苹果特征提取

ａ 原始图片
ｂ 灰度图片
ｃ 二值图片
图 １ 求苹果面积过程中的图像变换
２ 缺陷检测
对于苹果表面的缺陷（ 如疤瘌、黑斑等），本课题采用特 征提取，即提取出坏损部位的轮廓，再进行填充求其面积，以 其面积在图片中的比例作为判别依据。首先，对采集的原始图 片（ 即彩色图片）进行灰度变换；接着用函数 ｉｍａｄｊｕｓｔ 来调 整灰度；对灰度图片进行一次中值滤波后，再对图片进行边缘 检测；这时坏损的轮廓已经出现，但还有一些噪声存在，为滤 掉噪声，要先对坏损的轮廓填充，采用 ＢＷｆｉｌｌ＝ｉｍｆｉｌｌ（ＢＷ， ＇ｈｏｌｅｓ＇）语句，使缺陷部位的像素点为白色；其次是经过滤 波，把噪声滤掉求缺陷的像素个数 ａ， 与图片总的像素个数 （ｘ＊ｙ）的比 ｂ 就是我们判断的依据，本程序设 ｂ＝０。 程序流程：读入图像→ 灰度化图像→直方图调整→中值滤波 →边缘检测 → 缺陷判定
ｆｐｒｉｎｔｆ（＇ 有果梗 ＇）； ｅｎｄ
ｄ 边缘检测
ｅ 轮廓填充
ｆ 滤波
图 ２ 检测苹果表面坏损过程中的图像变换
３ 果梗检测
对苹果梗的检测，主要是通过对苹果的轮廓线矩阵求差
分实现的。利用图像处理技术对苹果的彩色图片进行灰度转
换，经滤波后再边缘检测，提取出苹果的轮廓线，利用 ｉｍｃｏｎ－
ｔｏｕｒ 函数可以得出轮廓线的矩阵，再用 ｄｉｆｆ 函数对矩阵进
ｆｉｇ ｕ ｒｅ ， ｓ ｕ ｂ ｐ ｌｏｔ （ １， ４， １） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ） ；
ｓ ｕ ｂ ｐ ｌｏｔ （ １， ４， ２） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ２） ；
ｓ ｕ ｂ ｐ ｌｏｔ （ １， ４， ３） ， ｉｍ ｓ ｈ ｏｗ（ Ｂ６） ；
ｓ ｕ ｂ ｐ ｌｏｔ （ １， ４， ４） ， ｉｍ ｓ ｈ ｏｗ（ ＢＷ） ；
ｆｉｇｕｒｅ，［Ｃ，ｈ］＝ ｉｍｃｏｎｔｏｕｒ（ＢＷ）；
ａ＝ ｄｉｆｆ（Ｃ）；
［ｘ，ｙ］＝ ｓｉｚｅ（ａ）；
ｓｕｍ＝ ０；
ｆｏｒ ｉ＝ １：ｘ
ｆｏｒ ｊ＝ １：ｙ
ａ 原始图片 ｂ 灰度图片 ｃ 滤波后的图片 ｄ 边缘检测
ｅ 数据轮廓线 图 ３ 检测果梗过程中的图像变换
４ 结论
通过在 Ｍａｔｌａｂ 上实验分析，应用这些特征加以判断对水 果进行分级，解决了苹果自动分级视觉信息处理中亟待进一 步完善的问题— ——果梗判别，与此同时还能进行边缘检测，算 法简单易行，再加上算法本身既适合于并行处理，又适合于硬 件电路实现， 为苹果自动分级系统的真正实施打下了坚实的 基础。 参考文献
Ｉ＝ ｉｍｒｅａｄ（＇ 图片名．ｊｐｇ＇）；
Ｉ２＝ ｒｇｂ２ｇｒａｙ（Ｉ）；
Ｂ＝ ｍｅｄｆｉｌｔ２（Ｉ２）；
Ｂ２＝ ｍｅｄｆｉｌｔ２（Ｂ）；
Ｂ３＝ ｍｅｄｆｉｌｔ２（Ｂ２）；
Ｂ４＝ ｍｅｄｆｉｌｔ２（Ｂ３）；
Ｂ５＝ ｍｅｄｆｉｌｔ２（Ｂ４）；
Ｂ６＝ ｍｅｄｆｉｌｔ２（Ｂ５）；
ＢＷ＝ ｅｄｇｅ（Ｂ６，＇ｓｏｂｅｌ＇，０．１）；
１ 大小检测
对于苹果大小的检测，主要依靠求出的苹果面积作为判 别依据。本课题所采用的苹果图片都只是单个苹果的图片。首 先对图片进行灰度处理，使用的 ＭＡＴＬＡＢ 函数是 ｒｇｂ２ｇｒａｙ；其 次使用函数 ｉｍ２ｂｗ 把灰度图转换为二值图，阈值则取 ０．９，从 而使苹果区域为黑色，其余区域为白色；然后对二值图取反， 使黑白颜色区域颠倒，这时的苹果区域为白色；最后利用函数 ｂｗａｒｅａ 可以计算白色区域的像素点的个数 ｔｏｔａｌ。利用 ｔｏ－ ｔａｌ 与整幅图片的像素值（ ｘ＊ｙ）之比，再与图片的面积相乘， 便可得出苹果相对图片的面积． 利用这个面积我们可以进行 筛选． 程序流程：读入图像 → 灰度化图像 → 二值化图像 → 计 算面积
５ Ｔａｏ Ｙ， Ｍｏｒｒｏｗ ＣＴ， Ｈｅｉｎｅ ｍａｎ ｎ Ｐ． Ｆｏｕｒｉｅｒ－ｂａｓｅｄ ｓｅｐａｒａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｆｏｒ ｓｈａｐｅ ｇｒａｄｉｎｇ ｏｆ ｐｏｔａｔｏｅｓ ｕｓｉｎｇ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ． Ｔｒａｎｓａｃ－ ｔｉｏｎ ｏｆ ＡＳＥＡ，１９９５，３８（３）：９４９～９５７
经验与交流
计算机与信息技术
· ７９ ·
苹果的特征检测与 ＭＡＴＬＡＢ实现
王术兰 徐晓辉 胡慧
（ 河北工业大学信息工程学院 天津 ３００１３０）
摘 要 本文选取了可用于苹果分级的部分特征， 并在 Ｍａｔ ｌ ａｂ 上进行试验检测。该方法可以对苹果的外部缺陷、果梗、尺
寸和形状进行全面的检测， 在此基础上可对苹果进行高速和精确的分级。
Ｉ＝ ｉｍｒｅａｄ（＇ 图片名．ｊｐｇ＇）； Ｉ２＝ ｒｇｂ２ｇｒａｙ（Ｉ）； Ｊ＝ ｉｍａｄｊｕｓｔ（Ｉ２，［０．１ ０．３］，［］）； Ｂ＝ ｍｅｄｆｉｌｔ２（Ｊ）； ＢＷ＝ ｅｄｇｅ（Ｂ，＇ｓｏｂｅｌ＇，０．１）； ＢＷｆｉｌｌ＝ ｉｍｆｉｌｌ（ＢＷ，＇ｈｏｌｅｓ＇）； ＢＷｆｉｌｔ＝ ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｌ）； ＢＷｆｉｌｔ２＝ ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ）； ＢＷｆｉｌｔ３＝ ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ２）； ＢＷｆｉｌｔ４＝ ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ３）； ＢＷｆｉｌｔ５＝ ｍｅｄｆｉｌｔ２（ＢＷｆｉｌｔ４）； ｆｉｇ ｕ ｒｅ ， ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， １） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ２） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ２） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ３） ， ｉｍ ｓ ｈ ｏｗ（ Ｊ） ； ｆｉｇ ｕ ｒｅ ， ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， １） ， ｉｍ ｓ ｈ ｏｗ（ ＢＷ） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ２） ， ｉｍ ｓ ｈ ｏｗ（ ＢＷｆｉｌｌ） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ３） ， ｉｍ ｓ ｈ ｏｗ（ ＢＷｆｉｌｔ ５） ； ａ＝ ｂｗａｒｅａ（ＢＷｆｉｌｔ５）； ［ｘ，ｙ］＝ ｓｉｚｅ（Ｉ）； ｂ＝ ａ／ （ｘ＊ｙ）； ｉｆ （ｂ＞ ０）
行差分，把这些差分值累加，于是得到一个 ｓｕｍ 值。这个值就
是我们判断果梗有无的依据。当有果梗时 ｓｕｍ 会在 ０ 到 －５．
００００ｅ５（估测值）之间，而无果梗的 ｓｕｍ 值是正值，本程序大概
定于 ８０００ 以上。
程序流程：读入图像 → 灰度化图像 →滤波及边缘检测 →
提取轮廓线 →参数Leabharlann Baidu取→ 果梗判断
ｆｐｒｉｎｔｆ（＇ 有缺陷 ＇）； ｅ ｌｓ ｅ
· ８０ ·
ｆｐｒｉｎｔｆ（＇ 无缺陷 ＇）； ｅｎｄ
ａ 原始图片
ｂ 灰度图片
计算机与信息技术
经验与交流
ｃ 灰度变换
ｓｕｍ＝ ｓｕｍ＋ ａ（ｉ，ｊ）； ｅｎｄ ｅｎｄ ｉｆ （ｓｕｍ＞ ８０００｜ ｜ ｓｕｍ＜ －５．００００ｅ＋ ００５）
ｆｐｒｉｎｔｆ（＇ 无果梗 ＇）； ｅ ｌｓ ｅ
１ Ｔａｏ Ｙ， ＣｈａｎｃｅＬ， ＢａｏｒｅｎＬ ．ＦｕｌｌＳｃａｌｅ Ｆｒｕｉｔ Ｖｉｓｉｏｎ Ｓｏｒｔｉｎｇ Ｓｙｓｔｅｍ Ｄｅｓｉｇｎ－Ｆａｃｔｏｒｓ ａｎｄ Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ［Ａ］． Ｐｒｏｃｅｅｄｉｎｇ ｓｏｆｔ ｔｈｅ ＦＰＡＣ Ｃｏｎ－ ｆｅｒｅｎｃｅ［Ｃ］． Ｃｈｉｃａｇｏ， Ｉｌｌｉｎｏｉｓ．１９９５．１４－２２
Ｉ＝ ｉｍｒｅａｄ（＇ 图片名．ｊｐｇ＇）； Ｉ２＝ ｒｇｂ２ｇｒａｙ（Ｉ）； ＢＷ＝ ｉｍ２ｂｗ（Ｉ２，０．９）； ｔｏｔａｌ＝ ｂｗａｒｅａ（￣ ＢＷ） ｆｉｇ ｕ ｒｅ ， ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， １） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ２） ， ｉｍ ｓ ｈ ｏｗ（ Ｉ２） ； ｓ ｕ ｂ ｐ ｌｏｔ （ １， ３， ３） ， ｉｍ ｓ ｈ ｏｗ（ ＢＷ） ； 如图 １ 所示：
关键词 分级； 缺陷； 果梗
０ 引言
近年来， 国外在利用计算机视觉技术进行水果品质检测 方面做了大量研究，并获得了许多重要成果；在我国也有许多 研究报导，但到目前为止都处于试验阶段，而且分析方法距实 际应用还有一段距离。特别是在缺陷检测方面，目前采用的方 法处理速度很慢， 在实际在线工作时无法使用。国外学者 （ＣｈｅｎｇＸ 等）在识别缺陷时获得成功，但需要同时使用近红外 和中红外摄像设备，这 ２ 种设备造价之昂贵，使得该方法的应 用受到限制，无法在农业分级设备中广泛应用。因此，研究适 合于生产的分级检测方法有重要意义。
２ 田捷， 沙飞， 张新生编著． 实用图像分析与处理技术． 北京： 电 子工业出版社， １９９５． １２７～１２９
３ 宁素俭， 李强， 杨文志． 计算机视觉轮廓的获取及其尺寸测 量． 农业机械学报， １９９６， ２７（ ２） ： ４４～４９
４ Ｗｅｎ Ｚ， Ｔａｏ Ｙ． Ｄｕａｌ－ｃａｍｅｒａ ＮＩＲ／ＭＩＲ ｉｍａｇｉｎｇ ｆｏｒ ｓｔｅｍ－ｅｎｄ／ｃａ－ ｌｙｘ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎ ａｐｐｌｅ ｄｅｆｅｃｔ ｓｏｒｔｉｎｇ． Ｔｒａｎｓａｃｔｉｏｎ ｏｆ ＡＳＡＥ， ２０００， ４３ （２）： ４４６－４５２