【正文】 ? ? （ 22） Robert邊緣檢測算子相當于用模板 0110???????和 1001???????對圖像進行卷積。對于每個點我們都標識在這個點上的最大值以及生成的邊緣的方向。它們在二值圖像中和灰度圖像中各有特點。如果兩個物體間有細小的連通，通過腐蝕就可以將兩個物體分開。最后介紹了常用的幾種數(shù)學形態(tài)學的基本算法。目前，用于定量描述顏色的模型有許多種，為了科學的研究、測定和使用顏色，現(xiàn)已建立了十幾種顏色模型，如 RGB、 HIS、 L*a*b*、 HSV、 CMY等。 在這種顏色模型中，彩色圖像中每個像素的顏色都能用三維空間中第一象限的一個點來表示，如圖 21 中的立方體所示，在 RGB 彩色空間的原點上，任一基色均沒有亮度，即為黑色，三基色均達到最高亮度時則表現(xiàn)為白色。另外， Lab色彩模型的 優(yōu)越性 還在于它彌補了 RGB色彩模型色彩分布不均的不足 。對于 顏色因子組合中 RG分量圖中果實和背景也有較大的區(qū)分。目前幾種主要的分割方法有閾值分割方法、聚類分割法 [15] 、區(qū)域增長法 [1617]? 、基于邊緣檢測的圖像分割方法 [18] 和基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法 [1920]? 等。要達到更好的分割效果，就要更有效的將閾值分割技術(shù)與其他方法進行有機結(jié)合，盡量多的利用該領(lǐng)域的先驗知識、輔助圖像處理工具確定閾值的選取以便于圖像的分割。其各個感 興趣區(qū)域的 a 通道 直方圖 35（ b）所示， a 分量 直方圖由三個波峰構(gòu)成，三個波峰依次為：灰度級最低的是背景；中間的波峰是果實部分；灰度最高的部分是果實的反光部分。 大律法（ OTSU）全局 自動 閾值分割 固定閾值法的閾值選擇是經(jīng)過多次實驗和嘗試性的分割來確定的，而且在圖像之間存在很大的差異，所選取的閾值不可能滿足所有圖像的特征。分割后的圖像如下所示： 基于 Matlab 圖像處理的獼猴桃目標信息獲取方法的研究 20 圖 311 OTSU自動閾值分割圖 由上圖可以看出：使用 OTSU算法進行自動閾值分割也能夠?qū)J猴桃果實完整的分割出來。當結(jié)構(gòu)元素取的較大時，可能會造成部分目標區(qū)域的丟失，不能完全識別圖像中的果實；當結(jié)構(gòu)元素取得較小時又會使圖像中殘留物去除不徹底。將此方法應用于其它圖像，均能獲得較好的處理結(jié)果，該算法的通用性較強。對于計算機來說，它并不知道具體物體是什么，只能通過提供所要提取物體的特征來指示計算機完成一定的 工作。在進行周長計算時，需要根據(jù)像素間的連接方式分別進行計算距離。下面將分別針對以上三種情況，從分割后的二值圖出發(fā)采用不同的算法進行位置的識別和特征參數(shù)的提取。 （ 3）使用條件粗 化算法生長各個種子，避免各區(qū)域相連。南京農(nóng)業(yè)大學工學院的 姚立健提出應用廣義 Hough 變換對這種情況進行有效的識別，先建立目標識別果實的數(shù)學模型，給出果實空間不同位姿的平面投影圖，制作出目標果實的參數(shù)對照表?，F(xiàn)作如下假定：坐標系 xoy 原點平移到點 O(x0， y0)、繞點 O旋轉(zhuǎn)得到坐標系 XOY，旋轉(zhuǎn)角度為β，則任意橢圓在坐標系 XOY 中為標準橢圓。 通過編制程序?qū)嶋H處理發(fā)現(xiàn)該方法處理速度快，對粘連目標分割清楚，果實形狀是真較少，得到的特征參數(shù)的精度能滿足采摘機器人的要求。從拓撲的角度來看，距離圖中的最大值對應于山的山峰而最小值對應山谷，這些山谷就是分水嶺。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)。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。 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)。處理結(jié)果如圖 311(e)所示。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] 。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。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。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。 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)。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。 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。 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。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。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。腐蝕在數(shù) 學形態(tài)學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。數(shù)學形態(tài)學的應用可以簡化圖像數(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)。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。梯度法通過檢測一階導數(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。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。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。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。直方圖能給出一幅圖像概貌似的描述 [12] ?？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。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。 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。針對輪廓圖像 ,采用遺傳算法進行形狀特征提取。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] 。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。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。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] 。 Lab Space。 （ 4）針對獼猴桃果實不同的空間位姿采用相應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?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。針對分割處理后的二值圖像存在殘留物問題，本研究中采用 了先去除圖像中的小目標，腐蝕，再次去除腐蝕圖像中的小目標，最后反向膨脹的方法進行了殘留物去除，取得了較好的效果。 Matlab。但目前隨著人口的不斷增長和環(huán)境的不斷惡化，加上農(nóng)產(chǎn)品價格低、農(nóng)業(yè)收益差，農(nóng)業(yè)生產(chǎn)環(huán)境艱苦，我國的農(nóng)業(yè)發(fā)展正面臨著嚴峻的考驗。中國的獼猴桃鮮果及加工品已取得市場認可，這一新興產(chǎn)業(yè)日趨成熟、發(fā)展壯大。果蔬收獲機器 人 的研究不僅具有重要的現(xiàn)實意義，還可 直接促進機械結(jié)構(gòu)、圖像處理、機器人控制、傳感器、智能導航等相關(guān)領(lǐng)域技術(shù)的深入研究和應用，具有重要的戰(zhàn)略意義 。 另外中國農(nóng)業(yè)大學的謝志勇、張鐵中等人在果實分割的基礎(chǔ)上對圖像進行區(qū)域標記，在確定含有草莓果實的區(qū)域進行圓形 hough變換，通過對參數(shù)空間的統(tǒng)計分析，可以得出草莓的個數(shù)和各個果實的圓心和半徑參數(shù)。在順光、逆光等不同情況下對拍攝的蘋果圖像進行了識別 ,并對識別后的圖像進行消除噪聲、區(qū)域 填充等預處理 ,獲得蘋果的輪廓圖像。植物的紅、綠、藍色彩坐標值與背景土壤和殘茬的 R， G， B 值非常不同，利用 RG， GB，（ GB） /（ RG）和 2GRB 等指標來區(qū)別植物與非植物背景是非常有效的，其中以 2GRB 這一指標在區(qū)分雜草最為有效，可以達到 的顯著水平，在定點噴灑控制時這一指標可用于設(shè)計探測雜草用的傳感器。 第四步，根據(jù)目標區(qū)域的長寬比和圓形度參數(shù)判斷圖像中目標果實的數(shù)目。 第五章，結(jié)論與展望。0() kkzz z a za z bzaz z z azbz?? ??? ???????? ??? （ 21） 直方圖均衡化 直方圖表示數(shù)字圖像中每一灰度出現(xiàn)頻 率的統(tǒng)計關(guān)系。Pepper)噪聲、脈沖噪聲、高斯噪聲等。圖像區(qū)域內(nèi)任意點的灰度值是該點 鄰域內(nèi)各點灰度值的平均值。 5*5中值濾波能較好的消除噪聲影響。常用的方法包括對應于一階微分的梯度法和二階微分法。 其對應的表達式為 ： 2 ( , ) ( 1 , ) ( 1 , ) ( , 1 ) ( , 1 ) 4 ( , )f x y f x y f x y f x y f x y f x y? ? ? ? ? ? ? ? ? ? （ 24） 該算子對 應的模板為： 0 1 01 4 10 1 0??????? ． Canny 邊緣檢測算子 Canny算子是一個具有濾波、增強和檢測的多階段的優(yōu)化算子。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應 形狀以達到對圖像分析和識別的目的。公式表示為： ^{ | [ ( ) ] }xA B x B A? ? ? ? ? （ 25） 腐蝕 腐蝕是膨脹的相反過程。同樣分析可知，閉運算可以填充圖像中細 小的洞，連接相鄰的物體，并能在基本不改變原物體的面積的前提下平滑圖像的邊界。 顏色模型 顏色特征是物體表面的本質(zhì)特征，是機器視覺系統(tǒng)的基礎(chǔ)研究。它是一種 加色模型 ，是 用三種原色──紅色、綠色和藍色的色光以不同的比例相加，以產(chǎn)生多種多樣的色光。 L的值域由 0到 100， L=50時，就相當于 50%的黑； a和 b的值域 都是由 +127至 128，其中 +127 a就是洋紅色，漸漸過渡到 128 a的時候就變成綠色 ； 同樣原理， +127 b是黃色， 128 b是藍色。 要實現(xiàn)將果實從背景中分離出來，最直接簡單的顏色特征提取方法是從彩色圖像中獲取三基色（ R、 G、 B）的原始數(shù)據(jù) 或經(jīng)一定數(shù)學處理的算子（顏色因子），對果實及周圍背景進行顏色區(qū)分，常用的顏色因子有三基色（ R、 G、 B）和一些三基色的運算因子，如： RG、 GB、 RB、 2*RGB等顏色特征量。利用圖像分割找到圖像中感興趣的部分，并找出這些區(qū)域的邊界，為后面進一步的