matlab⽔果定位与分割,⼀种基于MATLAB图像处理荔枝果实 本发明属于果园采摘领域，特别涉及⼀种基于MATLAB图像分析的荔枝果园采摘的决策⽅法。
荔枝采摘机因其具有提⾼采摘效率、减轻⼈⼯劳动强度以及节省荔枝收获成本等优点⽇益成为农业⼯程领域的研究热点。然⽽，在荔枝采摘过程中，机器⼈的视觉系统多结合于机械⼿采摘，基本没有对区域性采摘的研究。为此，本⽂以双⽬⽴体视觉、机器学习、聚类分析等理论⽅法为基础，深⼊研究⾮结构环境下荔枝果实的识别定位与采摘决策的⽅法。并对多类不同⽣长形态荔枝的识别与定位运⽤软件仿真与硬件试验，意在为荔枝采摘的双⽬视觉系统提供对⾮结构环境鲁棒的⽔果识别与定位⽅法，从⽽精确地指导机器⼈完成⽔果采摘作业。
技术实现要素：
本发明的主要⽬的在于克服现有技术的缺点与不⾜，提供⼀种基于MATLAB图像处理荔枝果实采摘区域划分⽅法，以双⽬⽴体视觉、机器学习、聚类分析等理论⽅法为基础，深⼊研究⾮结构环境下荔枝果实的识别定位与采摘决策的⽅法。
为了达到上述⽬的，本发明采⽤以下技术⽅案：
⼀种基于MATLAB图像处理荔枝果实采摘区域划分⽅法，包括下述步骤：
S1、采集荔枝树冠的树冠图像；
S2、对采集到的树冠图像进⾏去噪声预处理，具体为：
S2.1、原始⽔果图像在RGB颜⾊空间⾥，被分解成R、G、B三个颜⾊图像，每个颜⾊图像都为⼆维图像；
S2.2、每个颜⾊图像利⽤⼆维塔式分解算法被分解成低频和⾼频部分，然后利⽤直⽅图均值化和对⽐度提升分别处理低频部分和⾼频部分；
S2.3、对处理后的低频和⾼频部分利⽤塔式重构算法合并成⼆维图像，分别完成三个颜⾊图像的光照均值化处理；
S2.4、对光照均值化处理后的三个颜⾊图像，在RGB颜⾊空间合并成⾊彩图像，完成⽔果彩⾊图像的预处理；
S3、通过果实与⾮果实的局部⼆值模式LBP特征训练的AdaBoost分类器对疑似果实区域和⾮果实区域进⾏错误检测，在合并检测结果后完成荔枝果实的识别；
S4、荔枝边缘提取并边缘化，完成定位提取图像中荔枝坐标；
S5、得到荔枝的坐标信息之后使⽤K-means聚类⽅法对该区域进⾏聚类分析，分类之后对每⼀块的划分区域质⼼作为采摘位置的中⼼点。
作为优选的技术⽅案，步骤S1中，使⽤⼯业相机对荔枝树冠进⾏采摘拍摄得到树冠图像。
作为优选的技术⽅案，步骤S2.2中，所述⼆维塔式分解算法具体为：
其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是⾼通滤波器和低通滤波器，cj是⼀个⼆维信号，和cj+1分别是垂直⾼频部分，⽔平⾼频部分，对⾓⾼频部分和低频部分。
作为优选的技术⽅案，步骤S2.3中，进⾏光照均值化处理的按照下述公式进⾏：
其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是⾼通滤波器和低通滤波器，c'j+1(k,l)为直⽅图均值化后的图像低频部分，分别是对⽐度提升后的垂直⾼频部分，⽔平⾼频部分，对⾓⾼频部分；c'j(x,y)则是光照均值化后的⼆维图像。
作为优选的技术⽅案，步骤S3包括训练阶段具体为：
S3.1、N幅⽔果光照均值化图像被随机地选取，⽤以⼈为地选取⽔果区域和⾮⽔果区域，
S3.2、选定⽔果区域和⾮⽔果区域图⽚的数量M张，图⽚⼤⼩均为设定像素；
S3.3、将⽔果区域和⾮⽔果区域的LBP特征计算出来；
S3.4、利⽤AdaBoost构造分类器并进⾏训练。
作为优选的技术⽅案，步骤S3中，进⾏检测的具体步骤为：
S3.5、疑似⽔果果实的区域被⽤CHT⽅法提取，从⽽将整幅图像被分成两部分，即包含CHT检测圆的图像和不包含CHT检测圆的图像；
S3.6、CHT检测圆图像⽤训练阶段的分类器来确定是否为⽔果区域；
S3.7、⽤⼀个10×10的⼩窗⼝扫描整幅不含CHT检测结果的图像，⽤以搜索被枝叶、果实遮挡的⼩区域的⽔果果实⽬标；
S3.8、两部分的结果合并，得到最终的识别结果。
作为优选的技术⽅案，步骤S4具体为：
将两相机平⾏共线放置，两个相机光⼼所确定的平⾯以及两个相机的成像平⾯分别平⾏共⾯，两相机只是在x轴⽅向有移动量，即b，b也称为基线，空间点A与两个相机的光⼼连线分别交成像平⾯于点al
和ar，该空间成像图映射在⼆维平⾯以后，根据三⾓形相似理论可以得出A 点的三维坐标有如下关系：
其中，f为焦距，u0、v1、v0和ay是相机内部参数，Cl与Cr分别表⽰左右相机，Ol与Or则分别是两个相机的光⼼。
作为优选的技术⽅案，步骤S5中，使⽤K-means聚类⽅法对该区域进⾏聚类分析具体为：
在得到树冠上荔枝果实的坐标之后，随机选取k个聚类质⼼点为，μ1，μ2，…，μk∈Rn，重复下⾯过程直到收敛
{对于每⼀个样例i，计算其应该属于的类
对于每⼀个类j，重新计算该类的质⼼
K是设定的聚类数，c(i)代表样例i与k个类中距离最近的那个类，c(i)的值是1到k中的⼀个，质⼼μj代表对属于同⼀个类的样本中⼼点的猜测，⾸先随机选取k个树冠中的点，作为k个区域的质⼼，然后第⼀步对于每⼀个荔枝坐标计算其到k个质⼼中每⼀个的距离，然后选取距离最近的那个点作为c(i)，这样经过第⼀步每⼀个荔枝坐标都有了所属的区域；第⼆步对于每⼀个区域，重新计算它的质⼼μj，重复迭代第⼀步和第⼆步直到质⼼不变或者变化很⼩。
本发明与现有技术相⽐，具有如下优点和有益效果：
本发明提出的提出⼀种基于机器视觉的采摘视觉系统，应⽤计算机对⽬标物进⾏图像采集、预处理、分割、相关特征提取等的技术称为机器视觉技术。以双⽬⽴体视觉、机器学习、聚类分析等理论⽅法为基础，深⼊研究⾮结构环境下荔枝果实的识别定位与采摘决策的⽅法。并对多类不同⽣长形态荔枝的识别与定位运⽤软件仿真与硬件试验，意在为荔枝采摘的双⽬视觉系统提供对⾮结构环境鲁棒的⽔果识别与定位⽅法，从⽽精确地指导机器⼈完成⽔果采摘作业。
附图说明
图1是本发明基于MATLAB图像处理荔枝果实采摘区域划分⽅法流程图。
图2是本发明对荔枝树冠图像进⾏识别的流程图。
图3是本发明完成定位提取图像中荔枝坐标的原理图。
具体实施⽅式
下⾯结合实施例及附图对本发明作进⼀步详细的描述，但本发明的实施⽅式不限于此。
实施例
如图1所⽰，本实施例基于MATLAB图像处理荔枝果实采摘区域划分⽅法，具体包括下述步骤：
(⼀)采集荔枝树冠的树冠图像；
使⽤图像采集设备⼯业相机对荔枝树冠进⾏采摘拍摄得到树冠图像。
(⼆)对采集到的树冠图像进⾏去噪声预处理，具体为：
Step 1：原始⽔果图像在RGB颜⾊空间⾥，被分解成R、G、B三个颜⾊图像，每个颜⾊图像都为⼆维图像；
Step 2：接下来，每个颜⾊图像利⽤⼆维塔式分解算法被分解成低频和⾼频部分，然后利⽤直⽅图均值化和对⽐度提升分别处理低频部分和⾼频部分；
机器视觉定位
Step 3：对处理后的低频和⾼频部分利⽤塔式重构算法合并成⼆维图像，分别完成三个颜⾊图像的光照均值化处理；
Step 4：对光照均值化处理后的三个颜⾊图像，在RGB颜⾊空间合并成⾊彩图像，完成⽔果彩⾊图像的预处理。
⼆维塔式分解算法
Stephane Mallat在1988年提出了Mallat快速算法，即塔式分解、重构算法。如下式：
其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是⾼通滤波器和低通滤波器。cj是⼀个⼆维信号。和cj+1分别是垂直⾼频部分，⽔平⾼频部分，对⾓⾼频部分和低频部分。这就是塔式⼆维信号离散分解算法。
进⾏光照均值化处理的按照下述公式进⾏：
其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是⾼通滤波器和低通滤波器，c'j+1(k,l)为直⽅图均值化后的图像低频部分，分别是对⽐度提升后的垂直⾼频部分，⽔平⾼频部分，对⾓⾼频部分；c'j(x,y)则是光照均值化后的⼆维图像。
(三)果实的识别
如图2所⽰，提出⽔果识别模型的识别步骤包含训练阶段和测试阶段。在训练阶段，24幅⽔果光照均值化图像被随机地选取，⽤以⼈为地选取⽔果区域和⾮⽔果区域。从⽽，这些区域的LBP特征能被计算出来。⽔果区域和⾮⽔果区域的数量分别是200张，它们的⼤⼩均为
24×24像素。在测试阶段的步骤1环节中，疑似⽔果果实的区域被⽤CHT⽅法提取。从⽽，整幅图像被分成两部分，即包含CHT检测圆的图像和不包含CHT检测圆的图像。在步骤2中，CHT检测圆⽤训练
阶段的分类器来确定是否为⽔果区域。在步骤3环节中，⽤⼀个10×10的⼩窗⼝扫描整幅不含CHT检测结果的图像，⽤以搜索被枝叶、果实遮挡的⼩区域的⽔果果实⽬标。最后，将两部分的结果合并，得到最终的识别结果。
(四)、荔枝边缘提取并边缘化，完成定位提取图像中荔枝坐标，
如图3所⽰，Cl与Cr分别表⽰左右相机，Ol与Or则分别是两个相机的光⼼。由于两相机平⾏共线放置，所以两个相机光⼼所确定的平⾯(平⾯xlOlyl与平⾯xrOryr)以及两个相机的成像平⾯(平⾯ulOlvl与平⾯urOrvr)分别平⾏共⾯，只是在x轴⽅向有移动量，即b，b也称为基线。空间点A与两个相机的光⼼连线分别交成像平⾯于点al和ar。该空间成像图映射在⼆维平⾯以后，根据三⾓形相似理论可以得出A点的三维坐标有如下关系：
其中，f为焦距，u0、v1、v0和ay是相机内部参数。
(五)确定作业位置；
确定果实个点作业位置使⽤K-means聚类法对已标注的荔枝进⾏区域划分，分好类之后选取每⼀类的质⼼作为采摘的作业点。
使⽤K-means聚类⽅法对该区域进⾏聚类分析具体为：
在得到树冠上荔枝果实的坐标之后，随机选取k个聚类质⼼点为，μ1，μ2，…，μk∈Rn，重复下⾯过程直到收敛
{对于每⼀个样例i，计算其应该属于的类
对于每⼀个类j，重新计算该类的质⼼
K是设定的聚类数，c(i)代表样例i与k个类中距离最近的那个类，c(i)的值是1到k中的⼀个，质⼼μj代表对属于同⼀个类的样本中⼼点的猜测，⾸先随机选取k个树冠中的点，作为k个区域的质⼼，然后第⼀步对于每⼀个荔枝坐标计算其到k个质⼼中每⼀个的距离，然后选取距离最近的那个点作为c(i)，这样经过第⼀步每⼀个荔枝坐标都有了所属的区域；第⼆步对于每⼀个区域，重新计算它的质⼼μj，重复迭代第⼀步和第⼆步直到质⼼不变或者变化很⼩。
上述实施例为本发明较佳的实施⽅式，但本发明的实施⽅式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换⽅式，都包含在本发明的保护范围之内。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议