基于Matlab的武夷岩茶主要形状特征计算方法

黄 凤，王扬眉

武夷岩茶是武夷山最为主要的经济作物，同时它也是闽北茶叶的代表，已经有超过1 500年的历史了.近些年来，福建省政府和武夷山市政府加强了对武夷岩茶产业的重视，使得独具韵味的武夷岩茶得到了更快速的发展.有关资料显示，2008年武夷山市的茶园面积约为10.33万亩，年产值已达到了1.5亿元［1］.武夷岩茶有着较多的种类，主要有水仙、大红袍、肉桂等，各种茶叶品质有优有劣.在商品经济下，必须根据茶叶的特征、品质优劣等进行等级划分，以衡量其价值的高低.目前武夷岩茶的品质主要是通过人的感官进行评定，也就是通过评审人的感觉器官进行茶叶的品质评定.人的感觉器官会受外在因素的影响，从而影响到茶叶品质评定的准确性［2］，如人的嗅觉会受外在气味的干扰，人的味觉敏感度会受人的健康状况和其它刺激性食物的影响，而不同的人存在着不同的辨色能力.为了在茶叶生产、流通过程中有一个严格、一致的标准，采用仪器测定茶叶特征，用科学计量上的品质指标去衡量茶叶品质是必要的手段之一.

茶叶外形参数是影响茶叶品质的重要因素之一，也是区分茶叶品种、品质的主要依据，茶叶形状特征主要体现在以下方面:

(1)周长:指被测茶叶外形轮廓线的总长;

(2)面积:指茶叶图像所包含的区域大小值;

(3)圆形度指标:衡量茶叶外形圆曲程度大小的参数;

(4)最大径:表示图像轮廓任意两点间的距离最大值;

(5)形状系数1:表示茶叶图像平面上凹凸程度的参数;

(6)平均幅宽:指茶叶整体平均大小的参数;

(7)最多出现径:指在图像中出现最多频率的最大径值;

(8)长径:椭圆图像指的是椭圆长轴，长方形图像则指的是长方形长边;

(9)短径:椭圆图像指的是椭圆短轴，长方形图像指的是长方形短边.

以上各项外形参数对茶叶品质的影响程度也有所不同，按影响度大小顺序排序，分别为平均幅宽、面积、短径、周长、最多出现径、最大径、长径.其中，平均幅宽、面积两个特征值的相关系数最大，它们以具体的数值反映高档茶嫩度好、条索紧结，低档茶条索粗松、朴片多的直观特点［3］.本文通过Matlab来实现对武夷岩茶最主要的外形特征的计算，即对茶叶图像的平均幅宽、面积进行计算，希望为武夷岩茶的品质区分自动化提供支持.

1 Matlab图像处理

由于Matlab的图像处理功能十分强大，支持目前通用的各种图像文件格式，提供了许多功能强大的图像处理函数.利用这些图像处理工具箱，并结合其强大的数据处理能力，可不必关心图像文件的格式、读写、显示等细节，而把精力集中在算法研究上，大大提高了工作效率.

1.1 图像采集和二值化

将武夷岩茶均匀平铺在光照箱的底部，使茶叶不重叠，便于后期茶叶图像的分割、识别，通过数码相机来获取茶叶的彩色图像，Matlab中利用函数imread()来实现图像文件的读取操作，其支持的图像文件格式有:JPG、PCX、PNG、BMP、GIF、HDF、TIF 和 XWD 等［4］.本文研究中不需要用到茶叶图像的颜色信息，主要是通过茶叶的外形进行研究.为了便于对图像进行处理，需要将图像二值化.利用Matlab中的im2bw()函数将图像转换为二值图像，其中graythresh()函数用于确定二值化最佳阀值.二值化可以使图像包含的信息量急剧下降，可以有效提高图像处理的效率.

1.2 图像去噪

由于受图像采集设备不均匀的灵敏度、通信过程中的信道误差和信号数字化转换中的量化噪声影响，图像内容在进行采集过程中一般都会受到不同噪声的干扰［5］.图像处理过程中必须去除这些干扰，否则会对以后的图像分割、边缘检测、图像的分析和判断产生直接的影响.最常用的两种去噪方法是中值滤波法和领域平滑法.

领域平滑法是目前常用的去噪方法中最为简单实用的一种.如图1所示，用像素P4和它的8个领域总共9个像素的平均值，当作P4像素的输出值.然而，在图像的边缘部分，由于存在着急剧的灰度值变化，采用领域平滑法来实现噪声的去除，会使图像的边缘和细节变得更为模糊［6］.

图1 领域平滑法去除噪声

中值滤波法是对所关注的图像区域内所有像素的灰度值进行大小排序，原区域中心像素的灰度值就取排序结果的中间值.这样，随着关注区域在图像上从左到右、从上到下改变，就能实现对整幅图像的平滑处理.一般情况下的中值滤波描述如下:

Yi，j=MedianXi，j≡ Median［Xi+m，j+n;(m，n)∈ W］

1.3 图像增强

图像增强是指根据特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法.其目的是使处理后的图像对某种特定的应用来说，比原始图像更适用.目前增强技术主要有两类:一种是空间域增强，一种是频率域增强.空间域去噪的代表方法有直方图均衡化、灰度变换增强、图像锐化等.频域去噪的代表方法有数字滤波器、同态滤波、小波分析等.

2 茶叶外形特征计算

2.1 茶叶目标标记

为了正确获取二值图像中的每一片茶叶的图像，需要进行二值图像的连通分量提取，也可以认为是标注连通分量的过程.它是给原图像中的每个连通区域分配一个唯一代表该区域的编号，在二值图像中提取连通分量是许多自动图像分析应用中的核心任务，其算法如下:

(1)从二值图像A的多个连通分量中选择最靠左的连通分量A1，从A1中任选一内部点B为启始．

(2)采用3*3结构元S对B进行膨胀操作．

(3)将膨胀结果和原图像相交，确保B区域可增长，但又可控制在A1内部．

(4)膨胀操作一直进行到B充满整个连通区域A1，与原始图像A相交后就能实现对A1的提取，给提取出来的A1区域中的所有像素编号为1;接着进行下一区域的提取和区域编号直到提取所有的连通区域.

在Matlab中bwlabel()函数用于实现连通分量的提取［7］.标注出连通分量后，为了实现图像增强，利用bwareaopen()函数移除小连通区域，就可以去除噪声等非茶叶图像区域，使茶叶图像完整并且不含非茶叶图像.这样就可以把余下的每一连通区域认定为一片茶叶图像，可以把每一片茶叶从茶叶图像中分割出来，提取每一片茶叶的外形特征和坐标，便于进行后续处理.

2.2 计算面积

分隔出每一片茶叶图像后，本研究采用Matlab图像处理工具箱中的regionprops()函数进行茶叶图像面积的计算，即前景图像的大小，也可以简单地认为是图像中值不为0的像素点的个数.Regionprops()函数是用于计算区域描绘子的工具，它可以返回每个区域的面积、质心等结果.

2.3 计算平均幅宽

平均幅宽采用以下公式来计算:平均幅宽=面积/最大径.在计算平均幅度前，首先要计算每片茶叶的最大径.最大径一般指图像周围轮廓两点间的最大距离.为了便于计算，在这里先求出包含茶叶图像的最小矩形，用矩形的对角线长度来近似最大径的值.

2.4 实例

根据以上分析，本研究以图2为例，采用Matlab图像处理方法，计算该图像中每一片茶叶的平均幅宽、面积.图3为经过去噪、增强、二值化后的茶叶图像.程序和最终实验结果如下:

图2 原始茶叶图像

图3 处理后茶叶二值化图像

I=imread(‘tea.jpg’);﹪读取原始茶叶图像

I2=im2bw(I，0.35);

I2=1-i2;

i3=medfilt2(I2，［3，3］);﹪中值滤波

I4=bwareaopen(i3，300);﹪去掉面积小于300的对象

［l，num］=bwlabel(i4，8);﹪标注连通分量

D=regionprops(l，‘area’，‘boundingbox’);﹪计算各区域面积及包含区域的最小矩形

V1=［D.Area］;

V2=［D.BoundingBox］;

V3=zeros(1，num)

v4=zeros(1，num);

for k=0:num-1

v3(k+1)=sqrt(v2(4*k+3)*v2(4*k+3)+v2(4*k+4)*v2(4*k+4));﹪求最大径

v4(k+1)=v1(k+1)/v3(k+1);﹪求平均幅宽

end

表1 实验结果

3 结论

程序实现了对图2中的7片茶叶的分割、计算，总共用时0.020 8 s.通过以上实验结果可以得出:利用Matlab图像处理技术可以很方便地实现茶叶图像最主要的形状参数平均幅宽和面积的计算.同时，Matlab图像处理法可以在短时间内识别每一片茶叶并计算出每片茶叶的参数，只要茶叶图像不重叠.因而实验结果具有代表性.重复实验表明，采用Matlab图像处理技术可以将茶叶的外形数值化，这样就为茶叶品质的评审提供了量化依据.使用计算机来进行茶叶图像处理与传统的人工评审相比，它更加有效减少了人为评审误差，减轻了人的劳动强度，提高了茶叶品质评审工作效率和评定结果的准确度，对后续茶叶外形的研究提供了参考.

［1］武夷岩茶：借力山水，提升品质［EB/OL］.(2009-09-08)［2013-09-20］.http：//tyx.eco.gov.cn/a/meitibaodao/20090908/575.html.

［2］蔡健荣.利用计算机视觉定量描述茶叶色泽［J］.农业机械学报，2000，3(14)：67-70.

［3］林刚，严俊.茶叶外形数量化研究初报［J］.茶叶科学，1994，14(1)：75-78.

［4］贾鹏，李永奎.基于Matlab图像处理的谷物颗粒计数方法研究［J］.农机化研究，2009(1)：152-156.

［5］徐立中.数字图像的智能信息处理［M］.北京：国防工业出版社，2001.

［6］Paliwal J，Shashidhar N S.Grain kemel identification using kernel signature［J］.Trnasactions of the ASAE，1999，42(6)：1921-1924.

［7］张铮，王艳平，薛桂香.数字图像处理与机器视觉［M］.北京：人民邮电出版社，2010：299-302.