【文章內(nèi)容簡(jiǎn)介】 、高斯噪聲等。含有噪 聲的圖像常常表現(xiàn)為圖像變暗而不清楚，會(huì)對(duì)后續(xù)處理產(chǎn)生一定的影響，因此需要對(duì)圖像進(jìn)行平滑濾波處理。圖像平滑化處理方法有空域法和頻域法兩大類。空域?yàn)V波法是在圖像空間借助模板進(jìn)行鄰域操作來完成的，頻域?yàn)V波法是應(yīng)用變換技術(shù)，如求出圖像的變換，然后采用數(shù)字濾波技術(shù)圖像頻譜的算法。頻域法計(jì)算復(fù)雜，運(yùn)算時(shí)間長(zhǎng)，效率低，不適宜用于實(shí)時(shí)圖像處理。所以，本研究用來去除噪聲的方法只考慮空域?yàn)V波法?？沼?yàn)V波常用的方法有鄰域平均法和中值濾波法。 鄰域平均法 這種方法是空域?yàn)V波中算法最簡(jiǎn)單的。圖像區(qū)域內(nèi)任意點(diǎn)的灰度值是該點(diǎn) 鄰域內(nèi)各點(diǎn)灰度值的平均值。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(huì)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。鄰域的取法一般有 4鄰域和 8鄰域兩種。 中值濾波法 中值濾波是一種非線性平滑方法，既能消除噪聲又能保持圖像的細(xì)節(jié)。中值濾波方法工作過程是：首先將選定的窗口在圖中漫游，并將窗口中心與圖中某個(gè)像素位置重合，然后讀取窗口內(nèi)各對(duì)應(yīng)像素的灰度值，將這些灰度值按從小到大的順序排序，找出這些值里排在中間的 1個(gè)，最后將這個(gè)中間值賦給對(duì)應(yīng)窗口中心位置的像素。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(diǎn)。由于它不是簡(jiǎn)單的取均值，所以產(chǎn)生的模糊較少。 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。 5*5中值濾波能較好的消除噪聲影響。當(dāng)增加中值濾波的窗口時(shí)圖像繼續(xù)改善的效果不明顯，但處理時(shí)間會(huì)大幅度增加。通過上面試驗(yàn)再結(jié)合查閱論文可得出以下結(jié)論：在獼猴桃 采摘機(jī)器人的視覺系統(tǒng)中，當(dāng)目標(biāo)已經(jīng)分割出來時(shí)，濾波處理可以采用鄰域平均法，或用 5*5的 中值濾波方法：如果目標(biāo)還未分割，又要進(jìn)行濾波處理，可以采用 5*5中值濾波方法 [13] 。 基于 Matlab 圖像處理的獼猴桃目標(biāo)信息獲取方法的研究 8 邊緣檢測(cè)算法 邊緣是圖像中灰度級(jí)或者結(jié)構(gòu)或多或少存在突變的地方，表明一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域位置的開始， 主要表現(xiàn)為階梯狀、脈沖狀或者屋頂狀。邊緣不僅能傳遞圖像大部分信息，還能勾勒出物體的基本輪廓，所以邊緣檢測(cè)對(duì)計(jì)算機(jī)視覺系統(tǒng)來說是非常重要的。邊緣檢測(cè)是圖像處理中的一個(gè)重要組成部分，是所有基于邊界分割方法的首期工作。它為圖像的識(shí)別、恢復(fù)、增強(qiáng)以及重建提供了手段。 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。常用的方法包括對(duì)應(yīng)于一階微分的梯度法和二階微分法。梯度法通過檢測(cè)一階導(dǎo)數(shù)的幅度值來檢測(cè)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。二階微分法是利用二階導(dǎo)數(shù)算子過零點(diǎn)的性質(zhì)來確定邊緣的位置，較常用的算子為拉普拉斯算子(Laplacian)。 羅伯特 (Robert)邊緣檢測(cè)算子 根據(jù)任一相互垂直方向上的差分都可用來估計(jì)梯度， Robert算子采用對(duì)角方向相鄰兩像素之差，即 x ( , ) ( 1 , 1 )( 1 , ) ( , 1 )yf f x y f x yf f x y f x y? ? ? ? ?? ? ? ? ? （ 21） 其幅值為： 22x( , ) yG x y f f? ? ? ? （ 22） Robert邊緣檢測(cè)算子相當(dāng)于用模板 0110???????和 1001???????對(duì)圖像進(jìn)行卷積。 索貝爾 (Sobel)邊緣檢測(cè)算子 Sobel算子從不同的方向檢測(cè)邊緣，利用像素點(diǎn)上下、左右鄰點(diǎn)的灰度加權(quán)算 法，根據(jù)在緣點(diǎn)處達(dá)到極值進(jìn)行邊緣的檢測(cè)。其計(jì)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(duì)應(yīng)的兩個(gè)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(diǎn)的位置而不用考慮周圍的灰度差時(shí)可用該算子進(jìn)行檢測(cè)。對(duì)于階躍狀的邊緣，其二階導(dǎo)數(shù)在邊緣點(diǎn)出現(xiàn)零交叉，并且邊緣點(diǎn)兩旁的像素的二階導(dǎo)數(shù)異號(hào)。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? 。 其對(duì)應(yīng)的表達(dá)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(duì) 應(yīng)的模板為： 0 1 01 4 10 1 0??????? ． Canny 邊緣檢測(cè)算子 Canny算子是一個(gè)具有濾波、增強(qiáng)和檢測(cè)的多階段的優(yōu)化算子。在進(jìn)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(huì)指向不同的方向，所以 Canny 算法使用 4 個(gè) 掩膜 檢測(cè)水平、垂直以及對(duì)角線方向的邊緣。原始圖像與每個(gè) 掩膜 所作的卷積都存儲(chǔ)起來。對(duì)于每個(gè)點(diǎn)我們都標(biāo)識(shí)在這個(gè)點(diǎn)上的最大值以及生成的邊緣的方向。這樣我們就從原始圖像生成了圖像中每個(gè)點(diǎn)亮度梯度圖以及亮度梯度的方向。 對(duì) 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(biāo)信息獲取方法的研究 10 和 canny算子進(jìn)行處理，所用時(shí)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(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] 。獼猴桃采摘機(jī)器人在田間作業(yè)，工作環(huán)境復(fù)雜，因此在后續(xù)處理中選用 canny算子進(jìn)行邊緣檢測(cè)。 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。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(duì)應(yīng) 形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)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)。圖像形態(tài)學(xué)基本運(yùn)算包括膨脹 (Dnation)、腐蝕 (Erosion)、開啟 (open)和閉合 (Close)運(yùn)算。它們?cè)诙祱D像中和灰度圖像中各有特點(diǎn)?；谶@些基本運(yùn)算還可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用的算法 . 膨脹 第 二 章 圖像底層處理算法的研究 11 膨脹在數(shù)學(xué)形態(tài)學(xué)中的作用是對(duì)二值化物體邊界點(diǎn)進(jìn)行擴(kuò)充，將物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過程。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。 數(shù)學(xué)定義為：用 B來膨脹 A得到的集合 ^B (B的映像 )的位移與 A至少有 1個(gè)非零元素相交時(shí) B的原點(diǎn)位置的集合。膨脹具有擴(kuò)大圖像的作用。公式表示為： ^{ | [ ( ) ] }xA B x B A? ? ? ? ? （ 25） 腐蝕 腐蝕是膨脹的相反過程。腐蝕在數(shù) 學(xué)形態(tài)學(xué)中的作用是消除物體邊界點(diǎn)，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。這樣選取不同大小的結(jié)構(gòu)元素，就可以去除不同大小的物體。如果兩個(gè)物體間有細(xì)小的連通，通過腐蝕就可以將兩個(gè)物體分開。數(shù)學(xué)定義為：用 B來腐蝕 A得到的集合是 B完全包括在 A中時(shí) B的原點(diǎn)的位置的集合。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。通過開運(yùn)算可以去除圖像中的細(xì)線和小物體，分離連接很少的兩個(gè)物體，并在基本不改變較大物體的面積的前提下去除圖像邊緣的毛刺。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。同樣分析可知，閉運(yùn)算可以填充圖像中細(xì) 小的洞，連接相鄰的物體，并能在基本不改變?cè)矬w的面積的前提下平滑圖像的邊界。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(yàn)的基礎(chǔ)上，提出可用直方圖均衡化法進(jìn)行圖像的增強(qiáng)處理；用 5*5中值濾波法，進(jìn)行原始圖像信息的平滑處理。在圖像邊緣檢測(cè)方面，對(duì)經(jīng)典算子進(jìn)行了分析、基于 Matlab 圖像處理的獼猴桃目標(biāo)信息獲取方法的研究 12 比較和試驗(yàn)，提出可用 Canny算子進(jìn)行 獼猴桃 圖像的邊緣檢測(cè)。最后介紹了常用的幾種數(shù)學(xué)形態(tài)學(xué)的基本算法。 第 三 章 顏色特征分析與圖像分割 11 第三章 顏 色特征分析 與圖像分割 獼猴桃采摘機(jī)器人的正常工作首先依賴于對(duì)作業(yè)對(duì)象的正確識(shí)別和準(zhǔn)確定位。 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)。 獼猴桃果實(shí)與周圍環(huán)境間顏色特征 分析 要將水果從生長(zhǎng)環(huán)境中識(shí)別出來，對(duì)計(jì)算機(jī)來說顏色是果實(shí)與生長(zhǎng)環(huán)境中其它物體（葉子、枝條、果柄和其他背景干擾）最直接的區(qū)別，不同顏色空間下圖像處理效果會(huì)有明顯的差別。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。 顏色模型 顏色特征是物體表面的本質(zhì)特征，是機(jī)器視覺系統(tǒng)的基礎(chǔ)研究。本文的研究對(duì)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(biāo)的識(shí)別。一幅彩色圖像含有顏色信息，對(duì)這些顏色信息的研究離不開顏色的定量表示。目前，用于定量描述顏色的模型有許多種，為了科學(xué)的研究、測(cè)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。 通過查閱論文確定本研究中使用 于 果實(shí)圖像分割中最常用的 是 RGB模型和 L*a*b空間 模型。不同顏色空間下圖像處理的效果有顯著的差別。所以選擇一個(gè)合適的顏色模型對(duì)圖像的處理和分析很重要。 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。它是一種 加色模型 ，是 用三種原色──紅色、綠色和藍(lán)色的色光以不同的比例相加，以產(chǎn)生多種多樣的色光。 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。 圖像中每一個(gè)像素的 RGB 分量分配一個(gè) 0255 范圍內(nèi)的強(qiáng)度值，三個(gè)顏色分量按照不同的比例混合，可以組合出上千萬種的顏色。 在這種顏色模型中，彩色圖