基于計算機視覺的數(shù)字圖像處理方法研究
——以梨果檢測分級為例

牛 犇，張棲瑞

（金陵科技學(xué)院電子信息工程學(xué)院 江蘇 南京 211169）

1 引言

梨具有豐富的營養(yǎng)、特殊的功效，在我國水果進出口量上也常年位居前列。然而，不同品種具有不同的大小尺寸、外皮顏色，由于質(zhì)量檢測分級技術(shù)落后或分級標準不當(dāng)，導(dǎo)致其品質(zhì)差異不明顯，從而定價模糊混亂，影響了我國農(nóng)產(chǎn)品貿(mào)易的發(fā)展。定義水果果形、果重、果面缺陷等品質(zhì)的標準，是分級的核心[1-3]。嚴格進行分級能夠有效保證在流通市場前水果的品質(zhì)，減少缺陷果產(chǎn)生的浪費[4-5]。因此，基于計算機視覺技術(shù)的梨果檢測分級系統(tǒng)，具有較高的技術(shù)價值和研究意義。本文通過判斷果形、缺陷及其外觀特征等實現(xiàn)檢測分級。

2 圖像采集及預(yù)處理

2.1 圖像采集

在對梨果圖像進行采集時，選擇合適的拍攝背景和環(huán)境，且所有待檢測目標的背景一致，有利于后續(xù)對圖像進行處理。在光源的設(shè)計上，經(jīng)過反復(fù)的測試和對比，實驗選用了固定25cm光源垂直照射，盡可能減少光線反射和陰影影響，背景選用白色背景，提高了采集圖像的對比度。

2.2 圖像預(yù)處理

在圖像采集過程中，成像過程往往會由于外界條件的不穩(wěn)定而產(chǎn)生一些不可控制的干擾因素，通常表現(xiàn)為噪聲形式，從而影響后續(xù)特征提取及檢測分級的準確度，因此需要對采集的圖像進行去噪處理。本文采用中值濾波法對圖像進行濾波處理，所得到的圖像與原始圖像基本一致，沒有出現(xiàn)較大的失真情況，且邊緣清晰可見。通過觀察表面外觀，發(fā)現(xiàn)其外觀顏色能夠體現(xiàn)出本身的成熟度，另一方面，也可通過色澤區(qū)分出表面缺陷區(qū)域的部分。因此，可以將背景進行去除，僅保留前景部分。將采集的圖像由RGB空間轉(zhuǎn)換到HSV空間，在S分量直方圖中，能夠觀察到明顯的峰值，且兩個波峰之間的下降區(qū)域明顯，波谷非常突出，S分量在HSV顏色空間里表示飽和度，符合實驗所使用的白色拍攝背景和黃色目標在肉眼識別中產(chǎn)生色差區(qū)別的特征，所以針對S分量對圖像進行全局閾值分割，可以得到較好的背景去除效果，如圖1所示。

圖1 圖像去噪及背景去除

3 特征提取

梨果的尺寸、形狀和顏色等表面特征，通常會因為自身質(zhì)量的差異和光照、環(huán)境等外部因素影響存在很大差異。因此，在進行檢測分級時，特征是檢測分級至關(guān)重要的依據(jù)和標準。對進行預(yù)處理后的圖像進行特征提取，主要包括周長、面積、形狀、缺陷等。

3.1 周長

圖2 邊緣提取

周長是指目標整個區(qū)域環(huán)繞邊緣的長度，也就是一周的長度。如圖2所示的邊緣圖像，在提取到外觀輪廓的基礎(chǔ)上，計算邊界上所有像素點之和，得到周長，如式1所示：

3.2 面積

面積是指目標圖像所占空間的大小，如圖3所示的去除背景后的二值化圖像。在得到去除背景的二值化圖像的中，前景部分被突出為白色，背景為黑色。要得到前景部分的所有像素點，也就是對邊界內(nèi)全部像素點求和，即計算的數(shù)目，再和面積產(chǎn)生對應(yīng)的映射關(guān)系，如式2所示。

圖3 面積提取

3.3 形狀

已知在面積一定時，周長和圓形度成反比。在已知周長和面積的基礎(chǔ)上，可以計算圓形度。半徑和周長的關(guān)系如式3所示。

半徑和面積的關(guān)系如式4所示。

由于實際目標的形狀并不是一個標準圓形，所以式（3）和式（4）中所得到的半徑并不相等，可以使用兩組半徑比值的平方和來衡量圓形度，結(jié)果越接近1，表明該形狀越接近標準圓形。由此推導(dǎo)出來的圓形度如式（5）所示。

3.4 缺陷

缺陷檢測是從表面正常區(qū)域中分割出有差異的部分。觀察已去除背景的目標圖像的顏色特性，使用多個存在表面缺陷的目標圖像進行測試獲得分割閾值。遍歷灰度圖全部像素點，當(dāng)像素點小于閾值時，把該點的像素值賦值為255，即白色，反之賦值為0，即黑色，從而得到表面缺陷部分為白色的圖像，如圖4所示。

圖4 表面缺陷區(qū)域提取

4 分級系統(tǒng)設(shè)計

本文從圓形度和果面缺陷等兩個方面進行檢測分級，設(shè)計了一個基于計算機視覺的梨果檢測分級系統(tǒng)。根據(jù)《梨外觀等級標準》的分類依據(jù)，本文將形狀按照標準分為端正、比較端正、不端正三類[6]。由于不同等級在形狀上也存在差異，因此判斷形狀等級尤為重要。在實驗過程中，使用圓形度對形狀進行描述。實驗采用了四種不同等級，每種等級30張圖像進行處理，統(tǒng)計圓形度和形狀等級的映射關(guān)系。

根據(jù)統(tǒng)計結(jié)果可以看出，四種不同等級的圓形度存在著差異，但也存在重復(fù)覆蓋的數(shù)值范圍，圓形度在這四類中的區(qū)分并不明顯。根據(jù)《梨外觀等級標準》的規(guī)定，特等的形狀為端正，一等的形狀存在端正和比較端正兩種，二等則存在端正、比較端正和不端正三種，另外，外果則四種形狀都可能存在，需要結(jié)合表面的缺陷特征作出最終判斷。

對所采集的圖像進行三十次重復(fù)實驗，根據(jù)實驗數(shù)據(jù)，可以確定具體的圓形度和形狀所對應(yīng)的映射關(guān)系：形狀端正對應(yīng)的圓形度一般在0.940以上，形狀比較端正對應(yīng)的圓形度一般在0.940到0.932之間，除此之外，形狀不端正對應(yīng)的圓形度一般在0.932以下。

根據(jù)《梨外觀等級標準》的分類依據(jù)，本實驗將表面缺陷按照標準分為特等、一等、二等以及外果四類。具體的缺陷分級以缺陷的數(shù)目和面積作為判定依據(jù)進行分級處理。不超過一處且每處面積小于0.5cm2為特等，不超過兩處且每處面積小于1.0cm2為一等，不超過三處且每處面積小于2.0cm2為二等，除此之外不進入標準評級，定義為外果。

5 實驗結(jié)果與分析

通過對30幅圖像進行檢測分級實驗，表明本文所設(shè)計的基于計算機視覺的梨果檢測分級系統(tǒng)能夠?qū)?、缺陷等進行綜合判斷，達到較高的檢測分級精度，如圖5所示。

圖5 檢測分級結(jié)果

為了進一步驗證該檢測分級系統(tǒng)的魯棒性，對采集的圖像添加噪聲，重復(fù)以上步驟。試驗結(jié)果表明，含噪圖像圓形度發(fā)生了變化，呈增長趨勢，含高斯噪聲的圖像圓形度增幅較小，為0.00801；含椒鹽噪聲的圖像圓形度增幅較大，為0.00931。兩組含噪圖像處理在圓形度計算均出現(xiàn)了變化，但數(shù)值變化幅度在0.01以內(nèi)，所以對形狀仍然能夠準確識別。從實驗結(jié)果可以看出，本文所提出的基于計算機視覺的梨果檢測分級系統(tǒng)對于含噪圖像也能夠較好地完成背景去除和缺陷識別，最終的檢測等級判定幾乎不受噪聲影響。

6 結(jié)語

本文研究設(shè)計了一種基于計算機視覺的梨果檢測分級系統(tǒng)，針對HSV顏色空間中的S分量對采集的圖像進行分割處理，去除背景，融合了果形、缺陷等特征，可以達到準確的檢測分級結(jié)果。在圖像含有噪聲干擾的情況下，本系統(tǒng)也能夠正常識別果形和缺陷，實現(xiàn)對等級的正確判定。