基于蚁群算法的水果图像分割技术

杨业娟等

摘要：为了解决移动影像终端对水果识别与处理的关键问题，在分析现有水果图像处理方法的基础上，提出了基于蚁群算法的彩色水果图像分割算法，建立了四维向量信息结构的蚂蚁单元描述模式和蚁群图像分割算法的信息操作策略，给出了算法的详细执行步骤。利用Matlab软件进行了图像处理算法的试验分析，结果表明，该方法对水果识别有效、可行，对水果图像分割处理具有一定的借鉴价值。

关键词：水果图像；蚁群算法；图像分割；四维向量

中图分类号： TP391.41；S126文献标志码： A文章编号：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金项目：江苏省自然科学基金（编号：BK2012128）。

作者简介：杨业娟 （1981—），女，江苏盐城人，硕士，讲师，研究方向为图形图像处理、数据挖掘、管理信息系统。E-mail：yangyejuanvip@126.com。随着计算机技术的发展，尤其是手机等移动数字成像设备的广泛应用，利用移动数字成像设备进行各领域的图像识别和处理已经成为未来发展趋势，其应用的关键在于根据应用需求解决图像中关注目标的检测和识别。首先需要通过图像分割技术从采集的图片中把目标对象与其所在环境互不重叠地划分成多个区域。再针对确定的目标对象所在区域，对被识别对象进行特征的提取与识别，从而帮助用户进一步完成其所需要的图像识别和处理应用。由于目标对象在采样成像过程中存在自然光源不稳定、目标对象移动、目标对象与环境中附属物之间以及多个目标对象之间的遮挡等问题，造成移动数字成像设备在图像识别与目标对象定位的工作中效率低，很难找到一种适合各类采摘目标的通用图像分割方法。郭艾侠等提出一种基于探索性分析的荔枝果实与枝叶的识别方法，通过在YCbCr严肃空间内，合理设定Cr分量阈值实现对荔枝果实的准确分割[1]；张善文等采用Ostu算法实现对植物病害图像中叶片的有效分割[2]；周洪刚等采用Ostu分割算法与面积阈值法相结合实现对成熟柑橘的自动识别[3]；郭艾侠等将二次阈值分割方法应用于分割荔枝果实图像，取得了较好的分割效果[4]；谢忠红等结合图像颜色模型，通过采用Ostu算法自动实现了对彩色水果图像的精确分割[5]；王开义等结合分水岭与改进的马尔科夫随机场模型对马铃薯丁粘连图像进行分割[6]。受到以上研究成果的启发，本研究尝试将蚁群算法（ant colony algorithm，ACA）[7-8]这一来源于生物种群仿真的启发式寻优算法对具有复杂背景的水果图像进行分割。

1水果图像分割算法

要实现对图像中目标信息的准确识别，就必须考虑识别图像的内容区域构成。通过移动数字成像设备对自然环境下水果的采样图像一般都是复合图像内容，在整个图像中主要包括：水果实体、部分细小果枝和叶片、背景环境和其他一些细缝或者阴影所产生的浅黑色等多种图像的区域。要实现对图像中水果目标的识别提取，有必要对图像进行区域分割，从而便于后续找出对应的水果图像。

为了解决水果图像中各部位的分类识别问题，文献[1-2]通过对强光、普通光和逆光3种光线照射条件下获取的水果图像进行探索性数据分析，发现该研究对象的果实体与叶片等主体内容的颜色为偏红、偏绿和偏褐等，建立了水果图像YCbCr色彩空间中最佳色彩模型为Cr单通道图，并以此为基础设定出合理的阈值分割水果图像的YCbCr色彩图，通过去除图像中的叶片、侧枝以及环境等背景信息，取得了较好的识别效果。但是在实际生活中不同水果具有不同的颜色特点；水果目标与其背景之间有的存在较大的颜色差别，导致水果识别时用单通道分量图进行分割处理虽然可以缩短图像处理时间，但是会影响目标识别效率。若采用K-Means、C-Means等模糊聚类的图像分割方法对水果图像进行处理时，对于背景颜色与水果颜色差异较小的情况，该方法会把与水果颜色相近的背景区域和水果同类化，导致水果与背景的误分类。考虑移动数字成像设备对自然环境下水果的图像采集一般都是RGB彩色图像，并且水果自身的颜色具有多样性，本研究尝试将蚁群算法应用于水果图像分割处理。

实地拍摄的水果图像一般为RGB彩色图像，人们肉眼识别水果也多是通过水果的颜色特征，单通道分量图的图像分割方法不能充分利用图像中丰富的颜色信息，因此识别效率和实用性不佳。本研究基于蚁群算法进行图像分割，则要充分利用图像中的颜色特征来构建模糊聚类处理方法。以原始图像的R、G、B 3 色直方图为基础，选择3色直方图的k个峰值点作为水果图像的颜色聚类中心特征，将大量的像素聚类分析循环计算简化为仅在少数几个聚类中心峰值点之间的分析比较，通过引导蚁群算子在聚类中心附近进行迭代计算，从而提高计算效率。

由于水果表皮上通常都含有一定量的蜡质层，很多水果在成像时会有明显的反光现象，这种反光在水果图像中通常以亮斑或亮度增强区域的形式表现出来，亮斑从颜色角度可看作R、G、B 3色的综合影响，因此会对图像的划分造成干扰。为了削弱亮斑对图像分割的干扰，需要对亮度进行处理，对亮度较大的区域需要进行3色的综合弱化，通过一群算子迭代将其与相邻像素同化。

在水果图像中，水果目标果体和背景的区域划分通常还需要考虑图像在像素梯度方面的特征，一般果体、枝、叶和背景物的内部像素梯度变化较小，而边界和噪声的像素梯度变化较大，而且内部梯度变化较小的像素占多数，边界像素数又大于噪声像素数，因此可以在水果图像的R、G、B 3色直方图及图像梯度基础上进行如下处理：以k个聚类中心为计算核心逐一检验，聚类中心的3色直方特征对应的像素个数较多的，则该聚类中心一般情况在果体、枝、叶和背景物的内部，令其梯度特征为零；而对聚类中心的3色直方特征对应的像素个数较少的，令其梯度值为最大梯度列的均值。

对于二维的水果图像，根据上面的像素梯度划分和图像中不同类别像素的相邻像素梯度特征表现，定义邻域特征：（1）

梯度为零的聚类中心，令其邻域特征为8，则该聚类中心为像素区块内部；（2）

对于梯度值较高的聚类中心，若3色特征对应的像素数目较多，则可令其邻域特征点数目为6，则该聚类中心为边界；（3）

梯度值较高的聚类中心，如果灰度特征对应的像素个数较少，令其邻域特征为3，则该聚类中心为噪声。

综合上述3原色、亮度、梯度和邻域的影响，本研究构建的蚁群图像分割处理算法如下：

所选定初始聚类中心表示为：Ci（P，B，G，N），i=1，…，k。对于给定水果图像P，定义每个像素Pj 可作为1只蚂蚁，每只蚂蚁则将3原色、亮度、梯度和邻域作为特征的四维向量，图像分割求解实质上是这些蚂蚁搜索食物源的聚类问题求解过程。任意图像像素点Pi 到Pj 的欧氏距离为lij：endprint

摘要：为了解决移动影像终端对水果识别与处理的关键问题，在分析现有水果图像处理方法的基础上，提出了基于蚁群算法的彩色水果图像分割算法，建立了四维向量信息结构的蚂蚁单元描述模式和蚁群图像分割算法的信息操作策略，给出了算法的详细执行步骤。利用Matlab软件进行了图像处理算法的试验分析，结果表明，该方法对水果识别有效、可行，对水果图像分割处理具有一定的借鉴价值。

关键词：水果图像；蚁群算法；图像分割；四维向量

中图分类号： TP391.41；S126文献标志码： A文章编号：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金项目：江苏省自然科学基金（编号：BK2012128）。

作者简介：杨业娟 （1981—），女，江苏盐城人，硕士，讲师，研究方向为图形图像处理、数据挖掘、管理信息系统。E-mail：yangyejuanvip@126.com。随着计算机技术的发展，尤其是手机等移动数字成像设备的广泛应用，利用移动数字成像设备进行各领域的图像识别和处理已经成为未来发展趋势，其应用的关键在于根据应用需求解决图像中关注目标的检测和识别。首先需要通过图像分割技术从采集的图片中把目标对象与其所在环境互不重叠地划分成多个区域。再针对确定的目标对象所在区域，对被识别对象进行特征的提取与识别，从而帮助用户进一步完成其所需要的图像识别和处理应用。由于目标对象在采样成像过程中存在自然光源不稳定、目标对象移动、目标对象与环境中附属物之间以及多个目标对象之间的遮挡等问题，造成移动数字成像设备在图像识别与目标对象定位的工作中效率低，很难找到一种适合各类采摘目标的通用图像分割方法。郭艾侠等提出一种基于探索性分析的荔枝果实与枝叶的识别方法，通过在YCbCr严肃空间内，合理设定Cr分量阈值实现对荔枝果实的准确分割[1]；张善文等采用Ostu算法实现对植物病害图像中叶片的有效分割[2]；周洪刚等采用Ostu分割算法与面积阈值法相结合实现对成熟柑橘的自动识别[3]；郭艾侠等将二次阈值分割方法应用于分割荔枝果实图像，取得了较好的分割效果[4]；谢忠红等结合图像颜色模型，通过采用Ostu算法自动实现了对彩色水果图像的精确分割[5]；王开义等结合分水岭与改进的马尔科夫随机场模型对马铃薯丁粘连图像进行分割[6]。受到以上研究成果的启发，本研究尝试将蚁群算法（ant colony algorithm，ACA）[7-8]这一来源于生物种群仿真的启发式寻优算法对具有复杂背景的水果图像进行分割。

1水果图像分割算法

要实现对图像中目标信息的准确识别，就必须考虑识别图像的内容区域构成。通过移动数字成像设备对自然环境下水果的采样图像一般都是复合图像内容，在整个图像中主要包括：水果实体、部分细小果枝和叶片、背景环境和其他一些细缝或者阴影所产生的浅黑色等多种图像的区域。要实现对图像中水果目标的识别提取，有必要对图像进行区域分割，从而便于后续找出对应的水果图像。

为了解决水果图像中各部位的分类识别问题，文献[1-2]通过对强光、普通光和逆光3种光线照射条件下获取的水果图像进行探索性数据分析，发现该研究对象的果实体与叶片等主体内容的颜色为偏红、偏绿和偏褐等，建立了水果图像YCbCr色彩空间中最佳色彩模型为Cr单通道图，并以此为基础设定出合理的阈值分割水果图像的YCbCr色彩图，通过去除图像中的叶片、侧枝以及环境等背景信息，取得了较好的识别效果。但是在实际生活中不同水果具有不同的颜色特点；水果目标与其背景之间有的存在较大的颜色差别，导致水果识别时用单通道分量图进行分割处理虽然可以缩短图像处理时间，但是会影响目标识别效率。若采用K-Means、C-Means等模糊聚类的图像分割方法对水果图像进行处理时，对于背景颜色与水果颜色差异较小的情况，该方法会把与水果颜色相近的背景区域和水果同类化，导致水果与背景的误分类。考虑移动数字成像设备对自然环境下水果的图像采集一般都是RGB彩色图像，并且水果自身的颜色具有多样性，本研究尝试将蚁群算法应用于水果图像分割处理。

实地拍摄的水果图像一般为RGB彩色图像，人们肉眼识别水果也多是通过水果的颜色特征，单通道分量图的图像分割方法不能充分利用图像中丰富的颜色信息，因此识别效率和实用性不佳。本研究基于蚁群算法进行图像分割，则要充分利用图像中的颜色特征来构建模糊聚类处理方法。以原始图像的R、G、B 3 色直方图为基础，选择3色直方图的k个峰值点作为水果图像的颜色聚类中心特征，将大量的像素聚类分析循环计算简化为仅在少数几个聚类中心峰值点之间的分析比较，通过引导蚁群算子在聚类中心附近进行迭代计算，从而提高计算效率。

由于水果表皮上通常都含有一定量的蜡质层，很多水果在成像时会有明显的反光现象，这种反光在水果图像中通常以亮斑或亮度增强区域的形式表现出来，亮斑从颜色角度可看作R、G、B 3色的综合影响，因此会对图像的划分造成干扰。为了削弱亮斑对图像分割的干扰，需要对亮度进行处理，对亮度较大的区域需要进行3色的综合弱化，通过一群算子迭代将其与相邻像素同化。

在水果图像中，水果目标果体和背景的区域划分通常还需要考虑图像在像素梯度方面的特征，一般果体、枝、叶和背景物的内部像素梯度变化较小，而边界和噪声的像素梯度变化较大，而且内部梯度变化较小的像素占多数，边界像素数又大于噪声像素数，因此可以在水果图像的R、G、B 3色直方图及图像梯度基础上进行如下处理：以k个聚类中心为计算核心逐一检验，聚类中心的3色直方特征对应的像素个数较多的，则该聚类中心一般情况在果体、枝、叶和背景物的内部，令其梯度特征为零；而对聚类中心的3色直方特征对应的像素个数较少的，令其梯度值为最大梯度列的均值。

对于二维的水果图像，根据上面的像素梯度划分和图像中不同类别像素的相邻像素梯度特征表现，定义邻域特征：（1）

梯度为零的聚类中心，令其邻域特征为8，则该聚类中心为像素区块内部；（2）

对于梯度值较高的聚类中心，若3色特征对应的像素数目较多，则可令其邻域特征点数目为6，则该聚类中心为边界；（3）

梯度值较高的聚类中心，如果灰度特征对应的像素个数较少，令其邻域特征为3，则该聚类中心为噪声。

综合上述3原色、亮度、梯度和邻域的影响，本研究构建的蚁群图像分割处理算法如下：

所选定初始聚类中心表示为：Ci（P，B，G，N），i=1，…，k。对于给定水果图像P，定义每个像素Pj 可作为1只蚂蚁，每只蚂蚁则将3原色、亮度、梯度和邻域作为特征的四维向量，图像分割求解实质上是这些蚂蚁搜索食物源的聚类问题求解过程。任意图像像素点Pi 到Pj 的欧氏距离为lij：endprint

摘要：为了解决移动影像终端对水果识别与处理的关键问题，在分析现有水果图像处理方法的基础上，提出了基于蚁群算法的彩色水果图像分割算法，建立了四维向量信息结构的蚂蚁单元描述模式和蚁群图像分割算法的信息操作策略，给出了算法的详细执行步骤。利用Matlab软件进行了图像处理算法的试验分析，结果表明，该方法对水果识别有效、可行，对水果图像分割处理具有一定的借鉴价值。

关键词：水果图像；蚁群算法；图像分割；四维向量

中图分类号： TP391.41；S126文献标志码： A文章编号：1002-1302（2014）09-0380-02

收稿日期：2014-06-22

基金项目：江苏省自然科学基金（编号：BK2012128）。

作者简介：杨业娟 （1981—），女，江苏盐城人，硕士，讲师，研究方向为图形图像处理、数据挖掘、管理信息系统。E-mail：yangyejuanvip@126.com。随着计算机技术的发展，尤其是手机等移动数字成像设备的广泛应用，利用移动数字成像设备进行各领域的图像识别和处理已经成为未来发展趋势，其应用的关键在于根据应用需求解决图像中关注目标的检测和识别。首先需要通过图像分割技术从采集的图片中把目标对象与其所在环境互不重叠地划分成多个区域。再针对确定的目标对象所在区域，对被识别对象进行特征的提取与识别，从而帮助用户进一步完成其所需要的图像识别和处理应用。由于目标对象在采样成像过程中存在自然光源不稳定、目标对象移动、目标对象与环境中附属物之间以及多个目标对象之间的遮挡等问题，造成移动数字成像设备在图像识别与目标对象定位的工作中效率低，很难找到一种适合各类采摘目标的通用图像分割方法。郭艾侠等提出一种基于探索性分析的荔枝果实与枝叶的识别方法，通过在YCbCr严肃空间内，合理设定Cr分量阈值实现对荔枝果实的准确分割[1]；张善文等采用Ostu算法实现对植物病害图像中叶片的有效分割[2]；周洪刚等采用Ostu分割算法与面积阈值法相结合实现对成熟柑橘的自动识别[3]；郭艾侠等将二次阈值分割方法应用于分割荔枝果实图像，取得了较好的分割效果[4]；谢忠红等结合图像颜色模型，通过采用Ostu算法自动实现了对彩色水果图像的精确分割[5]；王开义等结合分水岭与改进的马尔科夫随机场模型对马铃薯丁粘连图像进行分割[6]。受到以上研究成果的启发，本研究尝试将蚁群算法（ant colony algorithm，ACA）[7-8]这一来源于生物种群仿真的启发式寻优算法对具有复杂背景的水果图像进行分割。

1水果图像分割算法

要实现对图像中目标信息的准确识别，就必须考虑识别图像的内容区域构成。通过移动数字成像设备对自然环境下水果的采样图像一般都是复合图像内容，在整个图像中主要包括：水果实体、部分细小果枝和叶片、背景环境和其他一些细缝或者阴影所产生的浅黑色等多种图像的区域。要实现对图像中水果目标的识别提取，有必要对图像进行区域分割，从而便于后续找出对应的水果图像。

为了解决水果图像中各部位的分类识别问题，文献[1-2]通过对强光、普通光和逆光3种光线照射条件下获取的水果图像进行探索性数据分析，发现该研究对象的果实体与叶片等主体内容的颜色为偏红、偏绿和偏褐等，建立了水果图像YCbCr色彩空间中最佳色彩模型为Cr单通道图，并以此为基础设定出合理的阈值分割水果图像的YCbCr色彩图，通过去除图像中的叶片、侧枝以及环境等背景信息，取得了较好的识别效果。但是在实际生活中不同水果具有不同的颜色特点；水果目标与其背景之间有的存在较大的颜色差别，导致水果识别时用单通道分量图进行分割处理虽然可以缩短图像处理时间，但是会影响目标识别效率。若采用K-Means、C-Means等模糊聚类的图像分割方法对水果图像进行处理时，对于背景颜色与水果颜色差异较小的情况，该方法会把与水果颜色相近的背景区域和水果同类化，导致水果与背景的误分类。考虑移动数字成像设备对自然环境下水果的图像采集一般都是RGB彩色图像，并且水果自身的颜色具有多样性，本研究尝试将蚁群算法应用于水果图像分割处理。

实地拍摄的水果图像一般为RGB彩色图像，人们肉眼识别水果也多是通过水果的颜色特征，单通道分量图的图像分割方法不能充分利用图像中丰富的颜色信息，因此识别效率和实用性不佳。本研究基于蚁群算法进行图像分割，则要充分利用图像中的颜色特征来构建模糊聚类处理方法。以原始图像的R、G、B 3 色直方图为基础，选择3色直方图的k个峰值点作为水果图像的颜色聚类中心特征，将大量的像素聚类分析循环计算简化为仅在少数几个聚类中心峰值点之间的分析比较，通过引导蚁群算子在聚类中心附近进行迭代计算，从而提高计算效率。

由于水果表皮上通常都含有一定量的蜡质层，很多水果在成像时会有明显的反光现象，这种反光在水果图像中通常以亮斑或亮度增强区域的形式表现出来，亮斑从颜色角度可看作R、G、B 3色的综合影响，因此会对图像的划分造成干扰。为了削弱亮斑对图像分割的干扰，需要对亮度进行处理，对亮度较大的区域需要进行3色的综合弱化，通过一群算子迭代将其与相邻像素同化。

在水果图像中，水果目标果体和背景的区域划分通常还需要考虑图像在像素梯度方面的特征，一般果体、枝、叶和背景物的内部像素梯度变化较小，而边界和噪声的像素梯度变化较大，而且内部梯度变化较小的像素占多数，边界像素数又大于噪声像素数，因此可以在水果图像的R、G、B 3色直方图及图像梯度基础上进行如下处理：以k个聚类中心为计算核心逐一检验，聚类中心的3色直方特征对应的像素个数较多的，则该聚类中心一般情况在果体、枝、叶和背景物的内部，令其梯度特征为零；而对聚类中心的3色直方特征对应的像素个数较少的，令其梯度值为最大梯度列的均值。

对于二维的水果图像，根据上面的像素梯度划分和图像中不同类别像素的相邻像素梯度特征表现，定义邻域特征：（1）

梯度为零的聚类中心，令其邻域特征为8，则该聚类中心为像素区块内部；（2）

对于梯度值较高的聚类中心，若3色特征对应的像素数目较多，则可令其邻域特征点数目为6，则该聚类中心为边界；（3）

梯度值较高的聚类中心，如果灰度特征对应的像素个数较少，令其邻域特征为3，则该聚类中心为噪声。

综合上述3原色、亮度、梯度和邻域的影响，本研究构建的蚁群图像分割处理算法如下：

所选定初始聚类中心表示为：Ci（P，B，G，N），i=1，…，k。对于给定水果图像P，定义每个像素Pj 可作为1只蚂蚁，每只蚂蚁则将3原色、亮度、梯度和邻域作为特征的四维向量，图像分割求解实质上是这些蚂蚁搜索食物源的聚类问题求解过程。任意图像像素点Pi 到Pj 的欧氏距离为lij：endprint