[发明专利]一种基于二维模糊熵的粘连物分割方法

说明书

技术领域

本发明涉及质量监测技术领域，特别涉及一种基于二维模糊熵的粘连物分割方法。

背景技术

果蔬质量控制技术是指在不接触、不破坏鲜切果蔬的前提下，对果蔬的颜色、尺寸、形状等外部品质特征进行检测，其中的一个难点问题是果蔬之间的粘连导致的误判。

最近20年来，随着计算机技术的不断进步，机器视觉已经成为果蔬质量控制的一种有效方法，但是大部分果蔬质量控制研究建立在人为的将粘连果蔬分离的基础上，这是一个非常浪费时间的过程。因此，自动分割粘连图像是果蔬质量控制的基础。

针对果蔬粘连问题，国内外学者提出了多种粘连图像分割方法，如：数学形态学方法，分水岭方法，傅里叶级数近似算法，基于曲率的算法，椭圆拟合方法等。分水岭方法是图像分割中的一个有效方法，但是其对噪声敏感，容易产生过分割现象，Patino根据模糊C-均值聚类算法设计了区域之间的模糊关系，通过计算过分割区域的模糊关系进行区域合并。试验表明该方法较Meyer方法有了较大提高。但是，直接合并标准分水岭方法的分割结果，时间开销较大，对于复杂的图像，最终分割结果仍不太理想。Ning提出一种人工引导复杂背景自然图像分割的方法。用Mean-Shift得到初始分割结果，在后期的区域合并过程中通过简单的人工标注引导区域合并，该方法能够从复杂背景中提取感兴趣目标。然而，该算法只有在人工监督下才能获得理想结果，难以满足自动化程度较高的系统要求。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何实现快速、准确、自动、无损地分割粘连果蔬。

（二）技术方案

为了解决上述技术问题，一种基于二维模糊熵的粘连物分割方法，其特征在于，该方法包括以下步骤：

S1：采集粘连物图像并提取目标粘连物图像；

S2：在步骤S1的基础上获得所述粘连物图像的初始分割区域；

S3：计算初始分割区域中的过分割区域和正确分割区域之间的最佳分割阈值，根据所述最佳分割阈值得到过分割区域和正确分割区域；

S4：计算过分割区域合并后的区域特征；

S5：将所述区域特征与标准样本特征模型进行比较，选择与标准样本特征模型距离最小的所述区域特征对应的区域作为合并区域，进而得到粘连物的分割结果。

所述步骤S2具体为通过分水岭法获得粘连物图像的初始分割区域。

所述步骤S3具体包括：

S31：确定粘连物图像的隶属度函数；

S32：根据所述隶属度函数对粘连物图像进行二维划分；

S33：通过所述二维划分得到二维模糊熵；

S34：对所述二维模糊熵做最大化处理，得到初始分割区域的过分割区域和正确分割区域的最佳分割阈值，得到过分割区域和正确分割区域。

所述最佳分割阈值的计算公式为：

(a,b,c,d)=Argmax_M×N(H)

其中：

a为过分割区域像素最小分割阈值；

b为过分割区域像素最大分割阈值；

c为过分割区域相对高度最小分割阈值；

d为过分割区域相对高度最大分割阈值；

H为二维模糊熵。

所述过分割区域合并后的区域特征包括面积、周长、圆形度、紧密度、Hu不变矩和NMI特征。

所述步骤S5具体包括：

S51：建立标准样本库，根据标准样本库中的标准样本的特征建立标准样本特征模型；

S52：计算所述区域特征和标准样本特征模型之间的距离；

S53：选择所述距离中的最小值对应的区域作为合并区域，得到粘连物的分割结果。

所述步骤S51具体包括：

S511：将标准样本的特征的观察值与高斯模型进行匹配；

S512：若所述标准样本的特征的观察值和高斯模型的均值的差的绝对值在设定范围内，则认为所述标准样本的特征的观察值符合所述高斯模型的分布，更新高斯模型的均值、方差和权重系数；否则，增加一个均值为所述观察值的高斯模型，并初始化该高斯模型对应的方差和权重系数；

S513：当所有标准样本的特征完成高斯模型匹配时，得到标准样本特征模型。

（三）有益效果