基于顏色分量差值法的武夷巖茶黃片識別研究

2013-11-04 03:53:42黃鳳

長江大學學報(自科版) 2013年31期

黃鳳

(武夷學院數學與計算機系，福建武夷山 354300)

2013-09-10

福建省教育廳A類項目(JA11266)；武夷學院青年科研項目(xq201023)。

黃鳳(1979-)，男，碩士，講師，現主要從事圖形圖像處理方面的教學和研究工作。

基于顏色分量差值法的武夷巖茶黃片識別研究

黃鳳

(武夷學院數學與計算機系，福建武夷山 354300)

為了提高茶葉品質，在分析武夷巖茶外形和顏色的基礎上，提出了利用武夷巖茶圖像中紅綠藍顏色分量差的方法來識別成品茶中的黃片，利用Matlab軟件對獲得的武夷巖茶圖像進行預處理、圖像分割、特征提取和黃片識別，識別率達到91%，得到了較滿意的結果，因而利用該方法可以為武夷巖茶分揀的機械化施工提供參考依據。

顏色分量差值法；武夷巖茶；Matlab

武夷巖茶是閩北茶葉的代表，是武夷山主要的經濟作物。在武夷巖茶制作過程中，采摘、揉捻、包裝等工序都已經實現機械化，但分揀過程一般通過人工實現，即將加工好的茶葉中參雜的茶梗和黃片篩選出來，以便提高茶葉品質[1]。下面，筆者對基于顏色分量差值法的武夷巖茶黃片識別進行了研究。

1 算法描述

茶葉的顏色是一個整體概念，包括茶葉的基本色調、光澤、飽和度、均勻性等多項特征，其中茶葉表面的顏色是一個重要特征，據此可以對武夷巖茶中黃片進行識別[2]。在實際分揀過程中，部分成品茶顏色和黃片顏色較為接近，為此采用顏色分量差值法進行黃片識別，其算法步驟如下：①利用Matlab[3-5]對獲取的含黃片的武夷巖茶圖像進行預處理；②獲取圖像的R(紅色)、G(綠色)、B(藍色)分量；③對原圖像二值化，通過圖像分割實現每一片茶葉的坐標提取；④根據提取的每一片茶葉坐標從原圖像提取茶葉的R、G、B分量；⑤分別計算每片茶葉的R、G、B分量的平均值；⑥求每片茶葉的(R-B)+(G-B)均值，稱之為顏色分量差值，并為差值設置閥值(取所有參與試驗的成品茶顏色分量均值和單個樣品茶顏色分量最高值之和)，以此閥值作為黃片的標志，若顏色分量差值高于該閥值的即為黃片。

2 算法實現

在Matlab中一幅RGB圖像可以表示為一個M×N×3的3維矩陣，其中每一個彩色像素都在特定空間位置的彩色圖像中對應紅、綠、藍3個分量。可以通過RGB_image()函數實現對彩色圖像的R、G、B分量的提取，如RGB_image(:,:,1)表示提取彩色圖像中的R分量[6]。對于二值化后的圖像，通過bwlabel()函數實現連通分量的提取，利用bwareaopen()函數移除小連通區域，據此去除噪聲等非茶葉圖像區域，使茶葉圖像完整并且不含非茶葉圖像，這樣就可以把余下的每一連通區域認定為一片茶葉圖像，從而實現了茶葉圖像分割，并通過regionprops()函數計算每片茶葉圖像面積，具體程序如下：

HT5”SSclose all;

clc;

i=imread('tea.jpg');

r=i(:,:,1);

g=i(:,:,2);

b=i(:,:,3);

i2=im2bw(i,0.34);%圖像二值化

i2=1-i2;

i2=medfilt2(i2,[3,3]);

i3=bwareaopen(i2,300);

[l,num]=bwlabel(i3,8);%圖像分割

d=regionprops(l,'area');

v1=[d.Area];%獲取每片茶葉的面積

r_ave=zeros(1,num);%存儲R分量均值

g_ave=zeros(1,num);

b_ave=zeros(1,num);

rgb_ave=zeros(1,num);%存儲(R-B)+(G-B)值

for n=1:num

v2=zeros(1,v1(n));

v3=zeros(1,v1(n));

v4=zeros(1,v1(n));%用于存儲每片茶葉中每像素點的R值

v5=zeros(1,v1(n));

v6=zeros(1,v1(n));

[y,x]=find(l==n);

v2=[y];

v3=[x];

sumr=0; %用于存儲每片茶葉的R值總和

sumg=0;

sumb=0;

for k=1:v1(n)

v4(k)=r(v2(k),v3(k));

v5(k)=g(v2(k),v3(k));

v6(k)=b(v2(k),v3(k));

sumr=sumr+v4(k);

sumg=sumg+v5(k);

sumb=sumb+v6(k);

end

r_ave(n)=sumr/v1(n);%求每片茶葉的R均值

g_ave(n)=sumg/v1(n);

b_ave(n)=sumb/v1(n);

rgb_ave(n)=r_ave(n)+g_ave(n)-2*b_ave(n);

end

3 試驗結果分析

圖2 武夷巖茶原始圖像

圖2所示為獲取的武夷巖茶原始圖像(右下角茶葉為黃片，其余茶葉正常)。對圖2中的茶葉進行試驗(見表1)，從表1可以看出，前6片茶葉的R均值范圍從29至44，G均值從29至45，相差范圍較大，而第7片茶葉的R、G均值分別為56、58，雖然與前6片茶葉R、G均值相差較大，但是從R、G均值之差來判定黃片將很難確定判別閥值，因為通過多次試驗獲得的前6片茶葉和黃片的R、G均值有的相差較小。由于前6片茶葉的面積較小，R、G、B均值較低且相差不大，反映在茶葉圖像中表現為茶葉顏色較深、偏烏褐色，而第7片茶葉面積較大，R、G均值比B均值相對大很多，反映在茶葉圖像中表現為茶葉葉片較大且較平展、茶葉為青綠色而不是烏褐色，其R-B+G-B的值明顯高于前6片茶葉，因而認定該片茶葉為黃片，這和實際分揀時的結果相同。通過對15幅含黃片的茶葉圖像進行類似處理，從中獲取所有合格的樣品茶的R-B+G-B的均值，其值為3.8235,最大單品的R-B+G-B值為8.8402,因而把識別黃片的R-B+G-B閥值設定為上述二者之和(即13)，由于所有被認定為黃片的茶葉R-B+G-B值均明顯高于此閥值，因而黃片識別率達到91%。