一种梯度迭代阈值分割的水果表面缺陷检测方法
【技术领域】
[0001] 本发明涉及计算机视觉图像处理方法，具体涉及一种梯度迭代阈值分割的水果表 面缺陷检测方法。
【背景技术】
[0002] 表面缺陷检测是水果分级的重要依据之一，在世界各国的水果评级标准中有严格 的规定。国内外大量学者研究通过计算机视觉方式检测水果及农产品表面缺陷，但是许多 农产品是类球体，二维图形中部的灰度值要远大于边缘的灰度值，导致表面缺陷图像检测 的困难。
[0003] 经过现有的技术检索发现，方法主要分为三类：
[0004] 1)基于球体灰度模型的处理方法。譬如专利文献中国专利CN101984346A记载了一 种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，利用水果彩色 图像通过离散傅里叶变换进行低通滤波然后离散傅里叶反变换获得表面亮度图像，前者图 像除以后者图像得到均一化亮度图像，再采用单阈值实现水果表面缺陷分割，该技术能检 测亮度较低的表面缺陷，但是会丢失在中心区域以及边缘区域的高亮度及中亮度表面缺 陷；中国专利CN102788806A利用水果RGB图像和NIR图像，计算对比水果的缺陷形状、大小， 但是水果不是严格球体，该专利用二值图像外接矩形最大宽度近似水果直径，最大宽度的 一半作为迭代次数终止条件。这种方法对非圆形的椭圆形水果会产生误差，而且椭圆形水 果长轴和短轴受到的光照朗伯现象不一样直接用该区域像素点直接进行亮度平均处理，会 对缺陷检测带来误差;Li Jiangbo等人(2013)利用光照传输模型与图像比技术检测脐橙表 面缺陷，该方法算法对较低亮度缺陷有效，但是容易丢失高亮度以及中亮度表面缺陷区域。 (Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods Jiangbo Li，Xiuqin Rao，Postharvest Biology and Technology 2013);李江波等人(2011)利用水果表面亮度矫正单阈值脐橙表 面缺陷提取，该方法会丢失高亮度表面缺陷区域(李江波，饶秀勤，应义斌.水果表面亮度不 均校正及单阈值缺陷提取研究，农业工程学报，2011年12期）。
[0005] 2)基于表面纹理特征的处理方法。L<5pez-Garcia F等人(2010)利用多元图像理论 以及表面纹理特征算法训练方法检测脐橙表面缺陷，该算法比较复杂不易用于在线，而且 检测脐澄表面缺陷类型有限。（L0pez_Garcia F，Andreu_Garcia G，Blasco J，et al.Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach[J]·Computers and Electronics in Agriculture,2010,71 (2):189-19)。
[0006] 3)基于多光谱成像技术的处理方法。J.Blascoa等人利用多光谱成像设备进行脐 橙表面缺陷分析，该方法硬件成本较高和复杂（2007)( J.BlaSC〇a，N.AleiX〇S. (2007) .Citrus sorting by identification of the most common defects using multispectral computer vision.Journal of Food Engineering 83(2007)384-393)。
[0007] 现有方法存在检测表面缺陷类型有限以及算法较复杂难以用于在线检测或者依 赖成本较高的复杂硬件成像技术的问题，因此需要新的水果表面缺陷检测方法。
【发明内容】
[0008] 本发明的目的在于提供一种梯度迭代阈值分割的水果表面缺陷检测方法，相比现 有技术，检测方法更简单，计算速度更快，表面缺陷检测类型更多以及对象实用性较广。
[0009] 本发明解决其技术问题所采用技术方案的步骤如下：
[0010] 1)获取水果RGB彩色图像；
[0011] 2)对水果RGB彩色图像去除背景进行图像二值化，获得二值化图像；
[0012] 3)对二值化图像提取边缘并膨胀一次获得轮廓边缘膨胀图像；
[0013] 4)将水果RGB彩色图像转换为灰度图像，然后再将灰度图像转换成归一化梯度图 像；
[0014] 5)对归一化梯度图像进行迭代依次计算获得图像分割阈值Q，通过图像分割阈值Q 分割获得梯度二值化图像；
[0015] 6)将步骤5)的梯度二值化图像减去步骤3)的轮廓边缘膨胀图像，再进行膨胀填洞 腐蚀处理，最后经过中值滤波处理获得水果表面缺陷图像，获得水果表面缺陷检测结果。
[0016] 所述步骤3)的膨胀和所述步骤6)的膨胀均采用以下公式完成形态学膨胀获得图 像结果·
[0017]
[0018]式中，Ri-膨胀图像结果;A-待膨胀处理图像;a-A中一个像素;S-圆形结构元； Sv-S的对称集；Φ -空集。
[0019] 所述步骤3)膨胀的圆形结构元S采用3像素半径圆形的结构元。
[0020] 所述步骤6)膨胀的圆形结构元S采用1像素半径圆形的结构元。
[0021] 所述步骤4)中将水果RGB彩色图像转换为灰度图像，计算获得灰度图像中每个像 素的梯度值m(i，j)，再通过以下公式进行所有像素数据的归一化，获得归一化梯度图像：
[0022:
[0023] 式中，G(i，j)一一像素的归一化梯度值;m(i，j)一一像素的梯度值;max-一归一 化前图像中所有像素梯度值中最大梯度值。
[0024]所述步骤5)具体为：
[0025] 5.1)计算归一化梯度图像中所有像素的最大和最小数值的均值，并作为初始预分
割值；
[0026]
[0027] 式中，Gmax 归一化梯度图像中所有像素梯度值中最大梯度值;Gmin 归一化 梯度图像中所有像素梯度值中最小梯度值;To-一初始预分割值；
[0028] 5.2)再通过以下公式计算每次的预分割差值：
[0029] ΔΤ= |Tn+l-Tn
[0030] 式中，δ τ-一预分割差值;Τη-一第η次迭代计算的预分割值;Tn+1-一第η+1次迭 代计算的预分割值;η-一迭代次数；
[0031] 5.3)依次迭代计算直到预分割差值小于0.01，再通过以下获得归一化梯度图像分 割阈值Q:
[0032] Q = Tn
[0033] 式中，Q一一分割阈值;Tn-一第η次迭代计算的预分割值;η-一迭代次数；
[0034] 5.4)对归一化梯度图像的每一个像素进行扫描，如果该像素的梯度值大于分割阈 值Q，将该像素点的赋值1，否则赋值0，从而得到梯度二值化图像。
[0035] 所述步骤5.2)中的第η次迭代计算的预分割值Τη和第η+1次迭代计算的预分割值 Τη+1均采用以下公式表示的方式计算：
[0036]
Ζ
[0037] 式中，Ggroupl--第一组梯度均值;Ggroup2--第二组梯度均值;Tn+1--第Π +l次迭 代计算的预分割值;η-一迭代次数。
[0038] 所述第一组梯度均值Ggrciupl采用以下公式计算：
[0039]
[0040] 式中，Ggroupi--第一组梯度均值;G(i，j)--像素的归一化梯度值;Z(i，j)-- 权重系数，当前使用典型值是l;Tn-一第η次迭代计算的预分割值;η-一迭代次数；
[0041] 所述第二组梯度均值Ggrciup2采用以下公式计算：
[0042]
[0043] 式中，Ggr〇up2--第二组梯度均值;G(i，j)--像素的归一化梯度值;Z(i，j)--