基于计算机视觉的成熟番茄识别研究.docxVIP

基于计算机视觉的成熟番茄识别研究作者：天天论文网 日期：2016-4-2 11:03:18 点击：5摘要: 以番茄图像为研究对象，提出一种成熟番茄识别方法。首先，以HSI?模型中的色调分量为基础进行图像分割，提取出成熟番茄目标图像; 然后，再采用最大方差自动取阈值法进行分割处理，对得到的目标图像进行轮廓提取; 最后，对轮廓曲线采用Hough?变换的方法进行识别，以同一个轮廓圆识别的多个极值点的均值作为最终识别结果，在Hough?变换之前采用最小外接矩形法进行有效区域标记，提高了Hough?变换的效率。通过多幅番茄果实图像的仿真测试表明: 本算法对果实遮掩度为0、小于50%?、大于50%?这3?种情况的识别率分别为78． 7%?、68?． 1%?、41?． 9%?，平均识别率达到70?． 6%?。本算法对于成熟番茄可以较好识别，尤其对于存在重叠情况的番茄，识别准确率较高。关键词: 成熟番茄识别; 轮廓提取; 计算机视觉; 有效区域; 重叠引言计算机视觉技术已经在农业领域中得到了较为广泛的研究，涉及到诸多方面。李聪等［1］利用计算机视觉技术，研究了苹果图像自动分级优化问题，利用计算机视觉方法提高苹果自动分级效率，加快分级速度。孙月强［2］对于蔬菜的病斑识别算法进行研究，提出了一种小波变换的病斑识别方法。孟大伟［3］利用计算机视觉技术，通过水果的颜色特征和纹理特征，实现了水果图像自动识别。在番茄识别领域，张瑞合［4］等利用图像分割对番茄进行标定，继而采用面积配准，采用体视成像进行三维定位。蒋焕煜等［5］利用形心匹配和区域匹配的方法，获取番茄位置信息实现识别。赵杰文等［6］利用HIS?颜色特征，分割出成熟番茄区域，实现番茄的识别。纪平等［7］利用Canny?算子对番茄进行轮廓提取，再用圆对轮廓进行拟合，实现了番茄的识别。以上方法对于番茄的识别基本上都是基于颜色进行背景分离，然后采用区域匹配或计算中心矩进行位置信息获取; 而成熟番茄果形［8］主要呈现为椭球形，且多出现重叠情况，现有算法对于成熟番茄的识别效果不好，误差率较高，无法满足农业生产的实际需求。为此，以成熟番茄果实果形特点为研究对象，利用计算机视觉技术，对成熟番茄识别进行了研究。本文通过色调分离出枝叶等背景和成熟番茄，再利用Hough?变换识别果实轮廓，采用了外接矩形对有效区域进行标记，提高Hough?变换的效率; 通过求取多个识别极大值的均值，剔除突变点，提高识别准确度，实现了对成熟番茄的识别。1?成熟番茄识别本文算法通过图像分割、最小外接矩标记有效区域及Hough?变换等步骤，实现对于成熟番茄果实的识别，算法流程如图1?所示。1． 1?图像分割成熟番茄果实一般为红色，而枝叶等背景通常为绿色，差异性较为明显［9］。因此，本文通过颜色将果实和枝叶分离开来，采用HSI［1 0?－ 1 2］色彩模型，为减少光照等不利因素的影响，通过提取色调分量H?分离出果实。将输入图像由ＲGB?格式转换为HIS?模型。其中，H、S、I?这3?个分量的计算公式为H = W B?≤?GH =?2π?－ W?{?B?＞ G(?1)S =?1－?3min(?Ｒ，G，B)Ｒ + G + B(?2)I =?Ｒ + G + B3(?3)式(?3)?中，有W =?cos－1 2Ｒ － G － B2?［(?Ｒ － G)?2?+?(?Ｒ － B) (?G－ B)?］?{ }?12提取H?分量的图像如图2?所示。图2?提取H?分量的图像提取H?分量之后，根据番茄图像的特点，即番茄果实图像的灰度分布和枝叶图像的灰度分布分别对应着灰度直方图中的两个波峰，因此只需选取适合的阈值，就能将成熟番茄图像与枝叶这样的背景图像相分离。本文采用文献［13］中的最大方差自动取阈值法，该方法是利用方差的特性来进行阈值选择的。阈值T?的计算方法为T =?max［σΔ2?(?t)?］=?max{?θ1(?t)?θ2(?t)?［μ1(t)?－?μ2(?t)?］2?} (?4)其中，σΔ2?(?t)?为两个被t?分割开的区域的方差;θ1(?t)?和θ2(?t)?分别为分割后的区域1?和区域2?的面积与整个图像的面积的比值;?μ1(?t)?和μ2(?t)?分别为区域1?和区域2?的平均灰度值。当σΔ2?(?t)?的值最大时，两个区域的分离效果最好。分割的结果如图3?所示。对图像分割结果进行轮廓提取，如图4?所示。获取轮廓图像之后，即可采用Hough?变换进行识别。由于Hough变换的特点，计算量较大，因此在识别前，采用外接矩形标记［14］的方法进行有效区域的标记，以缩小计算的范围、简化计算。图3?灰度直方图与图像分割结果图4?提取的边缘轮廓曲线1． 2?外接矩形标记由于Hough?变换的参数空间巨大，运算耗费时间长，如果对整幅图像直接进行变换，必然耗费