摘 要: 分析了Fuzzy ART神經(jīng)網(wǎng)絡(luò)的工作過(guò)程和參數(shù)對(duì)網(wǎng)絡(luò)聚類結(jié)果的影響,提出了一種自適應(yīng)確定警戒線的方法。采用基于灰度和紋理的特征提取方法，抽取組合特征向量，使用動(dòng)態(tài)調(diào)整參數(shù)的Fuzzy ART網(wǎng)絡(luò)分割圖像，從而提取蘋果的傷疤部分。實(shí)驗(yàn)結(jié)果證明,灰度特征和紋理特征相結(jié)合能有效地完成蘋果表面?zhèn)痰姆指?，不僅節(jié)約了時(shí)間，而且提高了網(wǎng)絡(luò)的精度。
關(guān)鍵詞: 圖像分割； 模糊ART； Yager交集； 紋理特征
蘋果是中國(guó)的主要水果品種，也是中國(guó)入世后為數(shù)不多的具有國(guó)際競(jìng)爭(zhēng)力的水果之一,每年大陸出口蘋果的數(shù)量占香港市場(chǎng)份額的60%以上，而其他國(guó)家的份額只占30%左右。國(guó)內(nèi)外在很早以前就開(kāi)始研究應(yīng)用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)水果、蔬菜品質(zhì)進(jìn)行檢測(cè)。
采集合適的、能反映蘋果外部輪廓、傷疤部分和非傷疤部分、容易與背景分離的蘋果圖像，是蘋果表面?zhèn)谭指畹年P(guān)鍵。本文所采用的紅富士蘋果圖像是使用數(shù)碼相機(jī)(佳能A710 IS)在實(shí)際環(huán)境中在自然光源下拍攝的。
圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，是計(jì)算機(jī)視覺(jué)的基礎(chǔ)，是圖像理解的重要組成部分。具有自適應(yīng)性、魯棒性及自學(xué)習(xí)性的神經(jīng)網(wǎng)絡(luò)利用輸入的圖像特征完成分類，在圖像分割方向上有著廣泛的應(yīng)用。模糊自適應(yīng)共振理論Fuzzy ART(Fuzzy Adaptive Resonance Theory)神經(jīng)網(wǎng)絡(luò)以生物神經(jīng)模型為依據(jù)，其學(xué)習(xí)規(guī)則與人的學(xué)習(xí)規(guī)則很相似，不僅可以自動(dòng)確定分類數(shù)目，而且還能有效地抑制噪聲。對(duì)于農(nóng)產(chǎn)品圖像的分割，F(xiàn)uzzy ART神經(jīng)網(wǎng)絡(luò)是不錯(cuò)的分類器，且易于實(shí)現(xiàn)。
特征提取是基于神經(jīng)網(wǎng)絡(luò)圖像分割的重要組成部分，是目標(biāo)分類的關(guān)鍵步驟。由于只基于一種圖像特征的方法只能表現(xiàn)圖像的部分信息，對(duì)圖像信息的描述比較片面，缺乏足夠的區(qū)分依據(jù)，在大量的圖像分割應(yīng)用中不能取得很好的分割效果，因此可以研究如何利用顏色、形狀、紋理等特征的組合來(lái)提取圖像的特征，比較全面地描述圖像內(nèi)容。
本文研究了基于灰度-紋理的特征提取方法，組成特征向量，經(jīng)過(guò)規(guī)范化和歸一化的處理后，輸入自確定警戒線的Fuzzy ART神經(jīng)網(wǎng)絡(luò)，對(duì)蘋果圖像完成初次分割，然后進(jìn)行二值化和圖像平滑后得到蘋果圖像的傷疤部分。
1 Fuzzy ART神經(jīng)網(wǎng)絡(luò)基本原理
Fuzzy ART結(jié)構(gòu)與ART1基本相同，但增加了對(duì)輸入向量的歸一化處理。Fuzzy ART網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，
Fuzzy ART網(wǎng)絡(luò)的工作過(guò)程為：輸入矢量a經(jīng)F0預(yù)處理產(chǎn)生的信號(hào)I進(jìn)入F1后，經(jīng)過(guò)類別選擇，通過(guò)與F1的連接權(quán)在F1中產(chǎn)生一個(gè)自上而下的激勵(lì)信號(hào)，這一信號(hào)與自下而上的輸入I進(jìn)行匹配比較后，若匹配度超過(guò)警戒線(vigilance)ρ，則發(fā)生共振，F(xiàn)2與F1之間的連接權(quán)得到加強(qiáng)；否則重置F2以進(jìn)行新的匹配。如果所有已學(xué)習(xí)過(guò)的類都與輸入I不匹配，則將其作為新類加入到網(wǎng)絡(luò)中。最后，自適應(yīng)確定a屬于F2層N個(gè)類別節(jié)點(diǎn)中的哪一類。
2 自適應(yīng)確定參數(shù)的Fuzzy ART
神經(jīng)網(wǎng)絡(luò)輸入的是十進(jìn)制數(shù)據(jù)，這使得網(wǎng)絡(luò)的參數(shù)估計(jì)變得更加困難，因此實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的自適應(yīng)確定可以提高精度和節(jié)約時(shí)間。
自適應(yīng)確定警戒線的Fuzzy ART網(wǎng)絡(luò)算法如下：
3 蘋果圖像的特征提取
3.1 基于顏色的特征提取
很多研究方法都把圖像顏色信息作為特征向量用于基于顏色信息的圖像分割的研究,但是傳統(tǒng)的基于顏色的特征提取方法有一些缺點(diǎn)，圖像的顏色信息只是對(duì)每個(gè)像素各自的信息進(jìn)行描述，不能提供任何這些像素點(diǎn)間的聯(lián)系。圖像是一個(gè)完整的整體，顏色只能描述圖像單個(gè)像素點(diǎn)的信息，卻不能描述圖像的空間位置信息。
例如，圖2所示3幅圖像不同，但具有相同的直方圖。當(dāng)采用顏色信息分析圖像的特征時(shí)，只能對(duì)處在同一灰度級(jí)的像素點(diǎn)的數(shù)量之間進(jìn)行分析，而無(wú)法對(duì)顏色總量相近但空間分布并不相同的圖像進(jìn)行空間信息的分析。因此，提取蘋果圖像的顏色特征并不能將圖像的空間位置信息也提取出來(lái)，不能充分、完整地描述蘋果圖像的內(nèi)容。
3.2 蘋果圖像紋理特征提取
在實(shí)際的圖像分割應(yīng)用中，特征組合的分割方法有很多好處，不同特征的優(yōu)勢(shì)可以達(dá)到互補(bǔ)的效果，可以更全面地表現(xiàn)圖像的信息。在顏色特征的基礎(chǔ)上加上紋理特征，以灰度作為顏色特征，僅僅代表了圖像中各像素點(diǎn)的亮度信息，而未包含圖像顏色的空間分布內(nèi)容，加上圖像的紋理特征之后可以體現(xiàn)出圖像局部空間的信息，有效地補(bǔ)充了顏色特征的不足，能夠取得很好的分割效果。
因此本文在這里研究了基于灰度-紋理特征的圖像分割方法。提取蘋果圖像中表示“亮”的程度的灰度值，并規(guī)范化處理到[0,1]，如式(6)所示；對(duì)于紋理特征，采用灰度共生矩陣法提取能量特征，如式(3)所示，與灰度特征組成特征向量。然后對(duì)特征向量歸一化處理，這種處理方式稱為補(bǔ)碼編碼。經(jīng)過(guò)規(guī)范化和歸一化的處理后，可以得到模糊特征向量，如式(8)所示。
4 實(shí)驗(yàn)與結(jié)果分析
實(shí)驗(yàn)中，為了兼顧計(jì)算量和特征量，減少灰度共生矩陣的尺寸，將原始圖像的灰度級(jí)重新量化為8級(jí)，圖像的分割采用自適應(yīng)警戒線的Fuzzy ART神經(jīng)網(wǎng)絡(luò)。
實(shí)驗(yàn)步驟如下：
(1)將9×9的窗口在待分割的蘋果圖像上滑動(dòng)，采用灰度共生矩陣的方法提取紋理特征，結(jié)合灰度特征組成模糊特征，對(duì)模糊特征規(guī)范化和歸一化處理后，并將它作為窗口中心像素點(diǎn)的特征向量I；
(2)將處理好的模糊特征I輸入Fuzzy ART神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分類，并標(biāo)記中心像素點(diǎn)；
(3)根據(jù)中心像素點(diǎn)的標(biāo)記，將蘋果圖像分割為幾類，獲得圖像的初次分割結(jié)果；
(4)對(duì)初次分割的結(jié)果，進(jìn)行二值化處理；
(5)對(duì)圖像進(jìn)行中值濾波,并將分割結(jié)果標(biāo)記到原圖，從而提取傷疤。
采用上述步驟對(duì)一幅256×256像素、256級(jí)灰度的圖像進(jìn)行處理,本文采用的其他參數(shù)分別為α=1、β=0.9，二值化閾值T=80,警戒線ρ的初始值采用0.75。
圖3(a)所示是用灰度和紋理相結(jié)合的模糊特征輸入Fuzzy ART網(wǎng)絡(luò)的分割結(jié)果，傷疤部分基本被分割出來(lái)；圖3(b)是閥值T=35時(shí)的分割結(jié)果，雖然噪聲也比較少，但是傷疤的部分缺失的部分也很多；圖3(c)是閾值T=55時(shí)的分割結(jié)果,傷疤部分缺失比較少而且輪廓比較完整，但是噪聲也增加了，陰影部分的區(qū)域也被分割為傷疤；圖3(d)是閾值T=75時(shí)的分割結(jié)果，雖然傷疤部分越來(lái)越完整，但是噪聲變得更多。從圖3可以看出，隨著閾值的增加，傷疤部分越來(lái)越完整，噪聲也越來(lái)越多；相反，隨著閾值的減少，傷疤缺失的部分越來(lái)越多，噪聲也有變少。閾值分割無(wú)法在保證傷疤部分缺失比較小的同時(shí)，噪聲也比較少，或者基本沒(méi)有。
圖4(a)所示是以坐標(biāo)為(90,141)的像素點(diǎn)作為種子(如箭頭指示)區(qū)域生長(zhǎng)的結(jié)果，傷疤部分幾乎沒(méi)有分割出來(lái)；圖4(b)是以坐標(biāo)為(178，79)的像素點(diǎn)作為種子區(qū)域生長(zhǎng)的結(jié)果，雖然噪聲也比較少，但是傷疤的部分缺失的部分也很多。從圖4可以看出區(qū)域生長(zhǎng)的幾個(gè)缺點(diǎn)為：要通過(guò)人工交互獲得種子像素點(diǎn)，因而使用者必須在每個(gè)目標(biāo)區(qū)域中選擇一個(gè)種子點(diǎn)；區(qū)域生長(zhǎng)法對(duì)噪聲較敏感，容易導(dǎo)致分割出的區(qū)域出現(xiàn)空洞；而且通常會(huì)造成過(guò)度的分割，也就是說(shuō)，把圖像分割成過(guò)多的區(qū)域。
實(shí)驗(yàn)證明，對(duì)有缺陷的蘋果圖像，基于灰度和紋理提取特征向量，用自適應(yīng)確定警戒線的Fuzzy ART神經(jīng)網(wǎng)絡(luò)可以較正確地分割出傷疤區(qū)域。
農(nóng)產(chǎn)品圖像提取是現(xiàn)代農(nóng)業(yè)生產(chǎn)、流通和加工過(guò)程中的一個(gè)重要環(huán)節(jié)。本文提出的方法實(shí)現(xiàn)了警戒線自適應(yīng)確定，減少了人工參與，節(jié)約了時(shí)間，并采用模糊特征進(jìn)行分類，有效地消除了噪聲對(duì)分割結(jié)果的影響。該方法不僅在基礎(chǔ)理論研究方面具有重要的學(xué)術(shù)價(jià)值，而且在數(shù)字農(nóng)業(yè)、現(xiàn)代農(nóng)業(yè)、食品加工等領(lǐng)域具有廣闊的應(yīng)用前景，其成果可以獲得明顯的社會(huì)效益和經(jīng)濟(jì)效益。
參考文獻(xiàn)
[1] 黃建軍，趙榮椿.基于模糊ART的圖像分割[J]. 電子學(xué)報(bào)，2001,29(5):718-720.
[2] YAGER R P. On a general class of fuzzy connective. Fuzzy Sets Syst, 1980,4:235-242.
[3] 黃秀秀，張洪偉.Fuzzy ART研究及在銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].成都：計(jì)算機(jī)工程與應(yīng)用，2008,44(15):231-233.
[4] 郝敏釵，楊曉波,馮冀寧.基于尺度和灰度共生矩陣的紋理圖像分割[J].石家莊：石家莊職業(yè)技術(shù)學(xué)院學(xué)報(bào)，
2007,19(2):3-5.
[5] 徐曉穎，王曉曄,杜太行.基于Fuzzy ART的K-最近鄰分類改進(jìn)算法[J].天津：河北工業(yè)大學(xué)學(xué)報(bào)，2004(11):
1-5.
[6] 蔡碧野，陳志堅(jiān)，李峰.一種基于紋理的圖像分割算法[J].長(zhǎng)沙：計(jì)算技術(shù)與自動(dòng)化，2003,22(2):18-20.