基于hsi和lab的数学分割图像处理研究.docxVIP

基于hsi和lab的数学分割图像处理研究 摘要：苹果图像的精准分割是目标果实识别与定位的关键步骤，然而分割出的图像往往存在较多的孔洞和噪声，影响着进一步的识别与分析，因此需要对目标果实的分割图像进行完善和去噪处理。应用于苹果采摘机器人的图像处理中，既要考虑处理精度，还要考虑处理效率。将数学形态学和贴标签法相结合，首先利用数学形态学方法去除分割图像的孔洞以及部分噪声，求出最大连通区域；然后利用贴标签法进一步处理，得到较为完好的目标果实图像。在HSI和Lab两种颜色空间下进行实验，对组合方法处理后的图像再利用Sobel算子进行边缘检测，结果表明，该方法能够有效地填补孔洞和滤除噪声，且不会破坏图像的边缘信息，为进一步的图像识别打下基础。 0 引 言中国是世界上最大的苹果生产和消费国，据国家苹果产业体系统计，我国的苹果种植面积和产量均超过世界的50%,且呈连年增长的趋势在国内外诸多学者的努力下，苹果采摘机器人的研究也达到一个新高度在苹果采摘机器人执行采摘作业的过程中，目标果实的识别与定位很大程度上制约着采摘效率，成为研究的瓶颈所在。以提高苹果图像识别精度为目标，对苹果图像的分割进行完善和去噪研究。图像的分割视为图像处理过渡到图像分析的关键一步1 苹果图像分割图像分割的好坏对后续处理效果有很大关系，并且，得到的分割图还会对图像的识别、分析等效果等产生决定性的影响。根据研究需要，现在先采集得到一张原始的苹果图像，如图1所示，利用自动阈值分割方法(Otsu)进行分割(分别在HSI和Lab颜色空间下进行)。1.1 基于HSI颜色空间分割首先将原始苹果图像的RGB图像转换到HSI颜色空间，得到图像的H分量图，接着采用直方图均衡化进行增强处理，再进行中值滤波简单去噪处理。预处理后还要进行自动阈值分割，阈值设为H分量像素最大值的70%。处理效果如图2所示。由图2处理效果看，在H分量下，图像分割效果并不理想，存在明显的过分割现象。1.2 基于Lab颜色空间分割为了避免图像的过分割现象，再将原始苹果图像的RGB图像转换到Lab颜色空间，对图像进行自动阈值分割，在由图2处理效果看，在2 苹果图像增强由图2和3得出，在苹果图像的分割过程中，得到的分割图像包含很多的分割噪声，这些噪声对后期的识别造成很大干扰，若要对得到的分割图像进行识别，还需要做进一步的增强处理。尝试利用数学形态学对分割图像进行完善，该方法操作方便，计算简单；再利用贴标签法对其进行去噪处理，以期使得分割图像得到增强。2.1 数学形态学处理设1)膨胀如果两个物体比较近，通过膨胀运算可以将这两个物体联通到一起。膨胀的作用可以扩大目标区域，填充物体中的空洞。膨胀原理如图4所示。膨胀可以用数学描述为：记 (1)如公式(1)所示，膨胀的具体过程为： (2)2)腐蚀腐蚀可以把小于结构元素的物体去除和分开，它的作用就在于消除物体边界点。假设有两个成分之间存在微小的联通，选择一定大的结构元素那么就可以将两个成分分开。腐蚀原理如图5所示。表示 (3)即3)开运算结构元素°公式(4)理解为4)闭运算结构元素·被2.2 贴标签法去噪贴标签去噪处理就是二值图像中所有连通域设置不同编号来进行区分，对每一个对象贴上不同的“标签”,将二值图中属于同一个连通域的像素标记起来，用来方便辨识。通常，通过设置一个与输入图像空间尺寸相同的标签矩阵来显示二值图像中所有不同连通域的区分结果。采用八连通域进行处理，二值图像与标签矩阵分别假设为Step 1 首先设标签、已贴标签数分别为Step 2 没有贴标签的像素点1)如果标签值为0,则2)如果其标签值相同，即全部为3)如果标签值出现冲突，四个邻接像素的取值只为两种情况，取值为Step 3 重复step2,直至所有像素均全部扫描；Step 4 算法要判断对于分割后的二值图像，往往存在不同的噪声干扰，如会有这种情况出现，苹果图像中一部分背景像素被错误判断为苹果，反之亦然，部分苹果区域的像素被误判为背景图像。假如要采用常规的形态学去除这一类的噪声，苹果的边界信息会在一定程度上遭到破坏，还是采用贴标签去噪的方式，具体步骤如下所示：Step 1 采用贴标签法对分割图像中像素为1的连通区域进行标识。Step 2 经过多次实验确定一个阈值Step 3 就是将step 2步骤中得到的图像进行去反色操作，就是把苹果区域内部的噪声和背景的像素置为1,然后取反色后的图像用贴标签的方法进行标记苹果内部的噪声，保留并且是只保留已标记连通区域的面积最大的一个(通常对应的是背景区域),其他的