图像分割是一个经典的机器视觉处理问题，其目的是将图像分割为若干个相关的区域，从而提取出感兴趣的区域或者轮廓特征。图像分割的准确性直接作用于目标物测量的准确性，其效率直接影响生产的效率，因而，一个快速准确图像分割算法是目标识别，分级分类任务面临的首要问题。

在农业产品分级分类任务中，图像分割的目的是将工业相机采集到的图片中的农产品准确的提取出来，为进一步的尺寸测量，分类任务做好准备。对于农产品图像分割算法来说，由于受到生产设备成像质量，灰尘污渍，光照条件，阴影等外部因素影响，造成分割的不准确。本文通过对比不同图像分割算法，阐述各类算法的优缺点，以及各自合适的应用场景。

一、传统提取算法

阙值提取法是图像分割中使用较为广泛的方法，通过阙值的设置，将处于阙值区间内的像素区域归纳为同一区域，从而分割图像。此类算法的缺陷在于只考虑了目标的灰度信息，从而缺少鲁棒性。在这类算法中，如何获取一个合理的阙值是算法成功的关键，手动选取阙值无法具备通用性，易受环境变化的影响，主流的选取阙值的方法有 类间方差法和 熵阙值分割法。

类间方差法根据图像的灰度特性寻找阙值，使分割出的图像区域之间的差别 ，用于判断分割图像区域之间的差别是其各区域间的内部方差。 类间方差法极易受到噪音的影响，如阴影，但在单纯背景条件下，适用于初步的获取目标物的位置。

熵阙值法与 类间方差原理类似，将图像通过信息熵分为不同区域。信息熵在混乱无序的系统中较大，在确定有序的系统中较小，根据信息熵的特性，可将图像分割为不同的区域。徐海，秦立峰等人在*瓜叶部角斑病提取任务中，使用 类间方差法初分割，继而使用 熵发二次分割提取病虫害区域。

另外，彩色图片中，使用色彩信息分割图像也是常用的手段，常见的色彩信息表示方式有BGR和HSV，通过设置色值区间可提取农作物病变区域。其中，HSV（或者HSI）更为可靠，其更精确的表示同一视觉感受颜色在不同光照条件下的区间。但对于有些农产品，如红苹果，红枣等缺陷识别时，病变区域R色值区间会明显异于正常区域，此时采用BGR中的R值作为阙值区别缺陷区域就是合适的。

边缘检测算法是一种经典图像分割算法，主要是利用连通区域边缘对比度的阶跃变化，通过其梯度变化找出边缘，从而达到分割图像的目的，相较于阙值法对环境光变化的容忍性更好。对于以矩阵形式存储的图像来说，采用模板矩阵（算子）对源图像进行卷积运算是其提取梯度特征的通用方法。

Sobel算子计算量较少，抗噪性较好且能保留边缘的强弱，由一个用于提取水平方向特征和一个用于提取垂直方向的特征的算子组成。Sobel算子十分适合用于提取农产品方向性的特征，例如槟榔的纹路就能很好的被垂直方向的Sobel算子提取出来，通过纹路分布密度，进行槟榔的分级任务。

Canny算子相较于Sobel算子更加复杂，能获取更加 的边缘且获取到的边缘不会虚化，抗噪性更好，但无法体现边缘的强弱。Canny算法适用于描述农产品的褶皱程度，如红枣中皮皮枣的筛选。文献[4]采用了一种改进的Canny算子用于苹果轮廓的提取。

综上所述，相较于阙值法，边缘检测方法不仅限于提取粗略的轮廓信息，还可以用来提取更加细致的特征，常用于二次分割或配合阙值法使用。

二、深度学习

基于深度学习的图像分割方法，主要研究领域在于语义分割，即根据图片内容，将图像分为多个有含义的部分，对于农产品分类而言有着革命性的意义。

全卷积网络FCN是深度学习用于进行图像分割的先驱，以分类模型AlexNet为基础，将其 3层全连接层转化为反卷积层进行上采样，从而将输出有特征分类转化为区域特征热力图。

基于编码解码器结构的图像分割网络虽然能在复杂背景及环境中基于特征分割出图像区域，不过其提取的轮廓特征依然较为粗糙，不足为真实尺寸测量提供依据，直到MaskRCNN才做到了像素级图像分割，为尺寸测量提供了依据。除此之外，MaskRCNN将目标检测和语义分割结合，对农产品尺寸测量及分类提供了指导性算法，也是目前研究优化的主要方向。

三、结束语

综上所述，图像分割算法是用于农产品光电检测分级分类的基础任务，传统算法的优势在于结构简单，效率高，但对复杂环境的适应性较弱。深度学习方法受到环境影响较少，但需大量样本支持，如何正确的获取样本，以及提高算法的整体效率是当前需要解决的主要问题。在实际使用中，深度学习由于性能问题尚无法完全取代传统算法，使用者可以根据具体的需求选择合适的算法。（图片来源于网络）