中國是世界上的蘋果生產國和消費國，蘋果種植面積和產量均占世界總量的40%以上，在世界蘋果產業(yè)中占有重要地位。中國蘋果有黃土高原、渤海灣、黃河故道和西南冷涼高地四大產區(qū)，根據氣候和生態(tài)適宜標準，西北黃土高原產區(qū)和渤海灣產區(qū)是中國適蘋果發(fā)展產區(qū)，兩個區(qū)域蘋果栽培面積分別占全國的44%和34%,產量分別占全國的49%和31%,出口量占全國的90%以上。黃河故道產區(qū)屬于蘋果生產的次適宜區(qū)，西南冷涼高地蘋果生產規(guī)模小、產業(yè)基礎差，無法滿足蘋果生產優(yōu)勢區(qū)域的要求。本文所采用的紅富士蘋果圖像是使用數碼相機（佳能A710 IS）在實際環(huán)境中在自然光源下拍攝的。

　　圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設置門限的方法分割。值得提出的是，沒有的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數據，不同類型的圖像，已經有相對應的分割方法對其分割，同時，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結果的好壞需要根據具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結果的好壞直接影響對圖像的理解。

　　特征提取是基于神經網絡圖像分割的重要組成部分，是目標分類的關鍵步驟。由于只基于一種圖像特征的方法只能表現圖像的部分信息，對圖像信息的描述比較片面，缺乏足夠的區(qū)分依據，在大量的圖像分割應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提取圖像的特征，比較全面地描述圖像內容。

　　本文研究了基于灰度-紋理的特征提取方法，組成特征向量，經過規(guī)范化和歸一化的處理后，輸入自確定警戒線的Fuzzy ART神經網絡，對蘋果圖像完成初次分割，然后進行二值化和圖像平滑后得到蘋果圖像的傷疤部分。

　　1 Fuzzy ART神經網絡基本原理

　　Fuzzy ART結構與ART1基本相同，但增加了對輸入向量的歸一化處理。Fuzzy ART網絡的結構如圖1所示，

　　Fuzzy ART網絡的工作過程為：輸入矢量a經F0預處理產生的信號I進入F1后，經過類別選擇，通過與F1的連接權在F1中產生一個自上而下的激勵信號，這一信號與自下而上的輸入I進行匹配比較后，若匹配度超過警戒線（vigilance）ρ，則發(fā)生共振，F2與F1之間的連接權得到加強；否則重置F2以進行新的匹配。如果所有已學習過的類都與輸入I不匹配，則將其作為新類加入到網絡中。，自適應確定a屬于F2層N個類別節(jié)點中的哪一類。

　　2 自適應確定參數的Fuzzy ART

　　神經網絡輸入的是十進制數據，這使得網絡的參數估計變得更加困難，因此實現網絡參數的自適應確定可以提高和節(jié)約時間。

　　自適應確定警戒線的Fuzzy ART網絡算法如下：

　　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，圖像的顏色信息只是對每個像素各自的信息進行描述，不能提供任何這些像素點間的聯(lián)系。圖像是一個完整的整體，顏色只能描述圖像單個像素點的信息，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。當采用顏色信息分析圖像的特征時，只能對處在同一灰度級的像素點的數量之間進行分析，而無法對顏色總量相近但空間分布并不相同的圖像進行空間信息的分析。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，不能充分、完整地描述蘋果圖像的內容。

　　3.2 蘋果圖像紋理特征提取

　　在實際的圖像分割應用中，特征組合的分割方法有很多好處，不同特征的優(yōu)勢可以達到互補的效果，可以更全面地表現圖像的信息。在顏色特征的基礎上加上紋理特征，以灰度作為顏色特征，僅僅代表了圖像中各像素點的亮度信息，而未包含圖像顏色的空間分布內容，加上圖像的紋理特征之后可以體現出圖像局部空間的信息，有效地補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。然后對特征向量歸一化處理，這種處理方式稱為補碼編碼。經過規(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 實驗與結果分析

　　實驗中，為了兼顧計算量和特征量，減少灰度共生矩陣的尺寸，將原始圖像的灰度級重新量化為8級，圖像的分割采用自適應警戒線的Fuzzy ART神經網絡。

　　實驗步驟如下：

　?。?）將9×9的窗口在待分割的蘋果圖像上滑動，采用灰度共生矩陣的方法提取紋理特征，結合灰度特征組成模糊特征，對模糊特征規(guī)范化和歸一化處理后，并將它作為窗口中心像素點的特征向量I;

　　（2）將處理好的模糊特征I輸入Fuzzy ART神經網絡進行訓練分類，并標記中心像素點；

　?。?）根據中心像素點的標記，將蘋果圖像分割為幾類，獲得圖像的初次分割結果；

　?。?）對初次分割的結果，進行二值化處理；

　?。?）對圖像進行中值濾波，并將分割結果標記到原圖，從而提取傷疤。

　　采用上述步驟對一幅256×256像素、256級灰度的圖像進行處理，本文采用的其他參數分別為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合的模糊特征輸入Fuzzy ART網絡的分割結果，傷疤部分基本被分割出來；圖3（b）是閥值T=35時的分割結果，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時的分割結果，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時的分割結果，雖然傷疤部分越來越完整，但是噪聲變得更多。從圖3可以看出，隨著閾值的增加，傷疤部分越來越完整，噪聲也越來越多；相反，隨著閾值的減少，傷疤缺失的部分越來越多，噪聲也有變少。閾值分割無法在保證傷疤部分缺失比較小的同時，噪聲也比較少，或者基本沒有。

　　圖4（a）所示是以坐標為（90,141）的像素點作為種子（如箭頭指示）區(qū)域生長的結果，傷疤部分幾乎沒有分割出來；圖4（b）是以坐標為（178,79）的像素點作為種子區(qū)域生長的結果，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)域生長的幾個缺點為：要通過人工交互獲得種子像素點，因而使用者必須在每個目標區(qū)域中選擇一個種子點；區(qū)域生長法對噪聲較敏感，容易導致分割出的區(qū)域出現空洞；而且通常會造成過度的分割，也就是說，把圖像分割成過多的區(qū)域。

　　實驗證明，對有缺陷的蘋果圖像，基于灰度和紋理提取特征向量，用自適應確定警戒線的Fuzzy ART神經網絡可以較正確地分割出傷疤區(qū)域。

　　農產品圖像提取是現代農業(yè)生產、流通和加工過程中的一個重要環(huán)節(jié)。本文提出的方法實現了警戒線自適應確定，減少了人工參與，節(jié)約了時間，并采用模糊特征進行分類，有效地消除了噪聲對分割結果的影響。該方法不僅在基礎理論研究方面具有重要的學術價值，而且在數字農業(yè)、現代農業(yè)、食品加工等領域具有廣闊的應用前景，其成果可以獲得明顯的社會效益和經濟效益。