（计算机应用技术专业论文）西瓜子智能识别系统核心技术研究与实现.pdf

西瓜子智能识别系统核心技术研究与实现中文摘要 西瓜子智能识别系统核心技术研究与实现 中文摘要 图像识别与处理技术于2 0 世纪7 0 年代首先在西方发达国家应用于实际生产。它 的出现对劳动生产率的提高具有重大意义。随后，图像识别与处理技术在世界范围内 被深入研究，并广泛应用于众多领域。然而，由于西瓜子的分选涉及图像识别、光学 成像、工业控制、机械传动等众多领域，并且西瓜子具有体积小、表面信息量少、形 状不规则、双面特征分析、分选困难等特点，目前对其展开的研究工作很少。 本文重点对西瓜子的特征提取进行深入研究，目的在于解决实时分选过程中西瓜 子图像特征难以获取、分选困难等问题，着手改善动态条件下图像质量差、信息量大、 实时处理能力低、检测精度低等难题，研制实验室分选原型系统，并最终将这一成果 推广到其它领域的应用中。本文主要研究内容如下： ( 1 ) 为了满足系统处理效率及精度要求，对图像预处理算法进行分析研究，选 取合适的处理方法，满足系统实时性要求； ( 2 ) 研究了表面花纹连通度算法，并将黑色区域覆盖度、直方图灰度分布差异 等表象特征提取算法成功综合应用于实际分选中； ( 3 ) 分析比较了多种描述物体纹理特征的算法，采用灰度共现矩阵抽取五种特 征描述符，基于大量实验数据，归纳出瓜子纹理特征的分布规律； ( 4 ) 提取了反映瓜子表面特征的多个特征量，为计算机分拣瓜子应用领域制定 了一套参考标准，完成了标准数据的分析、标准库的设计与开发工作。 关键字：图像处理；表象特征；纹理特征；标准库 作者：周一红 指导老师：孙涌 r e s e a r c h i n t e l l i g e n t a n d a p p l i c a t i o n o nc o r e r e c o g n i t i o ns y s t e m o fw r a c n c e s w e s t e m s ， l a bo r i th a s e ns es ， n l n o n ， ， o ns e e d sa r en n y j g u d sa r e sp a p e rf o c u s e s i m p r o v e a s y s t e mo 士 l a b oo r vs o， b a l a n c eb e t w e e n t l l ea l g o r i t h m d 一 e s e a r c h ， c o n n e c t i v i t va n d ， c o m p a r e d u s m g r a y c o ，o c c u n e n c em a t r i c e s r e t e r e n c e s t 锄：l d a i d s r ， eo p e ； s 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律 责任。 研究生签名：茎l 二兰兰 日期： 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名： 导师签名： ! 旦二垒 日 0 让日 期： 期： 加7 ，巧 西瓜子智能识别系统核心技术研究与实现第一章引言 1 ：1 课题背景与意义 第一章引言 “ 图像识别与处理技术于2 0 世纪7 0 年代首先在西方发达国家投入实用，最初应用于 工业生产和生物医学等领域【l 】。它可以代替人工从事单调乏味，重复性高或要求精度 高的工作，例如自动装配线中检测零件的质量并对零件进行分类、印刷电路板瑕疵检 测【2 】、钢板表面的自动探伤、水果分选、邮包分拣、细胞计数、物流分拣等工作，对 劳动生产率的提高具有重大意义。于是，图像识别与处理技术在世界范围内被深入研 究，并广泛应用于众多领域。可以预测，利用图像识别与处理技术对产品进行分选识 别具有广阔的应用前景，并会产生巨大的经济效益。 虽然图像识别与处理技术在众多领域取得了很大成果，已能全部或部分代替人工 操作，但其在一些领域的应用上依然停留在一个较低的层次。对西瓜子的分选研究便 属于这种状况。 西瓜子是我们日常生活中常见的一种物体，这种物体看似简单，但是要实现机械 设备的自动分选却非常困难，主要原因是西瓜子具有以下特点：( 1 ) 表面积小，包括 的信息量少且纹理特征复杂；( 2 ) 形状没有规则，没有统一分选标准；( 3 ) 获取的各 项特征信息缺少量化标准，对其进行图像识别比较困难。而且要实现实时在线分选， 还要涉及到图像识别与处理技术、光学成像技术、工业控制技术、机械传动技术等多 个学科的综合运用。介于以上原因，目前针对这一领域展开的研究工作很少。 当前西瓜子的分选工作全部由手工完成，这种分选方式耗时耗力，效率低下。如 果能够开发出一种可以对西瓜子进行实时在线分选的新设备，不仅能使这一情况大为 改观，并且还可以通过适当的改造将新设备用于其它微小物体的分选或质量检测上， 例如大豆、花生等产品的分选，电池质量检测【3 j ，物体表面状态测试等领域。在全球 经济一体化的今天，严把产品质量关，提高分选的自动化程度和准确度，将为我国产 品开拓国际市场打开有力的局面。 用手工方式进行西瓜子的分选工作存在以下弊端： ( 1 ) 工人要通过视觉判断产品是否合格，西瓜子体积较小，容易使人产生视觉 疲劳，从而影响工人的工作情绪，分选出错率高； 第一章引言西瓜子智能识别系统核心技术研究与实现 ( 2 ) 产品没有统一标准，只能通过个人经验判断，个人经验不同，判断的尺度 也不同，分选结果有所差异： ( 3 ) 生产效率过于低下，手工分选产量有限，严重束缚了工厂的生产，并且提 高了产品成本，使工厂处于不利的市场竞争地位。 为了深入了解西瓜子分选的现状及潜在的市场，课题组深入相关厂家展开调研， 结果发现，西瓜子这种深受大众喜爱的产品分选工作十分繁琐。在供应商提供的全部 统货产品中，约包括九种不同类型的瓜子，其中只有一种为合格产品。因此，一批产 品中合格率约为3 0 ，通过率很低，且不同地域、不同批次的产品质量间有所差异。 瓜子厂的分选工作全部由工人手工完成，每个工人每天只能分选优质瓜子五斤，工厂 中经常有几百名工人同时进行分选作业，但依然难以满足生产需求。这种生产方式提 高了生产成本，导致产品价格较高。 计算机技术的飞速发展使得利用图像识别与处理技术进行西瓜子的分选成为可 能，如果这种自动分选设备研制成功，将会把工人从手工劳动中解脱出来，大大促进 劳动生产率的提高，从而加速工业产业化进程，对生产力的进步具有一定的推动作用。 1 2 课题来源及研究目的 本课题来源于苏州市科技发展计划工业资助项目智能化物体自动分选系统 的研究与开发。 本文研究的目的是通过实现对西瓜子的表象特征及纹理特征的分析和提取，为最 终开发出一个能用于实时分选的西瓜子智能分选实验室原型系统提供特征数据支持 和分选依据，通过不断的改进和完善将其投入实用，提高企业的分选自动化程度。 研究着眼于产品的实时检测，以图像处理为基础，引入适合本系统的特征提取算 法并根据需要加以改进；根据研究对象的特点提出一系列可用于表象特征及纹理特征 的提取方法；对实际分级过程中西瓜子的真实状态进行处理，探索切实可行的分选路 线，为实现西瓜子的在线分选提供依据，建立类似物体分选通用平台，为解决这一领 域的分选问题奠定基础。 2 西瓜子智能识别系统核心技术研究与实现第一章引言 1 3 研究现状 1 3 1 国外研究现状 薯2 0 世纪8 0 年代，国外对不规则物体分选领域陆续展开深入研究，并取得了一系列 r 成果。 萎7 0 年代末期，n a k a h a r a 首先利用图像处理技术，根据黄瓜的长度、弯曲度来分选 黄瓜；随后s a k a r 等人根据表面颜色分选西红柿。 。 1 9 7 2 年，s u t t o n 和h a l l 【4 】利用纹理特征对肺部疾病进行分类。某些疾病，例如肺 部间质性纤维化；从x 光图像中的纹理信息的变化可以判断其对肺部产生的影响。基 于等方性对比度量( i s o t r o p i cc o n t r a s tm e a s u r e ) 、带方向性对比度量( d i r e c t i o n a l c o n t r a s tm e a s u r e ) 和傅立叶域能量采样( f o u r i e rd o m a i ne n e r g ys a m p l i n g ) 三种 算法，采用三种纹理特征用于区分正常的与异常的肺部。 在纹理图像质量检测领域，s i e w s 于1 9 8 8 年提出了一种对地毯表面磨损情况的检 测方法。此方法利用二阶灰度级依赖统计和一阶灰度差分统计方法提取出纹理特征。 实验表明，这些数字纹理特征能成功的刻画出地毯的纹理特性。 8 0 年代中期，国外转入图像处理领域研究的人员逐步增多，图像处理从单纯的视 觉模拟发展到取代、解释人的视觉信息，加速视觉信息采集方面的研究。1 9 8 3 年， c o n n e r s 6 禾u 用纹理分析方法将一幅图像分为多个子窗口，再根据木材表面多种不同 特征类型，如节疤、腐烂、矿脉等，将每个子窗口归入对应的一类。利用灰度共现矩 阵计算出均值、方差、偏度及峰度，最终完成自动对木材表面缺陷检测工作。 进入9 0 年代后，国外在图像识别与处理技术在不规则物体分选领域已取得重大 突破，研制成功了一系列可投入实际生产的产品，如自动邮包分选系统、苹果分级机、 打包机器人、果实收获机等。1 9 9 0 年，j a i n 7 $ 1 j 用一种g a b o r 滤波器对金属表面油漆 质量等级进行自动分类。r i g n o t 。a n dk w o k 8 $ 1 j 用灰度共现矩阵计算纹理信息用于s a r 图像分析，并补充了一些处理纹理特征的算法。例如，为提高分类准确率，利用图像 复原算法来消除s a r 图像中的镜面反射噪声。 以美国为例，在9 0 年代后期，已有实用化的计算机视觉水果分级产品生产，为美 国的水果产业带来了巨大的经济效益。 而今，图像识别与处理技术在自动分选领域中应用更加活跃，其中比较有代表性 第一章引言 西瓜子智能识别系统核心技术研究与实现 的是美国正在投巨资开发的未来邮件综合处理系统。该系统结构复杂，包括理信盖销 条形码分选一体机、统一传输系统、自动引导车。尽管离成功还有一段距离，但是美 国邮政在这方面的投入却不遗余力，因为他们看到了这种系统光明的前景和巨大的效 益潜力。其它象物流分拣等也是研究比较热门的课题。 1 3 2 国内研究现状 图像识别与处理技术为社会的发展和进步带来的巨大推动作用日益被国内所关 注，众多学者纷纷投入其中，在此领域展开深入研究。在不规则物体分选领域，我国 学者也进行了大量尝试，并取得了一定成绩，其中比较有代表性的有： 9 0 年代后期，中国农业大学汪懋华院士带领的课题组历时五年时间，成功研制了 苹果自动分级机电一体化集成系统【9 】。此系统现已基本能应用于实际生产中。该系统 包括软件判断和硬件分选两个部分，创造性的提出了外形判别、直径测量、色彩分析 等一系列适用于不规则物体分选的新算法，同时还提出了一些适用于实时分选系统中 的图像预处理改进算法，并完成了物理分选设备的设计。此系统的研究方法对本课题 的研究具有很好的借鉴意义：部分图像预处理方法和外形判别方法可借鉴到西瓜子图 像预处理和外形判别中；物理分选设备的设计对本系统亦具有一定参考价值。 2 0 0 3 年，中国农业大学和北京大学成功研制了谷物品质检测系统，用图像技术代 替人工进行大米评测工作，提出了一系列针对不规则物体进行分选和评测的方法【1 0 1 。 如今，国内在物流自动分拣、邮件自动分发等对国民生产、生活具有重大意义的 领域都开展了深入的研究，并取得了较好的成果。 我国学者对不规则物体分选工作的研究主要分为两个层面： 。 ( 1 ) 一类是研究的对象为静态图像，研究时不考虑实际分级过程中待测物体的 动态特性。这种方式忽视了动态环境下各种不利因素的影响，对处理的速度也没有过 高的要求，虽然能取得比较理想的结果，但是其成果离实际应用较远，难以向产业化 生产转化； ( 2 ) 另一类研究针对的目标虽为动态图像，但限于体型较大，比较容易获得特 征且识别过程可以容许一定误差存在的物体，如水果、邮包、物流等领域的物体分选， 这类产品的输送、分选相对简单，图像的获取也较为方便。 本课题研究对象的特点与上述研究均有所不同。本课题研究的最终目标是将分选 4 西瓜子智能识别系统核心技术研究与实现第一章一弓i 言 设备用于实际生产，因此必须针对动态图像展开研究。同时，西瓜子又具有体积小、 形状不规则、表面不光滑、色泽不均匀，输送、拍摄和分选都比较困难等特点，所以 同其它产品的分选有较大差异。但是，此项研究却有着广泛的应用价值，它可以提高 工厂的生产效率，也能为西瓜予分选问题提供解决方案，同时对其它类型不规则物体 的分选工作也具有借鉴意义。 1 4 研究目标与方案 1 4 1 研究目标与内容 图像识别与处理技术在物体识别过程中有时会表现出特征求解过程复杂、处理速 度慢、占用时间长等问题，在实时分选中可能出现难以在预定时间内完成分选工作的 情况，由于西瓜子的特殊性质，对其进行的分选工作将会更加困难。本研究简化分选 流程、提高处理速度、减少运算时间，以实现西瓜子品质检测和为实时自动分选提供 判断依据为目标，在总结国内外先进成果的基础上，研究适合其特征值提取的快速处 理方法。对真正在分选设备上运动的颗粒体进行实时视觉信息的捕获、分析及处理， 在保证准确率的前提下，提高分选速度，使研究的成果具有实用性和产业化意义。课 i 题以西瓜子为例展开深入研究，为相似物体的分选工作搭建通用平台。 ： 课题组研究的主要内容包括： ( 1 ) 分析要提取的特征信息并予以实现； ( 2 ) 提高系统的识别效率和精度，在两者中间取得平衡； ( 3 ) 提高系统的稳定性和扩展性，使其真正能用于实时场合； ( 4 ) 制定分选标准，为西瓜子的分选建立规则； ( 5 ) 综合全部分选流程，进行优化。 本文研究内容主要有： 1 、图像预处理算法研究 图像预处理是特征信息提取的基础，通过对图像滤波、二值化处理等图像预处理 算法的研究，选择适合在线检测的最佳预处理方法，满足实时快速在线分捡要求； 2 、西瓜子表象特征提取算法研究 对黑色区域覆盖度、直方图灰度分布差异、表面花斑数量等表象特征提取算法进 5 第一章引言西瓜子智能识别系统核心技术研究与实现 行分析研究，设计相关实验将其综合应用于实际分捡中，提高判断的效率及准确性。 3 、瓜子表面纹理特征研究 根据瓜子图像的纹理特征以及系统的要求，对瓜子表面纹理特征进行分析，选 择适当的算法抽取图像纹理特征，获取各种不同类型瓜子样本图像中纹理信息特征的 具体数据，发现其内部分布规律，为标准信息数据库的构建提供支持。 4 、标准信息数据库研究 通过对标准信息数据库的意义、作用以及各种不同类型瓜子之间的差哗及特征 量分布规律的研究，将不同类型的瓜子依据获取的特征信息进行汇总分析，建立瓜子 信息标准数据库，作为产品合格判定依据，为产品判断提供数据支持。 1 4 2 研究方案 ( 1 ) 对传统和改进的图像处理算法进行分析和比较，确定适合西瓜子实时分选 的图像处理算法； ( 2 ) 根据分选对象表面特征的特点，研究表象特征提取方法，为系统判断提供 依据； ( 3 ) 西瓜子图像纹理信息特征的抽取，获取九种瓜子样本图像中纹理信息特征 的具体数据，通过分析纹理曲线分布图，发现其内在的分布特征； ( 4 ) 对通过实验获取的各种特征信息进行分析，建立标准信息数据库，为下一 步的分捡工作提供依据。 1 5 本文组织结构 第一章绪论，论述了选题的背景，研究的目标、意义及实施方案。 第二章图像识别与处理技术、模式识别技术等相关背景，介绍了论文中所要涉 及的相关领域的概念及理论知识。 第三章表象特征提取及辨析方法研究，以西瓜子为例针对图像处理低层算法进 行了分析比对工作，从中选择合适的图像处理方法。着重论述了西瓜子表象特征提取 方案及最终效果，为相似物体的表象特征提取工作提供求解思路。 第四章西瓜子图像纹理信息特征的抽取，根据瓜子图像的纹理特征以及系统的 6 西瓜子智能识别系统核心技术研究与实现 第一章引言 要求，选取了基于统计分析的方法，获取九种瓜子样本图像中纹理信息特征的具体数 据，通过分析它们的纹理曲线分布图，发现其内在的分布特征，为后续章节构建瓜子 标准信息特征库提供了支持。 链第五章瓜子信息标准的构建。从西瓜子表象特征及纹理特征着手，分析了标准 构建模块的相关功能，设计了标准的组织结构，最终完成了标准的构建工作。 第六章总结与展望，论述了本文所做的主要工作，同时也提出了进一步可以开 展的工作。 7 第二章相关理论西瓜子智能识别系统核心技术研究与实现 第二章相关理论 通过对图像处理、图像识别、模式识别等基本概念及相关技术的阐述，引入了与 分捡结果密切相关的图像分割、图像滤波等预处理算法，对其进行了深入的分析研究， 同时对相关的数据数字特征求取方式也给出了简要说明，为下面的特征信息提取工作 提供充分的理论依据。 2 1 基本概念介绍 1 、图像处理 ( 1 ) 图像处理定义 图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图 像处理最早出现于2 0 世纪5 0 年代，作为一门学科大约形成于2 0 世纪6 0 年代初期。早期 的图像处理是以改善图像的质量，改善人的视觉效果为目的。图像处理中，输入的是 质量低的图像，输出的是改善质量后的图像。 ( 2 ) 图像处理背景介绍 图像处理技术首次获得实际成功应用的是美国喷气推进实验室。他们对航天探测 器在1 9 6 4 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去 除噪声等方法进行处理，用计算机成功地绘制出月球表面地图，获得了巨大的成功， 推动了数字图像处理这门学科的诞生。随后，图像处理技术在许多应用领域受到广泛 重视并取得了重大的开拓性成就，使图像处理成为一门引人注目、前景远大的新型学 科。7 0 年代中期开始，数字图像处理向更高、更深层次发展。人们已开始研究如何用 计算机系统解释图像，实现类似人类视觉系统理解外部世界。西方发达国家投入大量 人力、物力到这项研究，取得了不少重要的研究成果。图像理解虽然在理论方法研究 上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，是一个有 待人们进一步探索的新领域。 2 、图像识别 图像识别是对处理后的图像进行分类，确定类别名称。它可在分割后的每个部 分中，找出形状、纹理等特征，并对某些参数进行测量，再提取这些特征值，最后根 西瓜子智能识别系统核心技术研究与实现第二章相关理论 据测量结果分类。图像识别过程输入的是经过处理的图像，输出是类别和对图像的描 述，以便对图像的重要信息得到一种理解和解释【切。 3 、模式识别 ( 1 ) 模式识别定义 模式识别【1 3 1 是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利 用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识 别的过程。模式识别包括学习阶段和实现阶段，前者是对样本进行特征选择，寻找分 类的规律，后者是根据分类规律对未知样本集进行分类和识别j ( 2 ) 模式识别方法 模式识别有两种基本的方法：统计方法、句法方法。 统计方法：统计法一般假定被识别的对象或经过特征提取向量是符合一定分布规 律的随机变量。其基本思想是将特征提取阶段得到的特征向量定义在一个特征空间 中，这个空间包含了所有的特征向量，不同的特征向量，或者说不同类别的对象都对 应于空间中的一点。在分类阶段，贝, t j n 用统计决策的原理对特征空间进行划分，从而 达到识别不同特征的对象的目的。统计模式识别中研究的重点是特征提取。一般用于 识别对象不很复杂或不含明显的结构信息的识别过程中。 句法方法：又称结构方法或语言学方法。基本思想是把一个模式描述为较简单的 子模式的组合，子模式又可描述为更简单的子模式的组合，最终得到一个树形的结构 描述。在句法方法中选取基元的问题相当于在决策理论方法中选取特征的问题。通常 要求所选的基元能对模式提供一个紧凑的反映其结构关系的描述，又要易于用非句法 方法加以抽取。 ( 3 ) 模式识别在本系统中的应用 模式识别已经在天气预报、卫星航空图片解释、工业产品检测、字符识别、语音 识别、指纹识别、医学图像分析等许多方面得到了成功的应用。所有这些应用都是和 问题的性质密切不可分的，至今还没有发展成统一的、有效的可应用于所有的模式识 别的理论【堋。本系统研究的核心问题为特征提取问题，并且待测物体不很复杂，没有 统一划分标准，又要满足实时性要求，所以本系统主要采用基于统计决策的方法。 9 第二章相关理论西瓜子智能识别系统核心技术研究与实现 2 2 图像分割算法分析 2 2 1 图像分割定义 图像分割根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚 类，把图像平面划分为一系列“有意义”的区域，使其后的图像分析、识别等高级处 理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。简单的讲， 就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理【1 5 1 。它是实现自动 图像分析时首先需要完成的操作。 2 2 2 灰度阈值分割法 灰度阈值分割法是一种简单的基于区域的技术，这种方法把每个像素的灰度值与 一个阈值丁进行比较，根据它是否超过该阈值而将该像素归于两类中的一类。 灰度阈值法实现简单、计算量小、性能较稳定，是图像分割中应用最广泛的分割 技术。分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的 有效性，其中阈值的选取是图像阈值分割方法中的关键技术。 一般意义下，阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以 及该点在图像中的位置的一种函数，这种阈值函数可记作t ( x ，y ，n ( x ，) 7 ) ，f ( x ，) ，) ) 。式 中，f ( x ，y ) 是点( 工，y ) 的灰度值；n ( x ，y ) 是点( x ，y ) 的局部邻域特性。根据对丁的不 同约束，可以得到3 种不同类型的阈值，即： ( 1 ) 点相关的全局阈值t = t ( f ( x ，y ) ) ，只与点的灰度值有关； ( 2 ) 区域相关的全局阈值t = t ( n ( x ，y ) ，f ( x ，) ，) ) ，与点的灰度值和该点的局部邻 域特征有关； ( 3 ) 局部阈值或动态阈值t ( x ，y ，n ( x ，) ，) ，f ( x ，y ) ) ，与点的位置、该点的灰度值 和该点邻域特征有关。 灰度阈值分割法特别适用于目标和背景占据不同灰度级范围的图像。它可以极大 的压缩数据量，大大简化分析和处理步骤，在很多情况下，是进行图像分析、特征提 取与模式识别之前的必要的图像预处理过程。 在本系统，要保证图像处理的稳定性、速度及分割的效果，重点对以下两种算法 1 0 西瓜子智能识别系统核心技术研究与实现第二章相关理论 进行了分析研究： 1 、大津法 大津法1 6 1 是日本的大津展之在1 9 8 0 年提出的。该方法的基本思想是：设阈值将图 像分割成两组，一组灰度对应目标，另一组灰度对应背景，则这两组灰度值的类内方 差最小，两组的类间方差最大。方差是灰度分布均匀性的一种度量，方差值越大，说明 构成图像的两部分差别越大；当部分目标错分为背景或部分背景错分为目标都会导致 两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。 方法具体实现过程如下： ( 1 ) 设图像的灰度值为1 。m 级，在k 处将其分成两组c o = 1 。k 和 c l = k + rm ，分别计算各级产生的概率与q ，各组的组内平均值觞与鸬及 整体图像的灰度平均值。 ( 2 ) 用公式( 2 1 ) 求解两组间的方差。 仃2 ) = c o o ( , u o 一) 2 + q ( 。一) 2 = c o o c o , ( , u , 一心) 2 = 【肚切 ) 一( 忌) 】2 c o ( 七) 【l c o ( k ) 】 ( 2 1 ) ( 3 ) 从rm 之间改变k ，求上式为最大值时的k ，即求m a x 口( 七) 时的意+ 值，此 时k + 值便是所求的阈值。 其中盯( 足) 被称为阂值选择函数。大津法不管图像的直方图有无明显的双峰，都 能得到较满意的结果，因此，这种方法是全局阈值自动选择的最优方法。 大津法选取出来的阈值非常理想，对各种情况的表现都较为良好。虽然它在很多 情况下都不是最佳的分割，但分割质量通常都有一定的保障，可以说是最稳定的分割， 大津算法是一种较为通用的分割算法。 2 、迭代阈值动态自适应法 当照明不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有 合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图 像按照坐标分块，对每一块分别选一阈值进行分割，这种与坐标相关的阈值称为动态 阈值方法，也称为自适应阈值方法【1 刀。这类算法的时间复杂度和空间复杂度比较大， 但是抗噪声能力比较强，对采用全局阈值不容易分割的图像有较好的效果。自适应阈 值选取比较简单的方法则是对每个像素确定以它为中心的一个领域窗口，计算窗口内 像素的最大值和最小值，然后取它们的均值作为阈值。迭代阈值动态自适应方法在此 基础之上做了进步的改进，将图像分为图像和背景两个部分，通过多次迭代，求得 第二章相关理论 西瓜子智能识别系统核心技术研究与实现 一个比较理想的阈值，然后根据此阂值进行逐点二值化。具体实现步骤如下： ( i ) 求出图像中的最小和最大灰度值g 商。和g 一，阈值初值： 丁。：坠墨磐 2 ，迭代次数k 初值为0 ； ( 2 ) 根据阈值丁将图像分割成图像和背景( 小于丁、大于t ) 两部分，分别 计算出两部分的灰度平均值g 。，gb 则： z ( f ，歹) n ( i ，歹) 铲专而 z ( f ，j ) c r g 嚣2 z ( i ，歹) n ( i ，歹) z ( i ，) ) r n ( i ，歹) z ( 1 j ) ) r ( 2 2 ) 式中，z ( i ，_ ) 是图像上( i ，j ) 点的像素值，n ( i ，歹) 是( i ，j ) 点的权值。 ( 3 ) 求出新阈值： t n l = ( g 。+ g b ) 2 ( 2 3 ) ( 4 ) 如果r n l = r 鬈或k 1 0 0 ，则结束；否则k = k + l ，转第二步； ( 5 ) 逐点二值化； i f 考察点( x ，y ) 的灰度值f ( x ，y ) t n l ，t h e ng ( x ，y ) = 2 5 5 ； e l s eg ( x ，y ) = 0 。 迭代所得的阈值分割的图像效果良好，基于迭代的阈值能区分出图像的前景和背 景的主要区域所在，但有时有图像较为细微处区分度不够理想。 2 3 图像滤波算法研究 2 3 1 图像滤波的作用 图像在生成和传输过程中常受到各种噪声的干扰和影响，使图像质量下降。为了 抑制噪声改善图像质量，必须对图像进行平滑处理，并且尽量不损害图像的边沿和其 它各种细节信息。 数字图像平滑技术分为两类：一种是全局处理，即对噪声图像的整体或大的块进 行校正以得到平滑的图像。另一种平滑技术是对噪声图像使用局部算子。这种方法计 1 2 西瓜子智能识别系统核心技术研究与实现第二章相关理论 算效率高，可以多个像素并行处理，可实现实时或者准实时处理。 2 3 2 模块平滑滤波研究 1 、局部平滑滤波算法 j ； 局部平滑滤波算法【1 8 1 是最常用的平滑算法，它均等的对待领域中的每个像素。设 图像中某像素的灰度值为f ( x ，y ) ，它的领域s 为，点集的总数为m ，则平滑 后这点的灰度值为： 讹) ，) 2 玄磊们 ( 2 4 ) 此种操作可用模板来表示。设= 3 ，则模板可表示为： r 1 1 1 三木l1 1 1l 9 l 1 1 1 j ( 2 5 ) 中间的黑点表示中心元素，即用哪个元素作为处理后的元素。在局部平滑滤波算 法中，每个像素点的结果不仅和本像素灰度有关，而且和其领域点的值有关。局部平 滑算法在去除噪声的同时，也会使得边缘模糊，同时这种计算方法会耗费大量的时间。 2 、快速中值滤波算法 中值滤波算法【1 9 1 也是一种局部平滑技术，它是一种非线性滤波方法，在滤波的同 时有一定的保持边界能力，但随窗口增大会丧失这一能力。快速中值滤波是对传统中 值滤波算法的一种改迸，主要的改进之处在于计算中值时不直接进行排队，而是对窗 口内像素进行直方图统计以确定中值，在移动中只统计窗口左边移出的- - y o 和右边移 入的一列，对于中间部分由于和前一窗口相同，不需要重新统计，从而提高了处理速 度。快速中值滤波最主要的问题在于排序方法的选取。 3 、带方向的快速中值滤波算法 带方向的快速中值滤波算法1 2 0 1 2 1 1 是中国农业大学苹果实时在线分级系统课题组 提出的一种滤波方法，本文对此算法进行了分析和研究。 在实时在线分选中，图像是在特定的环境下采集到的，各幅图像质量比较均匀， 滤波工作主要是针对高频寄生噪声操作。同时对算法的要求是：( 1 ) 滤波时不要破坏 图像重要的边缘信息；( 2 ) 滤波后的图像要保持清晰，不破坏视觉效果；( 3 ) 处理时 第二章相关理论西瓜子智能识别系统核心技术研究与实现 间短、速度快等。 对试验中大量图像分析后发现，噪声点多以离散点形式分布在图像上，且噪声点 大小一般都较小，多为一个像素，因此，滤波窗口不需要很大，为减小计算量选用窄 条矩形窗口。试验中选窗口大小为1 5 ( 如图2 1 ) 。将待处理图像分成9 块( 如图2 2 ) ， 对于每一块在滤波时选择不同的窗口进行滤波，滤波窗口如图2 3 所示。其中黑色区 域为窗口大小，窗口分垂直、水平、左倾4 5 0 、右倾4 5 0 四种形式。 图2 1 滤波窗口及灰度值图2 2 图像分块示意图 具体操作步骤如下： ( 1 ) 2 ，5 ，8 号图像块选图2 3 0 7 2 号滤波窗口； ( 2 ) 4 ，6 号图像块选图2 3 0 01 号滤波窗口； ( 3 ) 1 ，9 号图像块选图2 3 中4 号滤波窗口； ( 4 ) 3 ，7 号图像块选图2 3 中3 号滤波窗口； ( 5 ) 对每个图像块分别进行快速中值滤波； ( 6 ) 所有块操作完成后结束。 此滤波算法窗口内像素少，计算量小，操作速度很快。并且窗口的方向性有利保 持边缘信息。是一种比较适合实时检测的滤波算法。 西瓜子智能识别系统核心技术研究与实现 第二章相关理论 2 4 数据的数字特征 数据作为信息的载体，当然要分析数据中包含的主要信息，即要分析数据的主要 特征。也就是说，要研究数据的数字特征，对于数据的数字特征，要分析数据的集中 位置、分散程度、数据的分布是正态还是偏态等等。对于多元数据，还要分析多元数 据的各个分量之间的相关性等。 1 、均值 均值即是x l ，x 2 ，h 的平均数： ；2 鸯 泣6 ， 均值表示数据的集中位置。 2 、方差、标准差与变异系数 方差是描述数据取值分散性的一个度量，它是数据相对于均值的偏差平方的平 均： 击蔷n ( 杠) 2 像7 ， 方差的开方称为标准差。标准差为： 厂i s = q s 二= ( 2 8 ) 刻画数据相对分散性的度量是变异系数t c v = 1 0 0 娄( ) x ( 2 9 ) 3 、偏度与峰度 偏度与峰度是刻画数据的偏态、尾重程度的度量。他们与数据的矩有关。偏度的 计算公式为： 9 1 = ( ，l 一1 ) ( ，l 一2 ) s 3 ，1 2 m 3 ( ，z i ) ( n 一2 ) s 3 n ( 恐 i = 1 ( 2 1 0 ) 第二章相关理论 西瓜子智能识别系统核心技术研究与实现 其中s 是标准差。偏度是刻画数据对称性的指标。关于均值对此的数据其偏度为 0 ，右侧更分散的数据偏度为正，左侧更分散的数据偏度为负。 峰度的计算公式是： 铲一言( x ；- x ) 4 - 3 志岛 亿 n z ( 握+ 1 ) m 4。 ( n 一1 ) 2 ( ，l 一1 ) ( 凡一2 ) ( n 一3 ) s 4 。( n 一2 ) ( n 一3 ) 当数据的总体分布为正态分布时，峰度近似为0 ；当分布较正态分布的尾部更分 散时，峰度为正，否则峰度为负。当峰度为正时，两侧极端数据较多；当峰度为负时， 两侧极端数据较少。 2 5 本章小结 本章对图像处理、图像识别及模式识别的概念、意义、涵盖的内容、研究的方法 进行了简要的介绍。对图像识别与处理技术的应用直接关系到本课题的研究结果，因 此本章着重对图像处理基础方法进行了比较细致的分析与研究，这些方法的合理运用 将对特征提取的结果起到直接的影响，本章的研究内容为后续工作提供了理论依据。 1 6 西瓜子智能识别系统核心技术研究与实现第三章表象特征提取及辨析方法研究 第三章表象特征提取及辨析方法研究 通过对图像预处理算法进行的比对实验，选取了符合系统条件的图像预处理方 法，并对西瓜子表象特征提取算法进行了分析研究，在此基础上将黑色区域覆盖度、 直方图灰度分布、表面花斑数量等多种表象特征提取方法综合运用于分捡流程中。实 验证明，综合运用的效果较为理想，可以很好的适用于实时分捡工作。 3 1 西瓜子表象特征分析 首先，对本课题的实验对象西瓜子，进行表象特征分析：一批统货中含有优 质瓜子、烂瓜子、白片瓜子、弯翘瓜子、黑瓜子、瓦瓣瓜子、花斑瓜子、半瓣头瓜子、 白皮瓜子等九种不同类型的瓜子，其中：白皮瓜子与黑瓜子表面颜色完全相反；半瓣 头瓜子具有半黑半白的特点；白片瓜子除边缘轮廓为黑色区域，其余部分全部为白色； 花斑瓜子表面带有独特的白色环状痕迹；烂瓜子呈暗灰色，表面暗淡无光；优质瓜子 中心部分为白色，其余部分黑亮、有光泽。感官知觉所反映出的西瓜子的表象特征告 v 诉我们：用表象特征对产品加以区分，是一条可行路线。 经过上述分析及西瓜子表象特征的特点，可将其分为三组处理：白片瓜子、黑 瓜子、半瓣头瓜子和白皮瓜子为一组；花斑瓜子单独一组，i 烂瓜子单独一组。由于弯 翘瓜子和瓦瓣瓜子形状独特，需要通过物理手段区分，且这两种瓜子所占比例不高， 故本研究不予考虑。 根据上述分析，对课题组提出的表面花纹连通度算法、黑色区域覆盖度算法、直 方图灰度分布差异算法三种表象特征提取方法进行了研究，并综合运用到分捡工作 中，这三种特征值提取算法以图像预处理【2 刁为基础，与外形特征提取方法相结合，为 分选工作准确高效的进行提供保证。 图3 1 统货中瓜子的特征分类 1 7 第三章表象特征提取及辨析方法研究 西瓜子智能识别系统核心技术研究与实现 3 2 本文涉及到的图像预处理算法分析比对 本章提出的所有特征提取方法必须以图像预处理的结果为基础，因此，对涉及到 的图像处理方法进行分析比对，选择合适的预处理算法是特征提取精确的基础。 3 2 1 大津法与迭代阈值分割效果分析 o qo 原始图像大津法迭代阚值动态自适应算法 图3 2 原始图像及二值化处理结果 图3 2 为大津法与迭代阈值动态自适应算法对原始图像处理后的结果。从实验中 可以看出，两种方法得出的图像结果很接近。大津法是一种非常稳定的算法，比较适 合实时在线处理场合。在计算时间上，迭代阈值动态自适应要通过反复迭代计算阈值 来取得一个较好的分割效果，算法耗时多。在本系统中，由于在硬件设备上做了比较 充分的考虑，瓜子图片前景和背景图像又比较简单，又充分考虑到适合实时在线分选 因素，因此选用大津法作为二值化处理的方法。 3 2 2 三种模板滤波算法分析比对 在局部平滑滤波算法、快速中值滤波算法和带方向的快速中值滤波算法中，前两 种方法在一般图像处理中应用比较广泛，有较好的滤波效果。但是，局部平滑滤波算 法在处理时对边缘破坏较大。其计算量为：处理一幅n m 的图像，窗g 宽度为3 个 像素时，需要接近9 n m 次加法，另加丈m 9 次除法。而快速中值滤波算法窗口宽 度至少在3 个像素以上时才能有较好效果，以3 个像素为例估算，其计算量与邻域法相 当。 o ob v o o o o o b o 啊d圜图 蕾叠蓉鬻麓缆缓麟泓滋瓣麓聪鬻蘩瓢缀一蒺瓣獭鳜囊一鬈鬈0孽簪尊璺曩；om嚣埘穰，薅鬻肇、。岈鬻一鬻熬艮警甏 西瓜子智能识别系统核心技术研究与实现 第三章表象特征提取及辨析方法研究 原 醚簟燮审 蠢藜：囊醚 赣黼 圈 霸 鬈 快速中值滤波带方向的快速中值滤波 图3 3 原始图像及平滑滤波处理结果 从图3 3 中可以看到，快速中值滤波算法和带方向的中值滤波算法对噪声滤除效 果都比较理想，而后者在保持边缘轮廓上比快速中值滤波法更好一些。从计算速度方 面看，由于带方向中值滤波窗口比普通中值法3 x 3 窗口还小，所以计算量小，处理速 度更快。所以该方法能够满足要求，适合实时处理时使用。 3 3 黑色区域覆盖度特征提取方法应用 前面已提到将白皮瓜子、白片瓜子、黑瓜子、半瓣头瓜子四种瓜子分在一组，因 为它们彼此之间有着相似或相反的性质。白皮瓜子整个瓜子表面呈乳白色，边缘轮廓 色彩较浅，表面黑色区域较少；白片瓜子和白皮瓜子类似，不同之处在于白片瓜子轮 廓边缘呈黑色，而表面内部区域同样为乳白色；黑瓜子形如其名，整个表面基本全部 为黑色，偶尔存在几个白色斑点；半瓣头瓜子特征最为明显，整个瓜子表面完整的分 为两个部分，一部分为黑色，另一部分为白色；而优质瓜子只有瓜子中心部分为乳白 色，四周均为黑色光泽区域。 根据对采集到的图像进行分析推测，构造了如下实验：计算西瓜子表面黑色区域 大约所占的比例，观察这些特征值之间是否存在明显的差异。二值化处理过的图像可 以比较准确的反应出其表面黑色区域的分布情况，而西瓜子面积又可以通过像素点个 1 9 囊譬誊 一蕾羲撇鍪曼慧 髓警磊蠢一 一麓鬻麓鬻溢曩 第三章表象特征提取及辨析方法研究 西瓜子智能识别系统核心技术研究与实现 数来衡量，因此考虑用单颗瓜子表面实际的黑色点像素点数与瓜子面积相比，通过比 值来反映出西瓜子表面黑色像素的分布情况。此处定义为黑色区域覆盖度。 参霸 呈瓜子 白芹 参 特级瓜子 图3 5 五种瓜子及二值化处理后的结果 从上面这张图中可以明显看出这五种瓜子之间的差别。自皮瓜子绝大部分为白色 区域，黑色区域所占比例稀少，推测其覆盖度在0 5 以下；黑瓜子绝大部分都为黑色 区域，白色区域所占比例稀少，推测其覆盖度在0 9 5 以上；白片瓜子只有周围2 - 3 个 像素宽度的区域为黑色，内部基本成灰白色，推测其覆盖度在0 6 - 0 7 5 之间；特级瓜 子只有中间部分为白色区域，周围均为黑色，推测其覆盖度在0 8 - 0 9 5 之间。对半瓣 头瓜子，其白色区域可能位于左、右、上、下各边，对其采用特殊的处理方法：通过 图像上下边缘求取图像中点坐标，通过此点做y 轴垂线将图像均分，分别统计两部分 黑色像素数量，用黑色像素较少的部分与较多的部分相比，得到一个比例关系。由于 特级瓜子色彩分部均匀，上下两部分黑色区域基本相同，估计比值约在0 8 到1 之间波 动，而半瓣头瓜子两部分差距较大，估计比值约在0 6 以下。 根据以上分析，对两种方法进行实验，提取到的数据和预测的结果基本相符，下 面将给出部分实验结果，从这些数据中可以得出一个结论，这两种方法获取的特征值 可以作为这四种瓜子的分选依据。 表3 1 各种瓜子黑色区域覆盖度( 上下比例) 数据表 瓜子编号 瓜子类型 0 10 2 0 3 0 4 0 50 6 0 7 0 80 91 0 优质覆盖度 0 8 1 80 8 3 2o 8 0 90 9 0 20 8 3 10 9 0 80 9 1 30 8 8 70 8 9 7 0 9 1 9 白皮覆盖度 0 3 9 60 3 0 60 3 1 50 4 0 70 3 2 70 3 3 70 3 1 90 1 1 70 2 9 lo 3 5 l 白片覆盖度 0 7 3 10 7 2 30 5 3 10 7 6 8 0 7 5 20 6 q 50 7 1 2 0 7 2 9 0 6 8 80 7 1 7 黑瓜子覆盖度 0 9 8 70 9 9 80 9 8 90 9 8 60 9 7 70 9 8 90 9 9 8o 9 9 70 9 7 8 0 9 8 7 半瓣头上下比 0 4 2 30 4 1 50 4 3 2 0 4 3 60 2 1 60 1 7 4 o 4 7 6 0 5 2 50 5 9 2 0 2 1 8 下段代码的作用是提取白皮瓜子特征。双层循环表示对模块上的瓜子点阵循环扫 描，读取每颗瓜子的面积值和黑色像素点个数，判断其比值介于哪一种类型的瓜子之 间，a r e a _ s 和a r e a - x 表示从标准信息库中读取的白皮瓜子黑色区域覆盖度上下阈值， 最后将结果存在二维数组中。 f o r ( j = 1 ；：j 1 ：c i ；专m 疆m b u c ：b o a r dr o w j + , + ) 硒r ( p l ；i 毒= m y p u i o ：b o a r d _ c o l ；i + + i ) g u a z i s u - 1 i ：1 - r e s i ! t ：a r e a = m y p u b l i c ：1 9 孓臻戮臻争( t 邑啦p ，m ) ，p u 9 婶：p q 鲫t r