计算机视觉算法的图像处理技术研究

谢晓旦

(无锡旅游商贸高等职业技术学校,江苏 无锡 214000)

0 引言

梨果的品质有很多种,但我国在检测质量方面以及评级方面的技术相对其他国家,较为落后,这就导致市场上对于梨果的定价有异议,该问题直接对国家农产品贸易发展产生影响。事实上,对水果进行分级需要从果形、果面缺陷以及果重等指标进行评判,如此才能避免缺陷果所造成的浪费。本文采用计算机视觉算法构建梨果检测分级系统,借助图像处理技术对梨果的品质有明确的等级界定。

1 图像搜集和预处理

1.1 图像搜集

首先搜集梨果图像有关的信息,再选取适合的背景进行梨果图像拍摄,保持所有梨果拍摄的背景均一致,方便后续处理图像时规避背景因素干扰,以上操作为对梨进行品质检测前需要准备的工作。拍摄的过程中,要先设计光源,不断地进行比较和测试,采用垂直照射的方法,固定在25 cm光源,避免光线或阴影要素对梨果图像产生影响。为让图像背景与梨果之间的对比度提升,此次拍摄背景选择白色[1]。

1.2 图像预处理

在图像采集时,在印出影像的过程会受到外界的因素影响,且无法控制的原因,大多数的表现是噪声的形式,对于采集的图像要进行有效地去除噪声处理,这样才不会影响之后的工作以及对于检测结果的准确性。本文主要运用中值滤波法,对图像进行滤波处理,这样可以做到与原始的图像基本没有差别,没有较大的失真情况,边缘清晰。通过对外表的观察,发现其外观展现出的颜色能体现出本身的成熟度,另一方面,也可通过色泽区分出表面缺陷区域的部分[2]。因此,可以将背景进行去除,仅保留前景部分。将采集的图像由RGB空间转换到HSV空间,在S分量直方图中,能够观察到明显的峰值,且两个波峰之间的下降区域明显,波谷非常突出,S分量在HSV颜色空间里表示饱和度,符合实验所使用的白色拍摄背景和黄色目标在肉眼识别中产生色差区别的特征,所以针对S分量对图像进行全局阈值分割,可以得到较好的背景去除效果[3]。

2 计算机视觉下数字图像提取梨果特征的方法

2.1 周长的特征

这里表述的周长是在梨果的图像中,整个区域环绕的边缘长度,就是梨果一周的长度。如图1所示,提取图中梨果外观轮廓信息,对梨果边界的所有像素点进行计算,得到像素点之和,可以得出梨果的周长特征结果。此处计算周长需要遵从公式(1):

图1 梨果边缘区域

2.2 形状特征提取

如果梨果已经经过面积信息提取,可以了解到梨果的圆形度和周长之间是反比状态,此时在计算出梨果的面积和周长以后,可以对梨果的圆形度进行计算,从而判断梨果的形状处于那个品质等级。此时可以计算梨果的周长和半径关系,遵从公式:

因为梨果的实际形状并不是标准的圆形,因此上述公式中所计算出的梨果半径数值会与梨果的实际半径数值之间存在一定的差异性。此时可以将两组半径求解结果的比值进行平方处理,用来对梨果自身的圆形度进行衡量,比值如果越接近1,说明该梨果自身的形状更标准。此时可以根据思路推断出下述计算梨果圆形度的公式(4):

2.3 面积特征提取

梨果的图像所占用的平面大小,就是这里所讲的面积。如图2所示,为通过背景去除以后得到的梨果的二值化图像,从该图像中可以了解到梨果的前景已经被处理成白色部分,而背景颜色则被处理成黑色,此处求解梨果面积,需要先获取在前景部分中,全部白色的像素点相加所得,就是说在界限范围内全部像素点进行求解,计算出f(x,y)=1的树木以后,求解像素点和面积之间的映射关系,具体遵从公式(5)进行求解。

图2 梨果面积提取

2.4 缺陷特征提取

缺陷特征的提取同样需要经过计算来获取,观察梨果图像,了解图像中正常区域中被分割出的存在差异的图像信息,经过背景去除处理,观察目标图像颜色发生变化,发觉不少像素点都存在差异,此时可以对目标图像进行测试,并获取对应的分割阈值。在对所有像素点进行灰度图处理以后,判断像素点与阈值之间的关系,如果像素点本身比阈值小,则可以对像素点进行赋值处理,赋值数如果是0,则会呈现出黑色,赋值数如果是255,则会呈现出白色,此时从赋值后的像素点进行缺陷查找,发觉表面呈现出白色的图像就是梨果的缺陷部分。

3 计算机视觉下梨果的分级系统设计与结果分析

3.1 计算机视觉算法下梨果分级系统设计

为进一步对梨果的等级进行检测,本次在计算机视觉算法下构建梨果分级系统,对梨果的果面缺陷以及圆形度展开检测。本次梨果检测分级系统将会遵从《梨果外观等级标准》中所表述的分类依据,按照检测出的梨果外观形状进行标准划分,主要划分为不端正、比较端正和端正3个类别。

从数据结果看到,在四种不同等级的梨果中,圆弧度虽然有很大的差异,但是其数值的范围有反复重合的问题。根据《梨外观等级标准》中,对梨果等级进行评定,特等的梨果为形状规则,一等的梨果为形态规则或比较规则。将存在端正、比较端正和不端正的3种类型梨果判定为二等。除此之外,梨果的外形可能存在4种形状,要对梨果进行最终的等级评判,还需要了解梨果的表面缺陷特征情况。

此次实验中将对采集到的所有梨果图像进行重复性实验,实验频率为30次,获取实验最终数据结果,能够分析出梨果的形状以及圆形度之间的映射关系:梨果形状端正时,对应的圆形度计算数值超过0.940,梨果相对比较规则时,计算数值对应在0.940～0.932之中。除上述分析结果以外,发现梨果形状于不规则时,对应的圆形度计算数值低于0.932。

遵守《梨外观等级标准》中,对于分类标准的重申,这次可对所有实验中的梨果进行表面缺陷评定,主要划分为外果、二等、一等以及特等四个类型。如果梨果外形出现缺陷的数量不超过1处,且缺陷的面积不超过0.5平方厘米,则可以判定梨果为特等,如果梨果出现缺陷的数量不超过2出,且缺陷的面积低于1平方厘米,可以评判梨果为一等。如果梨果外形缺陷未超过3处,且缺陷的面积不超过2平方厘米,可以评判梨果为二等。除此之外,梨果将不会被纳入到标准评级当中,这部分梨果将会被直接定义为外果。

3.2 计算机视觉算法下梨果分级图像处理实验结果分析

本次借助梨果检验分级系统开展梨果图像处理工作,将对梨果的缺陷、果形等指标展开综合评判,确保得到更加准确的结果。

梨果的检测分级系统所具有的鲁棒性,进一步的对其进行验证。在获取梨果图像时还对梨果图像进行噪声处理,并以重复添加噪声的方式来进行鲁棒性实验。经过实验证明,添加噪声以后的梨果图像发生圆形度方面的变化,且随着噪声添加,圆形度的数值呈现出逐渐增长的趋势。其中,梨果图像中包含高斯噪声时,圆形度增加的幅度比较少,数值为0.008 01,而如果梨果图像所添加的是椒盐噪声,此时的圆形度增长幅度会随着噪声增加而发生较大变化,圆形度的数值为0.009 31。两者对比,发现圆形度的计算结果均有一些变化,但变化的数值幅度都低于0.01。所以,可直接准确识别出梨果形状。本次所设计的基于计算机视觉算法的梨果检验分级系统能够在噪声状态下对梨果图像进行背景去除,并做好缺陷识别。

4 结语

综上所述,数字图像处理技术目前已经在水果检测行业当中体现出应用优势,成为水果检测分级中的核心技术之一。本文研究并设计了一种梨果的检测分级系统,应用了计算机的视觉,针对HSV颜色空间中的S分量对采集的图像进行分割处理,去除掉背景,与梨果的形状和缺陷等特征交融在一起,达到准确的分级结果。虽然会有对图像的噪声干扰情况,但是仍然能做到对正确的等级判断。