颜色纹理特征融合的猕猴桃果实分割方法答辩讲述.pptxVIP

颜色纹理特征融合的猕猴桃果实分割方法 目录 研究背景与意义 研究方案 研究结果与分析 研究过程 研究总结与展望 一.研究背景与意义 猕猴桃产业是西北地区主要农产业之一。然而往往人工采摘猕猴桃的方式费时费力且效率低。机器人采摘技术不但可提升对猕猴桃采摘的工作效率而且对促进产业发展具有重要意义。为了为猕猴桃采摘机器人的工作提供前期的技术支持。针对猕猴桃实际采摘中的问题，本文以自然条件下的猕猴桃为研究对象，用纹理特征对猕猴桃果实进行分割。 二.研究方案 Step 1 Step 2 Step 3 Step 4 猕猴桃果实 通道显著性 分析 样本点纹理 特征提取， 训练二分类 分类器 利用训练好 的SVM分类器 进行果实的 识别和提取 对分割好的图像进行形态学处理 三.研究过程 猕猴桃图像的颜色特征分析 颜色特征是图像的重要信息。传统的基于颜色特征的图像分割中，待分割图像被转换到不同的颜色空间，对不同通道信号进行阈值分割。其中Otsu方法是确定阈值的经典方法。本文对RGB颜色空间的R–B分量、R–G分量，L*a*b*颜色空间的a*分量，YIQ颜色空间I分量以及HSV颜色空间的S分量，采用Otsu方法进行自动阈值分割。 三.研究过程 (a) 原始图像 (b) R–B分量 (c) R–G分量 (d) a*分量 (e) I分量 (f) S分量 三.研究过程 猕猴桃图像纹理特征分析 自然条件下拍摄到的猕猴桃图像有着复杂的背景，利用颜色空间很难很好的将果实从背景中分割出来。背景主要有天空、土壤、枝干、树叶、网架、人等，这些因素干扰了对果实部分分割的判断。 (a) 树叶 (b)地面 (c)布 (d)树干 (e)天空 (f)树枝 (g)果农 (h)果实 三.研究过程 图像纹理特征提取方法 实验方法 本文从随机选取的15幅自然条件拍摄的猕猴桃果实图像中人工选取100个猕猴桃果实目标像素点与150个背景像素点。取以选取的点为中心，取N×N的图像子块并将其灰度化。取该N×N图像子块的灰度共生矩阵[dx,dy]=[0,1]、[1,1]、[1,0]的三个方向上的位移，在每个位移上均可计算出差分矩、熵、相关性、能量和对比度五种特征量，三个位移上的15个特征量构成基于GLCM的15维纹理特征，分别计算出人工选取点的15维纹理特征。构成15×150的背景数据15×100的目标数据。 三.研究过程 对比方法 取以人工选取的猕猴桃果实与背景像素点为中心取如图所示的三个方向上的N×N的图像子块并将其灰度化。利用每个子块的灰度共生矩阵分别求出五种特征量得到15个特征量构成15维纹理特征，构成15×150的背景数据15×100的目标数据。 提取子块方向 三.研究过程 基于SVM的猕猴桃果实分类器构建 猕猴桃果实分割可通过把每个像素分类为果实或背景来完成。根据猕猴桃目标与背景特征的不同，训练分类器对目标与背景进行分类识别。在两分类问题中，支持向量机（SVM）获得广泛应用。利用提取过的纹理特征训练SVM并用于猕猴桃果实的分割识别。选用RBF核函数训练分类器得到分类模型。 建立好的模型 三.研究过程 融合颜色信息的猕猴桃果实初识别 为了在像素分类过程中，充分降低背景噪声的影响，本文融合颜色信息，进行猕猴桃果实分割识别。分别提取待分割图像的灰度信息、RGB颜色R–G分量信息、2R-G分量信息，后对各分量图中的每一个像素选择一个N×N子块，并分别提取15维纹理特征，将特征向量输入训练好的SVM进行识别并输出结果。针对不同的颜色空间分割的不同结果进行分析。 三.研究过程 分割图像的形态学处理与噪声的去除 由SVM初识别后的结果有少量噪声。噪声分两种：（1）背景区域被误判断为目标区域；（2）目标区域误判为背景区域。首先扫描各个连通区域面积值，设定一个阈值，将小于阈值的目标区去除。第二种误判主要由目标内部的一些细小黑洞导致。最后应用形态学区域填充，填补果实图像内部孔洞。 处理后 处理前 四.研究结果与分析 图像采集及特征提取 图像采集地点为陕西眉县某农户猕猴桃园。采用型号为Sony DSC-WS350的数码相机，共采集了54幅“秦美”猕猴桃图像，图像尺寸大小为640×480，真彩色JPG格式。不同条件下获取的猕猴桃图像统计如表1所示。 目标个数 光照条件 单个目标 多个目标 顺光 16 13 逆光 5 3 侧光 6 2 表1 不同条件下获取的猕猴桃图像统计 四.研究结果与分析 纹理分块大小确定 提取图像纹理特征时，以某像素为中心取一个N×N子块。在相同SVM参数设置的情况下，N对图像的分割效果有影响。为确定最佳分块大小，分别对实验方法取N=5、9、15、31、51，对比方法取N=5、7、9、13、17对比图像子块大小不同时的分类正确识别率，结