【正文】 。 中值濾波 本文采用 中值濾波法 對采集來的數(shù)字圖像進(jìn)行濾波，得到很好效果，同時(shí)中值濾波速度很快，能夠滿足系統(tǒng)對速度的要求 [12]。 中值濾波采用模板增強(qiáng)的方法， 用一個(gè)含有奇數(shù)點(diǎn)的滑動(dòng)窗口，將窗口中各點(diǎn)灰度值的中值來替代指定點(diǎn) (一般是窗口的中心點(diǎn) )的灰度值。 中值濾波對濾除脈沖干擾信號和圖像的掃描噪聲效果很 好 ，且 中值濾波在運(yùn)算過程中無需要圖像的統(tǒng)計(jì)特性，因此計(jì)算很方便。 盡管中值濾波器是一種有效地濾除脈沖干擾如顆粒噪聲等、保持圖像邊緣的濾波器，但隨著窗口的增加，雖然濾波能力增強(qiáng)，但有細(xì)節(jié)損失，而且速度隨著窗口的增大而降低。本系統(tǒng)選擇 31? 的滑動(dòng)窗口。 (a)原圖 (b)處理后的圖 圖 43 中值濾波處理原理 Figure 43 The value of the filtering principle 圖中數(shù)字代表該處的灰度。 經(jīng)過 31? 窗口 (即水平 3 個(gè)象素取中間值 )的中值濾波，得到右圖 (b)，可以看出，噪聲點(diǎn)被去除。 圖 44 蘋果圖像的中值濾波 Figure 44 Median filtering of Apple image 圖像增強(qiáng) 圖像增強(qiáng)主要是為了突出目標(biāo) 圖像，增加對比度，使目標(biāo)從背景中分離出來，為特征提取做準(zhǔn)備?？臻g域法主要是在空間域上對圖像的像素直接進(jìn)行運(yùn)算處理，即可直接得到增強(qiáng)后的圖像 ； 而頻率域法是將圖像變換到某個(gè)空間 (例如頻率域 )中進(jìn)行運(yùn)算處理，最后將運(yùn)算處理后的結(jié)果再進(jìn)行對應(yīng)變換的反變換得到增 10 強(qiáng)后的圖像。 空域圖像增強(qiáng)的常用方法是灰度變換法和直方圖修正法。 線性灰度變換 從 CCD 攝像頭得到的圖象，常表現(xiàn)出對比度較差，為此需對圖象中的每一象素的灰度級進(jìn)行標(biāo)度變換，擴(kuò)大圖象灰度范圍，以達(dá)到增強(qiáng)圖象的目的。這時(shí)如將圖象灰度線性擴(kuò)展，可以顯著改善圖象的觀察質(zhì)量。 直方圖修正法 直方圖表示數(shù)字圖象中每一灰度級的出現(xiàn)頻數(shù)的統(tǒng)計(jì)概念。直方圖從統(tǒng)計(jì)意義上給出圖象的概括性描述，包括灰度范圍、灰度級分布情況等， 為進(jìn)一步處理提供了依據(jù) 。經(jīng)增強(qiáng)后的灰度級為 s， s 與 r 的關(guān)系為 ? ?s T r? 。 其中 L 是灰度級的數(shù)目。則取變換為： ? ? 0k ikk i ns T r n???? （ ） 在上式變換下，數(shù)字圖像的直方圖成為均勻分布形狀，即直方圖均衡變換。 這樣就造成不同 ks 合并成同一灰度級，即以減小圖像灰度級換取對比度的擴(kuò)大。 (2)求出變換函數(shù) ： ? ? , 0 1kks T r k L? ? ? ?。 (4)以合并后的 ks 增強(qiáng)圖像。它計(jì)算簡單，而且能用封閉和連通的邊界定義不交疊的區(qū)域。所有灰度值小于該 閾值 的象素為另一類，其中一類為背景，另一類為目標(biāo)。本文主要根據(jù) 蘋果 的特點(diǎn)，主要考慮二值化分割。圖像二值化的關(guān)鍵技術(shù)是閾值的選取。根據(jù)其對像素的處理方式可以分為兩大類 ： 基于局部的閾值選取方法和基于全局的閾值選 取方法。 現(xiàn)有的二值化的方法很多，灰度直方圖法、微分直方圖法、非等同嫡法、最小模糊度法等。從而利用灰度的變化率來決定閾值。因此這種算法很不穩(wěn)定，對于不滿足該假設(shè)條件的圖像二值化效 果很差。 改進(jìn)的灰度直方圖法 灰度直方圖分割又是比較容易計(jì)算的一種方法，利用直方圖對圖像進(jìn)行二值化有一個(gè)假設(shè) ： 圖像由具有單峰物體目標(biāo)和背景兩部分組成，在物體目標(biāo)和背景內(nèi)部的像素灰度是相關(guān)的，但是在物體目標(biāo)和背景相交的邊緣像素的灰度值變化很大。 最簡單的利用 閾值 法分割灰度圖像的 的方法的步驟如下。然后將圖像的灰度值與閾值 T 進(jìn)行比較，將比較結(jié)果分成兩類 ： 一類 g 大于 T ，另一類 g 小于 T 。從蘋果的灰度直方圖可以看到都有峰值出現(xiàn)，但是有的有多個(gè)峰值，有的還有一些小的干擾峰值，而且整個(gè)灰度圖毛 13 刺 (噪聲 )較多。進(jìn)行平滑處理后，還會(huì)出現(xiàn)多個(gè)峰值，本算法采用求多個(gè)峰點(diǎn)的中間點(diǎn)作為閾值點(diǎn)。對直方圖進(jìn)行平滑時(shí)， x 的 ()gx值為與 x 相鄰的的幾個(gè)橫坐標(biāo)的縱坐標(biāo)的平均值。( ) ( )xkixg x g ik??? ? （ ） 其中 k 所取相鄰的坐標(biāo)的個(gè)數(shù) ； x 所要計(jì)算的橫坐標(biāo)； 39。 直方圖平滑后的圖像特征明顯，峰值和谷點(diǎn)都 相對于處理前容易找到。為此計(jì)算閾值本文采用求多個(gè)峰點(diǎn)的中間點(diǎn)，計(jì)算步驟為 ： 首先在平滑后的直方圖上找出所有的極大點(diǎn) tP ，對 39。 數(shù)學(xué)表示為 ： 11 ()NiT p iN ?? ? （ ） 在閾值計(jì)算時(shí)還應(yīng)該考慮到除去小的噪聲干擾，比如圖像中小的峰值和谷點(diǎn)應(yīng)該剔除。 圖 47 二值化效果圖 Figure 47 The value of design sketch 邊緣檢測 邊緣檢測包括兩個(gè)基本內(nèi)容 ： 首先抽取反映灰度變換的邊緣點(diǎn)，而后剔除某些邊界點(diǎn)或填補(bǔ)邊界間斷點(diǎn)，并將這些邊緣連接成完整的線。 14 傳統(tǒng)的邊緣檢測算子有一階微分算子如 Sobel 算子，梯度算子， Robert 算子， Prewitt算子等 ； 二階微分算子如 Laplacian 算子 等 [17]。該算子是在以 ( , )f xy 為中心的 33? 鄰域上計(jì)算 x 和 y 方向的偏導(dǎo)數(shù)， 即 { ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) }{ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) }{ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) }{ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) }xys f x y f x y f x yf x y f x y f x ys f x y f x y f x yf x y f x y f x y? ? ? ? ? ? ? ? ?? ? ? ? ? ? ?? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? () 實(shí)際上，上式應(yīng)用了 ( , )f xy 鄰域圖像強(qiáng)度的加權(quán)平均差值。 下 面 所示的兩個(gè)卷積核形成了 Sobel 邊緣檢測算子，圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積，一個(gè)核對通常的垂直邊緣響應(yīng)最大，而另一個(gè)對水平邊緣響應(yīng)最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。當(dāng)使用大的領(lǐng)域時(shí)，抗噪聲特性會(huì)更好，但這樣做會(huì)增加計(jì)算量，并且得到的邊緣也較粗。因此 Sboel 算子對噪聲具有平滑作用，能提供較為精確的邊緣方向信息，但是，這是由于局部平均的影響，它同時(shí)也會(huì)檢測出許多的偽邊緣，且邊緣定位精度不夠高。 15 邊緣檢測后的二值化的效果圖如圖 48 所示： 圖 48 邊緣檢測后的二值化效果圖 Figure 48 The value of design sketch after the edge of the inspection 梯度算子 梯度對應(yīng)一階導(dǎo)數(shù)，梯度算子也就對應(yīng)著一階導(dǎo)數(shù)算子 [18]。 Roberts 邊緣檢測算子 Roberts 邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子。在實(shí)際應(yīng)用中，為了簡化計(jì)算，用梯度函數(shù)的Robert 絕對值來近似 ： [ ( , ) ] ( , ) ( 1 , 1 ) ( , 1 ) ( 1 , )G f x y f x y f x y f x y f x y? ? ? ? ? ? ? ? () 另外還可以用 Robert 最大值算子來計(jì)算 [ ( , ) ] m a x( ( , ) ( 1 , 1 ) , ( , 1 ) ( 1 , ) )G f x y f x y f x y f x y f x y? ? ? ? ? ? ? () 16 上式能夠提供較好的不 變性邊緣取向。 Robert 邊緣檢測算子的卷積算子為 ： 1001??????? 0110??????? 由上面兩個(gè)卷積算子對圖像運(yùn)算后，代入 ()式，可以求得圖像的梯度幅度值( , )gxy ，然后適當(dāng)選取門限 TH ，作如下判斷 ： 如果 ( , )g x y TH? ，則 (, )ij 為階躍狀邊緣點(diǎn)， { (, )}gi j 為一個(gè)二值圖像，也就是圖像的邊緣圖像。 Prewitt 算子也產(chǎn)生一幅邊緣幅度圖。這使得它們對邊緣的走向有些敏感。這與真實(shí)的梯度值更接近。這些算子樣板由理想的邊緣子圖像構(gòu)成。用這個(gè)最大值作為算子的輸出值 (, )Pi j ，這樣可將邊緣像素檢測出來。對模板的基本要求是對應(yīng)中心的系數(shù)必須為正，而對應(yīng)中心像素相鄰系數(shù)為負(fù)，且這些系數(shù)的和 為零。而且它產(chǎn)生的邊緣是雙邊的，不能確定邊緣的方向，因此拉普拉斯算子很少用于邊緣檢測，而常常用于已知邊緣像素后，確定邊緣像素的明暗。 Laplacian 邊緣檢測算子模板為： 0 1 01 4 10 1 0?????????? 1111 8 1111?????????????? 17 幾種算子的比較 以上幾種邊緣檢測算子對蘋果圖像處理的結(jié)果如圖 49 所示。 Prewitt 算子和 Sobel算子都是 33? 算子，對灰度漸變和噪聲較多的圖像處理得較好。 (3)Prewitt 算子并不是各向同性的，所以 如 圖所示， (d)圖中我們看到的邊緣并不是完全連通的，有一定程度的斷開 ； 而使用 Robert 和拉普拉斯算子就不存在這樣的問題。解決這個(gè)問題的方法是把它擴(kuò)展成八個(gè)方向的 Sobel 和 Prewitt 邊緣算子。因此本人在對蘋果分級時(shí)使用的是 Sobel 算子進(jìn)行邊緣檢測。圖像細(xì)化有利于突出目標(biāo)物體的形狀特征，去掉沒用和重復(fù)的信息。圖像細(xì)化的過程就是求圖像骨架的過程。如果不細(xì)化，則邊緣線的粗細(xì)將嚴(yán)重影響重心的計(jì)算。骨架是用一個(gè)點(diǎn)與一個(gè)點(diǎn)集的距離來定義的，用數(shù)學(xué)形式可表示成 ： ( , ) inf { ( , ) | }sd p B d p z z B?? （ ） 其中 p 圖像里的一個(gè)點(diǎn)； B 圖像的邊界； 實(shí)際計(jì)算中都是采用逐次消去邊界點(diǎn)迭代細(xì)化算法。 設(shè)已知圖像的目標(biāo)標(biāo)記為 1，背景點(diǎn)標(biāo)記為 0。算法對邊界點(diǎn)進(jìn)行的操作如下 ： (1)考慮以邊界點(diǎn)為中心的 8鄰域 ，記中心點(diǎn)為 1p ，其鄰域的 8 個(gè)點(diǎn)順時(shí)針繞中心點(diǎn)分別記為 2 3 9,p p p ，其中 2p 在 1p 的上方， 下面所示的 是邊緣像素的標(biāo)記方法。當(dāng)把圖 像區(qū)域的所有邊界點(diǎn)標(biāo)記完后，將這些點(diǎn)都除去。 但是有的點(diǎn)例外不能刪除，下面 列出了不可刪除 1p 點(diǎn)的情況 。而 b 類點(diǎn)的刪除是端點(diǎn)，不能刪除，刪除會(huì)過多的侵蝕。 a 類不可去點(diǎn)11 1 011000p????????； b 類不可去點(diǎn)100010000p????????； c 類不可去點(diǎn)11 0 100111p????????； 本課題在計(jì)算圖像的 中 心時(shí)，是通過計(jì)算圖像邊緣的幾何中心來達(dá)到目的。其中 a.是原圖， ， Sobel 邊緣檢測圖， ， 理結(jié)果。 20 圖 410 蘋果自動(dòng)分級系統(tǒng)的低層信息處理結(jié)果 Figure 410 The lower layer image processing results of the apple classify automatically 蘋果的特征提取 及識別 特征提取方法在 蘋果 識別中 的應(yīng)用 。首先，圖像數(shù)據(jù)占用很大的存儲空間，直接進(jìn)行識別速度很慢。特征的選擇很重要，如果提取不合適，很難代表圖像的特征，導(dǎo)致分類精度下降 [19]。 良好的特征應(yīng)具有四個(gè)特點(diǎn) [20]。對于屬于不同類別的圖像，它們的特征值應(yīng)具有明顯的差異。對于同類的圖像，它們的特 征值應(yīng)比較相近。所使用的各個(gè)特征之間應(yīng)彼此不相關(guān)。圖像識別系統(tǒng)的復(fù)雜性隨著特征的個(gè)數(shù)迅速增加，尤為重要的是用來訓(xùn)練分類器和測試結(jié)果的樣本數(shù)量隨著特征的數(shù)量呈指數(shù)關(guān)系增加。描述物體大小的特征量比較常用的有面積，線度等。這種方法必須在物體和背景內(nèi)部比較平滑，能夠清楚的分清物體和背景。但是如果不滿足上述條件，效果就不一定好。借助于人眼視覺特征，如果能夠找到一個(gè)特征量，即使在輪廓線上有斷缺，也能夠正確反映蘋果大小的量將能帶來很好的識別效果。計(jì)算時(shí)，首先計(jì)算邊緣輪廓的 幾何 中 心點(diǎn) 坐標(biāo) (, )xy ,然后計(jì)算出邊緣上各點(diǎn)到 中 心的距離的平均值，這個(gè)平均值就是要求的 0r 。則 中 心計(jì)算式 ：