基于聚类算法的水稻图像分割
【摘 要】模糊聚类是一种常用的基于软划分的聚类算法，并且在图像分割上有广泛的应用。本文主要利用软化分的聚类算法对水稻图像进行分割，首先图像进行灰度化预处理，再利用传统的K均值聚类算法以及模糊C均值聚类算法对图像像素的灰度值进行快速分类，同时用改进的EnFCM算法进行对比。实验结果表明相较于传统的聚类算法，改进的EnFCM算法对图像分割效果要优于一般聚类算法，而且适用于一般聚类算法难以准确分割的模糊边界。
【关键词】图像分割;灰度化;K均值聚类;模糊C均值聚类;EnFCM算法
Abstract：Fuzzy clustering is a common clustering algorithm based on soft partition，and it is widely used in image segmentation.In this passage，the rice image is segmented by using the softening clustering algorithm. Firstly，the image is preprocessed by gray-scale，and then the gray value of image pixels is quickly classified by using the traditional K-means clustering algorithm and fuzzy C-means clustering algorithm，and compared with the improved EnFCM algorithm.The experimental results show that compared with the traditional clustering algorithm，the improved EnFCM algorithm is superior to the general clustering algorithm in image segmentation，and is suitable for fuzzy boundaries which are difficult to be accurately segmented by the general clustering algorithm.
Key words：image segmentation;gray scale;K-means clustering;fuzzy C-means clustering;EnFCM algorithm
引言
近年來，人工智能的发展促进了图像识别技术在农业图像分割的应用。目前，有多种方法用于图像分割，如阈值分割法、区域法、分水岭算法、模糊聚类算法等，其目的是将图像中具有相似特性的像素划分为同一类，从而有利于后续模式识别等操作[1]。
由于农业图像的特殊性以及对象本身的模糊性和不确定性，不同类的边界很难有清晰的划分。例如，在水稻图像分割中，不同对象的灰度级范围可能会相互重叠。基于模糊理论的聚类方法为农业图像中的不确定性提供了很好的解决方案。通过隶属度函数来表示图像中的不确定性。其中模糊C均值方法是一种经典的聚类算法，具有思路简单、收敛速度快等优势[2]。但是，传统模糊C均值算法容易受到噪声影响，从而导致过度分割等问题。基于此，一些改进的方法被提出[2]-[3]，其中，加强模糊聚类（EnFCM）在分割性能和计算速度上更具有优势。
本文主要研究K均值聚类、模糊C均值聚类以及EnFCM聚类划分的算法对水稻图像分割质量的影响。
1 图像预处理
针对RGB颜色空间不直观，且周围环境因素如光的明暗、噪声点等很容易对总体图像的分割产生的影响，本文采取传统的NTSC法[4]，对像素点的RGB三原色进行加权平均，对图像进行灰度化预处理[5]：
式中Gray为像素灰度值，r，g，b的取值分别为0.299，0.587，0.114
同时，图像灰度化可以避免可见的条带失真。本文利用MATLAB读入彩色图像，利用rgb2gray函数得到每个像素点的灰度值。
当图像灰度化之后，就可以较为容易地利用聚类算法进行分割，即对每一个像素点的灰度值进行聚类，求出各个像素灰度值的中心值，灰度值大于图像的中心值的像素点转化为黑色，而灰度值小于中心值的像素点转换为白色，以此获得不同的图像分割。
因此，本文并不是直接对彩色水稻图像进行图像分割，而是先对水稻图像进行RGB三原色进行加权平均得到灰度化图像，在灰度化图像的基础上利用聚类算法进行图像分割，从而将水稻的灰度图像进一步转化为黑白图像[6]。
2. 模糊C均值聚类算法的方法理论
2.1算法理论
聚类分析算法的基本思想就是通过对不同类别数据间的相似度达到相对最小化，而相同类别数据间相似度达到相对最大化的一种数据分割式计算分析方法[7]，在图像上表示即簇内距离尽量小，簇间距离尽量大。一般情况下最常用的两种聚类算法即K均值算法和模糊C均值算法。对于模糊C均值算法，假定有N个数据的样本集 ，把N个样本集划分成c类，假设第i类的聚类中心为 ，第j个样本 对第i个类的隶属度为 ，对于模糊C均值的目标函数定义如下：
模糊C聚类算法的思想就是通过式（4）和（5）不断地修正聚类中心和隶属度，以实现目标函数最小化，当目标函数值不再改变时，迭代停止。
K均值聚类可认为是模糊C均值聚类的一个特殊情况，当式（3）隶属度 时即为K均值聚类。
本文中是对每个像素的灰度值进行聚类分析，因此样本点即为各个像素的灰度值。
2.2算法步骤
对于图像分割的处理，K均值聚类和模糊C均值算法总体的执行步骤一致[7]：
1）对图形进行灰度化预处理，每个像素的灰度值即为目标向量;
2）初始化各个参数，制定聚类数目c及聚类中心，模糊加权指数m;
3）计算每个像素灰度值到聚类中心的欧氏距离，求出隶属矩阵;
4）求出目标函数，并修正新的聚类中心;
5）若目标函数改变，则返回步骤3），否则算法收敛，计算结束;
6）输出修正后的聚类中心，此聚类中心为图像分割的阈值。
3 EnFCM算法的方法理论
3.1算法理论
模糊C均值虽然算法简单，但也存在明显的问题：受噪声影响较大，容易陷入局部最优解。
针对模糊C均值聚类算法在全局最优性上的缺陷，加强模糊聚类EnFCM算法（Enhanced Fuzzy C-Means Clustering）是一种更快速的图像分割算法，提高了灰度图像的聚类过程和分割速度。
加强模糊聚类EnFCM算法的基本思想是通过在该对像的像素点及其8邻域的所有像素之间进行一个线性微分加权，同时利用有效的平均灰度直方层级运算来模糊原始局部图像像素，即对一个灰度直方图像素进行了模糊聚类，以此从而形成了从一个原有的局部图像扩展到其他与局部的像素相邻的区域所有像素的平均模糊图像。在一般情况下，像素的灰度级值是8位分辨率（256级灰度），而一般情况下，M级灰度值的像素数量比N级灰度值的像素数量小很多。因此，相较于模糊C均值聚类算法，加强模糊均值聚类算法EnFCM聚类算法的过程执行量和时间成本明显降低[8]。
式（9）中 是灰度值为 的像素点的个数，式（7）中的参数a决定分割质量，当参数a的选择足够大时，该方法抗噪声能力更强，但另一方面，参数a的选择足够小时，可以使分段的图像仍然能够保持清晰度和图像的细节[10]。本文的参数a默认设定为0.5。
3.2算法步骤
EnFCM算法总体执行步骤相似于模糊C均值聚类算法，但需在计算目标函数前对像素样本进行预处理：
1）初始化各个参数，制定聚类数目c及聚类中心，模糊加权指数m以及参数a;
2）对像素的灰度值进行线性加权和预处理，得到新的有效灰度级;
3）计算每个像素有效灰度级到聚类中心的欧氏距离，求出隶属矩阵;
4）求出目标函数，并修正新的聚类中心;
5）若目标函数改变，则返回步骤3），否则算法收敛，计算结束;
6）输出修正后的聚类中心，此聚类中心为图像分割的阈值。
4 试验结果
为验证EnFCM算法的全局最优性，本文利用MATLAB，选取了三种阶段以及包含模糊边界的水稻图像分别用K均值算法，模糊C聚类算法以及EnFCM算法对不同的水稻图像进行图像分割测试，实验结果如下：
图 1选取的是普通生长状况下的水稻，图 2和图 3选取的是未成熟的和成熟的两种生长状况下的水稻，这两类水稻的总体颜色对比度较低，而图 4选取的是背景包含模糊边界的水稻图像。
图 1的水稻可以看出基于EnFCM算法分割出的水稻相较于K均值聚类和模糊C均值聚类算法的水稻更准确，EnFCM算法分出的稻谷部分存在的黑色像素间隙明显小于一般聚类算法。结合图 2和图 3可以看出，一般的聚类算法可以分割出未成熟和成熟水稻的轮廓，但对于图 3的低对比度图像一般聚类算法相对难以分割，而EnFCM算法仍能无间隙地分割图像。综合图 1-图 3，传统聚类算法和EnFCM算法均能较为准确分割出目标图像，而EnFCM的图像分割效果稍优于传统聚类算法的效果。
而图4可以看出，传统聚类算法对高清部分的水稻能较为准确地进行分割，但在模糊边界区传统算法较难准确划分，而EnECM算法對于模糊图像的分割仍然较为准确，因此EnFCM算法适用于模糊边界的图像分割处理。
5 结论
本文主要研究聚类算法水稻图像上的分割，以及不同的聚类算法的分割质量。针对彩色农业图像，先进行灰度化预处理简化数据，再利用像素的灰度信息以此进行k均值聚类算法、模糊C均值聚类算法以及EnFCM算法对图像进行图像分割，实验结果发现三种算法均能较好地分割出图像轮廓，但在分割质量方面EnFCM算法相较于K均值算法和模糊C均值算法分割出的图像更饱满。而在于模糊边界方面，K均值算法和模糊C聚类算法对图像的分割质量明显下降，而EnFCM算法仍能较准确的进行图像分割。
参考文献：
[1]Karmakar Gour C，Dooley Laurence S. A generic fuzzy rule based image segmentation algorithm[J]. Pattern Recognition Letters，2002，23（10）：1215-1227.
[2]蒋文娟，李富芸，徐冬. 基于模糊C均值聚类算法的脑部CT图像分割[J].电脑知识与技术，2020，16（07）：197-200.
[3]Yang Jar Ferr，Hao Shu Sheng，Chung Pau Choo. Color image segmentation using fuzzy C-means and eigenspace projections[J]. Signal Processing，2002，82（3）：461-472.
[4]Faroudja Yves，Roizen Joseph. Improving NTSC to Achieve Near-RGB Performance[J]. Smpte Journal，1987，96（8）：750-761.
[5]张铭钧，李煊，王玉甲.基于灰度化权值调整的水下彩色图像分割[J].哈尔滨工程大学学报，2015，36（05）：707-713.
[6]王佳玉，刘立群，常琴，杨婷婷，李亦宁.基于农业图像处理的杂草分割[J].电脑知识与技术，2021，17（17）：17-20.
[7]上衍猛. 基于模糊C均值算法在文本聚类中的研究与实现[D].东华大学，2013.
[8]罗其俊，曹志芬，牛国臣.基于加强模糊聚类的航空行李图像超像素分割[J].航空学报，2020，41（S2）：205-212.
[9]左利云，罗成煜，左右祥.基于EnFCM的海量图像聚类分割算法的并行研究[J].微型机与应用，2015，34（15）：55-58.
[10]Xiaofeng Zhang，Caiming，Zhang，Wenjing Tang，Zhenwen Wei. Medical image segmentation using improved FCM[J]. Science China-Information Sciences，2012，55（05）：1052-1061.
作者简介：
吴政凌，2001年5月，男，汉族，浙江省丽水市，学生，本科，信息与计算科学。
猜你喜欢图像分割基于虚拟现实的三维动画图像多屏显示系统设计现代电子技术(2019年19期)2019-10-14番茄成熟度检测系统研究现代商贸工业(2019年10期)2019-07-03基于自研巡检装置的大坝裂缝骨架检测系统电脑知识与技术(2019年2期)2019-03-15改进分水岭算法在脑肿瘤CT图像分割中的应用软件导刊(2018年6期)2018-09-04图像处理在车牌识别中的应用科技视界(2018年1期)2018-03-15一种改进的一维Otsu快速算法现代电子技术(2017年20期)2017-10-17一种使用经验系数灰度化的中药叶片分割方法软件导刊(2017年4期)2017-06-20舞蹈视频图像中人体动作识别技术的研究现代电子技术(2017年3期)2017-03-04基于典型面元特征的全色与高光谱图像自动配准算法电脑知识与技术(2016年14期)2016-06-30