【正文】 R 方法首先對米粒進行區(qū)域標(biāo) 記，獲得標(biāo)記區(qū)域的最左、右、上、下各點坐標(biāo)值，計算其外接矩形面積大小，從 00開始，以 30為增量順時針旋轉(zhuǎn)二維圖像矩陣，直至 900結(jié)束；比較標(biāo)記區(qū)域外接矩形大小，當(dāng)面積最小時獲得 MER，此時 MER 長寬即為稻米的長寬。對于每一種位置關(guān)系，還要分析光標(biāo)當(dāng)前位置（ ? ）周圍其余 5 個單元格是否空缺。 與直角坐標(biāo)表示法比較 ，鏈碼表示法的優(yōu)點明顯，它把二維圖像的存儲和處理變成一維鏈上的問題，對于處理大尺度的圖像而言，鏈碼表示法既節(jié)省了存儲空間又提高了處理速度。 開運算具有去噪的功能，主要去處圖像中的微小連接，孤立點和突出部分，切斷細長的搭接而起到分離的作用，使圖像更加平滑?；舅悸肥怯镁哂幸欢ㄐ螒B(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以達到對圖像分析和識別的目的。 當(dāng)圖像 背景比較單一 ,圖像灰度直方圖明顯呈雙峰分布時 ,采用全局閾值進行圖像分割一般可得到比較滿意的結(jié)果。論文的研究內(nèi)容包括： 第 1 章，簡要論述了圖像處理技術(shù)的整體情況，論文研究的意義及目的，詳細介紹了 國內(nèi)外的研究進展進而提出本論 文的研究任務(wù)。 Tao 等研制出了基于計算機視覺的蘋果檢測系統(tǒng)，實現(xiàn)對蘋果質(zhì)量的快速和全面檢測。 國外研究進展 在國際上，最早將計算機視覺技術(shù)用于稻米識別和分級檢測研究出現(xiàn)在 20 世紀(jì)80 年代。 國內(nèi)外研究進展 國內(nèi)研究進展 在國內(nèi)，利用圖像處理技術(shù)對稻米外觀品質(zhì)進行檢測主要包括加工精度、粒型、整精米率等。這對提高稻米外觀品質(zhì)檢測水平，具有一定的理論意義和重要的應(yīng)用價值。 關(guān)鍵詞 ：圖像處理；稻米粒型；整精米率 ABSTRACT Characteristics of rice appearance quality are very important to evaluate rice quality and pricing. The normal method for determining rice quality is based on manual inspection which is an inefficient way and resulting in unconstant outes. Thus, we evaluate rice appearance quality rely on image processing. We use Matlab procedure to pretreat the image of rice. Including: removing the image noise by open operation, determining the threshold for image segmentation automatically by the improved Ostu method to put the grey image into binary iamge, cutting the rice on the image, calculating using the minimum bounding rectangle of rice grain, the area under rice, wide and long the whole rice and broken rice distinction between information and calculate the rate of milled rice. It’s a work to improve the inspection of rice appearance with theoretical worth and practical significance. Keywords: Image Processing。 凌云采用機器視覺技術(shù)對稻米的外觀包括粒型、堊白、黃米粒、異型米進行檢測，并嘗試實現(xiàn)谷物外觀品質(zhì)動態(tài)檢測 [1]。從 1983 年開始，日本大學(xué)森島博利用計算機視覺對稻米識別和分級進行廣泛的研究。 Reyer等 利用計算機視覺技術(shù)，尋找合適的波長并該波長下的濾光鏡獲得梨的圖像，然后對該圖像進行分析，從而對梨的表面損傷進行檢測。 第 2 章，具體介紹了圖像預(yù)處理的有關(guān)算法，包括采用開運算進行圖像去噪 。全局閾值圖像分割的方法有多種 ,如直方圖閾值圖像分割、類間差閾值圖像分割、最大熵閾值圖像分割等 . 下面簡單介紹類間差閾值基于圖像的稻米外觀 檢測系統(tǒng)研究 6 圖像分割的基本原理 [19]和基于灰度直方圖的閾值分割 [20]。形態(tài)學(xué)圖像處理的數(shù)學(xué)基礎(chǔ)和所用語言是集合論。 A? B (A? B)? B B A A? B 基于圖像的稻米外觀 檢測系統(tǒng)研究 10 根據(jù)稻米圖像的特點，利用 22? 的結(jié)構(gòu)元素對稻米圖像進行開運算，去除噪聲，其結(jié)果如圖 25 所示。 基于圖像的稻米外觀 檢測系統(tǒng)研究 12 (a) 四領(lǐng)域鏈碼 (b) 八領(lǐng)域鏈碼 圖 31 鏈碼表示法 鏈碼編碼的基本思想是：先利用某種規(guī)則的單元格將圖像鋪滿，然后對目標(biāo)圖像邊界上的每一個節(jié)點根據(jù)與之相連的單元格的情況進行 編碼。經(jīng)研究發(fā)現(xiàn)，每一種位置關(guān)系都有六種對應(yīng)的狀態(tài)圖。此方法求 MER 是通過旋轉(zhuǎn)圖像矩陣來實現(xiàn)，計算量較大，特別當(dāng)圖像越大時，算法效率越差。 基于圖像的整精米率檢測方法 整米和碎米的區(qū)分 整米與碎米的區(qū)分是整精米率檢測的基礎(chǔ)。 本論文需要實現(xiàn)稻米外觀檢測和稻米粒型檢測的功能。 B1 177。 表 42 整精米率的兩種方法檢測結(jié)果 單位： % 樣品 人工法 計數(shù)法 1 2 3 4 5 從表 42 可以看出，采用人工法和計數(shù)法得出的結(jié)果并無太大差異，經(jīng)計算，人工法與計數(shù)法的相關(guān)系數(shù)達到 ，由于人工法 缺乏客觀性和可重復(fù)性，檢測精度難以控制，而且操作過程費時費力，計數(shù)法操作既簡單，穩(wěn)定性又高，所以采用計數(shù)法優(yōu)于人工法。 首先，我要感謝我的指導(dǎo)老師姚青老師的悉心指導(dǎo)和嚴(yán)格要求。圖像開操作 39。 Ar(i)=Ar(j)。 //計算 一條邊長 b=sqrt((V(3,1)V(2,1)).^2+(V(3,2)V(2,2)).^2)。 kk //自動計數(shù)，并區(qū)分整米碎米 基于圖像的稻米外觀 檢測系統(tǒng)研究 30 [L,num]=bwlabel(I)。碎米 39。 for i=1:max(L(:)) Ar(i)=sum(I(L==i))。%此處求出寬長比 width(i)=b。 end end end Ar sum=0。 //圖像腐蝕 Iobr=imreconstruct(Ie, I0)。姚老師為我創(chuàng)造了良好的學(xué)習(xí)和鍛煉的環(huán)境，使我各方面的 能力都有了長足的進步；姚老師對于我設(shè)計的指導(dǎo)，思維上的啟迪，都將成為今后工作、學(xué)習(xí)的寶貴精神財富。論文對于進一步發(fā)展圖像處理理論，推動計算機視覺在農(nóng)業(yè)特別是稻米質(zhì)量檢測中的應(yīng)用 具有一定的理論意義和重要的應(yīng)用價值 。 B2 177。 基于圖像的稻米外觀檢測系統(tǒng)界面如圖 4 42所示。 （ 2） 逐粒計算被檢測稻米的面積。其尋找 MER 的主要思想是：首先利用邊界跟蹤自動機跟蹤邊界，得到區(qū)域邊界的頂點鏈碼表，通過解碼將其轉(zhuǎn)化為頂點的 x 軸方 向和 y軸方向的坐標(biāo)，并找出最大和最小坐標(biāo)即 ),( maxmax1 yxP 和 ),( minmin2 yxP ，以此兩點連線作為對角線的矩形即為圖像區(qū)域的最小外接矩形，其中矩形的 minmax xxL ?? ，寬基于圖像的稻米外觀 檢測系統(tǒng)研究 16 為 minmax yyW ?? 。圖 35中的圓圈表示空缺單元格，即邊界跟蹤時可行走的方向。 頂點鏈碼表示 鏈碼表示法中應(yīng)用最廣泛的是弗里曼鏈碼（ Freeman， 1961） [2224]。因此，有必要獲得稻米粒型的準(zhǔn)確信息。形態(tài) 學(xué)圖像處理的基本運算有4 個：腐蝕、膨脹、開運算和閉運算 [21]。最大類間方差法主要依據(jù)是概率統(tǒng)計和最小二 乘法原理，該方法的 判決準(zhǔn)則是基于圖像直方圖一階統(tǒng)計特性 ，其主要思想 為 選取灰度值 t，以它為界將灰度范圍為 {0,1,…,L1}圖像分為背景和目標(biāo)兩類， ip 為灰度 i 出現(xiàn)的概率，背景部分的概率為 ???ti iptw 00 )( ，目標(biāo)部分的概率為 ?????111 )(Lti iptw ，背景部分的均值 ???ti i twipt 0 00 )(/)(? ，目標(biāo)部分的均值 ?????11 11 )(/)(Lti i twipt? 。 第 3 章，具體介紹了稻米外觀品質(zhì)檢測的有關(guān)算法，包括以最小外接矩形法確定稻米的粒型；基于圖像的稻米整精米率計算方法。 Liao， Panigrahi 通過對計算機視覺方法實現(xiàn)對玉米的顏色、種籽尺寸的質(zhì)量檢測，為谷物質(zhì)量的自動化檢測系統(tǒng)的工業(yè)化開發(fā)打下了一定的 技術(shù)基礎(chǔ)。 Travis 根據(jù) 49 種不同的稻谷和草籽輪廓，并結(jié)合種子的長度，成功地辯別出大多數(shù)谷物的種類 [8]。尚艷芬和侯彩云等利用計算機視覺技術(shù)并通過實驗建立了從群體米樣中分割整精米的計算模型，自動識別基于圖像的稻米外觀 檢測系統(tǒng)研究 2 整精米和碎米 [3]。 Rice Head Rice RateI 目 錄 摘 要 Abstract 第 1 章 緒論 ....................................................................1 .......................................................1 ...........................................................1 .......................................................1 .......................................................2 .................................................................4 第 2 章 稻米圖像預(yù)處理 .................................................. 5 .................................................................5 .....................................................5 .......................................................5 .................................................................7 ...............................................................8 ...............................................................8 .................................................