本科畢業(yè)設(shè)計(jì)--基于DSP的蘋果識別系統(tǒng)的設(shè)計(jì).doc

《本科畢業(yè)設(shè)計(jì)--基于DSP的蘋果識別系統(tǒng)的設(shè)計(jì).doc》由會員分享，可在線閱讀，更多相關(guān)《本科畢業(yè)設(shè)計(jì)--基于DSP的蘋果識別系統(tǒng)的設(shè)計(jì).doc（47頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、吉 林 農(nóng) 業(yè) 大 學(xué)學(xué) 士 學(xué) 位 論 文 題目名稱： 基于DSP的蘋果識別系統(tǒng)的設(shè)計(jì) 學(xué)生姓名： 院 系：信息技術(shù)學(xué)院專業(yè)年級：電子信息2006級指導(dǎo)教師： 職 稱： 講師 2010年 5月 25日目 錄題目I摘要及關(guān)鍵詞I1前言11.1引言11.2數(shù)字圖像處理的背景11.3圖像識別和分類理論21.4 DSP芯片的發(fā)展31.5本課題研究的內(nèi)容42 圖像處理系統(tǒng)總體方案43 成像單元53.1 CCD攝像機(jī)與鏡頭的選取53.2光源與照明方式的設(shè)計(jì)54 蘋果圖像采集與處理單元64.1 蘋果的圖像采集64.2蘋果圖像的預(yù)處理74.2.1圖像濾波74.2.1.1鄰域平均法84.2.1.2 中值濾波8

2、4.2.2圖像增強(qiáng)94.2.2.1線性灰度變換104.2.2.2直方圖修正法104.3 圖像分割114.3.1閾值分割114.3.1.1圖像二值化114.3.1.2改進(jìn)的灰度直方圖法124.3.2邊緣檢測134.3.2.1 Sobel邊緣檢測算子144.3.2.2 梯度算子154.3.2.3 Roberts邊緣檢測算子154.3.2.4 Prewitt算子164.3.2.5 Laplacian算子164.3.2.6幾種算子的比較174.3.3 圖像細(xì)化及結(jié)果184.4 蘋果的特征提取及識別204.4.1蘋果大小特征提取204.4.2蘋果形狀特征提取215 蘋果識別系統(tǒng)在DSP中實(shí)現(xiàn)225.1

3、硬件介紹235.1.1 DSP芯片的選擇235.1.2 TMS320C6713硬件結(jié)構(gòu)235.2 CCS軟件設(shè)計(jì)245.2.1 CCS開發(fā)環(huán)境的介紹245.2.2程序總體構(gòu)架255.2.3與中斷相關(guān)的初始化265.2.4編寫B(tài)OOT程序266 結(jié)論與展望296.1主要研究結(jié)論296.2 展望30參考文獻(xiàn)30致 謝32附錄133附錄238基于DSP的蘋果識別系統(tǒng)的設(shè)計(jì)姓 名：徐微微專 業(yè)：電子信息科學(xué)與技術(shù)指導(dǎo)教師：宮 鶴摘 要：數(shù)字信號處理器為數(shù)字圖像處理提供了良好的實(shí)現(xiàn)平臺。本文講述其自動檢測中的應(yīng)用基于圖像識別的蘋果分級，設(shè)計(jì)出蘋果圖像識別系統(tǒng)(按大小、形狀)。為了根據(jù)蘋果圖像進(jìn)行蘋果分級

4、，文中介紹了對蘋果圖像進(jìn)行低層信息處理的所采用的方法，如圖像增強(qiáng)、邊緣檢測、圖像二值化、圖像細(xì)化等。算法如中值濾波、邊緣檢測算子，改進(jìn)的灰度直方圖法做了重要探討，并應(yīng)用或改進(jìn)應(yīng)用于本人的設(shè)計(jì)中。其中改進(jìn)的灰度直方圖法就是在傳統(tǒng)的灰度直方圖法基礎(chǔ)上改進(jìn)的算法，效果較好。文中講述了蘋果圖像識別系統(tǒng)設(shè)計(jì)的方法和步驟,建立蘋果按大小、形狀分等級的特征函數(shù)。最后，將上述各算法移植到TI的TMS320C6713 DSP平臺，以滿足實(shí)時性要求。最終獲得較好的識別效果。關(guān)鍵詞：蘋果識別；圖像處理；邊緣檢測；DSPThe Design of Apple Identification System Based o

5、n DSP Name：Xu WeiweiMajor：Electronic Information Science and TechnologyTutor：Gong HeAbstract: Image processing algorithms can run very well on DSP platform. This paper demonstrates of the appliance of Image recognition in auto-detection, especially in apple image (designed the system of apple image

6、recognition in size and shape).This paper narrates the lower layer image processing of the apple image to classify the apple based on the image such as image enhancement, edge detection, threshold, thinning, etc. Much arithmetic is used such as median filter, Sobel arithmetic operator, betterment gr

7、ay scale histogram, etc. Applied or betterment applied it to the graduating project. The threshold of gray scale histogram arithmetic is better than conventional one which is result very well. It is also detailed explained the method or step in image recognition during the image recognition system d

8、esign founding the feature functions that classify the apple according to size and shape.At last, these algorithms mentioned above are transplanted to TI TMS320C6713 DSP to meet real-time requirements. An acceptable result is obtained.Keywords： Apple recognition；Image processing； Edge detecting；DSPI

9、1前言1.1引言人們利用眼睛獲取各種各樣的圖像信息，并傳入大腦，由大腦根據(jù)經(jīng)驗(yàn)或知識對圖像信息進(jìn)行加工處理，最后識別，理解周圍環(huán)境。圖像識別就是對人類視覺的一種模擬，它包括對圖像信息的獲取，傳輸，處理，存儲與識別等過程1。圖像識別在應(yīng)用中很大程度依賴現(xiàn)代圖像處理與模式識別技術(shù)，其廣泛應(yīng)用在工業(yè)檢測和醫(yī)學(xué)檢測等方面。圖像識別的應(yīng)用極大地解放了人類勞動力，提高了生產(chǎn)自動化水平，改善了人類生活狀況，有著極其廣闊的應(yīng)用前景。本文正是基于這一理論對蘋果進(jìn)行識別。蘋果的品質(zhì)有外部品質(zhì)和內(nèi)部品質(zhì)兩類。外部品質(zhì)主要是考慮大小、形狀、顏色和表面缺陷等，內(nèi)部品質(zhì)主要考慮糖含量、酸度、口味、硬度及內(nèi)部缺陷等。內(nèi)部品

10、質(zhì)的檢測技術(shù)現(xiàn)在已發(fā)展相當(dāng)成熟，例如，近紅外線法和磁共振法測糖含量、酸度；提煉可揮發(fā)性芳香化合物法測口味；用聲波脈沖響應(yīng)法和超聲波法測硬度；超聲波檢測水果內(nèi)部缺陷等等。而目前我國水果外部品質(zhì)分級主要由機(jī)械配合人工的方式完成完成。顯然這種方式是一種有損分級，蘋果下落的相互碰撞，對容器的碰撞都會使蘋果表皮破損，也不能精細(xì)分級。與人工分選相比，基于圖像識別的水果分級更精細(xì)，更準(zhǔn)確，無疲勞效應(yīng)，無損害，節(jié)省人力資源。而這種分級技術(shù)在國外已經(jīng)具有相當(dāng)成熟的水平，尤其是日本、美國，其對很多水果都進(jìn)行了圖像識別的研究，并已產(chǎn)生成熟的產(chǎn)品。比如黃瓜分級、櫻桃分級、草萄分級等等。作為水果生產(chǎn)大國，及時研制開發(fā)并

11、采用符合我國實(shí)際情況的蘋果識別系統(tǒng)，提高蘋果產(chǎn)品的市場競爭力具有實(shí)際意義25。1.2數(shù)字圖像處理的背景一幅圖像可定義為一個二維函數(shù)，其中是空間坐標(biāo)，而任何一對空間坐標(biāo)上的幅值稱為該點(diǎn)圖像的灰度。當(dāng)和幅值為有限，離散的數(shù)值時，稱該圖像為數(shù)字圖像6。數(shù)字圖像處理是指利用計(jì)算機(jī)或者其他設(shè)備通過各種算法對數(shù)字圖像進(jìn)行處理。數(shù)字圖像處理是現(xiàn)代圖像處理的主要方法，具有再現(xiàn)性好、精度高、適用面廣和靈活性大等優(yōu)點(diǎn)。數(shù)字圖像處理最早應(yīng)用之一是在報(bào)紙業(yè)，當(dāng)時，圖像第一次通過海底電纜從倫敦傳往紐約。早在20世紀(jì)20代年為了橫跨大西洋使用電纜傳輸一幅圖片，首先要進(jìn)行編碼，然后在接收端用特殊的打印設(shè)備重構(gòu)該圖片。從20

12、世紀(jì)60年代至今，圖像處理領(lǐng)域己得到了生機(jī)勃勃的發(fā)展。圖像處理中，輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，使得圖像處理技術(shù)在許多應(yīng)用領(lǐng)域受到廣泛重視并取得了重大的開拓性成就。圖像復(fù)原和增強(qiáng)過程用于處理不可修復(fù)物體的己損圖像或者造價昂貴不可復(fù)制的實(shí)驗(yàn)結(jié)果。在考古學(xué)領(lǐng)域，使用圖像處理方法己成功地復(fù)原了模糊的圖片。在物理學(xué)和相關(guān)領(lǐng)域，計(jì)算機(jī)技術(shù)通常增強(qiáng)如高能等離子和電子顯微鏡方法等領(lǐng)域的實(shí)驗(yàn)圖像。圖像處理技術(shù)也廣泛應(yīng)用于生物學(xué)，工業(yè)制造及自動化，遙感，航空航天、生物醫(yī)學(xué)工程、工業(yè)檢測、公安司法、軍事制導(dǎo)、文化藝術(shù)等領(lǐng)域。(1)宇宙探測。由于太空技術(shù)的發(fā)展，需要用數(shù)字圖像處理技術(shù)處理大量的星體

13、照片。(2)通信中的應(yīng)用。圖像信息的傳輸，電視電話等，包括靜態(tài)圖像和動態(tài)的圖像序列的傳送，主要是對圖像數(shù)據(jù)進(jìn)行壓縮，以及對序列圖像的處理。(3)遙感方面的應(yīng)用。遙感有航空遙感和衛(wèi)星遙感之分，它們都是用不同光源和技術(shù)獲得大量的遙感圖像。這些圖像需要用數(shù)字圖像處理技術(shù)加工處理并提取有用信息。它可用于地形地質(zhì)，礦藏探查，森林、水利、海洋、農(nóng)業(yè)等資源調(diào)查，自然災(zāi)害的預(yù)測和預(yù)報(bào)，環(huán)境污染的監(jiān)測，氣象衛(wèi)星云圖的處理，以及用于軍事目的的地面目標(biāo)的識別等等。現(xiàn)在，許多國家發(fā)射了各種不同用途的衛(wèi)星，遙感圖像資源的大量增加，對圖像處理技術(shù)提出了更高的要求。(4)生物醫(yī)學(xué)領(lǐng)域的應(yīng)用。數(shù)字圖像處理技術(shù)從一開始就引起了

14、生物醫(yī)學(xué)界的濃厚興趣，首先應(yīng)用于細(xì)胞分類，染色體分類和放射圖像的處理。七十年代，數(shù)字圖像處理在醫(yī)學(xué)上的應(yīng)用有了重大的突破。另外，數(shù)字圖像處理技術(shù)正逐步運(yùn)用到生物學(xué)領(lǐng)域，為生物進(jìn)化、分類和其他研究提供了有力的工具。不同的圖像處理的方法不同，基本的處理方法包括圖像的獲取，圖像的增強(qiáng)，圖像復(fù)原，彩色處理，小波分析，圖像壓縮，圖像分割，表示和描述等。針對具體的圖像處理，并不一定完全需要每一種上述列出的處理方法，只能根據(jù)具體的情況來選擇具體的處理方法。1.3圖像識別和分類理論圖像識別的目的是研制能夠自動處理某些信息的機(jī)器視覺系統(tǒng)，代替?zhèn)鹘y(tǒng)的人工完成分類和辨識的任務(wù)。已廣泛應(yīng)用于各個領(lǐng)域。例如：利用氣象衛(wèi)

15、星的云圖圖像預(yù)測天氣，智能交通系統(tǒng)中的車牌識別，手寫體識別，醫(yī)療病變圖像的計(jì)算機(jī)診斷，生產(chǎn)中實(shí)時帶鋼缺陷檢測，紡織布匹缺陷檢測等這些都屬于圖像識別系統(tǒng)的應(yīng)用范疇。各領(lǐng)域所研究的圖像是千差萬別的，它們都含有本身特性的特征，因此，將它們區(qū)別或分類的可能性是存在的。所以除了對圖像進(jìn)行數(shù)字化處理外，還需要通過一些手段，將各類圖像的重要性用數(shù)值表示出來，即特征提取。通常，反映某一類圖像特性的特征較多，給計(jì)算帶來繁重的工作量，同時由于特征的反映不精確，往往會帶來一些誤差，所以進(jìn)一步的工作需要對特征進(jìn)行選擇與處理，減小特征值的誤差而保留圖像特征信息，這種找出比原來特征數(shù)目少而精的綜合指標(biāo)的方法稱之為特征選擇

16、。因此，圖像的三維或二維信息可用一組一維數(shù)值代替以供識別分類。圖像識別方法主要有統(tǒng)計(jì)模式識別，結(jié)構(gòu)模式識別，模糊模式識別和神經(jīng)網(wǎng)絡(luò)模式識別等4。這些識別方法有各自的優(yōu)點(diǎn)，同時也存在不足的地方，近年來，許多學(xué)者提出多種新的識別方法，如：基于模板匹配的圖像識別方法，基于支持向量機(jī)的判別方法等，在實(shí)際的應(yīng)用中取得了很好的效果。圖像識別系統(tǒng)通常涉及以下幾個步驟：(1)圖像獲取，二維圖像獲取包括紅外遙感成像，測距成像，CCD成像等各種途徑。(2)圖像預(yù)處理，進(jìn)行預(yù)處理可以使圖像更清晰，或從圖像中提取某些特定的信息等。對含有噪聲的圖像，要除去噪聲、濾去干擾、提高信噪比；對信息微弱的圖像要進(jìn)行灰度變換等增強(qiáng)

17、處理；對己經(jīng)退化的模糊圖像要進(jìn)行各種復(fù)原的處理；對失真的圖像要進(jìn)行幾何校正等變換，以突出目標(biāo)。(3)圖像分割和目標(biāo)提取，主要目的是從圖像中獲得感興趣的區(qū)域。特征提取，是要獲得對目標(biāo)的有效特征表達(dá)和描述。(4)目標(biāo)分類，是在提取特征的基礎(chǔ)上實(shí)現(xiàn)判別和分類。1.4 DSP芯片的發(fā)展自1980年以來，DSP芯片得到了突飛猛進(jìn)的發(fā)展，DSP芯片的應(yīng)用越來越廣泛。從運(yùn)算速度來看，MAC(一次乘法和一次加法)時間已經(jīng)從80年代初的400ns (如TMS32010)降低到40ns(如TMS32C40)，處理能力提高了10多倍。DSP芯片內(nèi)部關(guān)鍵的乘法器部件從1980年的占模區(qū)的40左右下降到5以下，片內(nèi)RA

18、M增加一個數(shù)量級以上。從制造工藝來看，1980年采用4 11的N溝道MOs工藝，而現(xiàn)在則普遍采用亞微米CMOS工藝。DSP芯片的引腳數(shù)量從1980年的最多64個增加到現(xiàn)在的200個以上，引腳數(shù)量的增加，意味著結(jié)構(gòu)靈活性的增加。此外，DSP芯片的發(fā)展，使DSP系統(tǒng)的成本，體積，重量和功耗都有很大程度的下降。近二十年來，隨著集成電路技術(shù)的發(fā)展，導(dǎo)致了DSP技術(shù)和器件的迅速發(fā)展，使實(shí)時數(shù)字信號處理系統(tǒng)成為可能并蓬勃發(fā)展。近幾年來，DSP的性價比越來越高，同時DSP的開發(fā)環(huán)境不斷改善，開發(fā)難度越來越低，己經(jīng)能被普通的應(yīng)用開發(fā)工程師所接受。在通信、計(jì)算機(jī)、消費(fèi)電子、自動控制、軍事、航空、儀器儀表和辦公自

19、動化等領(lǐng)域的得到了廣泛的應(yīng)用。對DSP開發(fā)應(yīng)用己經(jīng)成為一個熱門的研究課題。DSP芯片按照所支持的數(shù)據(jù)類型不同分為定點(diǎn)和浮點(diǎn)兩大類。定點(diǎn)DSP在硬件結(jié)構(gòu)上比浮點(diǎn)器件簡單，具有價格低，速度快的特點(diǎn)，因而用的最多。浮點(diǎn)DSP的優(yōu)點(diǎn)是精度高，不需要進(jìn)行定標(biāo)和考慮有限字長效應(yīng)，但其成本和功耗相對較高，速度較慢，適合于數(shù)據(jù)動態(tài)范圍和精度要求高的特殊應(yīng)用7。DSP的主要結(jié)構(gòu)特點(diǎn)有以下幾點(diǎn)：(1).采用哈佛結(jié)構(gòu)哈佛結(jié)構(gòu)的特點(diǎn)是程序存儲器和數(shù)據(jù)存儲器各自具有獨(dú)立的存儲空間，獨(dú)立的程序總線和數(shù)據(jù)總線，允許取指令和執(zhí)行指令重疊執(zhí)行，允許對數(shù)據(jù)和程序同時尋址，允許直接在程序和數(shù)據(jù)之間有兩套或兩套以上的內(nèi)部數(shù)據(jù)總線。因

20、此哈佛結(jié)構(gòu)與馮.諾依曼結(jié)構(gòu)相比，更適合處理具有高度實(shí)時性要求的數(shù)字信號。(2).特殊的指令系統(tǒng)DSP芯片通常都有一套自己的特殊指令，這些指令都是專門為數(shù)字信號處理而設(shè)計(jì)的，這對提高DSP的運(yùn)算效率非常有效。(3).流水線技術(shù)流水線技術(shù)是提高DSP程序執(zhí)行效率的重要手段，取指令和執(zhí)行指令可以同時執(zhí)行，從而減少指令執(zhí)行時間，進(jìn)一步增強(qiáng)處理器的數(shù)據(jù)處理能力。(4).高速的時鐘周期和強(qiáng)大的處理能力DSP芯片的主頻和處理能力不斷提高，TMS320C5000, 6000系列DSP的主頻已經(jīng)達(dá)到200MHZ。TMS320C6713的主頻達(dá)到225MHZ，處理能力達(dá)到1800MIPS。(5).采用硬件乘法器在

21、信號處理中，用到大量的乘法運(yùn)算，乘法運(yùn)算很費(fèi)時間，為此，在DSP中都有專門的硬件乘法器，現(xiàn)代高性能的DSP芯片甚至具有兩個以上的硬件乘法器用以提高運(yùn)算速度。(6).設(shè)有片內(nèi)存儲器外部存儲器一般不能適應(yīng)高性能DSP核的處理速度，因此在片上設(shè)置較大的程序/數(shù)據(jù)存儲器以減少對外部存儲器中程序，數(shù)據(jù)的訪問次數(shù)，充分發(fā)揮DSP核的高性能。目前高性能DSP芯片上的可配置程序，數(shù)據(jù)RAM高達(dá)7MB。采用大的片上存儲器可以減少外部存儲器接口的引腳，甚至省略外部存儲器接口，而且也減小了芯片的封裝體積。1.5本課題研究的內(nèi)容本課題將結(jié)合圖像識別技術(shù)，選用蘋果圖像作為研究對象，對蘋果按大小、形狀分級進(jìn)行實(shí)用性主要研

22、究。主要內(nèi)容有：(1)對蘋果圖像的低層信息處理及算法研究：根據(jù)已有的圖像處理的經(jīng)典算法進(jìn)行改進(jìn)，提出圖像處理算法，包括圖像濾波、圖像增強(qiáng)，圖像二值化、邊緣檢測、圖像細(xì)化等方面。運(yùn)用于蘋果圖像處理，分析、研究、比較后選擇出對蘋果圖像進(jìn)行處理的實(shí)用性算法。(2)蘋果識別研究：提取圖像中的蘋果大小、形狀等特征參數(shù)，實(shí)現(xiàn)正確的識別。(3)編程。熟悉TMS320C6713DSP芯片及相關(guān)硬件，建立基于TechV-C6713DSK平臺的蘋果識別系統(tǒng)，利用CCS開發(fā)環(huán)境進(jìn)行編程以實(shí)現(xiàn)圖像處理算法在DSP中運(yùn)行，完成了本課題的軟件設(shè)計(jì)與實(shí)現(xiàn)。(4)實(shí)驗(yàn)結(jié)果分析及進(jìn)一步研究的設(shè)想和展望。2 圖像處理系統(tǒng)總體方案

23、系統(tǒng)的總體結(jié)構(gòu)如圖2.1所示，按功能可分為3個部分：成像單元、圖像采集與處理單元、識別分類單元。圖像處理單元成像單元圖像采集單元識別分類單元圖2.1系統(tǒng)總體框圖Figure 2.1 Overall system block diagram成像單元由CCD攝像機(jī)、LED光源構(gòu)成，負(fù)責(zé)原始圖像數(shù)據(jù)的捕獲，圖像采集與處理單元是對捕獲來的圖像進(jìn)行圖像預(yù)處理、圖像分割、特征提取等，最后進(jìn)行分類識別。3 成像單元成像單元負(fù)責(zé)原始圖像數(shù)據(jù)的采集，CCD攝像機(jī)向圖像處理子系統(tǒng)輸出模擬視頻信號。對于不同蘋果的檢測項(xiàng)目，需要設(shè)置不的CCD攝像機(jī)與LED光源進(jìn)行檢測。3.1 CCD攝像機(jī)與鏡頭的選取目前的圖像傳感器

24、主要有CMOS面陣傳感器，CCD(電荷藕合器件)面陣傳感器和CCD線陣傳感器等，CCD攝像機(jī)將光信號轉(zhuǎn)換成電信號（標(biāo)準(zhǔn)視頻信號），以便于進(jìn)一步的處理或顯示。CCD傳感器具有靈敏度高、抗強(qiáng)光、畸變小、體積小、壽命長、抗震動等優(yōu)點(diǎn)。CCD攝像頭的選擇主要考慮以下幾點(diǎn)：(1)分辨率的選擇它決定了顯示圖像的清晰程度，分辨率越高，圖像細(xì)節(jié)的表現(xiàn)越好。(2)快門速度快門速度是指攝像機(jī)獲取一幅圖像的曝光時間，曝光時間過長會造成嚴(yán)重的圖像拖尾現(xiàn)象。但是快門速度越高對光源照明強(qiáng)度的要求成幾何級數(shù)上升，因此綜合考慮，選擇的快門速度為1/2000s以上。(3)掃描方式的選擇一般掃描方式有兩種：隔行掃描方式和逐行掃描

25、方式。隔行掃描是指一幀圖像的顯示由偶場和奇場組成。(4)異步重置外觸發(fā)功能為了精確控制拍照時間，需要具有異步重置功能，在系統(tǒng)控制器發(fā)出拍照信號時，攝像機(jī)能夠立即啟動曝光。本文根據(jù)以上幾點(diǎn)，結(jié)合現(xiàn)場要求，選用UP-610系列的數(shù)字黑白攝像頭。UP-610是一款分辨率為的數(shù)字式攝像頭，它使用了逐行掃描隔行傳輸?shù)募夹g(shù)，具有外部異步采集功能，能夠很容易的抓拍高速運(yùn)動物體的圖像。其CCD的方形像素更適合用于處理，測量和分析方面的應(yīng)用。本產(chǎn)品體積小，重量輕，其數(shù)字和模擬輸出，快門選擇其后面板上的許多其它功能使用起來都十分簡便。主要參數(shù)如下：有效像素() ，傳感器芯片尺寸，幀速110 FPS，電子快門1/1

26、10-1/62,000秒，16檔可選，整幀快門狀態(tài)下異步復(fù)位。掃描速度為110幀/秒。3.2光源與照明方式的設(shè)計(jì)光源照明的主要目標(biāo)是以合適的方式將光線投射到被測物體上，突出被測特征部分的對比度。不合適的照明，會引起許多問題，如花點(diǎn)和過度曝光會隱藏許多重要信息，陰影會引起邊緣的誤檢，信噪比的降低以及不均勻會導(dǎo)致圖像閥值選擇的困難。(1).光源種類的選擇對于蘋果在線檢測系統(tǒng)來說，因?yàn)楣庠匆猿Ａ琳彰鞣绞竭B續(xù)工作，它必須具有很長的壽命，且發(fā)光穩(wěn)定，功耗較低，因此需要選擇LED光源。由于檢測系統(tǒng)使用黑白攝像機(jī)，對被測物體的顏色選擇沒有特殊要求，而紅色LED的發(fā)光波長最為接近CCD的靈敏度峰值，所以選用紅

27、色LED光源。(2).照明方式的選擇CCD圖像傳感器從不同角度攝取現(xiàn)場反射或透射的圖像信息，需要多路CCD攝像機(jī)來共同完成圖像的采集8。光電感應(yīng)開關(guān)，會在蘋果位于最佳攝像位置時發(fā)送信號給控制單元和圖像采集與處理單元，作為采樣觸發(fā)信號，以實(shí)現(xiàn)空瓶的精確定位。采集到的圖像的清晰度在很大程度上取決于光源的好壞，為保證對各種不同透明或半透明的空瓶都能產(chǎn)生同一亮度和穩(wěn)定的圖像質(zhì)量，LED光源照明方式的設(shè)計(jì)不可忽視。應(yīng)選擇較好的光源，并且盡量使整個照明系統(tǒng)免受自然光或現(xiàn)場其他照明燈光的影響，保證采集的圖像質(zhì)量穩(wěn)定。4 蘋果圖像采集與處理單元系統(tǒng)用CCD攝像機(jī)將蘋果的圖像攝入并經(jīng)圖像采集卡進(jìn)行了D轉(zhuǎn)換、暫存

28、后通過DSP芯片進(jìn)行處理，得出蘋果個體的分類結(jié)果。本系統(tǒng)啟動CCD攝像機(jī)將蘋果目標(biāo)灰度值圖像攝入，并依據(jù)相應(yīng)圖像處理原理在DSP芯片內(nèi)進(jìn)行圖像的顯示、濾波、平滑、直方圖二值化、邊緣輪廓檢測與分析等處理過程，提取其形狀特征參數(shù)，如平均直徑(粗度)、長度、面積大小等。 4.1 蘋果的圖像采集圖像采集就是將圖像通過數(shù)字化后輸入到計(jì)算機(jī)的過程。被攝物體的圖像經(jīng)過鏡頭聚焦到CCD芯片上，CCD根據(jù)光的強(qiáng)弱積累相應(yīng)比例的電荷，各個像素積累的電荷在視頻時序的控制下，逐點(diǎn)外移，經(jīng)濾波、放大處理后，形成視頻信號輸出。視頻信號連接到監(jiān)視器或電視機(jī)的視頻輸入端便可以看到與原始圖像相同的視頻圖像8,9。如圖4-1。圖

29、4-1 采集到的蘋果圖像Figure 4-1 Apple images collected4.2蘋果圖像的預(yù)處理由于圖像在成像過程中會受各種條件的限制和許多隨機(jī)因素的影響，獲得的數(shù)字圖像必須經(jīng)過預(yù)處理。圖像處理就是對圖像中的像素點(diǎn)進(jìn)行運(yùn)算，因此需要很多的運(yùn)算方法，而且根據(jù)不同的需要有不同的算法。而圖像處理功能的實(shí)現(xiàn)也在于算法的提出和實(shí)現(xiàn)。到目前為止，還是有很多圖像對于某些算法不適用，需要進(jìn)一步研究探索出新的成果。本節(jié)結(jié)合本課題對蘋果圖像處理的應(yīng)用，在設(shè)計(jì)過程中對圖像按先后順序進(jìn)行了圖像濾波（中值濾波）、圖像增強(qiáng)(直方圖修正法)、閾值分割（灰度直方圖二值化）、邊緣檢測（Sobel算子）、圖像細(xì)化

30、處理，以及對蘋果圖像斑點(diǎn)的清除處理。圖4-2是蘋果圖像的處理過程。圖像濾波：中值濾波邊緣檢測：Sobel算子閾值分割：灰度直方圖二值化圖像細(xì)化圖像增強(qiáng)：直方圖修正法圖4-2 蘋果圖像處理過程Figure 4-2 Apple image processing4.2.1圖像濾波考慮到系統(tǒng)在采集，傳輸圖像和量化圖像過程中會產(chǎn)生噪聲，影響圖像質(zhì)量。為了能夠正確的識別圖像，必須對圖像進(jìn)行消噪處理。圖像噪聲主要有加性噪聲，乘性噪聲和量化噪聲等10。圖像中信號主要分布在低頻區(qū)域，而噪聲主要分布在高頻區(qū)域，但同時圖像的細(xì)節(jié)也分布在高頻區(qū)域。在傳統(tǒng)的基于傅氏變換的信號去噪方法，我們使得信號和噪聲的頻帶重疊部分盡

31、可能較小，這樣就可以在頻域通過時不改變?yōu)V波，就將信號同噪聲區(qū)分開。但是當(dāng)它們的頻域重疊區(qū)域很大時，這種方法就無能為力了。所以圖像降噪處理中的一個矛盾的問題是如何在降低圖像噪聲和保留圖像細(xì)節(jié)保持平衡，傳統(tǒng)的低通濾波方法將圖像的高頻成分濾除，雖然能夠達(dá)到降低噪聲的效果，但破壞了圖像細(xì)節(jié)?？梢岳眯〔ǚ治龅睦碚?，可以構(gòu)造一種即能夠降低圖像噪聲，又能夠保持圖像細(xì)節(jié)信息的方法11。但是其速度比較慢。本系統(tǒng)的實(shí)時性要求很高，在考慮速度的同時處理后的圖像只要滿足特征提取得要求即可，因此經(jīng)過綜合考慮，我們選用傳統(tǒng)的低通濾波方法。一般常用的濾波方法主要有鄰域平均法，中值濾波等方法。4.2.1.1鄰域平均法鄰域平

32、均法是指圖像區(qū)域內(nèi)任意點(diǎn)的灰度值是該點(diǎn)鄰域內(nèi)各點(diǎn)灰度值的平均值。該法是實(shí)域內(nèi)最為簡單的方法。以鄰域?yàn)槔?，以下是兩種模板： 第二個模板是對第一個模板的修正，叫做加權(quán)平均模板，從權(quán)值上看，處于中心位置的像素比其他任何像素的權(quán)值要大，所以在均值計(jì)算中給定的這一像素最為重要。但此法的缺點(diǎn)是會造成高頻的圖像邊緣部分出現(xiàn)模糊現(xiàn)象，且模糊程度與鄰域半徑的大小成正比。4.2.1.2 中值濾波本文采用中值濾波法對采集來的數(shù)字圖像進(jìn)行濾波，得到很好效果，同時中值濾波速度很快，能夠滿足系統(tǒng)對速度的要求12。中值濾波是指把以某點(diǎn)為中心的小窗口內(nèi)的所有象素的灰度值按照從大到小的順序排列，將中間值作為處的灰度值(若窗口中

33、有偶數(shù)個象素，則取兩個中間值的平均)。中值濾波采用模板增強(qiáng)的方法，用一個含有奇數(shù)點(diǎn)的滑動窗口，將窗口中各點(diǎn)灰度值的中值來替代指定點(diǎn)(一般是窗口的中心點(diǎn))的灰度值。對于奇數(shù)元素，中值是指按大小排序后，中間的數(shù)值；對于偶數(shù)元素，中值是指排序后中間兩個元素灰度值的平均值13。中值濾波對濾除脈沖干擾信號和圖像的掃描噪聲效果很好，且中值濾波在運(yùn)算過程中無需要圖像的統(tǒng)計(jì)特性，因此計(jì)算很方便。中值濾波的步驟是：(1)將模板在圖像上漫游，并將模板中心與圖像的某個像素(也可叫著基點(diǎn))重合；(2)讀取模板下各對應(yīng)像素的灰度值；(3)將這些灰度值從小到大排成一列；(4)找出這些值里排在中間的一個值；(5)將這個中間

34、值賦給對應(yīng)模板中心像素。盡管中值濾波器是一種有效地濾除脈沖干擾如顆粒噪聲等、保持圖像邊緣的濾波器，但隨著窗口的增加，雖然濾波能力增強(qiáng)，但有細(xì)節(jié)損失，而且速度隨著窗口的增大而降低。因此我們選擇窗口時應(yīng)該根據(jù)圖像情況在保持良好濾波的同時盡可能選擇小的窗口。本系統(tǒng)選擇的滑動窗口。中值濾波去除噪聲的原理如圖4-3所示。 (a)原圖 (b)處理后的圖圖4-3 中值濾波處理原理Figure 4-3 The value of the filtering principle圖中數(shù)字代表該處的灰度?？梢钥闯?，在(a)圖中中間的6和周圍的灰度相差很大，是一個噪聲點(diǎn)。經(jīng)過窗口(即水平3個象素取中間值)的中值濾波，得

35、到右圖(b)，可以看出，噪聲點(diǎn)被去除。經(jīng)過仿真試驗(yàn)，如圖4-4是本課題在蘋果圖像采用中值濾波后的圖像，與圖2-2相對照可以看出，中值濾波的效果明顯，消除了原圖中的大量噪聲(掃描線和孤立點(diǎn))，因此對于水果來說采用中值濾波是合理的，滿足研究要求。 圖4-4蘋果圖像的中值濾波Figure 4-4 Median filtering of Apple image4.2.2圖像增強(qiáng)圖像增強(qiáng)主要是為了突出目標(biāo)圖像，增加對比度，使目標(biāo)從背景中分離出來，為特征提取做準(zhǔn)備。根據(jù)處理所進(jìn)行的空間的不同圖像增強(qiáng)可以分為基于圖像域的方法和基于頻域的方法，即空間域法和頻率域法?？臻g域法主要是在空間域上對圖像的像素直接進(jìn)行

36、運(yùn)算處理，即可直接得到增強(qiáng)后的圖像；而頻率域法是將圖像變換到某個空間(例如頻率域)中進(jìn)行運(yùn)算處理，最后將運(yùn)算處理后的結(jié)果再進(jìn)行對應(yīng)變換的反變換得到增強(qiáng)后的圖像?？紤]到系統(tǒng)實(shí)時性要求，本文主要對空域法分析?？沼驁D像增強(qiáng)的常用方法是灰度變換法和直方圖修正法。兩種方法都是通過一定的變換來實(shí)現(xiàn)對比度的增強(qiáng)，因?yàn)橹挥挟?dāng)黑白象素的灰度差異超過一定限度時，人的眼睛才能容易識別。4.2.2.1線性灰度變換從CCD攝像頭得到的圖象，常表現(xiàn)出對比度較差，為此需對圖象中的每一象素的灰度級進(jìn)行標(biāo)度變換，擴(kuò)大圖象灰度范圍，以達(dá)到增強(qiáng)圖象的目的。標(biāo)度輸入圖象的象素點(diǎn)的灰度級為，通過映射函數(shù)映射成輸出圖象的灰度級，即 (4

37、.1) 當(dāng)圖象在成像時曝光量不適當(dāng)或設(shè)備的非線性動態(tài)范圍太窄時，都會產(chǎn)生對比度不足的情況，使圖象中的細(xì)部不夠清晰而影響后續(xù)的識別處理。這時如將圖象灰度線性擴(kuò)展，可以顯著改善圖象的觀察質(zhì)量。 設(shè)原圖象的灰度范圍為，希望變換后的圖象動態(tài)范圍為，則可用下式變換實(shí)現(xiàn)： (4.2) 對于處理中的水果圖象，由于目標(biāo)物體占圖象的大部分面積，因此大部分圖象灰度級為目標(biāo)物體灰度，而小部分為背景灰度，為增強(qiáng)處理效果對上式進(jìn)行改進(jìn)，即： (4.3)利用改進(jìn)后的算法，既可以將灰度級擴(kuò)大，增大圖象對比度達(dá)到增強(qiáng)圖象的目的，又可以濾除部分過亮或過暗的圖象點(diǎn)，達(dá)到改善圖象的視覺效果。4.2.2.2直方圖修正法直方圖表示數(shù)字

38、圖象中每一灰度級的出現(xiàn)頻數(shù)的統(tǒng)計(jì)概念。用橫坐標(biāo)表示灰度級，縱坐標(biāo)表示出現(xiàn)頻數(shù)。直方圖從統(tǒng)計(jì)意義上給出圖象的概括性描述，包括灰度范圍、灰度級分布情況等，為進(jìn)一步處理提供了依據(jù)。設(shè)變量代表要增強(qiáng)圖像中的灰度值，即，經(jīng)歸一化處理后有：代表黑色，代表白色。經(jīng)增強(qiáng)后的灰度級為s，s與r的關(guān)系為。且T滿足：(1)，單調(diào)增加(2)，對于數(shù)字圖像，灰度值是離散量，即。其中是灰度級的數(shù)目。設(shè)為圖像中灰度級的像素?cái)?shù)目，為圖像中像素的總數(shù)。則取變換為： （4.4）在上式變換下，數(shù)字圖像的直方圖成為均勻分布形狀，即直方圖均衡變換。在均衡變換具體視線中，由于灰度級的離散型，增強(qiáng)后的圖像的灰度級不會增加，灰度級只能有共個

39、，但 并不一定能恰好對應(yīng)這個離散值，因而必須對每一個給出一個最接近的值，。這樣就造成不同合并成同一灰度級，即以減小圖像灰度級換取對比度的擴(kuò)大。具體實(shí)現(xiàn)步驟是：(1)求出直方圖。(2)求出變換函數(shù)：。(3)合并。(4)以合并后的增強(qiáng)圖像。圖像增強(qiáng)處理結(jié)果如下圖4-5所示， (a) 線性增強(qiáng)結(jié)果 （b）直方圖均衡變換結(jié)果圖4-5 圖像增強(qiáng)處理Figure 4-5 Image Enhancement Processing4.3 圖像分割4.3.1閾值分割閾值分割是一種區(qū)域分割技術(shù)，對物體和背景對比較強(qiáng)的景物分割特別有用。它計(jì)算簡單，而且能用封閉和連通的邊界定義不交疊的區(qū)域。當(dāng)使用閾值規(guī)則進(jìn)行圖像分割

40、時，所有灰度值大于或等于某閾值的象素歸為一類。所有灰度值小于該閾值的象素為另一類，其中一類為背景，另一類為目標(biāo)。閾值分割可分為二值化分割和半閾值分割兩種情況。本文主要根據(jù)蘋果的特點(diǎn)，主要考慮二值化分割。4.3.1.1圖像二值化圖像二值化是應(yīng)用最為廣泛的圖像分割技術(shù)，在自動識別、圖像分析、文本增強(qiáng)以及.OCR等圖像處理中得到廣泛應(yīng)用。圖像二值化的關(guān)鍵技術(shù)是閾值的選取。在過去的近三十年里，許多的學(xué)者在如何確定圖像的閾值這個問題上做了大量的研究。根據(jù)其對像素的處理方式可以分為兩大類：基于局部的閾值選取方法和基于全局的閾值選取方法?；谌值拈撝颠x取方法比較多經(jīng)典的閾值選取方法以灰度直方圖為處理對象，

41、后來引入了嫡的概念于圖像處理技術(shù)中，提出了許多基于嫡的二值化方法?，F(xiàn)有的二值化的方法很多，灰度直方圖法、微分直方圖法、非等同嫡法、最小模糊度法等。其中灰度直方圖法和微分直方圖法是基于局部的閾值選取方法，基本思想是假設(shè)圖像中的目標(biāo)和背景之間的邊界灰度值急劇變化。從而利用灰度的變化率來決定閾值。這種算法的實(shí)現(xiàn)比較簡單，但是由于這種方法的假設(shè)條件，事實(shí)上有很多圖像不滿足該假條件。因此這種算法很不穩(wěn)定，對于不滿足該假設(shè)條件的圖像二值化效果很差。本課題使用的是改進(jìn)的灰度直方圖法1415。4.3.1.2改進(jìn)的灰度直方圖法灰度直方圖分割又是比較容易計(jì)算的一種方法，利用直方圖對圖像進(jìn)行二值化有一個假設(shè)：圖像由

42、具有單峰物體目標(biāo)和背景兩部分組成，在物體目標(biāo)和背景內(nèi)部的像素灰度是相關(guān)的，但是在物體目標(biāo)和背景相交的邊緣像素的灰度值變化很大。這樣圖像的灰度直方圖有兩個駝峰，且這兩個峰相距足夠遠(yuǎn)，則這類圖像用灰度直方圖分割比較好，但是事實(shí)上很多圖像都沒那么理想的滿足，因此必須針對不同的圖像對這種算法進(jìn)行一定的改進(jìn)。最簡單的利用閾值法分割灰度圖像的的方法的步驟如下。首先設(shè)圖像的灰度分布在和之間，確定一個閾值。然后將圖像的灰度值與閾值進(jìn)行比較，將比較結(jié)果分成兩類：一類大于，另一類小于。即 （4.5）圖4-6是一幅光線調(diào)整相對比較好的蘋果圖像，其直方圖具有明顯的雙峰特性， a.原始圖像 b.灰度直方圖 c.二值化結(jié)

43、果圖圖4-6 具有明顯雙峰的蘋果圖像二值化Figure 4-6 Shuangfeng distinct images of the apple into two values因此，只要選擇合適的閾值，二值化的效果就不錯。從蘋果的灰度直方圖可以看到都有峰值出現(xiàn)，但是有的有多個峰值，有的還有一些小的干擾峰值，而且整個灰度圖毛刺(噪聲)較多。如果在尋找閾值時首先對灰度圖進(jìn)行平滑處理16，然后在進(jìn)行二值化效果會很好。進(jìn)行平滑處理后，還會出現(xiàn)多個峰值，本算法采用求多個峰點(diǎn)的中間點(diǎn)作為閾值點(diǎn)。具體的處理過程如下：(1)灰度圖平滑：在灰度直方圖中，設(shè)橫坐標(biāo)用表示，縱坐標(biāo)用表示。對直方圖進(jìn)行平滑時，的值為與相

44、鄰的的幾個橫坐標(biāo)的縱坐標(biāo)的平均值。用數(shù)學(xué)表示為： （4.6）其中-所取相鄰的坐標(biāo)的個數(shù)；-所要計(jì)算的橫坐標(biāo)；-的新值；-原處的函數(shù)值。直方圖平滑后的圖像特征明顯，峰值和谷點(diǎn)都相對于處理前容易找到。(2)閾值計(jì)算：直方圖經(jīng)過平滑以后，還有很多的峰值和谷點(diǎn)，而并不象假設(shè)的那樣容易的只有一個谷點(diǎn)。為此計(jì)算閾值本文采用求多個峰點(diǎn)的中間點(diǎn)，計(jì)算步驟為：首先在平滑后的直方圖上找出所有的極大點(diǎn)，對求一階導(dǎo)數(shù)和二階導(dǎo)數(shù)可得；然后對所有的求得極大點(diǎn)求平均，平均值就是所要求的閾值。數(shù)學(xué)表示為： （4.7）在閾值計(jì)算時還應(yīng)該考慮到除去小的噪聲干擾，比如圖像中小的峰值和谷點(diǎn)應(yīng)該剔除。利用改進(jìn)的灰度直方圖二值化效果較好

45、，可參見圖4-7。 a.原始圖像 b.直接二值化 c.改進(jìn)二值化圖4-7 二值化效果圖Figure 4-7 The value of design sketch4.3.2邊緣檢測邊緣檢測包括兩個基本內(nèi)容：首先抽取反映灰度變換的邊緣點(diǎn)，而后剔除某些邊界點(diǎn)或填補(bǔ)邊界間斷點(diǎn)，并將這些邊緣連接成完整的線。這些邊界把圖像分成不同的區(qū)域。傳統(tǒng)的邊緣檢測算子有一階微分算子如Sobel算子，梯度算子，Robert算子， Prewitt算子等；二階微分算子如Laplacian算子等17。4.3.2.1 Sobel邊緣檢測算子Sobel提出一種將方向差分運(yùn)算與局部平均相結(jié)合的方法，即Sobel算子。該算子是在以為

46、中心的鄰域上計(jì)算和方向的偏導(dǎo)數(shù)， 即 (4.8)實(shí)際上，上式應(yīng)用了鄰域圖像強(qiáng)度的加權(quán)平均差值。其梯度大小為 (4.9)或取絕對值 (4.10)它的卷積算子為： 由上面兩個卷積算子對圖像運(yùn)算后，代入(4.10)式，可求得圖像的梯度幅度值，然后適當(dāng)選取門限，作如下判斷：如果，則為階躍狀邊緣點(diǎn)，為一個二值圖像，也就是圖像的邊緣圖像。下面所示的兩個卷積核形成了Sobel邊緣檢測算子，圖像中的每個點(diǎn)都用這兩個核做卷積，一個核對通常的垂直邊緣響應(yīng)最大，而另一個對水平邊緣響應(yīng)最大，兩個卷積的最大值作為該點(diǎn)的輸出值。Sboel算子很容易在空間上實(shí)現(xiàn)，Sboel邊緣檢測器不但產(chǎn)生了較好的邊緣檢測效果，同時，因?yàn)?/p>

47、Sobel算子引入了局部平均，使其受噪聲的影響也比較小。當(dāng)使用大的領(lǐng)域時，抗噪聲特性會更好，但這樣做會增加計(jì)算量，并且得到的邊緣也較粗。Sobel算子利用像素點(diǎn)上下、左右相鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一現(xiàn)象進(jìn)行邊緣的檢測。因此Sboel算子對噪聲具有平滑作用，能提供較為精確的邊緣方向信息，但是，這是由于局部平均的影響，它同時也會檢測出許多的偽邊緣，且邊緣定位精度不夠高。當(dāng)對精度要求不是很高時，是一種較為常用的邊緣檢測方法。邊緣檢測后的二值化的效果圖如圖4-8所示： d.邊緣檢測圖 e.直接二值化 f.改進(jìn)二值化圖4-8 邊緣檢測后的二值化效果圖Figure 4-8 The va

48、lue of design sketch after the edge of the inspection4.3.2.2 梯度算子梯度對應(yīng)一階導(dǎo)數(shù)，梯度算子也就對應(yīng)著一階導(dǎo)數(shù)算子18。對于一個連續(xù)的函數(shù)，它在處對應(yīng)的導(dǎo)數(shù)可表示為一個矢量： （4.11）這個矢量的幅度(梯度)和方向可表示為： （4.12） （4.13）以上三個偏導(dǎo)數(shù)都是對每個像素的位置計(jì)算，在實(shí)際中常用小區(qū)域模板的卷積來近似計(jì)算.對和各用一個模板，兩個模板就可以組成一個梯度算子。4.3.2.3 Roberts邊緣檢測算子Roberts邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子。它在鄰域上計(jì)算對角導(dǎo)數(shù)，它由下式給出： （4.

49、14）其中-具有整數(shù)象素坐標(biāo)的輸入函數(shù)；又稱Robert交叉算子。在實(shí)際應(yīng)用中，為了簡化計(jì)算，用梯度函數(shù)的Robert絕對值來近似： (4.15)另外還可以用Robert最大值算子來計(jì)算 (4.16)上式能夠提供較好的不變性邊緣取向。對于同等長度但取向不同的邊緣，應(yīng)用Robert最大值算子比應(yīng)用Rboert交叉算子所得到的合成幅度變化小。Robert邊緣檢測算子的卷積算子為： 由上面兩個卷積算子對圖像運(yùn)算后，代入(4.15)式，可以求得圖像的梯度幅度值，然后適當(dāng)選取門限，作如下判斷：如果，則為階躍狀邊緣點(diǎn)，為一個二值圖像，也就是圖像的邊緣圖像。4.3.2.4 Prewitt算子兩個卷積核形成了

50、Prewitt算子為： 梯度計(jì)算與Sobel算子的方法一樣，圖像中的每個點(diǎn)都用這兩個核進(jìn)行卷積，取最大值作為輸出。Prewitt算子也產(chǎn)生一幅邊緣幅度圖。當(dāng)用兩個卷積算子組成邊緣檢測器時，通常取較大的幅度作為輸出值。這使得它們對邊緣的走向有些敏感。取它們的平方和的開方可以獲得性能更一致的全方位的響應(yīng)。這與真實(shí)的梯度值更接近。另一種方法是，可以將Perwitt算于擴(kuò)展到八個方向，即邊緣樣板算子。這些算子樣板由理想的邊緣子圖像構(gòu)成。依次用邊緣樣板去檢測圖像，與被檢測區(qū)域最為相似的樣板給出最大值。用這個最大值作為算子的輸出值，這樣可將邊緣像素檢測出來。4.3.2.5 Laplacian算子Lapla

51、cian是一種二階導(dǎo)數(shù)算子25，對于一個連續(xù)的函數(shù)，它在位置的拉普拉斯定義如下： （4.17）在數(shù)字圖像中，計(jì)算拉普拉斯的值可以通過計(jì)算各種模板實(shí)現(xiàn)。對模板的基本要求是對應(yīng)中心的系數(shù)必須為正，而對應(yīng)中心像素相鄰系數(shù)為負(fù)，且這些系數(shù)的和為零。拉普拉斯是一種二階導(dǎo)數(shù)算子，因此對噪聲很敏感。而且它產(chǎn)生的邊緣是雙邊的，不能確定邊緣的方向，因此拉普拉斯算子很少用于邊緣檢測，而常常用于已知邊緣像素后，確定邊緣像素的明暗。以下是拉普拉斯算子計(jì)算的常用模板。Laplacian邊緣檢測算子模板為： 4.3.2.6幾種算子的比較以上幾種邊緣檢測算子對蘋果圖像處理的結(jié)果如圖4-9所示。 （a）原始圖像 （b） So

52、bel算子 （c）Robert算子 （d）Prweitt算子（e）Laplacian算子圖4-9 邊緣檢測結(jié)果Figure 4-9 Edge detecting of the test results我們可以得到以下結(jié)論：(1)Robert算子是算子，對具有陡峭的低噪聲圖像響應(yīng)最好。Prewitt算子和Sobel算子都是算子，對灰度漸變和噪聲較多的圖像處理得較好。(2)Prewitt算子和Sobel算子相比較，Sobel算子對于象素的位置的影響做了加權(quán)，因此效果更好。(3)Prewitt算子并不是各向同性的，所以如圖所示，(d)圖中我們看到的邊緣并不是完全連通的，有一定程度的斷開；而使用Rob

53、ert和拉普拉斯算子就不存在這樣的問題。在圖(b)中我們可以看到Sobel算子已存在類似的問題。解決這個問題的方法是把它擴(kuò)展成八個方向的Sobel和Prewitt邊緣算子。由于檢測出的邊緣較粗，必須對檢測出的邊緣進(jìn)行細(xì)化處理，綜上我們可以看出，Sobel算子效果較好，而且運(yùn)算較快。因此本人在對蘋果分級時使用的是Sobel算子進(jìn)行邊緣檢測。4.3.3 圖像細(xì)化及結(jié)果在文字識別、地質(zhì)構(gòu)造識別、工業(yè)零件識別以及圖像理解中常常用到圖像細(xì)化。圖像細(xì)化有利于突出目標(biāo)物體的形狀特征，去掉沒用和重復(fù)的信息。一個圖像的骨架是指圖像中央的骨骼部分，是描述幾何及拓?fù)湫再|(zhì)的重要特征之一。圖像細(xì)化的過程就是求圖像骨架的

54、過程。因?yàn)閳D像在利用邊緣線計(jì)算重心時，應(yīng)該只與邊界點(diǎn)的位置有關(guān)，而與邊緣上每個位置區(qū)域的像素的個數(shù)無關(guān)。如果不細(xì)化，則邊緣線的粗細(xì)將嚴(yán)重影響重心的計(jì)算。采用細(xì)化后，邊緣線都變成單象素線，這就能明顯提高了重心點(diǎn)計(jì)算的精度。骨架是用一個點(diǎn)與一個點(diǎn)集的距離來定義的，用數(shù)學(xué)形式可表示成： （4.18）其中-圖像里的一個點(diǎn)；-圖像的邊界；實(shí)際計(jì)算中都是采用逐次消去邊界點(diǎn)迭代細(xì)化算法。在這個過程中必須滿足三個條件：第一，不消去線段端點(diǎn)，第二，不中斷原來圖像的連通性，第三，不能過多的侵蝕區(qū)域。設(shè)已知圖像的目標(biāo)標(biāo)記為1，背景點(diǎn)標(biāo)記為0。定義邊界點(diǎn)是本身標(biāo)記為1，在邊界點(diǎn)的8連通鄰域內(nèi)至少有一個標(biāo)記為0的點(diǎn)。算

55、法對邊界點(diǎn)進(jìn)行的操作如下：(1)考慮以邊界點(diǎn)為中心的8-鄰域，記中心點(diǎn)為，其鄰域的8個點(diǎn)順時針繞中心點(diǎn)分別記為，其中在的上方，下面所示的是邊緣像素的標(biāo)記方法。首先標(biāo)記同時滿足以下條件的邊界點(diǎn)：其中是的非零鄰點(diǎn)的個數(shù)，是以，為序列的點(diǎn)從0分1變化的次數(shù)。當(dāng)把圖像區(qū)域的所有邊界點(diǎn)標(biāo)記完后，將這些點(diǎn)都除去。(2)和第(1)的算法基本一樣，只是滿足條件的標(biāo)記邊界點(diǎn)為如下：當(dāng)把圖像區(qū)域的所有邊界點(diǎn)標(biāo)記完后，將這些點(diǎn)都除去。但是有的點(diǎn)例外不能刪除，下面列出了不可刪除點(diǎn)的情況。其中a類點(diǎn)的刪除會分割區(qū)域，過度腐蝕。而b類點(diǎn)的刪除是端點(diǎn)，不能刪除，刪除會過多的侵蝕。對于c類點(diǎn)雖然滿足條件，但是刪除也影響圖像的

56、連通性，不能刪。 a類不可去點(diǎn)；b類不可去點(diǎn)；c類不可去點(diǎn)；本課題在計(jì)算圖像的中心時，是通過計(jì)算圖像邊緣的幾何中心來達(dá)到目的。圖4-10是以其中一副蘋果圖像為例，進(jìn)行蘋果自動分級系統(tǒng)的低層信息處理的結(jié)果。其中a.是原圖，b.是中值濾波圖，c.是Sobel邊緣檢測圖，d.圖像二值化結(jié)果圖，e.圖像細(xì)化處理結(jié)果?？梢钥闯?，經(jīng)過一系列的圖像處理后，蘋果的輪廓已經(jīng)很清楚，為計(jì)算機(jī)進(jìn)行大小形狀的分級奠定了基礎(chǔ)。 a.原始圖 b.中值濾波 c.邊緣檢測 d.二值化處理 e.細(xì)化圖4-10 蘋果自動分級系統(tǒng)的低層信息處理結(jié)果Figure 4-10 The lower layer image processi

57、ng results of the apple classify automatically4.4 蘋果的特征提取及識別特征提取方法在蘋果識別中的應(yīng)用。在圖像識別中，對獲取的圖像直接進(jìn)行分類是不現(xiàn)實(shí)的。首先，圖像數(shù)據(jù)占用很大的存儲空間，直接進(jìn)行識別速度很慢。另外，圖像中含有大量與識別無關(guān)的信息，所以通過對圖像進(jìn)行特征提取和選擇，被識別圖像數(shù)據(jù)大大的壓縮了數(shù)據(jù)量，提高了識別速度，減少了存儲空間。特征的選擇很重要，如果提取不合適，很難代表圖像的特征，導(dǎo)致分類精度下降19。蘋果的特征提取見文章4.4節(jié)。良好的特征應(yīng)具有四個特點(diǎn)20。(1)可區(qū)分性。對于屬于不同類別的圖像，它們的特征值應(yīng)具有明顯的差異

58、。(2)可靠性。對于同類的圖像，它們的特征值應(yīng)比較相近。(3)獨(dú)立性。所使用的各個特征之間應(yīng)彼此不相關(guān)。(4)數(shù)量少。圖像識別系統(tǒng)的復(fù)雜性隨著特征的個數(shù)迅速增加，尤為重要的是用來訓(xùn)練分類器和測試結(jié)果的樣本數(shù)量隨著特征的數(shù)量呈指數(shù)關(guān)系增加。4.4.1蘋果大小特征提取本文在對蘋果分級時是按大小來度量的，為了進(jìn)行分級，必須提取反映蘋果大小的特征量19。描述物體大小的特征量比較常用的有面積，線度等。計(jì)算區(qū)域面積就是對屬于物體目標(biāo)區(qū)域的像素進(jìn)行記數(shù)，方法簡單。這種方法必須在物體和背景內(nèi)部比較平滑，能夠清楚的分清物體和背景。受光照影響較小的測量場合比較適用。但是如果不滿足上述條件，效果就不一定好。目視對蘋

59、果大小判斷時，只要能取得蘋果的輪廓(或者其中一部分輪廓)就足以判斷。借助于人眼視覺特征，如果能夠找到一個特征量，即使在輪廓線上有斷缺，也能夠正確反映蘋果大小的量將能帶來很好的識別效果。本設(shè)計(jì)以蘋果的平均半徑作為蘋果大小的特征量。計(jì)算時，首先計(jì)算邊緣輪廓的幾何中心點(diǎn)坐標(biāo),然后計(jì)算出邊緣上各點(diǎn)到中心的距離的平均值，這個平均值就是要求的。設(shè)邊界為，邊界上總的像素個數(shù)為。則中心計(jì)算式： （4.19）盡管各點(diǎn)的坐標(biāo)總數(shù)是整數(shù)，但是中心的計(jì)算公式得出的不是整數(shù)。在邊界和中心距離相對與1很大時，可以將中心計(jì)算值取整作為中心。平均半徑的計(jì)算公式： （4.20）取得蘋果的平均半徑這個特征量后，將這個值代入判別函數(shù)就可以進(jìn)行判斷了。4.4.2蘋果形狀特征提取本文在對蘋果進(jìn)行分等時，是依據(jù)蘋果的形狀特征進(jìn)行。蘋果的形狀好壞對蘋果的銷售有著重要的影響，因此確定其形狀優(yōu)良很有商業(yè)價值。在對蘋果進(jìn)行分等時，首先對圖像細(xì)化后的圖像進(jìn)行去除內(nèi)部斑點(diǎn)的處理；然后再提取形狀特征量。人眼對蘋果形狀的挑剔主要集中在蘋果的圓形度，如果蘋果的圓形度較好，買者很容易選種。另一方面將形狀圓形度近似的蘋果放在同一個框里，買者也容易接受，從有挑剔變?yōu)闊o挑剔。圓形度指標(biāo)的判斷己經(jīng)有很多這方面的討論，它的幅度值反映了被測量物體的復(fù)雜度。最常用的復(fù)雜度指標(biāo)是如下形式：