《基于Matlab图像处理的猕猴桃目标信息获取方法研究毕业设计论文.doc》由会员分享，可在线阅读，更多相关《基于Matlab图像处理的猕猴桃目标信息获取方法研究毕业设计论文.doc（74页珍藏版）》请在三一办公上搜索。
1、基于Matlab图像处理的猕猴桃目标信息获取方法研究摘 要猕猴桃营养丰富，具有多种价值，其种植面积和产量逐年增加，但由于采摘环节落后的人工作业方式，制约了猕猴桃种植业的发展。因此，实现猕猴桃采摘的机械化和自动化是猕猴桃生产环节中一个亟待解决的问题。本文以猕猴桃为研究对象，应用Matlab软件对猕猴桃采摘过程中目标识别的关键技术进行了研究，计算出目标果实的形心位置和形状大小从而为猕猴桃果实的采摘提供了必要信息。取得的主要的研究成果和结论如下:（1）针对猕猴桃图像对其底层处理算法进行了对比分析，得出了处理效果最佳的方法即：直方图均衡化增强，5*5中值滤波，Canny算子边缘检测。（2）通过对猕猴桃
2、图像RGB和Lab空间颜色分量及常用颜色因子组合的灰度图、直方图和线剖面图的比较分析，发现在Lab空间a分量和R-G颜色因子下果实和背景有较大的区分，这两种情况下对于猕猴桃果实分割最为有利。本研究中选用了Lab空间a分量。（3）采用固定阈值法和大律法（OTSU）对灰度图像进行了分割，都能将猕猴桃果实完整的分割出来，其中大律法具有较好的适应性，只是耗时较多。针对分割处理后的二值图像存在残留物问题，本研究中采用了先去除图像中的小目标，腐蚀，再次去除腐蚀图像中的小目标，最后反向膨胀的方法进行了残留物去除，取得了较好的效果。（4）针对猕猴桃果实不同的空间位姿采用相应的处理方法确定了果实目标的轮廓、面积
3、、周长、圆形度、形心、外接矩形特征参数，为采摘机械手的动作提供向导。关键词: 猕猴桃; 目标识别; Matlab; Lab空间; Hough变换RESEARCH ON THE METHOD OF KIWIFRUIT TARGET INFORMATION ACQUISITION BASED ON MATLABIMAGE PROCESSIONABSTRACTAs one of the nutritious fruits，the planting area and yield of Kiwifruit is increasing year and yearBut the production of
4、Kiwifruit is still manual work, especially the picking operation with long harvest and great labor intension, restricting the Kiwifruit industrialization greatly. So the mechanization and automation of picking Kiwifruit is a problem to be resolved to the Kiwifruit industryWith Kiwifruit as the subje
5、ct, the key technology of fruit recognition in picking kiwifruit is studied based on Matlab image processing. Calculate the centroid and the size of target fruit and provide the necessary information for picking Kiwifruit. The main research results are as follows:(1) Kiwi image for its underlying pr
6、ocessing algorithms were compared and analyzed the best way to deal with, namely: enhancement histogram equalization, 5 * 5 median filtering, Canny edge detection operator.(2) Kiwi images by color components RGB and Lab space and color factor combinations used grayscale, histogram and line profile g
7、raph of comparative analysis found that a component in the Lab and the R-G color space under the fruit and the background factors have a greater distinction In both cases the best interests of the kiwi fruit split. In this study, a component selected Lab space.(3) Fixed threshold method and the Grea
8、t Law (OTSU) on the gray image segmentation, can be a complete division of kiwifruit out of which the law has good adaptability, but time-consuming. Segmentation processing for binary image after the existence of residue problems, this study used first to remove the image in the small target, corros
9、ion, corrosion of the image again to remove the small target, and finally reverse-expansion methods to residues In addition to, and achieved good results.(4) Kiwifruit space for pose different processing methods used to determine the appropriate goals of fruit contour, area, perimeter, circularity,
10、centroid, bounding rectangle parameters for the picking robot guides the action.Key Words：Kiwifruit; Target identification; Matlab; Lab Space; Hough Transform目 录第一章 绪论1引言11.1 课题研究的目的与意义11.2 国内外果实目标识别研究现状21.3 研究内容及论文组织结构31.3.1 研究内容31.3.2 论文组织结构4第二章 图像底层处理算法的研究52.1 图像增强52.1.1 灰度直方图线性映射52.1.2 直方图均衡化52.
11、2 滤波处理62.2.1 邻域平均法62.2.2 中值滤波法62.3 边缘检测算法72.3.1 罗伯特(Robert)边缘检测算子72.3.2 索贝尔(Sobel)边缘检测算子82.3.3 拉普拉斯(Laplacian)算子82.3.4Canny边缘检测算子82.4 数学形态学算法92.4.1 膨胀92.4.2 腐蚀102.4.3 开运算102.4.4 闭运算102.5 本章小结10第三章 颜色特征分析与图像分割113.1 猕猴桃果实与周围环境间颜色特征分析113.1.1 颜色模型113.1.2 猕猴桃果实与周围环境颜色特征对比分析123.2 图像预处理153.3 图像分割163.4 干扰残留
12、物去除193.5 本章小结20第四章 不同位姿下果实特征参数的提取224.1 常用特征参数的数学描述224.1.1 面积特征224.1.2 周长特征224.1.3 圆形度特征224.1.4 形心特征234.1.5 外接矩形234.2 不同位姿下识别算法的研究234.2.1 果实相互分离234.2.2 果实相互接触且未遮挡244.2.3 果实之间有相互的重叠和遮挡264.3 本章小结30第五章 结论与展望315.1 结论315.2 展望与建议31参考文献32附录34致 谢49第一章 绪论引言近年来，随着电子技术和计算机技术的发展，机器人技术得到了飞速的发展，具有高度智能性的机器人已在许多领域得到
13、广泛的应用。机器人的出现，不仅使传统的工农业生产面貌发生根本性的变化，而且也对人们的社会和生活产生深远的影响。在农业生产中，由于作业对象的复杂和多样性，使得农业机器人的开发具有了巨大的经济效益和广阔的市场前景，符合社会发展的需求。中国是一个发展中的农业大国，农业问题始终是关系到中国经济社会发展的根本问题。农业作为国民经济最重要的基础产业，对经济社会的发展和人民生活起着极为重要的保障作用。我国以仅占世界7%的耕地养活了占世界22%的人口，其中农业科技做出了巨大的贡献。但目前随着人口的不断增长和环境的不断恶化，加上农产品价格低、农业收益差，农业生产环境艰苦，我国的农业发展正面临着严峻的考验。为使农
14、业得到持续稳定的发展，技术替代资源的发展道路将是21世纪农业的必然选择。随着电子和计算机技术的发展，智能化和自动化取得了长足的进展，智能机器人已在许多领域得到日益广泛的应用。在我国，智能机器人技术已得到高度重视，国家863高技术计划自动化领域己将智能机器人作为主题展开研究，并且农业生产特种机器人被列为鼓励研究领域。针对水果采摘机器人要完成的任务，目前主要的三大研究课题是：自动导航系统、水果识别视觉系统和机械手的研究。本文的主要研究工作就是对树上猕猴桃果实进行有效识别和初步定位。1.1 课题研究的目的与意义近年来，随着国家解决三农问题和提高农民收入步伐的加快，我国农业产业结构不断调整。一个显著的
15、变化就是水果的种植面积不断增加，其中我国猕猴桃生产由资源调查品种选育到规模化栽培近已有三十年了，从无到有形成初具规模的产业化生产。中国的猕猴桃鲜果及加工品已取得市场认可，这一新兴产业日趋成熟、发展壮大。猕猴桃是目前栽培区域较广、总产量较高、经济效益也较好的水果之一。据统计，2010年陕西省新增猕猴桃种植面积16万亩，总种植面积达58万亩，产量50万吨，约占世界总量的1/3，种植面积及产量均居中国第一。但是，中国果蔬产业面临着生产技术落后，自动化水平低的困境，这使得果农的劳动强度大，生产率低。而且在果蔬生产作业中，收获采摘是费力最大、耗时最多的一个环节。而且为了保证产品的质量，必须做到适时采摘，
16、特别是猕猴桃，若采摘不及时就会使果质变软而影响到果品的品质、储存、运输和后续加工，从而影响市场价格和果农的收入。目前国内水果采摘作业基本上都是手工进行，随着人口的老龄化水平增长和农业劳动力的减少，农业生产成本也相应提高，这样会大大降低农产品的市场竞争力。发展机械化收获技术，研究开发猕猴桃采摘收获机器人，具有重要的意义。果蔬收获机器人的研究不仅具有重要的现实意义，还可直接促进机械结构、图像处理、机器人控制、传感器、智能导航等相关领域技术的深入研究和应用，具有重要的战略意义。猕猴桃空间目标信息的获取是机器人进行采摘需要首先解决的关键问题,本课题以猕猴桃为研究对象，主要研究基于matlab图像处理技
17、术识别出自然场景下图像中的猕猴桃果实。为后续进行的目标果实三维空间位置的确定提供依据。为智能化采摘机器人的执行运动提供决策依据，为最终研制开发设施农业采摘机器人奠定理论基础，为作物生产的自动化、智能化开辟新方法和新思路，以提高我国农业自动化的整体水平。1.2 国内外果实目标识别研究现状在草莓收获方面，上海交通大学与日本宫崎大学共同研制设计了高地隙的跨垄作业4自由度草莓获机器人装置。该机器人采用两个俯视地面的CCD摄像机获取草莓的图像，计算出草莓的方位，用激光传感器测量机械手爪到草莓的距离；采用气动机械手爪抓取草莓果柄，并用剪切式切刀切断果柄。但这仅仅是一个草莓采收实验装置，体积比较庞大，且没有
18、驱动装置，对于草莓的枝叶遮挡、重叠等尚未进行研究，距生产实际应用还有相当的距离口。对成熟草莓的自动识别算法进行了研究，运用BP神经网络分割方法和Lab色彩模型中的a通道并进行阈值化处理的方法实现了将草莓果实从复杂的背景中分割出来，并采用圆形度和长宽比参数区分单个果实图像和多果实图像；对多果实粘连但不遮挡的情况进行了研究，应用聚类快速分割法和分水岭区域分割法成功实现了粘连果实的准确分割和定位。另外中国农业大学的谢志勇、张铁中等人在果实分割的基础上对图像进行区域标记，在确定含有草莓果实的区域进行圆形hough变换，通过对参数空间的统计分析，可以得出草莓的个数和各个果实的圆心和半径参数。试验表明:当
19、成熟草莓轮廓信息丢失小于1/ 2 时, 无论单个分离的成熟草莓, 还是被遮掩、重叠或紧靠的成熟草莓, 皆有很好的识别效果, 识别平均相对偏差为4.8%, 能满足草莓采摘机器人对目标识别精度的要求。在苹果收获研究上，Sites等人研究了一套图像采集系统及图像增强和特征信息的提取算法，通过采用全域阈值法、图像光滑及分割等预处理方法来增强原始图像及“多果”、“单果”和“噪声”的几何差别，分别对树上桃和苹果进行识别实验。张树槐等利用模式识别的方法根据苹果的形状特征从果树中找出苹果，认为此方法比较适用于单个水果的识别。司永胜、刘刚等人针对颜色和背景相近的绿色苹果提出了一种基于K均值聚类的苹果图像识别算法
20、,算法以8*8 像素的正方形区域为分割单位,选择颜色差R-B作为颜色特征, 选择灰度均值m, 标准偏差和熵e作为纹理特征, 形成特征向量空间,采用间隙统计法确定苹果图像的最佳聚类数。将特征向量空间和最佳聚类数作为输入,运用K均值聚类算法对苹果图像进行聚类和分割。实验结果表明, 在顺光和逆光情况下, 算法均能实现果实与背景的有效分割, 果实识别的正确率高于81%。司永胜、乔军等人提出了利用色差R- G 和色差比( R - G) / ( G - B ) 相结合的苹果识别方法。在顺光、逆光等不同情况下对拍摄的苹果图像进行了识别,并对识别后的图像进行消除噪声、区域填充等预处理,获得苹果的轮廓图像。针对
21、轮廓图像,采用遗传算法进行形状特征提取。采取多次运行遗传算法,并依次转换目标轮廓点为背景点的方法, 处理果实图像邻接、重叠问题。实验结果表明: 苹果识别方法在一定程度上消除了阴影、逆光、土壤等影响, 识别率达97%。基于遗传算法的形状特征提取方法, 可对邻接、重叠图像进行有效分割, 快速、准确地实现苹果图像圆心坐标和半径的提取。在黄瓜收获研究上，中国农业大学的袁国勇提出利用黄瓜在颜色深度上的差异，用RGB颜色模型中的G分量及阈值化方对在自然背景下采集的黄瓜图像进行图像分割，实现黄瓜果实与背景的分离。但识别成功率还有待提高，而且现在还尚未解决太阳光照对其的影响和果实相互重叠、果叶遮挡等复杂情况下
22、果实目标的提取。另外，如为了针对杂草精确喷洒除草剂，WoebbeckeD.M.等把各种不同土壤中杂草的彩色图像数字化并经过分析得出红、绿、蓝（R，G，B）色含量。植物的红、绿、蓝色彩坐标值与背景土壤和残茬的R，G，B值非常不同，利用R-G，G-B，（G-B）/（R-G）和2G-R-B等指标来区别植物与非植物背景是非常有效的，其中以2G-R-B这一指标在区分杂草最为有效，可以达到0.05的显著水平，在定点喷洒控制时这一指标可用于设计探测杂草用的传感器。果实的有效识别是果实收获机器人的研究重点,也是提高收获机器人作业效率的关键。从国内外文献看，虽然近年来国内外学者对生长环境中果实的识别作了一些研究
23、，但由于自然光下采集的果实图像背景复杂，受光线的影响大，个体的形状或颜色不同，自然光照强度变化和阴影等因素，对图像的有效获取和图像分析带来很多困难，从而直接影响识别的准确率。当前的研究基本都是针对特定的环境和特定的目标，且不能很好的克服生长环境（光照条件等）的影响。1.3 研究内容及论文组织结构1.3.1 研究内容本研究的目的是实现猕猴桃果实与复杂背景的分割并计算出目标果实的位置。根据这个目的，本文的研究主要分为四步：第一步，根据提取的猕猴桃图像的RGB颜色空间和Lab颜色空间中各颜色分量值，统计分析果实、树叶、树枝等的颜色特征，确定有利于图像分割的最佳颜色空间和颜色因子。第二步，对图像进行预
24、处理，应用不同的方法进行图像增强，滤波和边缘检测，对处理的结果进行对比分析，选择出本研究中综合效果最佳的底层处理算法。第三步，在颜色特征分析的基础上，用阈值分割法对猕猴桃图像进行分割，对分割结果进行残留物的去除，并提取目标相关的特征参数。第四步，根据目标区域的长宽比和圆形度参数判断图像中目标果实的数目。对于单个果实和多果实情形选择不同的方法进行质心和采摘点的标注。1.3.2 论文组织结构第一章，绪论。阐述论文研究的目的与意义、国内外在果蔬目标识别方面的研究现状及论文研究的主要内容。第二章，图像底层处理的算法研究。第三章，颜色分量值得统计及图像分割。在选取适合颜色因子的基础上采用直方图固定阈值和
25、动态阈值法对图像进行有效的分割；结合形态学处理方法对分割处理后的二值图像存在的残留物进行噪声去除和图像填充；并提取果实目标的面积、圆形度、形心、外接矩形等作为果实识别特征参数。第四章，多目标果实和遮挡情况下的处理。第五章，结论与展望。总结本文的主要研究结论，指出目前研究中存在的问题和需要进一步研究的内容和方向第二章 图像底层处理算法的研究在成像过程中，因受各种条件的限制和许多随机因素的干扰，由成像装置获得的数字图像必须要经过底层处理。图像的底层处理主要完成原始图像的噪声过滤、灰度校正、几何校正、信息变换、图像增强，伪彩色处理等。因为图像的底层处理算法面对的是大量的原始图像数据，所以在基于计算机
26、视觉的猕猴桃采摘机器人系统中，后期目标识别的实时性和准确性在很大程度上取决于图像的底层处理算法的好坏。本章对图像处理中常用的图像底层处理算法进行比较和分析，从而选取适合于猕猴桃图像处理的算法，为后期目标识别的快速性和准确性奠定基础。2.1 图像增强一般情况下，成像系统获取的图像(即原始图像)由于受到种种条件限制和随机干扰，往往不能在视觉系统中直接使用，为了改善图像的视觉效果，必须在视觉的早期阶段对原始图像进行灰度校正、噪声过滤等图像增强处理。2.1.1 灰度直方图线性映射直方图线性映射是一种通过重新均匀地分布各灰度值来增强图像对比度的方法，该变换的主观效果是使曝光不充分的图像黑的更黑，白的更白
27、。假设图像的灰度值分布在区间a,b，要将其扩展到区间z0,zk，则映射函数为： （2-1）2.1.2 直方图均衡化直方图表示数字图像中每一灰度出现频率的统计关系。直方图能给出一幅图像概貌似的描述。直方图均衡化是一种借助于直方图变换来增强图像的方法，处理的基本思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。其结果是扩展了像元取值的动态范围，从而达到增强图像整体对比度的效果。对大小为450像素600像素的a通道猕猴桃图像，分别用灰度直方图线性映射法和直方图均衡化法进行处理，所用时间分别为13.3ms和57.9ms，处理结果如下图3-1所示：从图2-1可以看出，直
28、方图均衡化法虽然耗时较长，但可大大扩展图像灰度的动态范围，从而提高图像的质量，更有利于后续图像阈值分割。故后续研究中采用直方图均衡化的方法来对原始采集的猕猴桃图像进行增强处理。 （a）a通道原始图像 （b）灰度直方图映射图像（c）直方图均衡化后图像图2-1 图像增强处理结果2.2 滤波处理由摄像头采集得到的图像由于转化过程中电磁特性的影响和外界环境的影响会产生各种形式的干扰斑点、条纹等噪声，使图像质量下降。常见的噪声有椒盐(Salt&Pepper)噪声、脉冲噪声、高斯噪声等。含有噪声的图像常常表现为图像变暗而不清楚，会对后续处理产生一定的影响，因此需要对图像进行平滑滤波处理。图像平滑化处理方法
29、有空域法和频域法两大类。空域滤波法是在图像空间借助模板进行邻域操作来完成的，频域滤波法是应用变换技术，如求出图像的变换，然后采用数字滤波技术图像频谱的算法。频域法计算复杂，运算时间长，效率低，不适宜用于实时图像处理。所以，本研究用来去除噪声的方法只考虑空域滤波法。空域滤波常用的方法有邻域平均法和中值滤波法。2.2.1 邻域平均法这种方法是空域滤波中算法最简单的。图像区域内任意点的灰度值是该点邻域内各点灰度值的平均值。平滑的效果与邻域的大小直接相关，邻域越大平滑效果越好；但邻域过大，会使边缘信息丢失较多，从而使输出的图像变得模糊。邻域的取法一般有4邻域和8邻域两种。2.2.2 中值滤波法中值滤波
30、是一种非线性平滑方法，既能消除噪声又能保持图像的细节。中值滤波方法工作过程是：首先将选定的窗口在图中漫游，并将窗口中心与图中某个像素位置重合，然后读取窗口内各对应像素的灰度值，将这些灰度值按从小到大的顺序排序，找出这些值里排在中间的1个，最后将这个中间值赋给对应窗口中心位置的像素。中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，从而可以消除孤立的噪声点。由于它不是简单的取均值，所以产生的模糊较少。对大小为450像素600像素增强后的a通道猕猴桃图像，分别用邻域平均法和5*5中值滤波法进行处理，所用时间分别为28.7ms和142.6ms，处理结果如图3-1所示：
31、 （a）a通道增强后图像 （b）邻域平均法 （c）5*5中值滤波图2-2 图像滤波处理结果对处理的结果对比分析可知：邻域平均法处理的时间最少，但不能很好的消除噪声的影响，且易使背景变得杂乱。5*5中值滤波能较好的消除噪声影响。当增加中值滤波的窗口时图像继续改善的效果不明显，但处理时间会大幅度增加。通过上面试验再结合查阅论文可得出以下结论：在猕猴桃采摘机器人的视觉系统中，当目标已经分割出来时，滤波处理可以采用邻域平均法，或用5*5的中值滤波方法：如果目标还未分割，又要进行滤波处理，可以采用5*5中值滤波方法。2.3 边缘检测算法边缘是图像中灰度级或者结构或多或少存在突变的地方，表明一个区域的终结
32、和另一个区域位置的开始，主要表现为阶梯状、脉冲状或者屋顶状。边缘不仅能传递图像大部分信息，还能勾勒出物体的基本轮廓，所以边缘检测对计算机视觉系统来说是非常重要的。边缘检测是图像处理中的一个重要组成部分，是所有基于边界分割方法的首期工作。它为图像的识别、恢复、增强以及重建提供了手段。边缘检测的方法很多，经典的边缘检测算子一般建立在微分运算的基础上，是基于对像素和其邻点的灰度级进行运算的，因为图像的微分运算是求像素值变化率的，故有加强高频分量的作用。常用的方法包括对应于一阶微分的梯度法和二阶微分法。梯度法通过检测一阶导数的幅度值来检测边缘的存在，常用的梯度算子有罗伯特交叉(Robert cross
33、)算子，蒲瑞维特(Prewitt)和索贝尔(Sobel)算子等。二阶微分法是利用二阶导数算子过零点的性质来确定边缘的位置，较常用的算子为拉普拉斯算子(Laplacian)。2.3.1 罗伯特(Robert)边缘检测算子根据任一相互垂直方向上的差分都可用来估计梯度，Robert算子采用对角方向相邻两像素之差，即 （2-1） 其幅值为： （2-2）Robert边缘检测算子相当于用模板和对图像进行卷积。2.3.2 索贝尔(Sobel)边缘检测算子Sobel算子从不同的方向检测边缘，利用像素点上下、左右邻点的灰度加权算法，根据在缘点处达到极值进行边缘的检测。其计算式为：G(x,y)= （2-3） So
34、bel算子对应的两个模板为： 2.3.3 拉普拉斯(Laplacian)算子拉普拉斯算子是一种二阶微分算子，若只考虑边缘点的位置而不用考虑周围的灰度差时可用该算子进行检测。对于阶跃状的边缘，其二阶导数在边缘点出现零交叉，并且边缘点两旁的像素的二阶导数异号。对数字图像的每个像素计算关于x轴和y轴的二阶偏导数之和。其对应的表达式为： （2-4）该算子对应的模板为：2.3.4Canny边缘检测算子Canny算子是一个具有滤波、增强和检测的多阶段的优化算子。在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声图像中的边缘可能会指向不同的方向，所以 Canny 算法使用 4 个掩膜检测水
35、平、垂直以及对角线方向的边缘。原始图像与每个掩膜所作的卷积都存储起来。对于每个点我们都标识在这个点上的最大值以及生成的边缘的方向。这样我们就从原始图像生成了图像中每个点亮度梯度图以及亮度梯度的方向。对大小为450像素600像素分割后的猕猴桃二值图像，分别用罗伯特交叉（robert cross）算子、索贝尔(Sobel)算子、拉普拉斯算子(Laplacian)和canny算子进行处理，所用时间分别为248.3ms、229.5ms、722.1ms和867.3ms，处理结果如图3-1所示： （a）原图像 (b) Roberts处理结果 （c）Sobel算子处理结果 （d）Laplacian算子处理结
36、果 （e）canny算子处理结果图2-3 边缘检测算法对比图由上图可以看出Roberts算子检测出的边缘不太连续；Laplacian算子检测出现伪边缘，不利于后续处理；sobel算子和canny算子检测出的边缘连续性均较好，但canny算子定位精度高，误判率低，适合于高噪声图像处理。猕猴桃采摘机器人在田间作业，工作环境复杂，因此在后续处理中选用canny算子进行边缘检测。2.4 数学形态学算法数学形态学是以形态结构元素为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们基本的形
37、状特征，并除去不相干的结构。图像形态学基本运算包括膨胀(Dnation)、腐蚀(Erosion)、开启(open)和闭合(Close)运算。它们在二值图像中和灰度图像中各有特点。基于这些基本运算还可以推导和组合成各种数学形态学实用的算法.2.4.1 膨胀膨胀在数学形态学中的作用是对二值化物体边界点进行扩充，将物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。如果两个物体之间的距离比较近，则膨胀可以把两个物体连通到一起，膨胀对填充图像分割后物体中的空洞很有用，具有结合性和交换性。数学定义为：用B来膨胀A得到的集合 (B的映像)的位移与A至少有1个非零元素相交时B的原点位置的集合。膨胀具
38、有扩大图像的作用。公式表示为： （2-5）2.4.2 腐蚀腐蚀是膨胀的相反过程。腐蚀在数学形态学中的作用是消除物体边界点，使边界向内部收缩的过程，可以把小于结构元素的物体去掉。这样选取不同大小的结构元素，就可以去除不同大小的物体。如果两个物体间有细小的连通，通过腐蚀就可以将两个物体分开。数学定义为：用B来腐蚀A得到的集合是B完全包括在A中时B的原点的位置的集合。公式表示是： （2-6）2.4.3 开运算开运算先对图像进行一次腐蚀运算，去除图像中的物体的边缘和细小的物体，之后再用同样的结构元进行一次膨胀运算，使在腐蚀运算中保留下来的物体的边缘恢复原状。通过开运算可以去除图像中的细线和小物体，分离
39、连接很少的两个物体，并在基本不改变较大物体的面积的前提下去除图像边缘的毛刺。公式定义为： （2-7）2.4.4 闭运算闭运算同开运算的操作相反，先进行一次膨胀运算，之后再进行一次腐蚀运算。同样分析可知，闭运算可以填充图像中细小的洞，连接相邻的物体，并能在基本不改变原物体的面积的前提下平滑图像的边界。公式定义为： （2-8）2.5 本章小结本章研究了图像底层处理的各种算法，在理论分析和试验的基础上，提出可用直方图均衡化法进行图像的增强处理；用5*5中值滤波法，进行原始图像信息的平滑处理。在图像边缘检测方面，对经典算子进行了分析、比较和试验，提出可用Canny算子进行猕猴桃图像的边缘检测。最后介绍
40、了常用的几种数学形态学的基本算法。第三章 颜色特征分析与图像分割猕猴桃采摘机器人的正常工作首先依赖于对作业对象的正确识别和准确定位。要实现目标果实的识别，就要选择适当的颜色空间和颜色因子，再结合一定的阈值将果实从复杂的背景中分割出来，为后续计算果实的形心和特征参数奠定基础。3.1 猕猴桃果实与周围环境间颜色特征分析要将水果从生长环境中识别出来，对计算机来说颜色是果实与生长环境中其它物体（叶子、枝条、果柄和其他背景干扰）最直接的区别，不同颜色空间下图像处理效果会有明显的差别。因此，在课题研究中必须充分了解猕猴桃及其周围环境颜色特征的分布，选择合适的颜色模型和颜色因子，才能使后面的图像分割取得理想
41、的效果。3.1.1 颜色模型颜色特征是物体表面的本质特征，是机器视觉系统的基础研究。本文的研究对象是从互联网上下载的猕猴桃彩色图像，彩色图像包含了比灰度图像更丰富的颜色信息，有利于目标的识别。一幅彩色图像含有颜色信息，对这些颜色信息的研究离不开颜色的定量表示。目前，用于定量描述颜色的模型有许多种，为了科学的研究、测定和使用颜色，现已建立了十几种颜色模型，如RGB、HIS、L*a*b*、HSV、CMY等。通过查阅论文确定本研究中使用于果实图像分割中最常用的是RGB模型和L*a*b空间模型。不同颜色空间下图像处理的效果有显著的差别。所以选择一个合适的颜色模型对图像的处理和分析很重要。3.1.1.1
42、 RGB颜色模型RGB颜色模型基于人类视觉的三基色原理，是最基本的一种颜色模型。它是一种加色模型，是用三种原色红色、绿色和蓝色的色光以不同的比例相加，以产生多种多样的色光。图像处理中使用的其它所有的颜色空间都是从RGB颜色空间转换来的，其处理结果也要转换到RGB颜色空间才能显示出来。图像中每一个像素的RGB分量分配一个0-255范围内的强度值，三个颜色分量按照不同的比例混合，可以组合出上千万种的颜色。在这种颜色模型中，彩色图像中每个像素的颜色都能用三维空间中第一象限的一个点来表示，如图2-1中的立方体所示，在RGB彩色空间的原点上，任一基色均没有亮度，即为黑色，三基色均达到最高亮度时则表现为白
43、色。其余亮度相等的三种基色则产生灰色，所有这些点均落在立方体的对角线上，该对角线被称为灰色线。立方体中有三个角对应于三基色，红色、绿色和蓝色，立方体的底部R=G=B=0处为黑色，顶部与其对角的R=G=B=1处为白色。图3.1 RGB颜色模型图3.1.1.2 L*a*b颜色模型Lab色彩模型是由照度（L）和有关色彩的a, b三个要素组成。L表示照度（Luminosity），相当于亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。L的值域由0到100，L=50时，就相当于50%的黑；a和b的值域都是由+127至-128，其中+127 a就是洋红色，渐渐过渡到-128 a的时候就变成绿色；
44、同样原理，+127 b是黄色，-128 b是蓝色。Lab色彩模型具有自身的优势：所定义的色彩种类最多，不仅包含了RGB，CMY的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。另外，Lab色彩模型的优越性还在于它弥补了RGB色彩模型色彩分布不均的不足。RGB模型到Lab色彩模型的变换公式如下所示： （3-1）3.1.2 猕猴桃果实与周围环境颜色特征对比分析在果实的识别过程中，图像处理的目的是将树上猕猴桃果实从自然背景（树叶，树枝，天空，土壤等）中分离出来。颜色是果实与生长环境中其它枝、叶等感兴趣对象最直接的区别。本课题需要识别的采摘对象猕猴桃果实呈土黄色
45、，枝、叶则呈显深浅不同的绿色，少量的枯叶则呈现枯黄色，还有枝叶间的空洞、阴影等。根据猕猴桃果实与背景部分的树枝等颜色上的区别，可以将果实从背景中识别出来。要实现将果实从背景中分离出来，最直接简单的颜色特征提取方法是从彩色图像中获取三基色（R、G、B）的原始数据或经一定数学处理的算子（颜色因子），对果实及周围背景进行颜色区分，常用的颜色因子有三基色（R、G、B）和一些三基色的运算因子，如：R-G、G-B、R-B、2*R-G-B等颜色特征量。还可以将图像变换至Lab色彩空间，提取其中的单一通道进行果实与周围背景的颜色对比区分。各颜色分量及颜色因子的灰度图、直方图及线剖面分析图如下所示： （a）R分
46、量灰度图 （b）R分量直方图 （c）R分量线剖面图图3-2 R分量图 （a）G分量灰度图 （b）G分量直方图 （c）G分量线剖面图图3-3 G分量图 （a）B分量直方图 （b）B分量直方图 （c）B分量线剖面图图3-4 B分量图 （a）Lab空间a分量灰度图 （b）a分量直方图 （c）a分量线剖面图图3-5 Lab空间a分量图 （a）Lab空间b分量灰度图 （b）b分量直方图 （c）b分量线剖面图图3-6 Lab空间b分量图 （a）R-G灰度图 （b）R-G直方图 （c）R-G线剖面图图3-7 R-G分量图 （a）R-B灰度图 （b）R-B直方图 （c）R-B线剖面图图3-8 R-B分量 （a）G-B灰度图 （b）G-B直方图 （c）G-B线剖面图图3-8 G-B分量 （a）2*R-G-B灰度图 （b）2*R-G
