（控制理论与控制工程专业论文）基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究.pdf

4 1 1 1 1 1111iiiii i i i l l l1 1 1i l l li l l l li i i l l l ii i i i ii i i i i i y 17 4 0 5 2 1 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 摘要 目前流感疫苗的制备通常采用在鸡蛋胚胎中培养病毒的方式。在病毒采集过 程中，如果坏死胚胎未被有效剔除将造成重大安全问题。因此，病毒采集前的鸡 蛋胚胎成活性检测至关重要。现阶段，国内厂家均是采用人工照蛋方式进行检测， 鉴于人工检测劳动强度大，效率低，准确性差，本文提出一种基于机器视觉的鸡 蛋胚胎成活性检测及分拣系统。 首先，对基于机器视觉技术的鸡蛋胚胎成活性判定方法进行了系统研究。通 过对系统环境的分析以及与几种常用滤波方法比较，确定采用中值滤波对鸡蛋胚 胎图像进行增强；针对鸡蛋胚胎图像的特殊性，采用基于直方图w f c m 的局部 自适应二值化方法进行分割图像；对于经分割图像后存在的噪声，利用形态学方 法对图像进行去噪及加强图像特征的操作；通过两种细化算法的比较，选取基于 细化修复的快速细化算法对图像进行细化处理；提出通过读取图像中血丝数量来 判定鸡蛋胚胎成活性的算法。 其次，建立了基于机器视觉的鸡蛋胚胎成活性检测与分拣硬件系统。确定了 图像采集时的最佳光源和背景颜色，以及相机、镜头和图像采集卡的型号，选取 了基于p l c 控制的吸提设备来实现鸡蛋胚胎图像采集及坏死胚蛋分拣功能。 最后，实现软件系统集成，为进一步实现鸡蛋胚胎成活性检测及分拣设备的 研制奠定了基础。针对本系统选取适当鸡蛋胚胎图像进行实验，实验结果表明， 本系统检测速度快、准确率高、误判率和漏判率低，可实现对鸡蛋胚胎的无损检 测，满足疫苗制备的特殊需求。 关键词：机器视觉成活性检测形态学细化算法分拣系统 i i r e s e a r c ho nv i a b i l i t yd e t e c t i o n o fe g g e m b r y oa n ds o r t i n gs y s t e mb a s e do n m a c h i n ev i s i o n a bs t r a c t a t p r e s e n t , p r e p a r a t i o no fi n f l u e n z a v a c c i n eu s u a l l ya d o p t st h ew a yo fc u l t u r i n g v i r u s e si nt h ee m b r y oo fe g g s i nt h ep r o c e s so fv i r u sa c q u i s i t i o n , i tw i l lc a u s e s e c u r i t yp r o b l e mi ft h en e c r o s i se m b r y o sa r en o tr e j e c te f f e c t i v e l y t h e r e f o r e ， i d e n t i f y i n gf e r t i l i t yo fe g ge m b r y o sb e f o r ev i r u sa c q u i s i t i o ni s o fg r e a ti m p o r t a n c e n o w a d a y s ，d o m e s t i cm a n u f a c t u r e ra r od e t e c t i n ge g g sa r t i f i c i a l l y w i t hac a n d l i n g l a m p ，w h i c hi so fg r e a tl a b o u ri n t e n s i t y , l o we f f i c i e n c ya n da c c u r a c y i no r d e r t o i m p r o v et h ec u r r e n ts i t u a t i o n , i ti sn e c e s s a r yt o e s t a b l i s has o r t i n gs y s t e mo f i d e n t i f y i n gf e r t i l i t yo fe g ge m b r y ob a s e do n m a c h i n ev i s i o n f i r s t l y , t h ew a yo fh o w t oj u d g ew h e t h e rt h ee g ge m b r y o sa r en e c r o s i so rn o t b a s e do nm a c h i n ev i s i o ni ss t u d i e ds y s t e m a t i c a l l y c o m p a r e dw i t hs e v e r a lw a y so f f i l t e r i n gm e t h o d s ，m e d i a nf i l t e r i n gi su s e dt os t r e n g t h e nt h ei m a g e s o fe g ge m b r y o s w i t ht h ec o n s i d e r a t i o no ft h es y s t e me n v i r o n m e n t ；a n dt h e nu s el o c a la d a p t i v e s e g m e n t a t i o nb a s e do nh i s t o g r a m - b a s e dw f c m t os e g m e n tt h ei m a g eu n d e rt h e c o n s i d e r a t i o no fp a r t i c u l a r i t yo ft h ei m a g e so fe g ge m b r y o s ；t h en o i s ee x i s t i n gi nt h e i m a g ea f t e rs e p a r a t i n gu s e dm o r p h o l o g ym e t h o dt o d e - n o i s ea n de n h a n c et h e c h a r a c t e ro ft h ei m a g e ；c o m p a r e dw i t ht h et w oa l g o r i t h mo ft h i n n i n g ，t h ef a s t t h i n n i n ga l g o r i t h mb a s e dt h i n n i n gr e p a i ri su s e dt ot h i nt h ei m a g e ；d e t e c tt h ef e r t i l i t y b yc o u n t i n gt h en u m b e ro ft h eb l o o d v e s s e l s s e c o n d l y ，i d e n t i f y i n gf e r t i l i t yo fe g ge m b r y oa n ds o r t i n gs y s t e mb a s e do n m a c h i n ev i s i o nh a sb e e ne s t a b l i s h e e l t h eo p t i m u ml i g h t s o u r c e c o n d i t i o n ， b a c k g r o u n dc o l o r , a n dt h ec h o i c eo fc a m e r a , l e n sa n dt h es t y l eo fi m a g ec o l l e c t i o n c a r dh a v eb e e nc o n f i r m e d ，a n dt h ei m a g ec o l l e c t i o no fe g ge m b r y o sa n ds o r t i n g i i i f u n c t i o no fn e c r o s i se m b r y oi sr e a l i z e db a s e do nt h eg r i p p i n gd e v i c ec o n t r o l e db y p l c f i n a l l y ，s o f t w a r es y s t e mi n t e g r a t i o nh a sl a i dt h ef o u n d a t i o no ff u r t h e l r e s e a r c h i ni d e n t i f y i n gf e r t i l i t yo fe g go , n b r y oa n d s o r t i n gs y s t e m o nt h eb a s i so ft h i s d e t e c t i o ns y s t e m ，al o to fe g ge m b r y o sa r et e s t e d ，a n dt h ee x p e r i m e n t a lr e s u l t ss h o w t h a tt h i ss y s t e mo f f e r st h ea d v a n t a g e so fh i g hd e t e c t i o na c c u r a c y , l o wu n d e t e c t e d e r r o rr a t ea n df a l s ed e t e c t e dr a t e ，r e a l i z et h en o n d e s t r u c t i v e t e s t i n go fe g g e m b r y o ，a n dm e e tt h es p e c i a lr e q u i r e m e n t so f v a c c i n ep r e p a r a t i o n k e yw o r d s ：m a c h i n ev i s i o n , i d e n t i f y i n gf e r t i l i t y , m o r p h o l o g y , t h i n n i n g a l g o r i t h m ，s o r t i n gs y s t e m i v 目录 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 摘要 。i i ma b s t r a c t 目录 第1 章引言 v 1 1 1 研究背景及意义1 1 2 机器视觉概述2 1 3 国内外研究现状3 1 3 1 国外研究现状3 1 3 2 国内研究现状4 1 4 存在的问题6 1 5 研究内容6 1 6 本章小结7 第2 章鸡蛋胚胎图像的预处理。9 2 1 图像的增强与滤波9 2 1 1 平滑滤波9 2 1 2 高斯滤波。1 0 2 1 3 中值滤波1 0 2 2 图像分割ll 2 2 1 典型阈值分割方法1 2 2 2 2 模糊c 均值聚类相关理论l5 2 2 3 改进特征加权模糊聚类算法w f c m 2 0 2 2 4 基于w f c m 聚类算法的局部自适应二值化2 3 2 3 数字形态学图像处理2 4 2 3 1 数字形态学原理。2 4 2 3 2 腐蚀和膨胀2 5 2 3 3 开运算和闭运算2 6 2 4 区域标记2 8 2 4 1 连通区域概念2 8 2 4 2 区域标记算法2 9 2 5 本章小结2 9 第3 章鸡蛋胚胎图像细化算法研究 3 1 基于细化修复的快速细化算法3 1 3 1 1 快速细化算法3 l 3 1 2 细化修复方法3 2 v 3 2 基于关键点保留的细化算法3 5 3 2 1 算法概述3 5 3 2 2 关键点的分类3 6 3 2 3 关键点标记图像的形成3 8 3 2 4 细化算法实现3 9 3 3 本章小结3 9 第4 章鸡蛋胚胎成活性检测及分拣系统总体设计4 1 4 1 分拣系统总体设计4 l 4 2 硬件系统组成4 2 4 2 1 光源和暗室4 2 4 2 2 相机和镜头4 3 4 2 3 图像采集卡和r o i 的确定4 4 4 2 4p l c 4 5 4 3 硬件系统工作原理。：4 5 4 3 1 系统各部分的功能4 6 4 3 2p l c 的i o 分配4 6 4 3 3p l c 控制设计4 7 4 4 本章小结4 8 第5 章鸡蛋胚胎成活性检测及分拣系统软件系统集成4 9 5 1 开发工具的选择4 9 5 2 界面设计4 9 5 3 程序设计5 0 5 3 1 图像采集模块5l 5 3 2 图像预处理模块5l 5 - 3 3 图像特征提取模块5 3 5 3 4 分拣信息传输模块5 5 5 4 本章小结5 7 结论与展望 参考文献 致谢 5 9 6 1 6 5 硒 6 7 攻读学位期间发表的学术论文目录 独创性声明 关于论文使用授权的说明 v i 青岛科技大学研究生学位论文 1 1 研究背景及意义 第1 章引言 禽流感，全名鸟禽类流行性感冒，它是一种禽流感病毒引起的传染性疾病， 被国际兽疫局定为甲类传染病，又称真性鸡瘟或欧洲鸡瘟，通常只感染鸟类，自 从1 9 9 7 年在香港发现人类也会感染禽流感之后，此病症引起全世界卫生组织的 高度关注。其后，一直在亚洲区零星爆发。2 0 0 5 年以来，禽流感疫情在全球再度 爆发，造成大量家禽被扑杀，多人因感染病毒而死亡。为了有效控制感染源，疫 苗的培育及生产成为研究热点。与其他病毒的培养方式不同，目前流感疫苗的制 备通常采用在鸡蛋胚胎中培养病毒的方式。首先将毒株种到鸡胚中，为了给毒株 提供一个适宜的存活和发育的环境，需要将鸡胚放入密闭、无菌、恒温的孵化室 中，这时候里面的鸡胚已基本发育完成，病毒在里面可以很好的复制。之后，工 作人员还要对鸡胚进行3 天左右的再孵化，让禽流感病毒在其中培养复制，经过 冷却，从中提取出足够的病毒液。 在病毒采集过程中，如果混入坏死鸡胚，则同一批次采集到的病毒均会被污 染，因此，病毒采集前的鸡蛋胚胎成活性检测至关重要。据了解，国内厂家鸡蛋 胚胎成活性检验大多依靠人工照蛋方式进行检测，人工检测方法存在很多劣势： 鸡蛋胚胎成活性筛选需要大量人力，生产效率低；分选精确度低，分选难以 符合标准；随着工作时间的增加，工作人员的视觉将产生疲劳，容易引起较大 的分选误差。因此，人工检测方式效率低、结果易受主观因素影响，不能保证1 0 0 的检验合格率，已不能满足现代疫苗制备业的发展要求。 基于机器视觉的图像检测技术是目前国际研究的热点课题。随着计算机技术 的蓬勃发展和图像采集硬件成本的不断降低，新的图像处理技术不断涌现，其处 理速度和处理效果都大大提高，利用图像处理技术代替人工方法己成为工业发展 方向【l 】【2 1 。将机器视觉技术引入到鸡蛋胚胎成活性检测中，不仅可以有效地排除 人为主观因素，而且还能节省劳动力成本、时间和能源，其优势是人工检测无法 无法比拟的。鸡蛋胚胎成活性检测分为孵化早期、中期和后期三个阶段，疫苗制 备中的属于中期检测。本文通过合理的成像系统、图像算法设计和先进的分拣系 统，提出满足疫苗制备中鸡蛋胚胎成活性检测特殊要求的方法。该技术可以实现 自动快速无损检测，从而使鸡蛋胚胎孵化成活性检测符合现代化工业生产要求， 推广应用前景广阔。 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 1 2 机器视觉概述 机器视觉是计算机学科的一个重要分支，它涉及到计算机技术、图像处理、 人工智能、模式识别、信号处理、机电一体化等多个领域【3 1 。其优点是接收信息 量大、处理速度快、功能多、检测精度高；并且机器视觉能够借助紫外线、红外 线、x 射线和超声波等探测技术，实现对高危险对象和不可视物体的探测；特别 是在需要单调、重复的依靠视觉获取信息的传统人工场合，如大批量的工业或农 业产品品质检测、分级，机器视觉优势更加明显，它能够实现对产品快速、准确 地无损检测 2 1 1 4 。对于每一个应用，都要从总体上考虑系统的运行速度、图像的 处理速度、目标采集视场大小、光照强度、摄像机选型等一系列问题。完整的机 器视觉系统的通常有以下几个过程组成： 当传感器检测到工件已经被运至摄像系统的视野中心附近时，立刻触发图 像采集部分动作。图像采集部分根据程序启动照明系统和摄像机。 处于等待状态的摄像机在启动脉冲到来之后启动一帧扫描，或者摄像机停 止当前的扫描，重新实现新的一帧扫描。曝光机构必须在摄像机开始新的一帧扫 描之前打开，曝光时间允许事先设定。与此同时，发送另一个启动脉冲启动灯光 照明，而灯光的启动时间必须与摄像机曝光时间相匹配。 摄像机曝光完成后，图像采集部件正式开始一帧图像的扫描和输出。图像 采集部分通过a d 转换将接收到的模拟视频信号转换成数字信号，或者直接接收 来源于已经被摄像机数字化后的数字视频数据，并将其存放在内存中。 之后计算机将对图像进行图像处理，从而分析、识别图像中有用的信息， 获得测量结果或逻辑控制值以控制下级控制系统。 最后，计算机将根据处理结果控制流水线，以操作其动作、位置、纠正误 差等，控制流程如图1 1 。 图1 1 机器视觉系统框图 f i g 1 - 1c o m p u t e ri m a g ee x a m i n a t i o ns y s t e md i a g r a m 以上工作流程显示，机器视觉是一种比较复杂的智能系统。因为系统监控对 象大多数都是运动物体，系统与运动物体之间的动作必须匹配和协调，这无疑给 系统各部分的动作实现提出了很大的要求。 机器视觉技术的创立与发展，极大地解放了劳动生产力，提高了生产效率， 有效地改善了人类生存现状，具有非常大的应用前景。基于机器视觉的鸡蛋胚胎 2 青岛科技大学研究生学位论文 成活性检测及分拣用于代替人工检测方法， 出来，而且还能排除人的主观因素的干扰， 1 3 国内外研究现状 不但将工人从单调重复的劳动中解放 提高生产效率。 许多发达国家在上世纪七十年代末期便开始尝试使用计算机图象处理技术 对水果、蔬菜等农产品进行检测与分选。短短几十年间，机器视觉在农产品品质 检测与分类过程中的研究与应用发展迅速，己渗透到水果、蔬菜、粮食等许多种 类的农产品品质评价方面。而鸡蛋胚胎成活性检测和分拣也属于这一领域。 1 3 1 国外研究现状 2 0 世纪8 0 年代，美国率先将机器视觉技术引入到禽蛋品质检测与分级的研 究中，并取得较好效果，随后，日本、西班牙等国家也接连投入到这方面的研究 中【5 1 。 1 9 7 8 年，r i g n e y 等人设计的黄瓜分选线是有史以来最早采用机器视觉技术对 农产品进行分级的装置。黄瓜依据形状及大小被分成三类五个等级，分选结果被 系统记录，并用硬拷贝打印。当时由于传感器的灵敏度低以及图像处理设备落后 等因素的影响，导致分选结果准确率很低，仅达到6 2 【6 】。如图l - 2 所示。 美国的e l s t e rr t 和g o o d r u mj w t7 j 对鸡蛋图像进行直方图均衡化和s o b e l 算 子处理检测鸡蛋表面的裂痕，从而将鸡蛋次品剔除，分拣准确性达到9 6 。但此 方法会将鸡蛋图像中的白斑误判为裂纹从而影响鸡蛋裂痕检测的准确性，并且对 每个鸡蛋图像的平均处理时间为2 5 3 s ，效率很低。 图1 - 2 黄瓜分选系统原理图 f i g 1 2s c h e m a t i cd i a g r a mo fc u c u m b e rs o r t i n gs y s t e m 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 1 9 9 2 年，美国的d a sk 和e v a n sm d 【8 】等人通过处理孵化早期鸡蛋的图像， 根据其直方图的形状得出峰值比、区间系数比、一阶导数、二阶导数及阶距等特 征参数，并采用序贯分类法判断孵化早期鸡蛋的成活性。结果表明，孵化3 天的 鸡蛋检测准确率为8 8 9 0 ，孵化4 天的鸡蛋检测准确率则为9 6 - - 1 0 0 。但由 于此方法判断依据需要处理大量的数字特征参数，这不仅降低了计算机处理速 度，而且还要求很大的数据存储量，从而导致整个系统检测速度较低，无法满足 生产线检测速度。 1 9 9 8 年，日本的n a k a n ok j 【9 】【1 0 】【1 1 1 通过彩色图像采集系统检测破裂蛋、裂纹 蛋、脏蛋和正常蛋，准确率分别达到了9 8 5 、9 6 8 、9 7 3 和9 6 8 ，但该系 统作用对象仅为自壳蛋。 2 0 0 1 年，j e n s h i r ml i n 1 2 】等开发出鸡蛋蛋壳检测系统，该系统将一定压力施 加于被检测蛋壳上，通过摄像头获取受压蛋壳图像，并将图像送入计算机进行处 理分析，并对鸡蛋进行分级，损壳蛋的检测准确率为8 0 。 1 3 2 国内研究现状 我们国家对机器视觉技术在工农业领域的应用研究起步较晚，而此技术用于 鸡蛋胚胎孵化成活性检测及分拣方面更不成熟，目前还处于理论探索和实验研究 阶段，与外国成熟的技术相比，软件和硬件方面都有较大的差距，急需开展广泛 的研究和深入的探索【5 j 。 杨秀坤【1 3 】将彩色机器视觉技术和神经网络技术相结合，依据鸡蛋表面颜色特 征，对2 日龄、3 日龄、5 日龄、8 日龄的鸡蛋胚胎进行孵化成活性判别( 见图 1 3 ) ，准确率分别达到了7 1 7 、9 4 2 、9 8 1 和1 0 0 。 光源 图1 - 3 种蛋孵化成活性检测机器视觉系统 f i g 1 - 3s c h e m a t i cs k e t c ho f m a c h m e 、，i s i o ns ) r s t e mf o rd e t e c t i n gf e r t i l i t yo f h a t c h i n ge g g s 周维忠【1 4 】利用多尺度小波变换和概率统计聚类方法，设计出鸭蛋外形识别系 4 统， 图形 的各 统仅 算法 测。 从而 的鸡 颜色 器视 与分 与分 标， 类准 度像 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 脏斑蛋分类准确率分别达到了9 1 1 8 、9 2 3 1 和1 0 0 2 0 1 。 1 4 存在的问题 目前，虽然国外已经研发出比较完善的种蛋成活性检测及分拣系统，但是由 于设备费用昂贵，对我国中小型禽蛋加工及疫苗制备企业无疑难以承受。而国内 本领域研究起步较晚，同类产品种类更是少之又少，性能不高，无论是硬件工艺 还是软件水平，我国还有很长的路要走，但发展前景广阔。因此，借助于机器视 觉技术，根据鸡蛋胚胎的特征开发一套完善的鸡蛋胚胎成活性检测及分拣系统， 对于禽流感疫苗制备产业将有很大的推动作用，具有十分重要的实用价值和战略 意义。 在鸡蛋胚胎孵化过程中常遇到胚胎的异常死亡，而疫苗制备中的鸡蛋胚胎成 活性检测属于中期检测。中期胚胎死亡率为5 左右，若超过这些范围，则说明 孵化存在问题，所以鸡蛋胚胎成活性检测非常重要，不可忽视。目前的研究对于 整个孵化阶段的种蛋胚胎成活性的检测研究得不够系统，鸡蛋胚胎图像的图像增 强、图像分割、特征提取等算法以及分拣系统的准确率及速度都有待于提高。 因此，如何选取合适的成像设备，研究高效准确的图像处理算法以及搭建快 速稳定的分检系统，建立鸡蛋胚胎成活性判断指标体系是本文的研究重点。 1 5 研究内容 本文以鸡蛋胚胎为研究对象，针对基于机器视觉的鸡蛋胚胎成活性实时检测 与分拣生产线中所涉及到的关键理论及技术进行深入的研究探索。 本文主要研究内容如下： 设计适用于种蛋孵化成活性检测的机器视觉硬件系统。如：合适的光源设 计、图像采集的光照条件、相机和镜头、功能完善的图像采集卡等。 分析实时条件下鸡蛋胚胎图像处理所必须解决的基本问题，找出效率与效 果兼备的图像处理算法，为后续研究提供理论指导。 研究适合实时条件下的鸡蛋胚胎孵化成活性的检测方法。 研制鸡蛋胚胎成活性检测与分拣系统硬件设计。 开发能完成实时条件下的鸡蛋胚胎孵化成活性检测的软件，为进一步实现 孵化成活性在线检测及分拣功能奠定基础。 图1 5 为本文研究所采用的技术路线。 6 青岛科技大学研究生学位论文 1 6 本章小结 厂 l 实时机器视觉系统的理论基础 i i i 爿 图像增强算法 i i | 爿基于w f c m 的局部自适应二值化算法 ：提 爿 数字形态学图像处理算法 l 提 i 塞 高 检 ；霎 爿 基于修复的快速细化算法 l 测 ；夏 爿 基于血丝图像的成活性判断 i 速 度 ：的i 1r 的 l 另：机器视觉系统系统构建方 i 。 ! 法i 法 i 鸡蛋胚胎成活性检测与分拣方法研究 i i i i i i 基于p l c 的分拣系统硬件设计 i l 1 l ri i l 鸡蛋胚胎成活性检测与分拣软件研制 i 图1 5 本文研究技术路线图 f i g 1 5r e s e a c ht e c h n o l o g yr o a d m a po ft h i sp a p e r 本章概述了机器视觉技术相关知识以及利用机器视觉技术进行鸡蛋胚胎成 活性检测研究的意义；阐述了目前国内外利用机器视觉技术进行禽蛋品质无损检 测及种蛋孵化成活性检测的研究现状和进展情况；分析了存在的问题，在此基础 上提出了研究的主要内容和目标。 7 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 8 青岛科技大学研究生学位论文 第2 章鸡蛋胚胎图像的预处理 图像采集环境及采集设备往往使采集到的鸡蛋胚胎图像掺杂着大量的噪声， 同时，图像背景灰度渐变、血丝边缘锐利度不够、过渡过于平滑、蛋壳密度不均 匀导致图像中连续亮点噪声等干扰对血丝的判断产生很大的影响。因此，为了有 效识别鸡蛋胚胎中的血丝图像，必须对原始图像进行一系列处理。 2 1 图像的增强与滤波 c c d 摄像机采集到的图像掺杂着各种噪声，从而影响图像质量。为了减小图 像噪声对后续鸡蛋胚胎成活性判断的影响，必须对图像进行图像增强处理。图像 增强是图像预处理的基本处理手段。按照处理空间不同，图像增强算法分为基于 空域的方法和基于变换域的方法。基于空域的方法以像素点作为处理对象，如常 用的空域数字滤波：平滑滤波、高斯滤波、中值滤波等；而后者将图像从空域变 换到某一域内表示，通过修正相应域内系数，达到增强图像特定信息的目的【2 l 】。 2 1 1 平滑滤波 平滑滤波是最常用的线性低通滤波，也称为均值滤波。平滑滤波的实现方法 为将图像中所有像素点灰度值用一个新值代替，而这个新值为本像素点值与其邻 域所有像素点灰度值和得平均值。这种滤波方式，可以在不影响低频率分量的前 提下减弱图像中的高频分量，从而实现对图像的滤波功能。但是，由于高频分量 对应着鸡蛋胚胎图像中灰度值变化较快的边缘区域等部分，此部分往往是图像中 鸡蛋胚胎血管，如果用平滑滤波对其处理，虽然能够消除噪声，但同时也减小了 血丝特征的对比度，对后面的图像分割起到了反作用。 原始图像3 x 3 模板平滑滤波5 x 5 模板平滑滤波 图2 1 平滑滤波效果图 f i g 2 - 1s m o o t h i n gf i l t e re f f e c td r a w i n g 本文分别选择3 x 3 、5 5 模板对鸡蛋胚胎图像进行平滑滤波处理，如图2 1 9 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 所示。处理结果显示，虽然图像中杂质点减少了，但血丝特征更加模糊，特别是 经过后期的图像分割验证，平滑滤波不适于鸡蛋胚胎图像的增强处理。 2 1 2 高斯滤波 高斯滤波器也是线性平滑滤波器，它通过高斯函数的形状来选择权值用于抑 制服从正态分布的噪声。其表达式如下： h ( u ，) = p 一刚归2 ( 2 - i 、 其中，d ( u ，y ) 是距傅立叶变换原点的距离，仃表示高斯曲线扩展的程度。使 仃= d o ，可以将滤波器表示为 h ( u ，) = e - o z ( ) 坨w ( 2 - 2 ) d 0 是截止频率。当d ( u ，d = d o 时，滤波器下降到它最大值的0 6 0 7 倍处。与 简单的平滑不同，高斯平滑通过对图像中不同位置像素赋予不同的权值来实现邻 域内像素灰度进行平均。易知，模板上越是靠近邻域中心的位置，其权值就越高。 这样可以更好地保留图像中血丝的灰度分布特征，减小与被处理像素点距离较远 的像素点的影响。 图2 2 为鸡蛋胚胎血丝图像的高斯平滑结果，其中左边图像为原始图像，右 边图像为经过3 3 邻域高斯平滑滤波处理的结果。 相比图像的其他平滑算法，高斯平滑对高对比度图像的平滑效果较低，在离 散型杂质点的消除方面，高斯平滑的效果并不理想。 2 1 3 中值滤波 原始图像3 x 3 高斯滤波 图2 - 2 高斯滤波效果图 f i g 2 - 2g a u s s i a nf i l t e r i n ge f f e c td r a w i n g 中值滤波于1 9 7 1 年被j w j u k e y 提出，是基于排序统计理论的一种能有效抑 制噪声的非线性平滑技术，一般应用于处理非线性图像【2 2 1 。其原理为：通过对中 心像素点邻域中所有像素灰度值进行排序找出中间值，用此中间值代替中心像 l o 青岛科技大学研究生学位论文 素。最小均方滤波、平滑滤波等线性滤波在对图像进行消噪后会使图像细节变得 模糊，然而在一定条件下，中值滤波克服了这种负面影响，它不但可以有效的消 除噪声，同时又可以降低图像边缘模糊度，使边界光滑，边缘轮廓得到保护。中 值滤波的处理步骤为： ( 1 ) 将模板遍历整幅图像，并将模板中心点与图中某个像素点位置重合； ( 2 ) 读取模板下图像中的各对应像素的灰度值； ( 3 ) 将读取像素从大到小排序； ( 4 ) 找出排序数列中的中间值； ( 5 ) 然后，将中间值赋给与模板中心点位置对应的像素点。 一 3 x 3 模板中值滤波 5 x 5 模板中值滤波7 x 7 模板中值滤波 图2 3 中值滤波效果图 f i g 2 - 3t h em e d i a nf i l t e r i n ge f f e c td r a w i n g 模板又称滑动窗口，在实际中所使用的模板大小为奇数，如3 x 3 ，5 x 5 ，7 x 7 ， 9 x 9 等，模板大小与图像大小及滤波程度有关，模板系数一般取l 。有方形、线 形、十字形等，由于方形模板对图像的细节最不敏感，会滤除离散的杂点并消除 边缘上的角点，故方形模板最常用。本文分别选取3 x 3 ，5 x 5 ，7 x 7 模板对鸡蛋 胚胎图像进行滤波，效果图如图2 3 。 由处理结果可知，中值滤波不但可以有效地消除图像中的杂质点，而且可以 让图像产生较少的模糊，使图像的细节保持清楚。经中值滤波增强后的鸡蛋胚胎 图像用于后期的图像分割效果明显，故本系统选用中值滤波算法用于图像特征的 增强。 2 2 图像分割 在利用机器视觉技术进行鸡蛋胚胎成活性检测时，必须把血丝从胚胎图像背 景中分离出来，以便进行有效的成活性判断，即图像分割处理。图像分割是指将 图像中感兴趣的区域从图像背景中分割出来，或者是将具有不同涵义的区域分割 开来，从而使这些区域互不相型2 3 1 。随着图像处理技术的飞速发展，虽然目前已 经研究出多种图像分割方法，但从分割原理上讲，大体可分为三种：第一种是基 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 于区域生长的分割方法，这种方法通过将特征相近的点归属到相应的区域中来实 现不同区域的划分；第二种方法利用边缘检测方法对图像进行分割，其方法为通 过边缘检测方法检测出图像的边界，图像被这些边界分割成许多区域；第三种为 前两种方法的结合，该方法将特征相近的像点形成区域，反之，则连成边界【刎。 截至目前，图像分割算法虽然已经有上千种之多，但还没有一个通用的方法。 三类分割技术各有优缺点，针对不同的应用要求，所能达到的效果各有千秋【2 5 】。 2 2 1 典型阈值分割方法 图像分割技术是图像处理过程中非常重要的一环，它实现把人类感兴趣的信 息从图像特定背景中分割出来的功能。常用的一种方法为利用阈值对图像进行分 割。途径为主要利用图像中感兴趣区域与背景区域灰度值上的差异，把图像分割 为目标和背景区域【2 4 】。当被作用图像中目标和背景部分大小接近且灰度值均值相 差较大，并且均方差也较小，则可用固定阈值法( 总体均值法) 将目标和背景较 好地区分开来。而当图像信息比较丰富，灰度值变化比较复杂，或者图像目标和 背景灰度差值较小时，利用单阈值法对图像进行分割可能会产生误操作，此时寻 求其他的解决途径成为必然【2 6 1 。本论文介绍了三种典型阈值处理方法来分割鸡蛋 胚胎图像，效果不是很理想，然后提出了一种基于w f c m 聚类算法的局部自适 应二值化处理方法，该方法可以很好的分割鸡蛋胚胎图像，分割的效果可以满足 要求。 2 2 1 1 固定阈值法 固定阈值法原理为选取定值作为图像分割的阈值，如设定r ，将阈值丁与图 像中每一点的灰度相比较，则灰度值大于r 的像素点置为2 5 5 ，反之，置为0 。对 总体灰度偏暗的鸡蛋胚胎图像，运用固定阈值法对其进行操作。分别设定r 为 1 0 0 、2 0 0 ，处理效果如图2 - 4 所示。 四_ _ 原始图像阔值1 0 0 图像 阚值2 0 0 图像 图2 _ 4 固定阈值法效果图 f i g 2 - 4f i x e dt h r e s h o l dv a l u ee f f e c td r a w i n g 由图中可知，对于鸡蛋胚胎图像，采用同一阈值处理不能满足分割要求。例 如，选取阈值r 为1 0 0 ，图像中所有特征全部被置黑；而当r 为2 0 0 时，图像仍 然无法进行有效分割。经反复对阈值r 进行取值验证，可知，丁为6 5 时能够分割 1 2 青岛科技大学研究生学位论文 出较多有效信息，见图2 5 ，然而仍然有大量血丝信息特征没有被有效分割出来。 图2 5 阈值6 5 图像 f i g 2 - 5t h ed r a w i n go ft h r e s h o l dv a l u ea t6 5 综上所述，利用固定阈值法对鸡蛋胚胎图像进行分割，分割效果不好，图片 有效信息丢失，不能灵活的根据图像的总体灰度自动确定阈值大小，并且鸡蛋胚 胎图像的灰度级变化范围比较小，如果手工确定阈值非常麻烦，无法适用于所有 图片。 2 2 1 2 总体均值法 总体均值法是将整幅图像的灰度平均值作为鸡蛋胚胎图像的分割阈值丁。表 达式如下： t2 丽丽1 莓；似川( 2 - 3 )h e i g h t w i d t h 一“。 总体均值法的分割效果如图2 - 6 。 原始图像 二值化图像 图2 - 6 总体均值法效果图 f i g 2 - 6p o p u l a t i o nm e a ne f f e c td r a w i n g 由图2 - 6 可以看出，由于光照以及鸡蛋胚胎自身结构等原因，图像灰度变化 不明显，利用总体均值法对胚胎图像进行处理很可能致使背景被归入图像特征信 息区域或图像特征区域被归入背景，显然，这样的分割效果是很不理想的。 2 2 1 3 整体o t s u 法( 最大类间方差) 整体o t s u 法最先由o t s u 于1 9 7 8 年提出，本分割方法的基本思想为对像素 进行逐步划分使得到的各类之间的差值最大来确定合适的阈值【2 7 1 。 假如，图像f = o ，1 ，l 1 ) 的灰度级为z 的像素数为刀( z ) ，则总像素个数为 以= n ( 0 ) + 刀( 1 ) + + 力( 三- 1 ) 。任一灰度值出现的概率为p ( z ) = n ( z ) n ，p ( z ) 0 ， p ( z ) = 1 ，选定阈值t 把图像分成口，b 两类，那么口类和b 类出现的概率、类 基于机器视觉的鸡蛋胚胎成活性检测及分拣系统研究 均值和类方差分别如下： a 类出现的概率： b 类出现的概率： a 类的均值： t 以口) = p ( 口) = p ( z ) = 川) ( 2 - 4 ) l - ! “6 ) = p ( b ) - p ( z ) = 1 - w ( t ) ( 2 5 ) tf ( 口) = z p ( z l a ) = z p ( z ) w ( a ) = i t ( t ) w ( t ) ( 2 6 ) b 类的均值： l - i l - i ( 6 ) = z p ( zlb ) = z p ( z ) w ( b ) = ( 。u ( t ) - z ( t ) ) ( 1 - w ( t ) ) ( 2 - 7 ) a 类的方差： 仃( 6 ) 2 = ( z - l t ( a ) ) 2 p ( z l 口) = e ( z - t ( a ) ) 2 p ( z ) w ( a ) ( 2 8 ) s = os - o b 类的方差： , - il - l 仃( 6 ) 2 = ( z 一( 6 ) ) 2 p ( z 1 6 ) = ( z - t ( b ) ) 2 p ( z ) 1 w ( b ) 式中中以f ) 和t ( t ) 分别为图像直方图关于t 的零阶和一阶累计矩， ( 2 9 ) 而( r ) 是 图像的总体均值。为求得图像的最佳阈值，定义下列三个判别式： 又得知： a = 盯( 曰) 2 c r ( w ) 2 ；，7 = 兄( 旯+ 1 ) ；，7 = 仃( 曰) 2 a ( r ) 2 ( 2 1 0 ) 类 类 总 它 其 青岛科技大学研究生学位论文 图像的两部分的差别成正比，当刁最大以及类间方差伊( b ) 2 最大时，f 为最佳阈值。 当部分背景错归为目标或部分目标错归为背景时，都会致使两者差别变小。因此， 要想错分概率最小则必须使类间方差c r ( b ) 2 最大。最大类间方差的处理结果如图 2 7 所示。和总体均值法比较，图像特征信息稍微多了一点，但是仍