【正文】 和結(jié)論如下 : （ 1）針對獼猴桃圖像對其底層處理算法進行了對比分析，得出了 處理效果最佳的方法即：直方圖均衡化增強， 5*5中值濾波， Canny算子邊緣檢測。 1 基于 Matlab 圖像處理的獼猴桃目標信息獲取方法 研究 摘 要 獼猴桃營養(yǎng)豐富，具有多種價值，其種植面積和產(chǎn)量逐年增加，但由于采摘環(huán)節(jié)落后的人工作業(yè)方式，制約了 獼猴桃 種植業(yè)的發(fā)展。 （ 2）通過對獼猴桃圖像 RGB和 Lab空間顏色分量及常用顏色因子組合的灰度圖、 直方圖和線剖面圖的比較分析，發(fā)現(xiàn)在 Lab空間 a分量和 RG顏色因子下果實和背景有較大的區(qū)分，這兩種情況下對于獼猴桃果實分割最為有利。 （ 4）針對獼猴桃果實不同的空間位姿采用相應(yīng)的處理方法確定了果實目標的輪廓、面積、周長、圓形度、形心、外接矩形特征參數(shù)，為采摘機械手的動作提供向?qū)А?Lab 空間 。 Lab Space。 中國是一個發(fā)展中的農(nóng)業(yè)大國，農(nóng)業(yè)問題始終是關(guān)系到中國經(jīng)濟社會發(fā)展的根本問題。為使農(nóng)業(yè)得到持續(xù)穩(wěn)定的發(fā)展，技術(shù)替代資源的發(fā)展道路將是 21 世紀農(nóng) 業(yè)的必然選擇 [1] 。本文的主要研究工作就是對樹上獼猴桃果實進行有效識別和初步定位。獼猴桃是目前栽培區(qū)域較廣、總產(chǎn)量較高、經(jīng)濟效益也較好的水果之一。而且為了保證產(chǎn)品的質(zhì)量，必須做到適時采摘，特別是獼猴桃，若采摘不及時就會使果質(zhì)變軟而影響 到果品的品質(zhì)、儲存、運輸和后續(xù)加工，從而影響市場價格和果農(nóng)的收入 。獼猴桃空間目標信息的獲取 是機器人進行采摘需要首先解決的關(guān)鍵問題 ,本課題 以獼猴桃為研究對象，主要研究基于 matlab 圖像處理技術(shù)識別出自然場景下 圖像中的獼猴桃果 實。該機器人采用兩個俯視地面的CCD攝像機獲取草莓的圖像，計算出草莓的方位，用激光傳感器測量機械手爪到草莓的距離；采用氣動機械手爪抓取草莓果柄，并用剪切式切刀切斷果柄 [3] 。試驗表明 :當成熟草莓輪廓信息丟失小于 1/ 2 時 , 無論單個分離的成熟草莓 , 還是被遮掩、重疊或緊靠的成熟草莓 , 皆有很好的識別效果 , 識別平均相對偏差為 %, 能滿足草莓采摘機器人對目標識別精度的要求 [5] 。將特征向量空間和最佳聚類數(shù)作為輸入 ,運用 K均值聚類 算法對蘋果圖像進行聚類和分割。針對輪廓圖像 ,采用遺傳算法進行形狀特征提取。 在黃瓜收獲研究上，中國農(nóng)業(yè)大學(xué)的袁國勇 [10] 提出利用黃瓜在顏色深度上的差異，用 RGB 顏色模型中 的 G 分量及閾值化方對在自然背景下采集的黃瓜圖像進行圖像分割，實現(xiàn)黃瓜果實與背景的分離。 果實的有效識別是果實收獲機器人的研究重點 ,也是提高收獲機器人作業(yè)效率的關(guān)鍵。根據(jù)這個目的，本文的研究主要分為四步：第一步，根據(jù)提取 的獼猴桃圖像的 RGB 顏色空間 和 Lab 顏色空間中 各顏色分量值，統(tǒng)計分析果實、樹葉、樹枝等的顏色特征，確定有利于圖像分割的最佳顏色空間和顏色因子。對于單個果實和多果實情形選擇不同的方法進行質(zhì)心和采摘點的標注。 第三章，顏色分量值得統(tǒng)計及圖像分割?？偨Y(jié)本文的主要 研究結(jié)論，指出目前研究中存在的問題和需要進一步研究的內(nèi)容和方向 第 一 章 緒論 5 第 二 章 圖像底層處理算法的研究 5 第二章 圖像底層處理算法的研究 在成像過程中，因受各種條件的限制和許多隨機因素的干擾，由成像裝置獲得的數(shù)字圖像必須要經(jīng)過底層處理。 圖像增強 一般情況下，成像系統(tǒng)獲取的圖像 (即原始圖像 )由于受到種種條件限制和隨機干擾，往往不能在視覺系統(tǒng)中直接使用，為了改善圖 像的視覺效果，必須在視覺的早期階段對原始圖像進行灰度校正、噪聲過濾等圖像增強處理。直方圖能給出一幅圖像概貌似的描述 [12] 。故后續(xù)研究中采用直方圖均衡化的方法來對原始采集的獼猴桃圖像進行增強處理。含有噪 聲的圖像常常表現(xiàn)為圖像變暗而不清楚，會對后續(xù)處理產(chǎn)生一定的影響，因此需要對圖像進行平滑濾波處理。所以，本研究用來去除噪聲的方法只考慮空域濾波法。平滑的效果與鄰域的大小直接相關(guān)，鄰域越大平滑效果越好；但鄰域過大，會使邊緣信息丟失較多，從而使輸出第 二 章 圖像底層處理算法的研究 7 的圖像變得模糊。中值濾波的主要功能就 是讓與周圍像素灰度值的差比較大的像素改取與周圍像素值接近的值，從而可以消除孤立的噪聲點。當增加中值濾波的窗口時圖像繼續(xù)改善的效果不明顯，但處理時間會大幅度增加。邊緣檢測是圖像處理中的一個重要組成部分，是所有基于邊界分割方法的首期工作。梯度法通過檢測一階導(dǎo)數(shù)的幅度值來檢測邊緣的存在，常用的梯度算子有羅伯特交叉 (Robert cross)算子，蒲瑞維特 (Prewitt)和索貝爾 (Sobel)算子等。其計算式為： G(x,y)=| f|+| f|xy??= | ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) |f x y f x y f x y f x y f x y f x y? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 第 二 章 圖像底層處理算法的研究 9 | ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) |f x y f x y f x y f x y f x y f x y? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （23） Sobel算子對應(yīng)的兩個模板為： 1 0 12 0 21 0 1????????? 1 2 10 0 01 2 1???????? ．拉普拉斯 (Laplacian)算子 拉普拉斯算子是一種二階微分算子，若只考慮邊緣點的位置而不用考慮周圍的灰度差時可用該算子進行檢測。在進行處理前， Canny算子先利用高斯平滑濾波器來平滑圖像以除去噪聲 圖像中的邊緣可能會指向不同的方向，所以 Canny 算法使用 4 個 掩膜 檢測水平、垂直以及對角線方向的邊緣。 對 大小為 450像素 600像素分割后的獼猴桃二值圖像，分別用羅伯特交叉（ robert cross）算子、索貝爾 (Sobel)算子、拉普拉斯算子 (Laplacian)基于 Matlab 圖像處理的獼猴桃目標信息獲取方法的研究 10 和 canny算子進行處理，所用時間分別為 、 、 ，處理結(jié)果如圖 31所示： （ a）原圖像 (b) Roberts處理結(jié)果 （ c） Sobel算子處理結(jié)果 （ d） Laplacian算子 處理結(jié)果 （ e） canny算子處理結(jié)果 圖 23 邊緣檢測算法對比圖 由 上圖可以看出 Roberts算子檢測出的邊緣不太連續(xù)； Laplacian算子檢測出現(xiàn)偽邊緣，不利于后續(xù)處理； sobel算子和 canny算子檢測出的邊緣連續(xù)性均較好， 但 canny算子定位精度高，誤判率低，適合于高噪聲圖像處理 [14] 。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形狀特征，并除去不相干的結(jié)構(gòu)。如果兩個物體之間的距離比較近，則膨脹可以把兩個物體連通 到一起，膨脹對填充圖像分割后物體中的空洞很有用，具有結(jié)合性和交換性。腐蝕在數(shù) 學(xué)形態(tài)學(xué)中的作用是消除物體邊界點，使邊界向內(nèi)部收縮的過程，可以把小于結(jié)構(gòu)元素的物體去掉。公式表示是：{ | ( ) }xA B x B A? ? ? （ 26） 開運算 開運算先對圖像進行一次腐蝕運算，去除圖像中的物體的邊緣和細小的物 體，之后再用同樣的結(jié)構(gòu)元進行一次膨脹運算，使在腐蝕運算中保留下來的物體的邊緣恢復(fù)原狀。公式定義為： ()A B A B B? ? ? ? （ 28） 本章小結(jié) 本章研究了圖像底層處理的各種算法，在理論分析和試驗的基礎(chǔ)上，提出可用直方圖均衡化法進行圖像的增強處理；用 5*5中值濾波法，進行原始圖像信息的平滑處理。 要實現(xiàn)目標果實的識別，就要選擇適當?shù)念伾臻g和顏色因子，再結(jié)合一定的閾值將果實從復(fù)雜的背景中分割出來，為后續(xù)計算果實的形心和特征參數(shù)奠定基礎(chǔ)。本文的研究對象是從互聯(lián)網(wǎng)上下載的獼猴桃彩色圖像，彩色圖像包含了比灰度圖像更豐富的顏色信息，有利于目標的識別。不同顏色空間下圖像處理的效果有顯著的差別。 圖像處理中使用的其它所有的顏色空間都是從 RGB 顏色空間轉(zhuǎn)換來的，其處理結(jié)果也要轉(zhuǎn)換到 RGB 顏色空間才能顯示出來。立方體中有三個角對應(yīng)于三基色，紅色、綠色和藍色，立方體的底部 R=G=B=0 處為黑色，頂部與其對角的 R=G=B=1處為白色。 Lab色彩模型具有自身的優(yōu)勢：所定義的色彩種類最多，不 僅包含了 RGB， CMY的所有色域，還能表現(xiàn)它們不能表現(xiàn)的色彩。顏色是果實與生長環(huán)境中第 三 章 顏色特征分析與圖像分割 13 其它枝、葉等感興趣對象最直接的區(qū)別。還可以將圖像變換至 Lab色彩空間，提取其中的單一通道進行果實與周圍背景的顏色對比區(qū)分。本研究中選用 Lab空間的 a通道分量做進一步的處理分析。 圖像分割的方法 圖像分割是把圖像 分成各具特性的區(qū)域并提取出所需目標的技術(shù)和過程，以便機器人根據(jù)對圖像的理解進行作業(yè)。 圖像分割任務(wù)是要把圖像中感興趣的目標區(qū)域提取出來，本文中的圖像分割是把獼猴桃果實從其自然背景中提取并標記出來。閾值分割的結(jié)果依賴于閾值的選擇，常用的選取閾值的方法有直方圖峰谷法、最小誤差法、最大類間方差法和最大熵自動閾值法等。當圖像灰度直方圖峰型分布明基于 Matlab 圖像處理的獼猴桃目標信息獲取方法的研究 18 顯時，常以谷底作為門限候選值。若將所有灰度值大于或等于某閾值的像素都被判屬于目標物體，則將所有灰度值小于該閾值的像素被排除在目標物體之外，如果閾值選取過高，則過多的目標區(qū)域就會被劃分為背景，造成目標區(qū)域的不完整；若閾值選取過低，則過多的背景將被劃分到目標區(qū)域，為進一步的處理增加難度。即獼猴桃果實圖像 a 分量 灰度圖像在閾值 T 為 125 以上的二值化過程中效果較好。處理結(jié)果顯示該方法 對于單果實和多果實情況均能將獼猴桃圖像完整的分割出來。 OTSU的算法思想是：對圖像 Image，記 t為前景與背景的分割閾值，前景點數(shù)占圖像比例為 w0，平均灰度為 u0；背景點數(shù)占圖像比例為 w1，平均灰度為 u1。因方差是灰度分布均勻性的一種度量 ,方差值越大 ,說明構(gòu)成圖像的兩部分差別越大 , 當部分目標錯分為背景或 者 部分背景錯分為目標都會導(dǎo)致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小 [21] 。但固定閾值法的最佳分割閾值要通過直方圖反復(fù)試選，并且對于大量的圖像時 最佳閾值不可能完全相同，使用固定閾值就會造成部分圖像分割效果不佳。為了準確的提取果實目標的特征，就必須對這些殘留物進行處理。 因此本研究第 三 章 顏色特征分析與圖像分割 21 中采用改進算法 進行殘留物去 除。處理結(jié)果如圖 311(e)所示。做出了它們的灰度圖、直方圖和線剖面圖。 為后續(xù)果實數(shù)目的判斷以及形狀大小和質(zhì)心的計算奠定了基礎(chǔ)。只有通過特征表示，才能對感興趣的目標形狀進行學(xué)習(xí)、匹配、重構(gòu)與利用。各特征的表示意義及計算公式如下所述： 面積特征 區(qū)域的面積可以描述感興趣目標的大小。并列方向有上、下、左、右四個方向，這種并列連接像素間的距離是 1 個像素；傾斜方向有左上角、左下角、右上角、右下角四個方向，這種傾斜連接像素間的距離是 2 個像素 ,當需要精度較高的計算時，一般采用歐吉里德距離公式計算兩個相鄰像素 fij ， fmn 間的距離： ( , ) ( ) ( ) 1 1 2ij m nd f f i m j n? ? ? ? ? ? ? （ 42） 圓形度特征 圓形度是在面積和周長的基礎(chǔ)上，計算物體區(qū)域的形狀復(fù)雜程度的特征第 四 章 不同位姿下果實特征參數(shù)的提取 23 量 。設(shè)目標像素的坐標為（ xi, yi ） ( i=0,1,2,?， n1),其 形 心 坐 標 （ x0 ， y0 ） 可 由 如 下 公 式 求 得 1100 0011( , ) ( , )nniiiix y x ynn????? ?? （ 44） 外接矩形 外接矩形就是找輪廓上 x坐標的最大值 xmax，最小值 xmin， y坐標最大值 ymax，最小值 ymin ， 外 接 矩 形 的 四 個 頂 點 分 別 是 (xmin,ymax),(xmax,ymax),(xmax,ymin),(xmin,ymin)。參數(shù) 統(tǒng)計結(jié)果如下表 41所示 : （ a）二值圖 （ b）形心標注 （ c）外接矩形 圖 42 單 果實目標特征提取結(jié)