(diǎn)i和節(jié)點(diǎn)j的共同鄰居個(gè)數(shù)。Bfscore算法用于計(jì)算預(yù)測(cè)分割的邊界和真正的分割基礎(chǔ)事實(shí)的輪廓匹配分?jǐn)?shù)。預(yù)報(bào)和基礎(chǔ)事實(shí)可以是用于二進(jìn)制分割的一對(duì)邏輯數(shù)組，或者是用于多類分割的一對(duì)標(biāo)簽或分類數(shù)組。

式中：A——精確的值；B——召回的值。

利用式（6）—式（8）對(duì)圖4與圖5進(jìn)行計(jì)算，如表2所示。Jaccard，Dice，Bfscore分別簡(jiǎn)化為Jac，Dice，Bfs。斜視圖的分割效果優(yōu)于正視圖。改進(jìn)的閾值分割算法明顯優(yōu)于Otsu算法，綜合而言，提出的MRFO優(yōu)化的顏色因子與改進(jìn)的閾值分割能夠提取茶葉嫩芽目標(biāo)，性能優(yōu)于Otsu。

圖5 手工分割圖Fig.5 Manual segmentation results

表2 MRFO算法指標(biāo)Tab.2 MRFO algorithm indexes %

4 小結(jié)

（1）利用MRFO優(yōu)化算法計(jì)算顏色因子系數(shù)，獲取最佳數(shù)值及改進(jìn)的超綠色因子，能突出茶葉嫩芽目標(biāo)，使其像素值增加，目標(biāo)和背景差異變大，實(shí)現(xiàn)圖像灰度化后，有利于圖像分割。

（2）正視與斜視圖測(cè)試顯示，改進(jìn)的顏色因子能實(shí)現(xiàn)彩圖灰度化，改進(jìn)的閾值算法能夠?qū)崿F(xiàn)嫩芽灰度圖分割，用于茶葉嫩芽檢測(cè)，實(shí)現(xiàn)目標(biāo)信息增強(qiáng)及目標(biāo)提取，獲取茶葉嫩芽提取。

（3）運(yùn)用MRFO實(shí)現(xiàn)顏色因子系數(shù)的計(jì)算，提高了超綠色顏色因子的性能，為茶葉嫩芽識(shí)別提供了一種方法。閾值的偏移量可以通過(guò)優(yōu)化算法實(shí)現(xiàn)進(jìn)一步精確的計(jì)算。還需要通過(guò)大量的圖片進(jìn)行測(cè)試，驗(yàn)證算法的適應(yīng)性。