基于小波增強圖像的Canny算子果實信息識別方法研究

羅曉麗

基于小波增強圖像的Canny算子果實信息識別方法研究

羅曉麗

（福州職業(yè)技術(shù)學(xué)院 信息技術(shù)工程系，福建 福州 350108）

果實信息智能識別方法是目前圖形圖像識別技術(shù)研究的熱點。目前主要的研究方法有神經(jīng)網(wǎng)絡(luò)圖像分割算法、直方圖量化法、均值聚類算法及相關(guān)算法的組合算法。這些算法對單果識別效果較好，但對疊果識別效果不理想。采用小波增強圖像及改進canny算子提取，更適合提取背景較為復(fù)雜的疊果果實信息。

小波；圖像增強；信息熵；梯度

通過計算機運用相關(guān)算法識別和提取果實和葉片信息，已成為目前圖形圖像識別技術(shù)的熱點。劉娜[1]用圖像處理技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)，實現(xiàn)了黃瓜葉部病害檢測與染病程度的分級，能夠快速準(zhǔn)確地對黃瓜葉片病害的染病程度進行分級處理。張凱兵等[2]提出直方圖量化方法提取油菜缺素，能較準(zhǔn)確地確定油菜的缺素類型；徐黎明等[3]采用濾波及均值聚類法對光照不均楊梅提取，該算法能在紋理等細節(jié)方面精準(zhǔn)地分割出楊梅目標(biāo)。

綜上所述，目前分割圖像多采用神經(jīng)網(wǎng)絡(luò)圖像算法、直方圖量化法、均值聚類算法及相關(guān)算法的組合算法。這些算法對單果識別效果較好，對于疊果信息提取，應(yīng)在果實和背景分割之前，對圖像進行增強處理，這樣提取精準(zhǔn)性將會得到極大的提高。

本文對復(fù)雜背景下柑橘果實先采用小波增強圖像處理，再采用改進的canny算子檢測，對比實驗證明比沒有經(jīng)過增強圖像處理的圖像信息更為準(zhǔn)確完整。

1 圖像增強

1.1 色彩分量定義

由某彩色圖像像素點(,,)分解得到（如圖1所示）分量分別為r，g，b[4]。

圖1 彩色圖像RGB空間定義

真彩色圖像(,)可表示為函數(shù)：

其中，(,)、(,)、(,)分別為紅光分量、綠光分量和藍光分量。

1.2 小波增強圖像

經(jīng)過信息熵和梯度信息比較，紅光分量和藍光分量比藍光分量包含更多的圖像細節(jié)信息，因此對紅光分量和綠光分量圖像分別進行二維小波二層分解[5]，

其中，=0，1，2……，-1；，，分別表示水平、垂直、對角高頻分量；T，T分別為H、C的共軛轉(zhuǎn)置矩陣。對細節(jié)信息較多的色彩分量圖像進行多尺度小波分解，結(jié)果與高頻系數(shù)進行絕對值比較，取較大者為融合后的小波系數(shù)[7]，

2 圖像分割

2.1 改變傳統(tǒng)高斯濾波器平滑圖像為中值濾波

Canny邊緣檢測算法主要是原圖像(,)經(jīng)高斯濾波得到圖像(,)。(,)為3×3像素區(qū)域灰度值矩陣中心點（見式(7)），為中心與鄰近像素灰度相似的個數(shù)閾值，鄰近像素與該中心像素灰度值的差為，大于時，自增；介于1和7之間時，該點是邊緣點[9]，否則不是邊緣點。

如果該點是邊緣點，該像素值(i, j)輸出；如果該點不是邊緣點，對矩陣的像素點進行排序取中值med濾波輸出。

2.2 一階差分偏導(dǎo)計算

3*3模版在水平差分和垂直差分、45度及135度四個方向梯度幅值和方向見式(8)-(10)。

2.3 對梯度幅值進行非極大值抑制

在Canny算法中，如C點是一個判斷點，梯度方向相鄰兩個像素點的梯度為dTmp1和dTmp2進行判斷。如果C點的梯度dTmpC大于兩者則保留，否則就說明不是邊緣點。

2.4 用雙閾值算法檢測和連接邊緣

DFS深度優(yōu)先搜索，在大于高閾值的為真實邊緣。小于低閾值就丟棄，在非極大值抑制已經(jīng)丟棄一部分。

3 改進Canny算子的提取柑橘果實圖像方法

真彩色柑橘果實圖像原圖見圖2。對圖2中RGB紅、綠、藍光分量分離，利用Matlab提取得到R、G、B三個分量圖像，見圖3-圖5。經(jīng)圖像計算分析R、G分量圖像梯度值和信息熵較大，因此取R、G分量進實施小波融合。分別對R，G分量灰度圖像進行2層小波分解及重構(gòu)，得到融合后的增強圖像見圖6。

圖2 真彩色柑橘果實圖像原圖

圖3 G分量果實圖像

圖4 B分量果實圖像

圖5 R分量果實圖像

圖6 小波增強圖像

計算融合前后圖像的信息熵和梯度，融合后圖像比融合前分量保留較為細至的邊緣信息，見表1。融合后柑橘圖像經(jīng)自適應(yīng)中值濾波后用改進的cannny算子提取果實邊緣圖像見圖7。

表1 融合前后圖像的信息熵及梯度

圖7 canny算子提取邊緣圖像

比較Robert、prewitt、sobel及改進的canny算子提取邊緣，如圖8所示。

注：(a) Robert算子提取結(jié)果；(b) prewitt算子提取結(jié)果；(c) sobel算子提取結(jié)果；(d) canny算子提取結(jié)果

由圖8可見，所有算子對提取單果結(jié)果都較準(zhǔn)確，改進的canny算子對疊果提取更為精準(zhǔn)。

4 結(jié)論

基于MATLAB軟件進行仿真，通過柑橘果實圖像紅、綠光分量采用小波增強圖像處理，再采用canny算子提取果實信息，結(jié)果顯示能準(zhǔn)確地提取果實圖像邊緣信息，為機器人智能采摘提供科學(xué)可行性。

[1] 劉娜,趙慧,包思圓,等. 基于圖像處理的黃瓜葉子病害識別系統(tǒng)的研究[J].山東工業(yè)技術(shù),2018,37(5):138.

[2] 張凱兵,章愛群,李春生.基于HSV空間顏色直方圖的油菜葉片缺素診斷[J].農(nóng)業(yè)工程學(xué)報,2016,32(19):179- 187.

[3] 徐黎明,呂繼東.基于同態(tài)濾波和K均值聚類算法的楊梅圖像分割[J].農(nóng)業(yè)工程學(xué)報,2015,31(7):12-15.

[4] 羅陸鋒,鄒湘軍,熊俊濤,等.自然環(huán)境下葡萄采摘機器人采摘點的自動定位[J].農(nóng)業(yè)工程學(xué)報,2015,31(2):14- 21.

[5] 程塨,郭雷,趙天云,許明,賀勝.一種基于小波變換的多聚焦圖像融合方法[J].計算機工程與應(yīng)用,2012,48(1): 94-96.

[6] 黃勁潮.小波神經(jīng)網(wǎng)絡(luò)在電力負荷預(yù)測中的應(yīng)用[J].唐山師范學(xué)院學(xué)報,2016,38(5):78-80.

[7] 程塨,郭雷,趙天云,許明,賀勝.一種基于小波變換的多聚焦圖像融合方法[J].計算機工程與應(yīng)用,2012,48(1): 10-13.

[8] 王偉芳,王晉茹.小波閾值方法在Laplace方程中的應(yīng)用[J].唐山師范學(xué)院學(xué)報,2009,31(5):24-28.

[9] 侯守明,王陽,唐琪博,張玉珍.一種基于偏微分方程和Canny算子的圖像分割方法[J].山西大學(xué)學(xué)報(自然科學(xué)版),2017,58(4):676-682.

[10] 孫硯飛,常曉剛,李東興,等.基于自適應(yīng)Canny的紅外圖像邊緣檢測算法[J].山東理工大學(xué)學(xué)報(自然科學(xué)版),2017,33(6):3063-3067.

Canny Operator Based on Wavelet Enhanced Image Was Used to Identify Fruit Information

LUO Xiao-li

( Department of Information Technology Engineering, Fuzhou Polytechnic, Fuzhou 350108, China)

The method of fruit information intelligent recognition is the focus of the research on image recognition. At present, the main research methods are neural network image segmentation algorithm, histogram quantization method, mean clustering algorithm and correlation algorithm combination algorithm. These algorithms have a good effect on the recognition of single fruit with simple background, but a poor effect on the recognition of complex background and multiple fruit overlap. In this paper, the image enhanced by wavelet and the canny operator were improved, which is more suitable for the extraction of the information of fruit with complex background.

Wavelet; image enhancement; information entropy; gradient

TP311.13.1

A

1009-9115(2020)03-0083-04

10.3969/j.issn.1009-9115.2020.03.020

福州職業(yè)技術(shù)學(xué)院科研項目（FZYKJJJC201802）

2019-12-24

2020-04-12

羅曉麗（1971-），女，黑龍江五常人，碩士，副教授，研究方向為計算機圖像處理。

（責(zé)任編輯、校對：田敬軍）