RGB与HSI颜色空间下番茄图像分割的对比研究

针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。     

基于颜色特征的牧草图像分割方法研究

针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。     

基于机器视觉技术的烟叶分级特征提取

为了满足烟叶快速、准确、自动提取特征的要求,笔者提出了基于机器视觉技术的烟叶分级特征提取的方法。本研究基于MATLAB 2018a软件平台采用迭代阈值法,实现烟叶图像的二值化,利用基于区域生长分割法,剔除烟叶图像的背景、褶皱、叶脉,根据最小外接矩形法,提取出烟叶的长度、宽度、长宽比、矩形度等几何特征;基于HSI和LAB两种颜色空间模型,提取出烟叶的色调H、饱和度S、A通道、B通道等颜色特征。试验结果表明:该方法合理有效,程序设计可靠,应用于其他植物叶片提取特征效果良好,为进一步完善机器视觉烟叶自动分级提供理论基础和技术支持。     

山竹的计算机视觉分级方法

提出了一种基于计算机视觉技术的山竹大小和颜色分级方法.针对以蓝色滚子为背景的山竹图像,在RGB色彩空间使用双阈值对图像进行初步分割;然后通过形态学运算、轮廓跟踪、区域填充提取出整个山竹目标;最后由颜色因子2G-R-B和G识别出果柄、果蒂和果皮.由果柄、果蒂区域形心和果皮区域形心位置判断水果的姿态,提取水果的最大横径作为大小分级指标;在HIS颜色空间以果皮区域的饱和度S和色调H的差值作为颜色分级指标.选取200个山竹进行分级试验,试验结果表明:果径检测精度为±1.8 mm,颜色分级串级果最大比例为10.2%.     

基于背景饱和度压缩与差异阈值分割融合的香蕉串识别

针对卷积神经网络识别香蕉串样本需求量大、训练时间长、硬件配置高,而传统图像处理方法易受光照、背景颜色影响导致识别的香蕉串不完整且噪声点多等问题,提出一种基于图像背景饱和度压缩与差异阈值分割融合的香蕉串识别方法。首先根据饱和度图像中灰度等级的像素比例自适应确定香蕉串区域的高、低饱和度阈值,然后对小于低饱和度阈值的图像背景做伽马变换;对大于高饱和度阈值的图像背景做半值压缩,进而增强香蕉串区域与环境背景的对比度。接着,采用大、小阈值范围分别对饱和度分量与色调分量的差值图像进行分割,并对分割结果进行孔洞填充和连通域提取,将获取的背景噪声与大、小阈值范围的分割结果做差值融合进一步去噪,从而得到噪声点少、准确度较高的香蕉串。试验结果表明,对自然香蕉园环境下采集的图像样本香蕉串识别的准确度高于0.85的占比39.29%,介于0.80～0.85的占比46.43%,低于0.80的占比14.28%。本文方法能较好地适应不同光照和环境颜色下香蕉串的识别。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

无核白葡萄干机器视觉色泽分级研究

采用机器视觉技术,针对新疆无核白葡萄干的颜色特征进行分级研究,提取HIS颜色图像,采用中值滤波法滤波,采用最大类间方差法分割图像,采用形态学开运算去除二值图像中的伪目标区域,获得最佳二值图像。同时,分析色调灰度直方图和颜色矩均值直方图,确定采用H、S、I分量颜色的一阶矩、二阶矩、三阶矩作为特征值建立BP神经网络的色泽分级模型,分级准确率最高为96.42%。     

基于色调分形维数的柑橘糖度和有效酸度检

研究了宫川温州蜜柑糖度及有效酸度的机器视觉检测技术及影响检测精度的因素.对机器视觉系统采集的柑橘图像进行图像裁切、亮度法去图像背景和RGB空间至HSI空间的转换,将柑橘色调范围分割为0°～20°、20°～40°、40°～60°、60°～80°、80°～100°和100°～120°共6个区域,提取各区域色调分形维数,以此作为BP神经网络输入,无损检测宫川温州蜜柑糖度及有效酸度.167个测试样本的检测结果表明:在±1.5°Brix精度范围内糖度正确识别率为66.6175%,在±0.5精度范围内有效酸度正确识别率为73.9275%.宫川温州蜜柑糖度及有效酸度与果皮色调分形维数之间具有相关性,可用机器视觉检测其糖度及有效酸度.     

基于M-LP特征加权聚类的果树冠层图像分割方法

针对背景和杂草干扰下的果树图像冠层提取问题,提出了一种基于M-SP特征加权聚类的冠层分割算法。首先,将采集的原始图像由RGB颜色空间转换到HSI颜色空间,计算果树与背景区域在H、S分量上的马氏距离,构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗;其次,提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗,在HSI空间内的I分量上,利用最大熵算法提取图像的阴影区域,并进行掩膜处理,将获取的阴影区域作为空间特征的加权区域L,从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P;最后,对获取的M-LP特征矩阵进行归一化处理,分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类,最终完成图像分割。为验证算法的有效性,在采集的果树图像上进行了分割试验,结果表明,基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价,选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像,分别以传统K-means和GMM聚类算法作为对比进行试验,结果表明,相对于未经过特征提取的普通聚类分割方法,本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性,平均精确率为87.1%,平均召回率为87.7%,平均F1值为87.1%。分割和验证结果表明,在进行有效图像特征提取的基础上,结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。     

基于YUV颜色模型的番茄收获机器人图像分割方法

在研究番茄收获机器人对目标图像分割识别时,经常由于采集的图像受光照影响以及分割识别算法的计算复杂性而影响到识别的准确性和实时性.通过比较RGB、HSI、YUV等颜色模型的特点,从理论上分析了YUV颜色模型应用于收获机器人视觉系统的可行性,提出了一种基于YUV颜色模型的成熟番茄分割方法.同时综合实验及经验确定了成熟的红色番茄在RGB、HSI、YUV颜色模型中阈值范围,采用直接确定色差阈值的双阈值分割算法识别成熟番茄,并对3种颜色模型在不同的光照条件下的分割识别效果进行实验对比.实验结果证实,将基于YUV颜色模型成熟番茄分割方法应用于番茄收获机器人视觉识别系统,能很好地解决其鲁棒性和实时性问题.     

自然环境下桃子图像分割算法

成熟果实的识别是果蔬采摘机器人视觉系统的关键问题,要解决该问题,首先需要进行有效的图像分割.从复杂背景中分离果实一直是该领域的一个难题.为此,针对自然环境下的桃子图像进行了图像分割方法的研究.利用2R-G-B和L*a*b*的a*分量以及HSI的H分量分别对彩色图像进行了3种方法的灰度化处理,然后采用大津法对灰度图像进行了二值化处理,对二值化图像采用匹配去噪与匹配膨胀相结合的方法,去除了复杂背景噪声.试验表明,所提出的桃子分割方法具有很好的分割效果.     

水果品质机器视觉检测中的图像颜色变换模型

在水果品质的机器视觉检测过程中，水果形状导致的图像颜色失真直接影响最终的检测和分级结果。本文在6个位置分别采集了3种大小、19种不同表面颜色的标准实验球体的图像。在分析球体的大小、表面颜色和图像采集位置等因素对球体图像颜色的亮度、色调和饱和度的影响后发现，球体图像的颜色失真主要是颜色的亮度失真。建立了摄像视区中心球体图像的亮度校正模型，该模型的相关系数R^2为0．846。采用该模型在Matlab软件平台上构建了柑桔图像的颜色校正算法，实验结果表明，该颜色校正模型和算法是有效和可靠的。     

基于机器视觉的番茄采摘器红外图谱识别研究

为了实现番茄分类自动化采摘,基于机器视觉和红外图谱技术设计了识别系统。基于可见光分析,分离番茄图像,对RGB和HSI通道强度进行分析,发现色调H可以有效区分除半熟和成熟阶段的番茄成熟度;引入红外图谱分析,采集810nm番茄图谱,发现灰度在半熟和成熟阶段区别明显。因此,建立半熟和成熟阶段区分模型,并以G、R、H、NIR强度以及4个因素标准方差为系统输入,基于色调H处理番茄图像,采用聚类算法计算番茄中心和半径。对成熟度判定与番茄半径精度进行测试,结果表明:成熟度分类准确率在94.8%以上,半径相对误差小于6%。     

荔枝采摘机械手视觉定位系统设计

建立了基于双目立体视觉的荔枝采摘机械手视觉定位系统.通过对成熟荔枝颜色特征的分析,选取YCbCr颜色模型进行处理,利用Otsu算法结合模糊C均值聚类法(FCM)对荔枝果实和果梗进行了分割,实验结果表明:有效识别果实和果梗的正确率为94.2％.通过计算果实质心与果梗的距离最大值确定荔枝采摘点,利用基于色调空间的彩色图像匹配法和极限约束法进行果梗采摘点的立体匹配,实现了采摘点的空间定位.通过定位误差分析,采用直线插值法进行定位误差补偿,定位实验结果表明:定位的深度误差小于10 mm,能满足荔枝机械手视觉精确定位的要求.     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

类球形水果表皮颜色变化校正方法研究

针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。     

面向番茄植株相近色目标识别的多波段图像融合方法

针对温室番茄智能化管理需要，研究茎秆、叶片和绿果等3类相近色目标的多波段图像融合方法，以凸显目标与背景亮度差异，提高目标视觉识别效率。根据其各自在300~1000 nm范围的反射光谱特征差异，建立了针对其光谱数据分类的Lasso正则化逻辑回归模型。基于模型的稀疏解特征，确定具有较大权值系数的450、600和900 nm等3个波段作为最优成像波段，在此基础上构建了温室番茄植株多波段图像在线采集系统。结合最优成像波段下相近色目标图像特征分析，提出了基于NSGA-II的多波段图像加权融合方法，以增强特定目标与近色背景物体的图像亮度差异。最后通过现场试验对多波段图像融合效果进行评估。结果表明，分别以茎秆、叶片和绿果器官作为识别目标，通过多波段图像融合处理后，目标与背景之间的图像灰度差异绝对差值相应达到单波段图像的2.02、8.63和7.89倍，即被识别目标与其他近色背景的亮度差异显著增强，且背景物的亮度波动得到抑制。本研究结果可以为农业环境近色目标视觉识别相关研究提供参考。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.