【正文】 hter 等利用圖像的色度和亮度信息對桔子收獲機(jī)械手進(jìn)行導(dǎo)向，建立了一個利用顏色信息從桔樹上識別桔子的分類模型 [6]。 Delwiche 等利用線掃描攝像機(jī)采集干梅脯圖像，獲得各種表面缺陷的光譜特性，并根據(jù)灰度級變化來確定完好或破損的像素，最終通過單目標(biāo)線性決策函數(shù)來對干梅脯進(jìn)行分類。 1995 年，美國成功研制出Merling 計算機(jī)視覺水果分級技術(shù)系統(tǒng)，生產(chǎn)率約為 40t/h，已經(jīng)被廣泛應(yīng)用于蘋果、橘子、桃子及西紅柿等水果的分級，此技術(shù)已推廣到加拿大等其它 國家 [1]。 Tao 等研制出了基于計算機(jī)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。 Elster， Goodrum 利用計算機(jī)視覺技術(shù)對雞蛋表面裂紋進(jìn)行檢測 [1]。 存在的問題 在已有的谷物外觀品質(zhì)檢測系統(tǒng)中，大部分屬于靜態(tài)檢測系統(tǒng)。 靜態(tài)系統(tǒng)的優(yōu)點在于結(jié)構(gòu)比較簡單，加工成本和硬件成本低，對檢測算法的實時性要求不高，易于推廣和使用。在檢測時，一般需要人工放置待測樣品 。這種檢測方法只適用于小批量或抽樣檢測的場合，無法勝任大批量檢測的場合 [1]。這時，不但要求檢測設(shè)備具有品質(zhì)檢測的功能，還要具有在線分級的功能。因此，研究在線的谷物外觀品質(zhì)檢測系統(tǒng)是很有意義的。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(xì)介紹了 國內(nèi)外的研究進(jìn)展進(jìn)而提出本論 文的研究任務(wù)。以改進(jìn)的最大類間方差法來自動確定圖像分割閾值。 第 4 章，介紹了 GUI 界面設(shè)計思路，完成了 GUI 界面的設(shè)計，使研究結(jié)果更直觀。 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計） 5 第 2 章 稻米圖像預(yù)處理 由于獲得的圖像存在噪聲等因素，不能在檢測中直接應(yīng)用，必須對原始圖像進(jìn)行預(yù)處理 ，包括噪聲去除，圖像分割等。 圖像分割 圖像分割是圖像處理中的重要問題，圖像分割結(jié)果的優(yōu)劣直接影響到隨后的圖像分析、理解，目標(biāo)特征的提取與識別等。圖像分割有四種不同的定義形式 [16]： (1) 將圖像分成各個組成部分； (2) 識別并形成有相似特性的區(qū)域或特征集； (3) 把目標(biāo)物體從背景中分離出來； (4) 將圖像分成與目標(biāo) 物體有強(qiáng)相關(guān)的部分。常用的圖像分割方法是把灰度分成不同的等級，然后用設(shè)置灰度門限的方法來確定有意義的區(qū)域 [18]。圖像閾值分割主要利用圖像中要提取的目標(biāo)物體與背景在灰度上的差異 ,把圖像分為具有不同灰度級的目標(biāo)區(qū)域和背景區(qū)域的組合。 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(jìn)行圖像分割一般可得到比較滿意的結(jié)果。 基于最大類間方差法的閾值分割 [19] 最大類間方差法（ Otsu）是 自動的非參數(shù)非監(jiān)督的閾值選擇法，被認(rèn)為是圖像分割閾值自動選取的最優(yōu)方法之一，具有運算簡單，速度快，穩(wěn)定有效等優(yōu)點 。類 間方差的計算公式如下： 21010 ))()()(()()( tttwtwtd ?? ?? （ 21） 當(dāng)方差 )(td 最大值時， t 為最佳分割閾值。這樣，其中一個峰值對應(yīng)的是背景區(qū)域的灰度；而另一個峰值就對應(yīng)的目標(biāo)灰度了。 由于稻米圖像的背景和目標(biāo)區(qū)別明顯，背景單一，對此圖像進(jìn)行分割可以用最大類間方差法，也可以用直方圖法進(jìn)行。 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計） 7 (a)稻米原圖像 (b)Otsu 法分割 (c)灰度直方圖 (d)直方圖法 圖 21 圖像分割 從實驗的結(jié)果來看，對于目標(biāo)與背景區(qū)別明顯的圖像，最大類間方差法與直方圖法都能將圖像很好的分割，但對于一些復(fù)雜的圖像而言，以上方法就不一定能很好的處理了，更先進(jìn)的分割算法將不在這里贅述。在圖像采集和傳輸?shù)倪^程中，都容易引入噪聲信號。 本論文運用數(shù)學(xué)形態(tài)學(xué)的原理，采用開運算對圖像進(jìn)行噪聲的去除，首先介紹數(shù)學(xué)形態(tài)學(xué)的有關(guān)基礎(chǔ)知識?；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(dá)到對圖像分析和識別的目的。形態(tài)學(xué)圖像處理的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形狀特性，并除去不相干的結(jié)構(gòu)。 腐蝕 腐蝕是數(shù)學(xué)形態(tài)學(xué)最基本的運算，表示用某種“探針”（即某種形狀的結(jié)構(gòu)元素）對一個圖像進(jìn)行探測，以便找出在圖像內(nèi)部可以放下該結(jié)構(gòu)元素的區(qū)域。 BA? 由將 B 平移 x 但仍包含在 A內(nèi)的所有點 x 組成。 圖 22 腐蝕運算 膨脹 膨脹是腐蝕運算的逆運算，可以通過對補(bǔ)集的腐蝕來定義。膨脹運算后可填充圖像中相A A? B B 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計） 9 對結(jié)構(gòu)元素較小的孔洞及在圖像邊緣處的小凹陷部分。 開運算 利用結(jié)構(gòu)元素 B 對集合 A做開運算，表示為 BA? ，定義為： BBABA ??? )(? （ 24） 其等價方程： }:{ AxBxBBA ???? ?? （ 25） 上式表明，開運算可以通過計算所有可以填入圖像內(nèi)部的結(jié)構(gòu)元素平移的并求的。 圖 24 開運 算 開運算常常使用圓形結(jié)構(gòu)元素，因為圓形結(jié)構(gòu)元素具有旋轉(zhuǎn)不變性。 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(xì)長的搭接而起到分離的作用，使圖像更加平滑。 (a)帶噪聲 的稻米圖像 (b)開運算后的稻米圖像 圖 25 稻米圖像去噪 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計） 11 第 3 章 稻米外觀檢測算法研究 稻米粒型的檢測 稻米粒型是指稻米粒長與粒寬的比值，可以通過長度，寬度信息來描述，是稻米品種的重要特征之一，是商品稻米分類和定價的主要依據(jù)之一。 目前，國內(nèi)對稻米粒型的檢測主要依賴于人工利用直尺等工具進(jìn)行測量。 針對目前在稻米粒型檢測中依靠人工費時、費力、精度難于控制等問題，本節(jié)擬通過最大類間方差法自動確定圖像分割閾值，采用頂點鏈碼和最小外接矩形方法獲得稻米的長、寬信息 [30]。圖像處理的重要任務(wù)就是將它們尋找出來，并對其進(jìn)行分析和特征提取。對圖像中的區(qū)域有兩種常用的表示方法，直 角坐標(biāo)表示法和鏈碼表示法。例如： ),(),(),(),( 332211 nn yxyxyxyx ?等。常見的有四領(lǐng)域鏈碼和八領(lǐng)域鏈碼，如圖 31。 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。從圖像邊界上任意一個節(jié)點出發(fā)，按一定方向沿著圖像邊界走一圈，依次將所有節(jié)點的編碼都記錄下來，所形成的序列就是該圖像的鏈碼編碼。在弗里曼之后提出多種編碼的改進(jìn)方案 [2526]， Bribiesca[27] （ 1999）提出的頂點鏈碼編碼（ Vertex chain code）就是其中之一。 Bribiesca 對頂點鏈碼編碼做了系統(tǒng)的研究，并給出了三角點陣和正六邊形點陣中的頂點鏈碼編碼。從應(yīng)用的角度出發(fā)，利用方形點陣的八領(lǐng)域?qū)Χ祱D像進(jìn)行頂點鏈碼編碼。一個封閉的圖形可以用編號為1， 2， 3 這三種元素進(jìn)行編碼。因此，對區(qū)域邊界的標(biāo)定等價于對區(qū)域的標(biāo)定。當(dāng)跟蹤區(qū)域邊界時，當(dāng)前位置 與區(qū)域邊界單元格的相互位置關(guān)系有 24種，由于只沿一個方向（逆時針方向）行走，因此，實際上只有如圖 33 所示的 4 種位置關(guān)系。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。以第一種位置關(guān)系為例，有如圖 35 所示的 6 種對應(yīng)的狀態(tài)圖。當(dāng)當(dāng)前位置發(fā)生變化時，其坐標(biāo)也相應(yīng)發(fā)生改變，如 )1,1( ?? 表示當(dāng)前位置的 x 方向和 y 方向的坐標(biāo)各加 1。 2 1 1 3 3 1 1 3 1 2 1 3 2 1 2 1 2 3 2 1 1 3 1 3 基于圖像的稻米外觀 檢測系統(tǒng)研究 14 (1,1) (0,1) (+1,1) (1,0) (x,y) (+1,0) (1,+1) (0,+1) (+1,+1) 圖 34 像素點坐標(biāo)的定義 圖 35 八近鄰圖像狀態(tài)映射 由于位置關(guān)系的對稱關(guān)系，將第一種位置關(guān)系下的狀態(tài)圖逆時針旋轉(zhuǎn) 90o，可得到第二種位置關(guān)系的狀態(tài)圖。這 24 種狀態(tài)圖構(gòu)成的集合具有完備性和封閉型。對于八領(lǐng)域，為每一個 位置狀態(tài)規(guī)定一個頂點鏈子串，作為位置狀態(tài)的輸出、對于圖 33 所示的第一種位置關(guān)系，表 31 給出了相應(yīng)的鏈碼子串。 (0,+1) (+1,0) (1,+1) (0， 0) (1,0) (+1,0) 當(dāng)前狀態(tài)圖 下一時刻狀態(tài)圖 4 4 3 (+1,1) (+1,1) (+1,0) (+1,0) (+1,+1) (+1,+1) 當(dāng)前狀態(tài)圖 下一時刻狀態(tài)圖 2 1 1 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計） 15 表 31 八近鄰頂點鏈碼子串 輸入狀態(tài)圖編號 八近鄰頂點鏈碼子串 1 2 31 32 331 332 實現(xiàn)最小外接矩形 由于稻米的外形近似橢圓形狀，因此，目前計算稻米粒型的方法，主要是通過對稻 米進(jìn)行橢圓擬合，求得橢球的長軸、短軸作為稻米的粒長、粒寬。 2020 年，凌云等 [1]提出基于極坐標(biāo)的粒型檢測算法，通過先求出質(zhì)心再求出最長軸與最短軸的方法，具有旋轉(zhuǎn)不變性，但其對稻米外形進(jìn)行橢圓擬合，因此準(zhǔn)確度不是很高。 通常情況下，求 MER 方法首先對米粒進(jìn)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。 利用頂點鏈碼方法將圖像二維矩陣的旋轉(zhuǎn)轉(zhuǎn)換為一維鏈碼上的計算，這樣既節(jié)省了存儲空間又提高了計算效率。具體實現(xiàn)算法如下 [30]： (1) 將 24 種狀態(tài)映射圖保存在數(shù)組 TempArray 中，作為狀態(tài)遷移的模板保存起來為后面進(jìn)行狀態(tài)匹配使用。 (3) 按照順時針方向讀入以點 CurrPt 為中心的 33? 窗口，將其與存儲在數(shù)組TempArray 中的模板進(jìn)行比對，確定下一步行走的方向并重新設(shè)置前一個點PrePt 和當(dāng)前點 CurrPt，輸出邊界點的鏈碼子串。通過解碼來尋找 x 和 y 軸方向上具有最大坐標(biāo)和最小坐標(biāo)的兩個點，以兩點連線為對角線的矩形即為圖像區(qū)域的最小外接矩形。本實驗求得米粒的平均長度為 ， 均寬度為 ，長寬 比為 ， 平均面積為 。 整精米率是稻谷標(biāo)準(zhǔn) GB13501999[29]中新增加的內(nèi)容，也是優(yōu)質(zhì)稻谷標(biāo)準(zhǔn) GB/T 178911999 中的分級質(zhì)量指標(biāo)之一。 目前，國內(nèi)仍采用人工目測 識別整精米與碎米，并采用稱重法獲得整精米率的信息 。針對此問題，本節(jié)采用圖像處理技術(shù)對整 精米率檢測方法做進(jìn)一步的研究 。本論文提出了一下區(qū)分整米和碎米的方法，且以同一品種并在同一生長條件下生長的稻米粒型相似的前提假設(shè)： （ 1） 選擇被檢測中粒長最長的 30 粒米，計算其平