一种识别马铃薯的图像处理方法与流程

本发明涉及一种识别马铃薯的图像处理方法。
背景技术：
：马铃薯是仅次于大米、小麦和玉米的世界第四大粮食作物，具有生长周期短、适应性强、产量高、用途广等优点，因此在世界范围内被广泛种植。在实际生产中，马铃薯收获后的清洁程度对马铃薯的运输、贮藏、加工、销售等环节十分重要。当前应用广泛的收获机械进行异物剔除主要依据的是马铃薯与异物之间的尺寸差异，进行振动筛选，这种方式对大小与马铃薯相近的土块和石块，往往清除不够彻底，且混杂在马铃薯中，对马铃薯损伤较大。美国专利us8642910利用线阵ccd、激光或是卤素灯在物料抛落过程中检测浆果类水果中的异物，采用旋转圆柱体作为背景以防止背景表面的污染，背景颜色采用与正常物料相对的颜色，根据图像中颜色差异对物料进行分类识别(pellencr，nieror.selective-sortingharvestingmachineandsortingchainincludingonesuchmachine:us，us8642910[p].2014.)。专利wo2014/037290a1在利用机器视觉技术对根茎类物料进行异物识别时，为了检测出马铃薯中的异物，对采集到的目标图像进行如下处理：提取彩色图像中的目标，对每个目标所包含的像素进行颜色特征提取，根据这些颜色特征对像素进行模式识别，统计目标中马铃薯像素的占比，若目标占比高于阈值时，判断目标为马铃薯，否则判断是土块或石块。阈值的大小与马铃薯表面泥土覆盖的面积相关，当马铃薯表面覆盖泥土面积较大时，阈值较大，反之阈值较小(mcgloughlinj，frostj，moynihanm.methodandapparatusforhandlingharvestedrootcrops:u.s.patentapplication14/426,578[p].2013-8-30.)。上述利用机器视觉技术检测马铃薯异物的方法，均是利用图像的颜色特征，对目标识别前需要先对图像中的像素进行识别，因此参与计算的数据量较大，且易受马铃薯表面泥土覆盖情况的影响，通常需要事先对实际情况进行分析，或是依据经验设置阈值，操作复杂且精度不高。技术实现要素：本发明通过对比轮廓处理前后的差距，提出了一种识别马铃薯的图像处理方法，并通过试验验证了该方法的可靠性。本发明解决其技术问题所采用的技术方案是：1)对待测对象的采集图像进行二值分割，并提取目标轮廓及其轮廓点，具体是逆时针方向提取二值分割后中心连通区域的轮廓上的坐标点作为轮廓点；2)对轮廓点进行等距离取点，作为采样点；3)对采样点进行高斯平滑滤波，获得高斯滤波点，并求取高斯滤波点的参考中心；4)计算采样点和高斯滤波点到参考中心距离的相对误差；5)提取待测对象所有相对误差的最大值、极大值、平均差和标准差，四个参数作为形状特征；6)用提取的形状特征识别待测对象是马铃薯或者非马铃薯类。所述步骤2)具体步骤是：2.1)设定像素点间距离阈值l；2.2)从目标轮廓上任一个轮廓点作为第一个采样点开始，沿单方向依次计算后面轮廓点和第一个采样点的欧式距离，直到欧式距离与像素点间距离阈值l最接近的轮廓点作为第二个采样点；2.3)再以与步骤2.2)相同方式沿同一单方向找到与上一个采样点之间的欧式距离与像素点间距离阈值l最接近的下一个采样点，以此遍历一圈轮廓求取出全部的采样点。所述步骤3)中，具体是求取所有高斯滤波点所在坐标的平均坐标作为参考中心。所述步骤4)中，计算采样点和参考中心之间欧式距离与对应的高斯滤波点和参考中心之间欧式距离之差，以该差值与采样点和参考中心之间欧式距离的比值作为相对误差。所述步骤6)具体为：以若干个已知的马铃薯和非马铃薯类作为待测对象重复上述步骤1)～5)获得最大值、极大值、平均差和标准差的四个形状特征，以若干个已知的马铃薯和非马铃薯类对应获得的四个形状特征分别作为训练集，输入到利用支持向量机中进行训练，获得支持向量机模型；对未知的待测对象重复上述步骤1)～5)获得最大值、极大值、平均差和标准差的四个形状特征，将未知的待测对象地四个形状特征输入到支持向量机模型判断获得是否为马铃薯的结果。本发明具有的有益的效果是：本发明利用形状特征识别马铃薯，克服了使用颜色特征进行识别而产生结果不稳定的缺点，能快速准确地识别出马铃薯和非马铃薯类，具有非常高的准确度。附图说明图1是本发明的马铃薯轮廓图；图2是本发明的土块轮廓图；图3是本发明的石块轮廓图。具体实施方式下面结合附图和实施例对本发明作进一步说明。本发明实施例判别马铃薯的过程如下：1、目标提取。采用计算机视觉系统采集待测对象图像，进行阈值分割，获取二值图像。2、轮廓提取。从连通区域的最左边像素开始逆时针提取二值图像连通区域的轮廓点，标记为(u1,v1),(u2,v2),…,(um,vm)。图1-图3中的图例为“.”点分别表示马铃薯、土块、石块样本的轮廓点。3、确定等距离采样点。从(u1,v1)开始进行等距离采点，采用l表示像素点间距离阈值，采用公式(1)和公式(2)依次计算(ui,vi)(i＝1开始)与后序点(uj,vj)(j＝i+1,i+2,…,m)的欧式距离dij，直到dij*dij+1≥0，若|dij|<|dij+1|，则判断与(ui,vi)距离最接近l的点是(uj,vj)，然后将i赋值为j，接下来搜寻(uj,vj)与后序点距离为l的坐标点，反之与(ui,vi)距离最接近l的点是(uj+1,vj+1)，然后将i赋值为j+1，接下来搜寻(uj+1,vj+1)与后序点距离为l的坐标点，按照该方法循环一遍，直到j＝m结束，得到等距采样点(x1,y1),(x2,y2),…,(xn,yn)，如图1-图3中“▲”所示分别表示马铃薯、土块、石块的等距采样点。4、高斯平滑滤波。采用式(3)将等距采样点(x1,y1),(x2,y2),…,(xn,yn)进行高斯平滑滤波g(t)，滤波后的点标记为高斯滤波点(x1,y1),(x2,y2),…,(xn,yn)，如图1-图3中“■”所示分别表示马铃薯、土块、石块的高斯滤波点。其中，t为滤波模板的宽度，σ表示高斯分布函数的均方差。5、求取参考中心。分别计算高斯滤波点(x1,y1),(x2,y2),…,(xn,yn)横坐标和纵坐标的平均值标记为参考中心(xc,yc)，如图1-图3中“*”所示分别表示马铃薯、土块、石块的参考中心。6、计算相对误差。用rk(k＝1,2,…,n)表示dk1和dk2的相对误差，dk1表示等距采样点(xk,yk)与参考中心(xc,yc)的距离，dk2表示高斯滤波点(xk,yk)与参考中心(xc,yc)的距离，分别采用公式(4)-公式(6)计算dk1、dk2、rk。rk＝(dk1-dk2)/dk1(4)7、确定形状特征参数。采用公式(7)-公式(10)计算(r1,r2,…,rn)的最大值max，极大值r，平均差ad，标准差sd，四个参数作为形状特征参数。max＝max{r}(7)r＝max{r}-min{r}(8)其中，r表示相对误差，n表示采集时刻的总数，表示所有相对误差的平均值。8、模式识别。将数个已经人工识别的马铃薯、土块、石块的四个形状特征参数：最大值max，极大值r，平均差ad和标准差sd，依次组成训练集，设定马铃薯的标记为“1”，土块和石块的标记均为“-1”，利用支持向量机进行训练，得到支持向量机模型，将待测目标的四个形状参数带入模型中进行测试，输出为“1”时，判断待测目标是马铃薯，输出为“-1”时，判断待测目标是非马铃薯类。本实施采用324个马铃薯、353个土块、318个石块以同样的方式处理后来验证本发明的方法，结果准确性如下：表1马铃薯非马铃薯精确度马铃薯323/3241/32499.69％土块1/353352/35399.72％石块2/318316/31899.37％上表中可以看出，本发明可以准确识别出马铃薯，准确度可达到99.69％，同时能准确检测出非马铃薯类。当前第1页12