基于机器视觉图像的多目标提取识别

基于机器视觉图像的多目标提取识别

作者：时君伟胡敏英任振辉

来源：《湖北农业科学》2012年第15期

摘要：为了实现农作物图像多目标的准确识别，提出了四连通或八连通的连通域判别法。利用ＭＡＴＬＡＢ的数值计算、图形处理和可视化建模以及动态仿真等功能，对黄瓜植株花朵图像预处理，去除干扰目标，对目标处理结果进行整合，进而得到多目标处理结果。结果表明该方法依据图像信息即可有效地实现多目标的分离和识别。

关键词：机器视觉；多目标；ＭＡＴＬＡＢ仿真；提取识别

中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：0439－８114（２０12）15－3342-03

ＲｅｃｏｇｎｉｔｉｏｎａｎｄＥｘｔｒａｃｔｉｏｎｏｆＭｕｌｔｉｐｌｅＴａｒｇｅｔｓＢａｓｅｄｏｎＭａｃｈｉｎｅＶｉｓｉｏｎＩｍａｇｅ

ＳＨＩＪｕｎ－ｗｅｉ，ＨＵＭｉｎ－ｙｉｎｇ，ＲＥＮＺｈｅｎ－ｈｕｉ

（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙｏｆＨｅｂｅｉ，Ｂａｏｄｉｎｇ０７１００１，Ｈｅｂｅｉ，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅｄｉｓｃｒｉｍｉｎａｎｃｅｏｆ４－ｃｏｎｎｅｃｔｅｄor ８－ｃｏｎｎｅｃｔｅｄｄｏｍａｉｎｗａｓｐｒｅｓｅｎｔｅｄｔｏｒｅａｌｉｚｅ a ｃｃｕｒａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅｔａｒｇｅｔｃｒｏｐｉｍａｇｅｓ．ＵｓｉｎｇＭＡＴＬＡＢｆｕｎｃｔｉｏｎｓ，ｓｕｃｈａｓｎｕｍｅｒｉｃａｌｃｏｍｐｕｔａｔｉｏｎ，ｇｒａｐｈｉｃｐｒｏｃｅｓｓｉｎｇ，ｖｉｓｕａｌｍｏｄｅｌｉｎｇａｎｄｄｙｎａｍｉｃｓｉｍｕｌａｔｉｏｎ，ｔｈｅｉｍａｇｅs ｏｆｃｕｃｕｍｂｅｒｆｌｏｗｅｒｓｗｅｒｅｐｒｅｐｒｏｃｅｓｓｅｄａｎｄｔｈｅｊａｍｍｉｎｇｉｍａｇｅｓｗｅｒｅｒｅｍｏｖｅｄ，ａｎｄｔｈｅｎｓｉｎｇｌｅｉｍａｇｅｓｗｅｒｅｉｎｔｅｇｒａｔｅd ｔｏｏｂｔａｉｎｔｈｅｍｕｌｔｉｐｌｅｉｍａｇｅｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗed ｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｃｏｕｌｄｓｅｐａｒａｔｉｏｎａｎｄｒｅｃｏｇｎｉｚａｔｉｏｎｏｆｔｈｅｍｕｌｔｉｐｌｅｏｂｊｅｃｔｓｅｆｆｅｃｔｉｖｅｌｙｗｉｔｈｍａｃｈｉｎｅｖｉｓｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｖｉｓｉｏｎ；ｍｕｌｔｉｐｌｅｔａｒｇｅｔ；ＭＡＴＬＡＢｓｉｍｕｌａｔｉｏｎ；ｅｘｔｒａｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ

长期以来，农作物果实的采摘、部分作物花朵的授粉以及农药喷洒都是通过人工来完成的，但在一些高湿、高温、有毒的环境中，不适于人工的长期作业［１］。因此自动采摘果实与代替人工授粉的智能机械需要非常突出，而这种智能机械必须基于机器视觉，它作为智能化农业机械系统的信息输入端，担负着对信息的采集、处理与输入任务，必须能够通过对采集图像的信息处理，提取出准确目标的图像信息并加以识别，能够分别确定所需目标、噪声目标和假目标，且进一步分析其在整体图像中的位置，最终使机器（计算机）依据这些信息能够准确地实行下一步操作［２，３］。

１单目标的提取识别

对单个图像目标的处理，采用了以颜色为优势特征的提取算法。算法针对目标与背景颜色的明显差异，将图像转化为灰度图像，利用从ＲＧＢ到ＨＳＶ的转换公式：

Ｈ＝ｃｏｓ－１［■］

（其中R≠B或G≠B）

Ｓ＝１－■［min（R，G，B）］

Ｖ＝■

对调整后的灰度图像分别计算其Ｒ、Ｇ、Ｂ分量值和Ｈ、Ｓ、Ｖ分量值，将目标特征突显化。通过对各分量图像的对比，选取目标突显最为明显的Ｒ、Ｇ和Ｖ分量灰度图像。采用迭代法求出最佳阈值，再利用ＭＡＴＬＡＢ语言求出图像的全局阈值［４］，得到全局阈值分割图像，利用该阈值对各图像分别进行阈值分割，并运用二值形态学方法对图像进行膨胀和腐蚀处理，以完全分离花朵目标。

２多目标的提取识别

２．１多目标的分离

单个目标的提取识别处理过程相对简单，但实际应用中往往存在一幅图像中出现多个目标的情况，因此必须进行多目标的分离，使其能够按照单个目标提取识别方法进行处理，而且要去除噪声目标和小目标（假目标或非需要目标），然后再对单个目标处理结果进行整合，并输出为多个目标的处理结果。

图１为待处理图像，图中有两个目标（框①所示），并有一个假目标（框②所示）和若干噪声目标。

依照单目标的提取识别，首先对原始图像调整灰度值并进行R分量显示,通过迭代法求最佳阈值，即：

第一步，求出图像中的最小和最大灰度值及阈值初值；

第二步，根据阈值Ｔ将图像分割成目标和背景两部分，求出两部分的平均灰度值。其中Ｚ（ｉ，ｊ）是图像上（ｉ，ｊ）点的灰度值，Ｎ（ｉ，ｊ）是（ｉ，ｊ）点的权重系数，Ｎ（ｉ，ｊ）取（ｉ，ｊ）点灰度的概率；

第三步，求出新的阈值；

第四步，若阈值分割结果使目标亮点相对集中则结束，此Ｔ即为最佳阈值，否则ｋ＋１→ｋ转第二步。

再通过最佳阈值选取最后对目标灰度图像进行阈值分割和二值形态学操作处理，得到图2目标结果。

2.2 多目标中假目标的去除

经过阈值分割和二值形态学操作处理后，目标图像中的斑点噪声已被滤除，因此在后面的操作中只要对假目标进行处理即可。该算法采用了连通域处理法，对图像中的真假目标一同做连通域标定。

连通域分四连通或八连通。四连通是说一个像素，如果像素的位置在其他像素相邻的上、下、左或右，则认为它们是连接着的，连通的；在左上角、左下角、右上角或右下角连接，则认为它们不连通。而八连通是指，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着，则认为它们是连通的。

算法中提出以目标图像中最大连通域作为真实目标的基准，大于此连通域30%的目标连通域作为真实目标保留以进行下一步识别处理，而对于不足30%基准连通域的则认定为假目标而滤除。处理后的结果如图3。

原图中的假目标(③所示)和噪声目标(②所示)均已被滤除，而所需目标图像(①所示)得以保留，且目标轮廓未受影响，目标效果良好。

该步处理MATLAB实现的部分代码如下：

[L,n] = bwlabel(R5,8);

n1=0;n2=0;n3=0;n4=0;n5=0;n6=0;n7=0;n8=0;n9=0;

for u=1:size(L,1)

for v=1:size(L,2)