第13章工程实例演示教学.pptVIP

第13章 工程实例; 13.1 实例一——水果图像的个体识别　　农产品图像的自动识别和分类是农业现代化发展的一个重要领域，它能克服传统手工检测劳动量大、生产率低和分类不精确的缺点，以实现高速、精确的不同类型水果的识别。本实例以水果图像为研究对象，综合应用本书介绍的图像处理基本方法，实现对图13-1所示图像中多个水果个体的识别。;;　　通过对图13-1所示图像分析可知，我们首先需要进行亮度调整，以增强水果和背景的对比度；其次，需要分割出不同水果图像，一般采用在合适的颜色空间(如HSI)中，从某一颜色通道中分割出水果，该方法需进行颜色空间变换并统计出范围值，计算较复杂。另一方面，水果和背景的边缘代表了水果的轮廓信息，具有高效、快捷的优点，已得到广泛的应用。本实例采用彩色边缘特征获取水果边缘，并利用该边缘信息实现水果区域填充，从而分割出不同的水果；然后，对分割出的水果进行标记，并跟踪其轮廓，为参数提取奠定基础；最后，计算出水果的颜色特征和球状性特征，选取合适的特征阈值实现不同类型水果的个体识别。本实例的处理流程如图13-2所示。;;13.1.1 亮度调整　　由于获取图像的外界环境和设备不确定，导致图像亮度不均匀，影响后续边缘检测，因此，有必要对图像进行亮度调整。在此，选取自动亮度调整方法，该方法把图片中亮度最大的5％像素提取出来，然后线性放大，使其平均亮度达到255。一般情况下，该方法能实现对亮度不均匀图像较好的处理效果。对图13-1进行亮度调整后效果如图13-3所示。;;13.1.2 边缘提取　　目前，边缘提取方法分为灰度图像边缘提取和彩色图像边缘提取，前者利用物体与背景的灰度变化提取边缘，这样必然会失去图像的颜色特征，降低提取的精度。研究表明，彩色在边界的感知中起了主要作用，彩色边缘检测与单色边缘检测相比，能取得更好的效果。彩色图像边缘提取方法有两种： 输出融合法和多维梯度法。两种方法都先计算不同颜色通道的梯度信息，选取阈值实现边缘提取，差别在于： 前者对各个颜色通道分别选取阈值，提取边缘后综合为总体边缘信息；后者先???合所有通道的梯度信息，然后选取一个阈值实现边缘信息提取。本实例选取多维梯度法，并直接在RGB通道上处理，其检测流程如图13-4所示。;　　梯度信息的提取选取Sobel算子，该算子对轮廓清晰和不太清晰的水果图像都具有较好的处理效果。对亮度调整后的图像进行Sobel算子处理后，得到R、G、B三个通道的梯度值R_T、B_T和G_T，由其生成的梯度图像如图13-5所示；然后，求三个通道梯度和，利用判别分析法求出阈值T；最后，二值化处理得到边缘图像如图13-6所示。;;;13.1.3 图像分割　　由图13-6可以看出，对象的内部存在大量的纹理噪声，其外部也可能存在着小噪声区域。因此，需要填充对象区域和外部噪声区域，以方便后续处理。填充每个水果区域时，由于区域内部存在噪声干扰，实现比较复杂，故采用填充背景的方法。具体做法是： 取图像左下角像素为种子点，用4连通区域种子填充算法，将背景填充为一个固定值(如128)；填充结束后，将像素值为非128的像素全部置为0，再将背景(值为128)置为255，便可实现水果的分割，如图13-7所示。;;13.1.4 区域标记　　为实现不同个体特征的提取，需要进行区域标记，以便检测不同个体的特征参数，进而实现类型识别。　　本实例采用序贯标记算法。针对4连通区域，设当前像素为p(x，y)，其上方像素为p(x，y-1)，左方像素为p(x-1，y)，从第一行开始，对图像从上到下，从左到右扫描，其标记规则为： 　　若p(x，y-1)和p(x-1，y)都未被标记，则赋予p(x，y)一个新的标记。　　若p(x，y-1)和p(x-1，y)都被标记，且标记相同，则赋予p(x，y)该标记。;　　若p(x，y-1)和p(x-1，y)都被标记，且标记不相同，则赋予p(x，y)该两者中较小的标记，同时记录p(x，y-1)和p(x-1，y)的标记为相等关系。　　若p(x，y-1)和p(x-1，y)其一被标记，则赋予p(x，y)该标记。　　按照以上规则扫描一次图像后，进行第二次扫描，把具有相等关系的区域合并。标记过程中，将像素数小于30的区域作为噪声去除。将经过标记处理后，香蕉、苹果、黄瓜和西瓜区域的标记分别设为1、2、3和4。统计标识数量便可得到水果个数；将标记为1～4的区域分别赋予灰度值40、80、120和160，其效果如图13-8所示，表明已经将水果区域标记出来了。;;13.1.5 轮廓跟踪　　标记出每个水果图像后，需要跟踪出所有图像的轮廓，并将轮廓像素的坐标保存到带标记的结构体数组中，用于后面特征参数的计算。将跟踪出的轮廓像素值置为0的效果如图13-9所示。