【《农产品机器视觉检测系统中产品图像特征提取分析案例》4600字】

农产品机器视觉检测系统中产品图像特征提取分析案例目录TOC\o"1-3"\h\u19240农产品机器视觉检测系统中产品图像特征提取分析案例 173681.1八角颜色特征提取 1258571.1.1颜色空间模型与转换 189511.2八角轮廓特征提取 3315901.2.1轮廓提取 3308701.2.2轮廓极坐标变换 4300111.3八角角数特征提取 5193561.4八角质量特征参数提取 6104261.5八角正反面纹理特征参数提取 7248441.6八角霉变特征参数提取 8142761.7小结 9为了实现基于机器视觉的八角外观品质的识别与检测，需提取八角图像的特征参数，本研究分别针对不同颜色、轮廓、角数、质量和有无质变的八角图像进行特征提取。1.1八角颜色特征提取无论何种信息在计算机中都以二进制进行存储，但是这种信息在日常生活中效率低下且不便于人类理解和处理。为了解决这些矛盾，针对不同信息作了不同的规定，例如：接口协议、网络协议规定等。图像也如此，也遵从一定的规定，在图像存储系统中有RGB、HSI、JPEG等不同颜色的空间模型，但是颜色空间模型彼此之间可以相互转化。1.1.1颜色空间模型与转换本文所研究的八角样本颜色有褐红、黑红和棕红三种，这三种八角颜色单一且色差小，RGB值之间无明显差别。因此先对分割后的八角进行RGB转化到HSI空间，再选用HSI空间颜色区别大的颜色特征对八角颜色进行识别。（1）RGB三原色：RGB三原色规定是图像中最常见的颜色规定，R为红色、G为绿色、B为蓝色，在规定中RGB为图像中常见的三原色，由三原色组合形成色彩缤纷的图像。而RGB模型是面向硬件的模型，每种颜色通道在硬件存储中都占用8bit，即每个颜色通道用256灰度级表示，因此RGB颜色模型共有256*256*256组合颜色。RGB颜色模型如图3-1所示：图3-1RGB颜色空间坐标模型Fig.3-1RGBcolorspacecoordinatemodel（2）HSI颜色空间：HSI颜色空间是从人的视觉系统出发，用色调（Hue）、色饱和度（Saturation或Chroma）和亮度（Intensity或Brightness）来描述色彩。其中色调是指一种纯色的颜色属性，饱和度是指纯色被白光稀释的程度的度量，亮度是一个主观因子，实际上是不可度量的。HSI颜色空间可以用一个圆锥空间模型来描述，相当复杂，但却能把色调、亮度和色彩饱和度的变化情形表现得很清楚。在HSI颜色模型的双六棱锥上。饱和度S，是指纯色被白光稀释的程度的度量，亮度是一个主观因子，实际上是不可度量的。I是强度轴，对应成像亮度和图像灰度，是颜色的明亮程度。色调H的角度范围为[0，2π]，其中，纯红色的角度为0，纯绿色的角度为2π/3，纯蓝色的角度为4π/3，如图3-2所示。RGB向HSI模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。基本要求是将RGB中的亮度因素分离，将色度分解为色调和饱和度，并用角向量表示色调。图3-2HSI颜色空间模型Fig.3-2HSIcolorspacemodel根据以上分析可以知，RGB模型更适合计算机中的图像，但是并不能很好的适应人解释的颜色，因此在肉眼中常用HSI颜色空间模型对物体进行描述和解释。根据颜色空间模型的各自优缺点，本问通过研究发现的八角在RGB颜色空间分辨不明显，但研究发现八角图像在HSI颜色空间模型中的H分量下表现较为明显。RGB转化到HSI[72]颜色空间的转换公式为：H=θ,B≤G360−θ,B>GQUOTE（1.1）QUOTEθ=arccos12R−G+R−BR−G2QUOTES=1−3B+G+RminB,G,R（1.3）QUOTEI=13B+G+R（1.4）式中H为色调，以角度度量；S为饱和度，表示颜色与光谱色的接近程度，值越大则越接近饱和；I为强度，表示颜色的明暗程度，值越大表明越亮。根据式（1.1）-（1.4），对101个黑红、褐红和棕红色八角样本的RGB图像作H、S、I变换，计算这些样本的H、S、I的均值，详细值见附表3。1.2八角轮廓特征提取分析一张图片时，物体的轮廓能表现出许多信息。轮廓对区分和识别不同的物体有着很重要的作用。因此应先提取八角的轮廓特征，再在八角的轮廓特征上提取需要的八角角数。1.2.1轮廓提取利用OpenCV中的轮廓查找函数findcontours查找预处理后图像的轮廓，但是轮廓查找函数查找到的轮廓包含了许多干扰轮廓，为了去除这部分轮廓，将利用OpenCV中的Rect函数对查找到的轮廓进行“填装”，再遍历Rect的最大面积，即为的八角的轮廓特征，如图5a所示。Findcontours轮廓查找函数是基于satosHSIuzuki[73-74]发表的一篇论文思路实现的。轮廓查找函数是对二值图像进行拓扑分析，确定二值图像轮廓的围绕关系，即孔和轮廓的之间的层次关系。因为轮廓和原图的区域是一一对应的（轮廓对应的二值图像像素值为1的连通域，孔对应的值为0），将这些轮廓标记为cX和hX，其中c代表“轮廓”（contour），h代表“空”（hole），X代表数字。再采用编码的思想对不同的孔和轮廓进行赋值，从而得到孔和轮廓的轮廓树，而轮廓树上的子树就是对应的不同轮廓编码。1.2.2轮廓极坐标变换为了提取八角的角数特征，需对八角的轮廓特征进行极坐标转换，具体流程如下：（1）圆心提取。物体中心的提取一般采用物体的质心，考虑到八角复杂的形状，本文以最小内接圆法对质心进行提取。首先，对前文中得到的八角轮廓进行Harris角点检测，再以检测出的角点为基础，用最小内接圆法找到八角的圆心（X0QUOTE，Y0）和半径R，处理后的图像如图5b所示。（2）找到轮廓后对八角轮廓上的点进行逐点扫描，并存入一个vector<Point2>中。存入后的坐标为（Point[k].x，Point[k].y），为了下文的描述和处理本文将（Point[k].x，Point[k].y）看成(xk，yk)。(k=1,2,3,…n)。Vector是一个封装了动态大小数组的顺序容器，而vector<Point2>主要用来存储八角轮廓上的每个点。a轮廓图aOutlinedrawingb最小内接圆图bMinimalinscribedcirclediagram图3-3最小内接圆效果图Fig.3-3Minimuminnercirclerenderings（3）找到圆心和轮廓像素点位置后，以找到的圆心为中心点（X0QUOTE，Y0），将轮廓上的点带入式（1.5）和（1.6）进行极坐标变换。式中xk为轮廓点上的行坐标，yk为轮廓点上的列坐标，X0最小内接圆下求得的圆心行坐标，Y0最小内接圆下求得的圆心列坐标，ρk为极坐标变换后的纵轴像素点坐标值，θ变换公式如下：QUOTEρk=（xk−X0）θk=180π∗tan−1yk图3-4八角极坐标变化图Fig.3-4Changeofoctagonalpolarcoordinates1.3八角角数特征提取所谓八角，一般指八角茴香有八个角，但分拣过程中通过人工方式计数区分八角，无疑费时费力，为了识别八角角数，本节通过机器视觉技术对八角图像进行处理，从而达到代替人力识别八角角数的目的。为了准确识别八角的角数，采用以下方法和步骤：（1）极坐标错位相减：在进行轮廓识别和极坐标变换后，点与点之间会存在许多间断点，由求导的定义知不能直接对其进行求导，本文采用了对转换后得到的极坐标的ρk进行错位相减，得到QUOTE∇ρ=ρk−ρk−1，为了计算方便将其记为（2）归一化：因为错位相减后的数值大小不一，不利于数据的处理，因此把求得的ρna错位相减图aDislocationsubtractiondiagramb二值化图bNormalizedgraph图3-5错位相减与归一化图Fig.3-5.Diagramofdislocationsubtractionandnormalization（3）滤波：从图3-5b可以看到二值化后的图还有许多以“0”为中点的上下跳跃点，这些跳跃点可能是八角的角数特征，也可能是干扰点。为了能得到八角的角数，需滤除这些干扰点，本文采用记数法。本文计数法采用长度为N的区间对其进行遍历，长度可以根据需要进行调整，本文选用10。具体地：如果遍历中左右两端+1和-1的个数相差小于1到2，则判定为有极值点，并记录点的位置Pn，处理后得到的点和变换后的极值点Pn点如图3-6所示。被识别出的极值点点数为八角角数的2倍，所以八角角数为极值点数得a归一化图aBinarizationFig.b识别后的轮廓极值点图bIdentifiedcontourextremumpointgraphc无序八角轮廓极值点原图cOriginalpictureoftheextremepointofanunorderedoctagonalcontour图3-6八角角数识别图Fig.3-6Octagonalimageprocessingrecognitiondiagram1.4八角质量特征参数提取在外观品质检测中，质量特征对八角品质有着重要的作用。传统的物体质量测重一般采用称量的方法，但该法不利于八角的自动化分拣。机器视觉技术的发展，使物体质量的测量在无接触检测情况下变成了可能。本文也将利用机器视觉法对八角质量进行测量，探索八角质量与图像的关系。在研究中发现二值化后的八角点数与八角质量有很大的关系，因此本文利用二值化后的八角图像（八角为0，背景为1）对其为0的像素点进行统计。统计后的像素点如表：表3-1部分八角投影面积Table3-1partialoctagonalprojectionarea序号pixel/g序号pixel/g序号pixel/g118902.777781322152.083332420332222978.303751421628.626692520806.25320337.455831521047.337282622181.74558417928.68721620078.504672722069.09091521098.484851721336.12042820439.70315618207.142861822787.430682921652.77778719815.254241918331.823533019467286782022902.222223121026.80067919068.115942120730.897013220765.923571024700.575822221379.367723320928.455281118454.237292320414.925373422631.889761219348.529412422784.090913517770.318021.5八角正反面纹理特征参数提取为了对八角进行正反面进行识别，本文将对八角的正反面进行提取，通过提取的特征对八角正反面进行判断。纹理特征是在图像计算中经过量化的图像特征，也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。而纹理识别中应用最广泛的算法为灰度共生矩阵，灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量：即：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差等相关信息测度以及最大相关系数。本文使用能量、对比度、相关性、非相似性和逆差矩对八角进行正反面特征提取。纹理即元素或基元依据某些准则进行排序，所形成的模式[75]。①能量。是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。②对比度。反映了图像的清晰度和纹理沟纹深浅的程度。③逆差距。反映图像纹理的同质性，度量图像纹理局部变化的多少。④相关性。图像在相对位置上的相似性和相关程度。⑤对比度。反映了图像的清晰度和纹理沟纹深浅的程度。1.6八角霉变特征参数提取八角变质特征主