一种用于图像采集系统优化设计的图像可分割性评价方法

摘要

本发明公开了一种用于图像采集系统优化设计的图像可分割性评价方法。主要包括以下步骤，搭建图像采集系统，进行样本图像采集；使用一种人工图像分割方法将样本图像分割为前景和背景，并分别另存为前景图像和背景图像；对前景图像和背景图像分别进行灰度化处理；使用一种基于前景和背景类间方差和类内方差比的F值计算方法，对灰度化处理后的前景图像和背景图像，计算一种表征样本图像可分割性的F值；根据一种基于F值的图像可分割性评价准则对样本图像的可分割性进行定量评价，并根据评价结果实现图像采集系统的优化设计。本发明可以定量地评价图像采集系统采集的样本图像的可分割性，实现图像采集系统优化设计，使采集的图像利于后续图像分割处理。

说明书

技术领域

本发明涉及图像处理领域中一种图像可分割性评价方法，尤其是涉及一种用于图像采集系统优化设计的图像可分割性评价方法。

背景技术

图像分割是图像处理中的一个重要操作。图像分割是把图像分割成若干个特定的具有特殊性质的区域，并提取出感兴趣的目标的技术和过程。图像分割是后续特征提取，目标识别等图像处理的前提。图像分割效果的好坏直接影响后续图像处理结果的有效性。为了更好地分析和识别目标，不仅需要寻找新的理论和方法提高图像分割的质量，也需要搭建合适的图像采集系统以采集得到更适合后续图像分割处理的图像。选择合适的图像采集系统的过程即为图像采集系统优化设计的过程。

目前在图像采集系统优化设计中，对不同设计方案的选择主要是通过分析图像分割效果进行判断。然而图像分割效果不仅与图像采集系统有关，还与所选择的图像分割算法密切相关。若所选择的图像分割算法不理想，即使图像采集系统已最优，图像采集系统采集的样本图像经所选择的图像分割算法分割后的分割效果也可能不理想，进而导致得出图像采集系统仍需优化这样错误的结论。或者，由于所选择的图像分割算法只对部分样本图像适用，使该部分样本图像分割效果非常理想，而事实上图像采集系统仍需优化，此时根据该部分样本图像的分割效果判断图像采集系统是否需要优化，同样会得出图像采集系统无需优化这样错误的结论。所以，在进行图像采集系统优化设计中，迫切地需要一种与图像分割算法无关的图像可分割性定量评价的方法，根据这种图像可分割性定量评价方法实现图像采集系统的优化设计。

发明内容

本发明的目的在于提供一种用于图像采集系统优化设计的图像可分割性定量评价方法，以实现图像采集系统的优化设计，确定最优的图像采集系统，确保最优的图像采集系统采集所得的样本图像具有最优的图像可分割性能，以利于后续的样本图像分割处理。

为达到上述目的，本发明采用的技术方案是：

本发明首先搭建图像采集系统，并进行样本图像采集；使用一种人工图像分割方法将样本图像分割为前景和背景，并分别另存为前景图像和背景图像；基于前景和背景在颜色特征S上的差异，对前景图像和背景图像基于颜色特征S分别进行灰度化处理；对灰度化处理后的前景图像和背景图像，使用一种基于前景和背景类间方差和类内方差比的F值计算方法，计算一种表征样本图像可分割性的F值；根据一种基于F值的图像可分割性评价准则对样本图像的可分割性进行定量评价，并根据评价结果实现图像采集系统的优化设计。

所述的一种人工图像分割方法，具体实现过程为：使用Photoshop软件中的抠图工具将样本图像中的前景选择出来，同时记录直方图界面中的像素值，该像素值即为前景像素数N_F，然后复制该选区到新建图层中，并将该图层保存为.bmp格式的前景图像；使用Photoshop软件中的抠图工具将样本图像中的背景选择出来，同时记录直方图界面中的像素值，该像素值即为背景像素数N_B，然后复制该选区到新建图层中并将该图层保存为.bmp格式的背景图像。

所述的对前景图像和背景图像基于颜色特征S分别进行灰度化处理方法为：若图像为灰度图像，则无需进行处理，可直接计算样本图像的F值；若图像为彩色图像，则基于颜色特征S对前景图像和背景图像分别进行灰度化处理，得到前景灰度图和背景灰度图，同时获得前景图像中背景的灰度值I_B，以及背景图像中前景的灰度值I_F；其中颜色特征S的选择根据前景和背景的颜色差异确定，如对于番茄图像，前景为番茄，番茄颜色为红色，背景主要为枝叶，颜色为绿色，颜色特征S为R-G，其中R和G分别为RGB彩色图像的红、绿颜色分量。

所述的一种基于前景和背景类间方差和类内方差比的F值计算方法，包括以下步骤：

a)样本图像像素总数N为m×n，使用Matlab将前景图像转换成一维矩阵，将一维矩阵中前(N-N_F)个灰度值为I_B的数据去除，即删除一维矩阵中属于背景的灰度值，剩余的均为属于前景的灰度值，由此计算得到前景的灰度均值μ_F和方差σ_F²，计算公式分别如式(1)、式(2)所示：

$>{\mu }_F=\underset{i=1}{\overset{N_F}{\Sigma }}{P}_i/N_F---\left(1\right)$>

$>{\sigma }_F^2=\underset{i=1}{\overset{N_F}{\Sigma }}{(P_i-{\mu }_F)}^2/N_F---\left(2\right)$>

其中P_i表示一维矩阵中第i个点的灰度值；

b)使用Matlab将背景图像转换成一维矩阵，将一维矩阵中前(N-N_B)个灰度值为I_F的数据去除，即删除矩阵中属于前景的灰度值，剩余的均为属于背景的灰度值，由此计算得到背景的灰度均值μ_B和方差σ_B²，计算公式分别如式(3)、式(4)所示：

$>{\mu }_B=\underset{j=1}{\overset{N_B}{\Sigma }}{P}_j/N_B---\left(3\right)$>

$>{\sigma }_B^2=\underset{j=1}{\overset{N_B}{\Sigma }}{(P_j-{\mu }_B)}^2/N_B---\left(4\right)$>

其中P_j表示一维矩阵中第j个点的灰度值；

c)分别使用式(5)、式(6)计算得到前景和背景之间的类间方差σ_O²和类内方差σ_I²：

$>{\sigma }_O^2={\omega }_F{\omega }_B{({\mu }_F-{\mu }_B)}^2---\left(5\right)$>

$>{\sigma }_I^2={\omega }_F{\sigma }_F^2+{\omega }_B{\sigma }_B^2---\left(6\right)$>

其中ω_F表示前景在样本图像中的分布概率，使用式(7)计算得到，ω_B表示背景在样本图像中的分布概率，使用式(8)计算得到：

ω_F＝N_F/(N_F+N_B)(7)

ω_B＝N_B/(N_F+N_B)(8)

d)使用式(9)计算得到基于前景和背景类间方差和类内方差比的F值：

$>F={\sigma }_O^2/{\sigma }_I^2---\left(9\right)$>

所述的一种基于F值的图像可分割性评价准则为：根据样本图像的F值，定量地对样本图像的可分割性进行评价，即F值越大，图像的可分割性越好，最终根据F值最大原则实现图像采集系统的优化设计，确定最优的图像采集系统，确保最优的图像采集系统采集所得的样本图像具有最优的图像可分割性能，以利于后续的样本图像分割处理。

本发明具有的有益效果是：

本发明通过对图像的前景和背景分别进行处理，得到前景和背景的类间方差和类内方差的比F值，使用F值对图像的可分割性做出定量评价，根据这种图像可分割性定量评价方法实现图像采集系统的优化设计，确定最优的图像采集系统。

附图说明

图1为用于夜间番茄图像采集系统优化设计的图像可分割性评价方法的流程图。

图2为夜间番茄图像采集系统的组成结构图；

图2中，1.番茄植株，2.人工光源，3.双目立体相机，4.计算机，5.图像采集卡，6.相机支架。

图3为不同夜间番茄图像采集系统采集的夜间番茄样本图像的基于归一化R-G色差Otsu自动阈值图像分割算法的图像分割结果；

图3中，a、b、c分别是夜间照明子系统由1盏、2盏、4盏白炽灯构成的夜间番茄图像采集系统采集的夜间番茄样本图像基于Otsu自动阈值图像分割算法的图像分割结果，d、e、f分别是夜间照明子系统由1盏、2盏、4盏白色LED灯构成的夜间番茄图像采集系统采集的夜间番茄样本图像基于Otsu自动阈值图像分割算法的图像分割结果。

图4为不同夜间番茄图像采集系统采集的夜间番茄样本图像基于k-means均值聚类图像分割算法的图像分割结果；

图4中，a、b、c分别是夜间照明子系统由1盏、2盏、4盏白炽灯构成的夜间番茄图像采集系统采集的夜间番茄样本图像的基于k-means均值聚类图像分割算法的图像分割结果，d、e、f分别是夜间照明子系统由1盏、2盏、4盏白色LED灯构成的夜间番茄图像采集系统采集的夜间番茄样本图像的k-means均值聚类图像分割结果。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

本发明以番茄采摘机器人视觉系统的夜间番茄图像采集系统的优化设计作为实施例，具体步骤如图1所示：首先搭建夜间番茄图像采集系统，并进行夜间番茄样本图像采集；使用一种人工图像分割方法将夜间番茄样本图像分割为成熟番茄和背景，并分别另存为成熟番茄图像和背景图像；对成熟番茄图像和背景图像基于颜色特征S分别进行灰度化处理；然后对灰度化处理后的成熟番茄图像和背景图像，使用一种基于前景和背景类间方差和类内方差比的F值计算方法，计算一种表征夜间番茄样本图像可分割性的F值；最后根据一种基于F值的图像可分割性评价准则对夜间番茄样本图像的可分割性进行定量评价，并根据评价结果实现番茄采摘机器人视觉系统的夜间番茄图像采集系统的优化设计。

所述的搭建夜间番茄图像采集系统，并进行夜间番茄样本图像采集，具体为：使用夜间照明子系统由不同光源种类(白炽灯、白色led灯)、不同光源个数(1盏、2盏、4盏)构成的夜间番茄图像采集系统，对成熟番茄进行图像采集，其具体组成结构图如图2所示，使用每种由不同夜间照明子系统构成的夜间番茄图像采集系统分别采集了3幅夜间番茄样本图像。

所述的使用一种人工图像分割方法将夜间番茄样本图像分割为成熟番茄和背景，并分别另存为成熟番茄图像和背景图像，具体为：使用Photoshop软件中的磁性套索工具将成熟番茄选择出来，同时记录直方图界面中的像素值，该像素值即为成熟番茄像素数NF；将抠出来的成熟番茄区域复制到新建图层中，并将该图层另存为.bmp格式的成熟番茄图像；然后点击历史记录，返回到第一步操作，用圆形选框工具将包括成熟番茄边缘处的像素点全部选中，点击鼠标右键菜单栏中的选择反向，得到背景选区，记录直方图界面中的像素值，该像素值即为背景的像素数N_B；再将背景选区复制到新建图层中，并将该图层另存为.bmp格式的背景图像。

所述的对成熟番茄图像和背景图像基于颜色特征S分别进行灰度化处理，由于成熟番茄图像和背景图像均为RGB彩色图像，且成熟番茄和背景之间有明显的红绿色差，因此在Matlab中通过归一化R-G这一颜色特征S对图像进行灰度处理，R、G分别为RGB彩色图像的红色分量和绿色分量，基于颜色特征S即归一化R-G实现成熟番茄图像和背景图像的灰度化，得到成熟番茄图像和背景图像的灰度图，进而得到成熟番茄图像中背景的灰度值I_B＝0以及背景图像中成熟番茄的灰度值I_F＝0。

所述的一种基于前景和背景类间方差和类内方差比的F值计算方法，包括以下步骤：

a)样本图像像素总数N为320×240，使用Matlab将前景图像转换成一维矩阵，将一维矩阵中前(N-N_F)个灰度值为0的数据去除，即删除一维矩阵中属于背景的灰度值，剩余的均为属于成熟番茄的灰度值；根据求和函数sum()可计算出成熟番茄灰度值的总和，进而计算出灰度均值μ_F；根据标准差函数std2()可计算出成熟番茄灰度值的标准差，进一步可计算出成熟番茄的方差σ_F²，计算公式分别如式(1)、式(2)所示：

μ_F＝sum(P_i)/N_F(1)

$>{\sigma }_F^2=\underset{i=1}{\overset{N_F}{\Sigma }}{(P_i-{\mu }_F)}^2/N_F=S_F^2\times (N_F-1)/N_F---\left(2\right)$>

其中P_i表示一维矩阵中第i个点的灰度值，S_F表示成熟番茄灰度值的标准差；

b)使用Matlab将背景图像转换成一维矩阵，将一维矩阵中前(N-N_B)个灰度值为0的数据去除，即删除矩阵中属于成熟番茄的灰度值，剩余的均为属于背景的灰度值；根据求和函数sum()可计算出背景灰度值的总和，进而计算出灰度均值μ_B；根据标准差函数std2()可计算出背景灰度值的标准差，进而计算出背景的方差σ_B²，计算公式分别如式(3)、式(4)所示：

μ_B＝sum(P_j)/N_B(3)

其中P_j表示一维矩阵中第j个点的灰度值，S_B表示背景灰度值的标准差；

c)分别使用式(5)、式(6)计算成熟番茄和背景之间的类间方差σ_O²和类内方差σ_I²：

$>{\sigma }_O^2={\omega }_F{\omega }_B{({\mu }_F-{\mu }_B)}^2---\left(5\right)$>

$>{\sigma }_I^2={\omega }_F{\sigma }_F^2+{\omega }_B{\sigma }_B^2---\left(6\right)$>

其中ω_F表示成熟番茄在夜间番茄样本图像中的分布概率，使用式(7)计算得到，ω_B表示背景在夜间番茄样本图像中的分布概率，使用式(8)计算得到：

ω_F＝N_F/(N_F+N_B)(7)

ω_B＝N_B/(N_F+N_B)(8)

d)使用式(9)计算得到基于成熟番茄和背景类间方差和类内方差比的F值：

$>F={\sigma }_O^2/{\sigma }_I^2---\left(9\right)$>

用于番茄采摘机器人视觉系统的夜间番茄图像采集系统优化设计的F值的计算结果如表1所示，表中F值为使用同一夜间番茄图像采集系统在相同试验条件下进行3组重复试验后得到的夜间番茄样本图像F值的平均值。

所述的根据一种基于F值的图像可分割性评价准则对夜间番茄样本图像的可分割性进行定量评价，并根据评价结果实现番茄采摘机器人视觉系统的夜间番茄图像采集系统的优化设计。具体为：比较F值的大小，F值越大，夜间番茄样本图像的可分割性越好，最终根据F值最大原则实现夜间番茄图像采集系统的优化设计，确定最优的夜间番茄图像采集系统。

由表1可知，使用夜间照明子系统由1盏白色LED灯构成的夜间番茄图像系统采集得到的夜间番茄样本图像的F值最大，说明该条件下采集得到的夜间番茄样本图像的可分割性最好。图3是对夜间番茄样本图像应用基于归一化R-G色差的Otsu自动阈值图像分割算法后得到的图像分割结果。图4是对夜间番茄样本图像应用基于k-means均值聚类图像分割算法后得到的图像分割结果。两类图像分割算法的图像分割结果均表明：使用夜间照明子系统由1盏白色LED灯构成的夜间番茄图像系统采集得到的夜间番茄样本图像的图像分割效果最好。对夜间番茄样本图像应用两种常见的图像分割算法后得到的图像分割结果和基于F值的图像可分割性评价方法的分析结果保持一致。试验结果说明了基于F值的图像可分割性评价方法可以定量地评价夜间番茄图像采集系统采集的夜间番茄样本图像的可分割性，实现了夜间番茄图像采集系统的优化设计，使采集得到的夜间番茄样本图像利于后续的图像分割处理。

表1为不同光源、不同光源个数时的F值

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述的实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。