【正文】 （ d） Laplacian算子 處理結(jié)果 （ e） canny算子處理結(jié)果 圖 23 邊緣檢測(cè)算法對(duì)比圖 由 上圖可以看出 Roberts算子檢測(cè)出的邊緣不太連續(xù)； Laplacian算子檢測(cè)出現(xiàn)偽邊緣，不利于后續(xù)處理； sobel算子和 canny算子檢測(cè)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] 。如果兩個(gè)物體之間的距離比較近，則膨脹可以把兩個(gè)物體連通 到一起，膨脹對(duì)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。公式表示是：{ | ( ) }xA B x B A? ? ? （ 26） 開運(yùn)算 開運(yùn)算先對(duì)圖像進(jìn)行一次腐蝕運(yùn)算，去除圖像中的物體的邊緣和細(xì)小的物 體，之后再用同樣的結(jié)構(gòu)元進(jìn)行一次膨脹運(yùn)算，使在腐蝕運(yùn)算中保留下來的物體的邊緣恢復(fù)原狀。 要實(shí)現(xiàn)目標(biāo)果實(shí)的識(shí)別，就要選擇適當(dāng)?shù)念伾臻g和顏色因子，再結(jié)合一定的閾值將果實(shí)從復(fù)雜的背景中分割出來，為后續(xù)計(jì)算果實(shí)的形心和特征參數(shù)奠定基礎(chǔ)。不同顏色空間下圖像處理的效果有顯著的差別。立方體中有三個(gè)角對(duì)應(yīng)于三基色，紅色、綠色和藍(lán)色，立方體的底部 R=G=B=0 處為黑色，頂部與其對(duì)角的 R=G=B=1處為白色。顏色是果實(shí)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(duì)象最直接的區(qū)別。本研究中選用 Lab空間的 a通道分量做進(jìn)一步的處理分析。 圖像分割任務(wù)是要把圖像中感興趣的目標(biāo)區(qū)域提取出來，本文中的圖像分割是把獼猴桃果實(shí)從其自然背景中提取并標(biāo)記出來。當(dāng)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(biāo)信息獲取方法的研究 18 顯時(shí)，常以谷底作為門限候選值。即獼猴桃果實(shí)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。 OTSU的算法思想是：對(duì)圖像 Image，記 t為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為 w0，平均灰度為 u0；背景點(diǎn)數(shù)占圖像比例為 w1，平均灰度為 u1。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(duì)于大量的圖像時(shí) 最佳閾值不可能完全相同，使用固定閾值就會(huì)造成部分圖像分割效果不佳。 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(jìn)算法 進(jìn)行殘留物去 除。做出了它們的灰度圖、直方圖和線剖面圖。只有通過特征表示，才能對(duì)感興趣的目標(biāo)形狀進(jìn)行學(xué)習(xí)、匹配、重構(gòu)與利用。并列方向有上、下、左、右四個(gè)方向，這種并列連接像素間的距離是 1 個(gè)像素；傾斜方向有左上角、左下角、右上角、右下角四個(gè)方向，這種傾斜連接像素間的距離是 2 個(gè)像素 ,當(dāng)需要精度較高的計(jì)算時(shí)，一般采用歐吉里德距離公式計(jì)算兩個(gè)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(jì)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(shí)特征參數(shù)的提取 23 量 。參數(shù) 統(tǒng)計(jì)結(jié)果如下表 41所示 : （ a）二值圖 （ b）形心標(biāo)注 （ c）外接矩形 圖 42 單 果實(shí)目標(biāo)特征提取結(jié)果 表 41 單果實(shí)的目標(biāo)特征參數(shù) 區(qū)域號(hào) 面積（像素） 周 長（像素） 圓形度 形心（像素） 1 67426 （ ,） 果實(shí)相互接觸且未遮擋 果實(shí)圖像進(jìn)行分割并去除干擾殘留像素后 得到目標(biāo)的二值圖如下圖第 四 章 不同位姿下果實(shí)特征參數(shù)的提取 25 43（ a）所示，此時(shí)不能直接統(tǒng)計(jì)其特征參數(shù)，因?yàn)閮蓚€(gè)果實(shí)屬于同一個(gè)區(qū)域 ，特征參數(shù)計(jì)算時(shí)被當(dāng)做一個(gè)果實(shí)處理，不能得到正確的結(jié)果。 在這兩種算法程序的編寫過程發(fā)現(xiàn)反向膨脹過程中的條件不易控制實(shí)現(xiàn)，且采用極限腐蝕運(yùn)算次數(shù)多，耗時(shí)較長。本研究中的獼猴桃果實(shí)近似服從橢圓的數(shù)學(xué)模型，因此可直接應(yīng)用橢圓 Hough 變換對(duì)這種情況進(jìn)行后續(xù)處理。其基本原理是將圖像空間轉(zhuǎn)換到參數(shù)空間，用邊界點(diǎn)滿足某種參數(shù)形式的條件來描述圖像中的曲線或區(qū)域邊界 [25] ，通過累加器進(jìn)行累計(jì)，得到峰值所對(duì)應(yīng)點(diǎn)的信息。實(shí)現(xiàn)的過程如下：選用一個(gè)大小可變的圓盤形結(jié)構(gòu)元素 依次去腐蝕原分割圖像，并統(tǒng)計(jì)圖像中區(qū)域的個(gè)數(shù)；當(dāng)圖像中區(qū)域個(gè)數(shù)大于 1時(shí) 說明粘連的目標(biāo)已經(jīng)被腐蝕開，此時(shí)的結(jié)構(gòu)元素也是能滿足要求的最佳結(jié)構(gòu)元素，其大小記為 K（如圖 43（ b）） ；此時(shí)將各個(gè)區(qū)域分別單獨(dú)取出，并采用大小為 K的結(jié)構(gòu)元素進(jìn)行反向膨脹就會(huì)得到只包含一個(gè)果實(shí)的圖像，按照單目標(biāo)情形統(tǒng)計(jì)其特征參數(shù)即可 （如圖 43（ c、 d、 e、f）） 。 目前常見的分割圖像中相接觸目標(biāo)的數(shù)學(xué)形態(tài)學(xué)方法有兩種：分水嶺區(qū)域分割法 [23] 和聚類快速分割法． 分水嶺區(qū)域分割法的算法思想包含三個(gè)步驟 ： (1)產(chǎn)生距離圖：距離圖是其中各個(gè)像素值與該像素到一個(gè)目標(biāo)之距離成比例的圖，與地理學(xué)上的等高線類似，可以稱之為距離等高線。 形心特征 形心特征提取直接關(guān)系到目標(biāo)定位精度，因此準(zhǔn)確提取果實(shí)的特征是實(shí)現(xiàn)初步定位的關(guān)鍵。 常用特征參數(shù)的數(shù)學(xué)描述 對(duì)于本研究，特征提取的目的是 獲取橢圓形獼猴桃的形心和長、短半軸長度，依此為機(jī)械手的動(dòng)作提 供導(dǎo)向。采用直 方圖固定閾值和 OTSU自動(dòng) 閾值法對(duì) a分量 灰度圖進(jìn)行分割，其中 動(dòng)態(tài)閾值有較好的分割效果和較強(qiáng)的適應(yīng)性 。為了將果實(shí)提取出來，就必須選擇合適的結(jié)構(gòu)元素將它們腐蝕開。 干擾殘留物去除 由上面圖像分割結(jié)果發(fā)現(xiàn)，無論采用那種分割方法 ，背景上都存在一定的殘留物和噪聲。從最小灰度值到最大灰度值遍歷 t， 當(dāng) t使得值 g=w0*(u0u)2+w1*(u1u)2 最大時(shí) t即為分割的最佳閾值。由此，可用式（ 32）進(jìn)行目標(biāo)分割。就是用一個(gè)或幾個(gè)閾值將圖像的灰度直方圖分 為幾類，認(rèn)為圖像中灰度值在同一類中的像素屬于同一物體。 閾值處理是一種區(qū)域分割技術(shù)，主要是利用圖像中要提取的目標(biāo)物體和背景在灰度上的差異，選擇一個(gè)合適的閾值，將一 幅灰度圖像轉(zhuǎn)換成黑白二值圖像，從而把圖像中的目標(biāo)提取出來。因此，圖像分割是果實(shí)目標(biāo)識(shí)別過程中的關(guān)鍵步驟。根據(jù)獼猴桃果實(shí)與背景部分的樹枝等顏色上的區(qū)別，可以將果實(shí)從背景中識(shí)別出來。 L表示照度（ Luminosity），相當(dāng)于亮度， a表示從洋紅色至綠色的范圍， b表示從黃色至藍(lán)色的范圍。 RGB顏色模型 RGB 顏色模型基于人類視覺的三基色原理，是最基本的一種顏色模型。因此，在課題研究中必須充分了解獼猴桃及其周圍環(huán)境顏色特征的分布，選擇合適 的顏色模型和顏色因子，才能使后面的圖像分割取得理想的效果。公式定義為： ()A B A B B? ? ? （ 27） 閉運(yùn)算 閉運(yùn)算同開運(yùn)算的操作相反，先進(jìn)行一次膨脹運(yùn)算，之后再進(jìn)行一次腐蝕運(yùn)算。膨脹具有擴(kuò)大圖像的作用。 數(shù)學(xué)形態(tài)學(xué)算法 數(shù)學(xué)形態(tài)學(xué)是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。對(duì)數(shù)字圖像的每個(gè)像素計(jì)算關(guān)于 x軸和 y軸的二階偏導(dǎo)數(shù)之和 2 ( , )f x y? 。 邊緣檢測(cè)的方法很多，經(jīng)典的邊緣檢測(cè)算子一般建立在微分運(yùn)算的基礎(chǔ)上，是基于對(duì)像素和其鄰點(diǎn)的灰度級(jí)進(jìn)行運(yùn)算的，因?yàn)閳D像的微分運(yùn)算是求像素值變化率的，故有加強(qiáng)高頻分量的作用。 對(duì)大小為 450像素 600像素增強(qiáng)后的 a通道獼猴桃圖像，分別用鄰域平均法和 5*5中值濾波法進(jìn)行處理，所用時(shí)間分別為 ，處理結(jié)果如圖 31所示： （ a） a通道增強(qiáng)后圖像 （ b）鄰域平均法 （ c） 5*5中值濾波 圖 22 圖像濾波處理結(jié)果 對(duì)處理的結(jié)果對(duì)比分析可知： 鄰域平均法處理的時(shí)間最少， 但不能很好的消除噪聲的影響， 且易使背景變得雜亂。 鄰域平均法 這種方法是空域?yàn)V波中算法最簡單的。常見的噪聲有椒鹽 (Saltamp。假設(shè)圖像的灰度值分布在區(qū)間 [a,b]，要將其擴(kuò)展到區(qū)間 [z0,zk]，則映射函數(shù)為： 0039。 第四章，多目標(biāo)果實(shí)和遮擋情況下的處理。第三步， 在顏色特征分析的基礎(chǔ)上，用閾值分割法對(duì)獼猴桃圖像進(jìn)行分割， 對(duì)分割結(jié)果進(jìn)行殘留物的去除，并提取目標(biāo)相關(guān)的特征參數(shù)。 另外，如為了針對(duì)雜草精確噴灑除草劑， .[11] 等 把各種不同土壤中雜草的彩色圖像數(shù)字化并經(jīng)過分析得出紅、綠、藍(lán)（ R， G， B）色含量。 司永勝、喬軍 [9] 等人提出了利用色差 R G 和色差比 ( R G) / ( G B ) 相結(jié)合的蘋果識(shí)別方法。 對(duì) 成熟草莓的自動(dòng)識(shí)別算法進(jìn)行了研究，運(yùn)用 BP神經(jīng)網(wǎng)絡(luò)分割方法和Lab色彩模型中的 a通道并進(jìn)行閾值化處理的方法實(shí)現(xiàn)了將草莓果實(shí)從復(fù)雜的背景中分割出來，并采用圓形度和長寬比參數(shù)區(qū)分單個(gè)果實(shí)圖像和多果實(shí)圖像；對(duì)多果實(shí)粘連但不遮擋的情況進(jìn)行了研究，應(yīng)用聚類快速分割法和分水嶺區(qū)域分割法成功實(shí)現(xiàn)了粘連果實(shí)的準(zhǔn)確分割和定位 [4] 。發(fā)展機(jī)械化收獲技術(shù)，研究開發(fā)獼猴桃 采摘 收獲機(jī)器人，具有重要的意義。一個(gè)顯著的變化就是水果的種植面積不斷增加，其中我國獼猴桃生產(chǎn)由資源調(diào)查品種選育到規(guī)?；耘嘟延腥炅耍瑥臒o到有形成初具規(guī)模的產(chǎn)業(yè)化生產(chǎn)。我國以僅占世界 7%的耕地養(yǎng)活了占世界 22%的人口，其中農(nóng)業(yè)科技做出了巨大的貢獻(xiàn)。 Target identification。 （ 3）采用固定閾值法和大律法（ OTSU）對(duì)灰度圖像進(jìn)行了分割，都能將獼猴桃果實(shí)完整的分割出來，其中大律法具有較好的適應(yīng)性，只是耗時(shí)較多。因此，實(shí)現(xiàn) 獼猴桃 采摘的機(jī)械化和自動(dòng)化是 獼猴桃 生產(chǎn)環(huán)節(jié)中一個(gè)亟待解決的問題。 關(guān)鍵詞 : 獼猴桃 。 Hough Transform 5 目 錄 第一章 緒論 .................................................. 1 引言 ...................................................... 1 課題研究的目的與意義 .................................. 1 國內(nèi)外果實(shí)目標(biāo)識(shí)別研究現(xiàn)狀 ............................. 2 研究內(nèi)容及論文組織結(jié)構(gòu) ................................. 4 研究內(nèi)容 ......................................... 4 論文組織結(jié)構(gòu) ..................................... 4 第二章 圖像底層處理算法的研究 ................................. 5 圖像增強(qiáng) .............................................. 5 灰度直方圖線性映射 ................................ 5 直方圖均衡化 ..................................... 5 濾波處理 .............................................. 6 鄰域平均法 ....................................... 6 中值濾波法 ....................................... 7 邊緣檢測(cè)算法 .......................................... 8 羅伯特 (Robert)邊緣檢測(cè)算子 ........................ 8 索貝爾 (Sobel)邊緣檢測(cè)算子 ......................... 8 拉普拉斯 (Laplacian)算子 ........................... 9 ． Canny 邊緣檢測(cè)算子 ............................... 9 基于 Matlab 圖像處理的獼猴桃目標(biāo)信息獲取方法的研究 6 數(shù)學(xué)形態(tài)學(xué)算法 ....................................... 10 膨脹 ............................................ 10 腐蝕 ............................................ 11 開運(yùn)算 .......................................... 11 閉運(yùn)算 .......................................... 11 本章小結(jié) ............................................. 11 第三章 顏色特征分析與圖像分割 .............................. 11 獼猴桃果實(shí)與周圍環(huán)境間顏色特征分析 ...