計算機視覺算法的圖像處理技術研究

謝曉旦

(無錫旅游商貿高等職業技術學校,江蘇 無錫 214000)

0 引言

梨果的品質有很多種,但我國在檢測質量方面以及評級方面的技術相對其他國家,較為落后,這就導致市場上對于梨果的定價有異議,該問題直接對國家農產品貿易發展產生影響。事實上,對水果進行分級需要從果形、果面缺陷以及果重等指標進行評判,如此才能避免缺陷果所造成的浪費。本文采用計算機視覺算法構建梨果檢測分級系統,借助圖像處理技術對梨果的品質有明確的等級界定。

1 圖像搜集和預處理

1.1 圖像搜集

首先搜集梨果圖像有關的信息,再選取適合的背景進行梨果圖像拍攝,保持所有梨果拍攝的背景均一致,方便后續處理圖像時規避背景因素干擾,以上操作為對梨進行品質檢測前需要準備的工作。拍攝的過程中,要先設計光源,不斷地進行比較和測試,采用垂直照射的方法,固定在25 cm光源,避免光線或陰影要素對梨果圖像產生影響。為讓圖像背景與梨果之間的對比度提升,此次拍攝背景選擇白色[1]。

1.2 圖像預處理

在圖像采集時,在印出影像的過程會受到外界的因素影響,且無法控制的原因,大多數的表現是噪聲的形式,對于采集的圖像要進行有效地去除噪聲處理,這樣才不會影響之后的工作以及對于檢測結果的準確性。本文主要運用中值濾波法,對圖像進行濾波處理,這樣可以做到與原始的圖像基本沒有差別,沒有較大的失真情況,邊緣清晰。通過對外表的觀察,發現其外觀展現出的顏色能體現出本身的成熟度,另一方面,也可通過色澤區分出表面缺陷區域的部分[2]。因此,可以將背景進行去除,僅保留前景部分。將采集的圖像由RGB空間轉換到HSV空間,在S分量直方圖中,能夠觀察到明顯的峰值,且兩個波峰之間的下降區域明顯,波谷非常突出,S分量在HSV顏色空間里表示飽和度,符合實驗所使用的白色拍攝背景和黃色目標在肉眼識別中產生色差區別的特征,所以針對S分量對圖像進行全局閾值分割,可以得到較好的背景去除效果[3]。

2 計算機視覺下數字圖像提取梨果特征的方法

2.1 周長的特征

這里表述的周長是在梨果的圖像中,整個區域環繞的邊緣長度,就是梨果一周的長度。如圖1所示,提取圖中梨果外觀輪廓信息,對梨果邊界的所有像素點進行計算,得到像素點之和,可以得出梨果的周長特征結果。此處計算周長需要遵從公式(1):

圖1 梨果邊緣區域

2.2 形狀特征提取

如果梨果已經經過面積信息提取,可以了解到梨果的圓形度和周長之間是反比狀態,此時在計算出梨果的面積和周長以后,可以對梨果的圓形度進行計算,從而判斷梨果的形狀處于那個品質等級。此時可以計算梨果的周長和半徑關系,遵從公式:

因為梨果的實際形狀并不是標準的圓形,因此上述公式中所計算出的梨果半徑數值會與梨果的實際半徑數值之間存在一定的差異性。此時可以將兩組半徑求解結果的比值進行平方處理,用來對梨果自身的圓形度進行衡量,比值如果越接近1,說明該梨果自身的形狀更標準。此時可以根據思路推斷出下述計算梨果圓形度的公式(4):

2.3 面積特征提取

梨果的圖像所占用的平面大小,就是這里所講的面積。如圖2所示,為通過背景去除以后得到的梨果的二值化圖像,從該圖像中可以了解到梨果的前景已經被處理成白色部分,而背景顏色則被處理成黑色,此處求解梨果面積,需要先獲取在前景部分中,全部白色的像素點相加所得,就是說在界限范圍內全部像素點進行求解,計算出f(x,y)=1的樹木以后,求解像素點和面積之間的映射關系,具體遵從公式(5)進行求解。

圖2 梨果面積提取

2.4 缺陷特征提取

缺陷特征的提取同樣需要經過計算來獲取,觀察梨果圖像,了解圖像中正常區域中被分割出的存在差異的圖像信息,經過背景去除處理,觀察目標圖像顏色發生變化,發覺不少像素點都存在差異,此時可以對目標圖像進行測試,并獲取對應的分割閾值。在對所有像素點進行灰度圖處理以后,判斷像素點與閾值之間的關系,如果像素點本身比閾值小,則可以對像素點進行賦值處理,賦值數如果是0,則會呈現出黑色,賦值數如果是255,則會呈現出白色,此時從賦值后的像素點進行缺陷查找,發覺表面呈現出白色的圖像就是梨果的缺陷部分。

3 計算機視覺下梨果的分級系統設計與結果分析

3.1 計算機視覺算法下梨果分級系統設計

為進一步對梨果的等級進行檢測,本次在計算機視覺算法下構建梨果分級系統,對梨果的果面缺陷以及圓形度展開檢測。本次梨果檢測分級系統將會遵從《梨果外觀等級標準》中所表述的分類依據,按照檢測出的梨果外觀形狀進行標準劃分,主要劃分為不端正、比較端正和端正3個類別。

從數據結果看到,在四種不同等級的梨果中,圓弧度雖然有很大的差異,但是其數值的范圍有反復重合的問題。根據《梨外觀等級標準》中,對梨果等級進行評定,特等的梨果為形狀規則,一等的梨果為形態規則或比較規則。將存在端正、比較端正和不端正的3種類型梨果判定為二等。除此之外,梨果的外形可能存在4種形狀,要對梨果進行最終的等級評判,還需要了解梨果的表面缺陷特征情況。

此次實驗中將對采集到的所有梨果圖像進行重復性實驗,實驗頻率為30次,獲取實驗最終數據結果,能夠分析出梨果的形狀以及圓形度之間的映射關系:梨果形狀端正時,對應的圓形度計算數值超過0.940,梨果相對比較規則時,計算數值對應在0.940～0.932之中。除上述分析結果以外,發現梨果形狀于不規則時,對應的圓形度計算數值低于0.932。

遵守《梨外觀等級標準》中,對于分類標準的重申,這次可對所有實驗中的梨果進行表面缺陷評定,主要劃分為外果、二等、一等以及特等四個類型。如果梨果外形出現缺陷的數量不超過1處,且缺陷的面積不超過0.5平方厘米,則可以判定梨果為特等,如果梨果出現缺陷的數量不超過2出,且缺陷的面積低于1平方厘米,可以評判梨果為一等。如果梨果外形缺陷未超過3處,且缺陷的面積不超過2平方厘米,可以評判梨果為二等。除此之外,梨果將不會被納入到標準評級當中,這部分梨果將會被直接定義為外果。

3.2 計算機視覺算法下梨果分級圖像處理實驗結果分析

本次借助梨果檢驗分級系統開展梨果圖像處理工作,將對梨果的缺陷、果形等指標展開綜合評判,確保得到更加準確的結果。

梨果的檢測分級系統所具有的魯棒性,進一步的對其進行驗證。在獲取梨果圖像時還對梨果圖像進行噪聲處理,并以重復添加噪聲的方式來進行魯棒性實驗。經過實驗證明,添加噪聲以后的梨果圖像發生圓形度方面的變化,且隨著噪聲添加,圓形度的數值呈現出逐漸增長的趨勢。其中,梨果圖像中包含高斯噪聲時,圓形度增加的幅度比較少,數值為0.008 01,而如果梨果圖像所添加的是椒鹽噪聲,此時的圓形度增長幅度會隨著噪聲增加而發生較大變化,圓形度的數值為0.009 31。兩者對比,發現圓形度的計算結果均有一些變化,但變化的數值幅度都低于0.01。所以,可直接準確識別出梨果形狀。本次所設計的基于計算機視覺算法的梨果檢驗分級系統能夠在噪聲狀態下對梨果圖像進行背景去除,并做好缺陷識別。

4 結語

綜上所述,數字圖像處理技術目前已經在水果檢測行業當中體現出應用優勢,成為水果檢測分級中的核心技術之一。本文研究并設計了一種梨果的檢測分級系統,應用了計算機的視覺,針對HSV顏色空間中的S分量對采集的圖像進行分割處理,去除掉背景,與梨果的形狀和缺陷等特征交融在一起,達到準確的分級結果。雖然會有對圖像的噪聲干擾情況,但是仍然能做到對正確的等級判斷。