家蚕微粒子图像的分割技术研究

胡新宇+钱磊+张道德+吴良溢

摘 要： 针对家蚕微粒子图像存在背景复杂、光照不均及微小彩色目标图像分割处理问题，研究彩色家蚕微粒子图像在复杂场景下的分割技术。该方法首先通过模糊对比度增强预处理方法，增强微粒子目标图像和复杂背景的对比度；然后，采用颜色特征提取准则从非目标杂质图像中直接分离出彩色目标图像，减少了疑似孢子引起误识别的可能性，同时提高了二维Otsu分割方法对彩色微粒子小目标图像分割的有效性。实验结果表明该方法对微粒子图像分割处理效果良好。

关键词： 家蚕微粒子； 彩色图像分割； 模糊增强； 二维Otsu； 颜色特征提取； HSI模型

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2018）04?0041?04

Abstract： In allusion to the complex background and uneven illumination of pebrine images and segmentation processing problem of small color target images， the segmentation technology of color pebrine images in complex scenes was researched. The contrast of pebrine target image and complex background is increased by using the method of fuzzy contrast enhancement preprocessing. The color target images are directly separated from non?target impurity images by using the color feature extraction criterion， which can not only reduce the possibility of misrecognition of suspected spores， but also improve the effectiveness of two?dimensional Otsu segmentation method for color pebrine target image segmentation. The experiment results show that the method has good effect on pebrine image segmentation processing.

Keywords： pebrine； color image segmentation； fuzzy enhancement； two?dimensional Otsu； color feature extraction； HSI model

家蚕微粒子病俗称“蚕癌”[1]，利用视觉技术进行检测，将蚕蛾研磨、经离心分离后置于显微镜下拍摄图像进行处理。微粒子大小为3～4 μm×1.5～2.5 μm，形态为椭圆形，在600倍显微镜下观察呈淡绿色。采集的微粒子图像背景复杂，有大量不同形态的蚕蛾碎片等杂质图像，另外显微图像光照不均，存在反光和噪声。研究复杂背景下微粒子彩色目标图像的分割技术，成为影响家蚕微粒子图像自动检测的一项关键技术。

1 微粒子图像的模糊对比度增强预处理

针对微粒子显微图像对比度差、光照不均匀的问题，采用模糊对比度增强处理[2]方法，增强微粒子目标图像和复杂背景的对比度，减少微粒子图像复杂背景及噪声干扰影响，为下一步图像分割做好准备。

为此，引入局部对比度算子，选择合适的凸函数进行模糊增强处理，放大邻域内各像素间的差异，然后通过逆映射将图像变换到空间域进行平滑滤波，完成微粒子图像增强预处理。主要包括以下4个工作步骤：

4） 对比度增强处理方法，把背景中的噪声干扰信息和目标图像边缘细节有效信息都同时进行了模糊增强，为了有效去除离散的噪声点，考虑采用中值滤波方法。

从图1可知，经模糊对比度增强处理后，增强了微粒子图像局部区域轮廓和色彩特征，使小颗粒目标图像和背景对比度更加清晰，有利于图像后续分割处理。

2 家蚕微粒子图像的分割算法研究

对于低照度、小目标微粒子图像，经过对比度增强预处理后，能显著增强微粒子显微图像与背景的对比度，突显目标区域微粒子图像的轮廓和色彩特征，为复杂背景下微粒子目标图像的分割做好准备。

2.1 Otsu阈值分割算法分析

最大类间方差法[4?5]（Otsu法）作为一种非参数监督的自适应阈值选取方法，Haralick研究认为，目标区域像素占比至少大于30%时，一维Otsu分割效果最好[6]；而Wang H.Y.等提出的二维Otsu阈值分割法[7]，其阈值分割依据是将由像素灰度值和邻域内灰度平均值分布形成的二维灰度直方图作为阈值选取参考，使它在小目标图像分割上具有良好的分割性能。

应用上述两种算法理论，对图1c）进行Otsu阈值分割后的效果如图2所示。

对比分析两种分割处理效果图，可看出：

1） 由于微粒子图像小目标像素占比较少，经一维Otsu分割处理后的图像中存在大量杂质见图2a），实验证明，该方法不适合小目标微粒子图像分割；

2） 经对比，图2b）中大量存在的小颗粒杂质图像，经二维Otsu分割处理后没有显现出来，并保持目标区域良好的椭圆形边缘特征，表明二维Otsu法在小目标图像分割性能上，优于一维Otsu算法。

二维Otsu算法虽在小目标图像分割上具有良好分割性能，但由于目标图像在基于全局的灰度值统计中占比不够，导致二维Otsu法分割性能同样不佳，需研究复杂背景下微粒子显微图像的分割技术。endprint

2.2 面向微粒子图像的分割技术研究

由于没有充分利用目标图像局部的实际有效信息，即微粒子呈淡绿色的色彩特征，因而难以准确提取微粒子图像的目标区域，据此研究面向微粒子图像的分割技术。

2.2.1 微粒子图像的HSI模型分析

美国色彩学家H.A.Munseu提出HSI颜色模型[8]，对于依靠人眼来感知色彩特性的微粒子图像识别检测处理合适。微粒子原始图像（图1a）的HSI各颜色分量图如图3所示。

由各颜色分量图像知：H分量图像（图3a））中白色亮点清晰地显示出需提取的微粒子目标图像区域；S分量图像（图3b））较完整地标识出目标图像椭圆形区域轮廓，由于微粒子目标图像饱和度值接近背景中的杂质图像，导致分离出大量杂质图像；图3c）显示背景与目标图像无明显特征差异，表明I分量和色彩信息不相关。

因此，选择HSI模型符合人眼感知色彩的视觉习惯，其H，S分量图像与人眼观察色彩特性进行蚕检的检验流程一致，模型中各颜色分量值[9]定义为：

2.2.2 微粒子图像的颜色特征提取准则确定

选取50个微粒子图像样本，分别统计各样本H，S，I各颜色分量的分布情况如图4所示。

1） HSI颜色空间中，H分量主要在125°变化范围波动，饱和度S分量变化范围为0.1

2） 由于亮度I分量与微粒子色彩信息无关，故不限定图像I分量阈值，而通过合理地设置色调H和饱和度S的阈值范围，实现微粒子彩色目标的直接分离。

根据H，S分量统计结果，确定微粒子图像的颜色特征提取准则为：

2.2.3 基于HSI的彩色微粒子图像分割技术

二维Otsu分割方法对于小目标图像具有良好分割性能，为了充分利用微粒子图像淡绿色特征，提出基于HSI的彩色微粒子显微图像分割技术。

首先，利用颜色特征准则提取分离出微粒子彩色目标图像。

1） 根据颜色特征提取彩色目标，把和微粒子形态相似但具不同色彩特性的霉菌孢子分离出来，减少后續处理中产生的误判别；

2） 去除复杂背景中杂质图像干扰，改善彩色目标图像在全局阈值分割处理中灰度统计特性，保证阈值分割算法的有效性；

3） 确定颜色特征准则时，扩大H，S颜色分量阈值范围，降低漏判可能性。

其次，采用二维Otsu分割方法对彩色目标H分量图像进行分割处理。具有相似颜色特征的目标图像经提取分离后，采用H分量图像表征其色彩特征，在综合比较两个Otsu法分割性能的基础上，对H分量彩色目标图像应用二维Otsu分割方法[10]处理。通过初始阶段直接分离出彩色目标图像，减少杂质图像干扰，提高二维Otsu法对单色彩分量分割处理的有效性。

最后，利用形态特征参数去除杂质噪声干扰。

分割后的微粒子图像，存在大量大小不一、形状各异的杂质噪声，严重影响识别的效率和正确率，通过设定形态特征参数的阈值范围，剔除掉杂质图像中与目标图像周长和面积差异较大的图块，实现目标修正和提高识别效率的作用。

分析微粒子目标图像特征参数值，微粒子面积大小为83～137个像素，周长为27～36个像素。在实际蚕检时，微粒子特征参数值因受相机参数影响而不固定，微粒子图像面积的阈值范围设定为[60，140]，周长范围为[25，50]。根据微粒子形态特征参数筛除原始图像中杂质图块，使形态相近的目标图像分割出来。

3 实验结果及分析

按照上述图像分割理论，对微粒子图像进行分割处理：图5b）为对微粒子原图像（图5a））提取后的彩色目标图像，图5c）为图5b）的H分量图像，图5d）为采用二维Otsu法对图5c）进行阈值分割后的效果图，图6为微粒子图像分割后续处理的效果图。

对比分析各实验结果如下：

1） 由图5b）可知，以颜色特征提取准则实现非目标杂质图像的有效去除（如图5a）中方框标识的蚕蛾碎片、气泡等干扰杂质图块），将彩色目标从复杂背景图像中直接提取出来。

2） 图5c）中灰白色区域，表示彩色目标对象具有同一色调，背景中的部分杂质图块，通过颜色特征提取准则实现有效滤除，提高了图像分割效果。由图5d）可知，分割处理的微粒子目标图像轮廓特征完整，图像杂质噪声显著。

3） 图6a）表明，形态滤波可有效去除图像中点噪声和孔噪声，并在一定程度上平滑了边界，实现了边界光滑、单连通域目标图像的完整分割，如图6a）中三角形标注，滤波效果显著；由图6b）、图6c）可知，经周长和面积两形态特征阈值筛选后，图6a）中存在的大量块状杂质图像被有效去除，取得了良好的降噪效果，有利于提高后续图像识别算法的效率和准确率。

4 结 论

在对微粒子图像模糊增强预处理的基础上，分析了二维Otsu分割法在微粒子小目标图像分割上的局限性。研究面向微粒子图像的分割技术，通过颜色特征提取准则直接分离出彩色目标图像，背景中大量杂质图块的去除，减少疑似微孢子误判别的可能性，提高二维Otsu分割法对彩色微粒子小目标H分量图像分割的有效性。通过基于特征参数的图像分割后续处理，实现了光滑边界、单连通目标区域的完整分割。

参考文献

[1] 孙育红，王浩.农村原蚕生产防控家蚕微粒子病的体会[J].江苏蚕业，2015，37（4）：26?28.

SUN Yuhong， WANG Hao. Prevention and control of silkworm micromonopathies in rural silkworm production [J]. Jiangsu sericulture， 2015， 37（4）： 26?28.

[2] KHARE R K， SINHA G R. Fuzzy based contrast enhancement method for lung cancer CT images [J]. International journal of engineering and computer science， 2017， 6（5）： 21201?21204.

[3] 胡新宇.基于机器视觉的家蚕微粒子图像识别方法的研究[D].武汉：武汉理工大学，2011.

HU Xinyu. Research on the image recognition method of pebrine disease based on computer vision [D]. Wuhan： Wuhan University of technology， 2011.

[4] OTSU N. A threshold selection method from gray?level histograms [J]. IEEE transactions on system， man， and cybernetics， 1979， 9（1）： 62?66.

[5] CHEN Lianqing， GAO Liguo. Image segmentation based on iterative threshold and Otsu [J]. Journal of Jilin University （Engineering and technology edition）， 2007， 37： 139?143.

[6] HARALICK R M， SHAPIRO L G. Image segmentation techniques [J]. Computer graphics image processing， 1985， 29： 100?132.

[7] WANG Haiyang， PAN Delu， XIA Deshen. A fast algorithm for two?dimensional Otsu adaptive threshold algorithm [J]. Journal of image & graphics， 2005， 33（9）： 968?971.

[8] KIM C W， SON H， KIM C M. Automated color model?based concrete detection in construction?site images by using machine learning algorithms [J]. Journal of computing in civil engineering， 2012， 26（3）： 421?433.

[9] SUN T Y， TSAI S J， CHAN V. HSI color model based lane?marking detection [C]// Proceedings of IEEE Intelligent Transportation Systems Conference. Toronto： IEEE， 2006： 1168?1172.

[10] ZHOU C， TIAN L， ZHAO H， et al. A method of two?dimensional Otsu image threshold segmentation based on improved firefly algorithm [C]// Proceedings of IEEE International Conference on Cyber Technology in Automation， Control， and Intelligent Systems. Shenyang： IEEE， 2015： 1420?1424.endprint