基于高色差分离预处理的K-means茶叶嫩芽识别研究

周　智

基于高色差分离预处理的K-means茶叶嫩芽识别研究

周智

（华东交通大学理工学院江西南昌330000）

近年来，随着无人机技术、计算机技术、图像识别和处理等技术的不断发展，应用场景也发生许多变化。文章在无人机进行低空拍摄的基础上，利用G-B、ExR、Cg对样本素材分离再结合后进行图像的预处理，再利用K-means算法对合成图中的茶叶嫩芽进行分割，通过对比发现，经过预处理的图片在分割的过程中能有效识别和分割出茶叶嫩芽。

K-means算法；茶叶；图像分割；识别；智能采摘

我国是茶叶生产的主要国家之一，由于茶叶采摘通常受到时节等因素的影响，如何及时、有效地完成茶叶的采摘是保障成茶质量的重要前提。目前，我国各大生产基地对于茶叶嫩芽采摘仍以人工采摘为主，该方式存在短时间内工作强度大、成本高、人为因素不稳定等问题。随着计算机技术的发展，研究茶叶相关的智能采摘技术具有重要的意义，因此，利用无人机采集图像平台采集茶叶图像[1]，借助图像处理技术的茶叶嫩芽识别技术，以期在智能采摘、病虫害预防、产量预估等方面获得有效的提升。

1 K-means算法

K-means算法（K-均值聚类算法）是一种典型且应用广泛的无监督分类算法，它基于样本间相似性度量的间接聚类方法[3]，该算法认为当两个对象的距离越近，其相似度就越大，并认为簇是由距离靠近的对象组成的，其目的是通过对无标记样本的学习来揭示蕴含在数据之中的性质和规律，因此该算法也特别适合在没有大量样本可以进行学习的前提下智能设备的基础算法。

1.1 原理

K-means算法首先随机选取K个点作为初始聚类中心，然后计算各个数据对象到各聚类中心的距离，把数据对象归到离它最近的聚类中心所在的类；调整后的新类计算新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明数据对象调整结束，聚类准则函数F已经收敛。在每次迭代中都要考察每个样本的分类是否正确，若不正确，则需要进行调整。在调整全部数据后，再修改聚类中心，进入下一次迭代。如果在一次迭代算法中，所有的数据对象被正确分类，则不会有调整，聚类中心也不会有任何变化，这标志着F已经收敛，算法结束。其实这跟普通的前馈神经网络使用逆向传播算法训练模型的原理类似，通过分析误差，修改模型直至达到要求的误差范围。

1.2 算法描述

2 材料与过程

2.1 数据采集

清明节前，在江西省井冈山市遂川县茶场进行图像采集，设备采用无人机，型号为DJIMavicair2。拍摄角度为垂直90 °，距离为80~100 cm。在实地拍摄的茶叶图像中，信息具有一定的复杂度，我们将除嫩芽以外的信息称为背景，背景主要由老叶和枝干等构成，其中茶叶老叶呈深绿色或者蓝绿色，枝干呈灰褐色，而茶叶嫩芽呈黄绿色。随机截取一个1 176 ×1 176 像素的图片作为自然条件下的研究样本（如图1）。

图1　自然条件下的茶叶样本

软件基件为MATLABR2020 a，计算机配置CPU为Intel（R）core（TM）i7-7500 U@2.70 GHz 2.90 GHz，内存为8G，硬盘为120 G固态盘加1T机械盘组合。

2.2 提取茶叶图像的颜色分量

由于茶叶嫩芽和老叶的颜色相似，且自然条件下的图像存在一定的噪声，需要选择对比度较大图像处理的茶叶图像。在通过对茶叶采样图像进行单一的RGB颜色分量的提取后，发现色差度并不是很明显，且并没有有效产生分离图像的条件。具体结果如图2所示。

对R-G、G-B、ExR、ExG、Cg这5个分量图进行统计分析发现，G-B[4]、ExR、Cg采样图片中茶叶嫩芽与背景中的老叶具有较大差异，如图3所示。其中对于ExR、G-B和Cg定义如下：

ExR：ExR=2*R-G-B

G-B：GB=G-B

Cg：Cg=128 +65.481 /256*R+112 /256*G-81.085 / 256*B[2]

基于G-B、ExR、Cg 3个分量图的结果，将3个分量图进行合成，合成思路为：Composeimage=cat(3,ExR,Cg,G-B)，得到图4。

2.3 K-means分割

首先对图4茶叶合成图进行K-means分割，其过程如下：

（1）在图中随机取K个簇作为质心点。

（3）所有实例点划分到各簇后，使用簇内实例重新计算质心点。

（4）重复步骤（2）和步骤（3），直到各簇的质心点不再变动。

最后得到基于合成图的分割效果，如图5所示。

图4　基于ExR、Cg、G-B的合成图

图5　基于合成图的K-means分割效果

图6 基于采样图像的K-means 分割效果

2.4 分割效果评估

为了验证该思路的有效性，利用同样的算法代码，对未曾进行前期处理的素材图1进行处理，分割效果如图6所示。对比之下，分割的效果明显高于后者。

3 结论

在自然环境中茶叶嫩芽图像分割会受到自然光照、拍摄角度、灰尘、飞虫等因素的干扰，文章针对航拍条件下茶叶图像进行ExR分量、Cg分量、G-B分量分离再合成，以合成图作为待分割样本，利用K-means聚类算法分割图像。通过对比发现，基于合成图的图像分割效果明显高于未经预处理的分割效果。但其中仍然存在一定的噪声，其原因有很多，当K-means聚类算法在收敛到全局时，未必能做到最优解，但研究结果能为后期茶叶种植进一步智能化提供理论支持。

[1]姜铖,冯传烈,刘云,等.基于无人机低空摄像的嫩茶叶特征信息的研究[J].南方农机,2020,51(1):18.

[2]夏华鹍,方梦瑞,黄涛,等.基于SLIC超像素的茶叶嫩芽图像分割方法研究[J].西昌学院学报(自然科学版),2019.

[3]吴雪梅,唐仙,张富贵,等.基于K-means聚类法的茶叶嫩芽识别研究[J].中国农机化学报,2015,36(5):161-164,179.

[4]吴雪梅,张富贵,吕敬堂.基于图像颜色信息的茶叶嫩叶识别方法研究[J].茶叶科学,2013(6):98-103.

周智（1984- ），男，江西九江人，硕士，助教，研究方向：网络传播、机器学习、图像分割与识别。

10.3969/j.issn.2095-1205.2020.11.36

S571.1

A

2095-1205(2020)11-74-02