温室生西红柿自动识别方法技术

本发明专利技术提供了一种温室生西红柿自动识别方法，包括：步骤1：以廉价相机拍摄的西红柿彩色图像作为单源图像输入，在L*a*b*颜色空间下的a*分量图像和YIQ颜色空间下的I分量图像作为待融合的源图像；步骤2：通过小波变换将两幅特征图像进行像素级融合，根据所融合图像的灰度分布情况，采用一种自适应阈值分割算法获得图像分割的最佳阈值；步骤3：将目标果实从背景图像中区分开来。本发明专利技术中的方法可以有效降低光照变化对西红柿识别的干扰影响；同时也能够实现对相互粘连的成熟不一的西红柿进行识别，具有较高的可靠性和自适应性，是一种非常实用并且“廉价”的西红柿采摘机器人视觉解决方案。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体地，涉及一种利用图像处理实现温室环境下 生长西红柿自动识别方法。
技术介绍
近年来随着自动化技术的发展，农业机器人开始成为农业现代化的重要标志。果 蔬采摘机器人以其技术的复杂性和综合性成为了农业机器人研究的热点，国内外研究者在 这个领域开展了一系列研究工作，其中一个难点是自然生长环境下目标果实的自动识别问 题。 果蔬采摘机器人在自然环境下对目标果实的自动识别其实就是采用机器视觉的 方法，将成熟的果实影像从其它背景图像中分离出来。在以往的研究中，通常将相机采集到 的彩色图像通过颜色空间变换，从单一的分量图像对目标果实进行特征识别。David C. Slaughter等提出了通过利用彩色图像的色度(chrominance)和亮度（intensity)信息从 自然环境中分离果实的想法；中国农业大学的张铁中分别在L*a*b*、HSV和YCbCr等颜色空 间下开展了系列针对西红柿图像目标果实提取的研究工作，并取得了较为理想的图像分割 效果。 在本专利技术之前，专利号为CN103679144. A，专利技术名称为:一种基于计算机视觉的复 杂环境下果蔬识别方法，公开了通过采用自适应加权方法对图像的颜色特征和纹理特征进 行加权融合，最后采用最近邻分类算法将果蔬识别出来。但是这些方法的自适应性和鲁棒 性都不高，而且所采用的纹理特征提取复杂不利于对实时要求高的应用场合。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种。 根据本专利技术提供的，包括如下步骤： 步骤1:采集温室中RGB格式的西红柿彩色图像；步骤2:对RGB格式的西红柿彩色图像进行多颜色空间的特征图像提取； 步骤3:将步骤2提取的特征图像分量进行融合，得到融合后的图像； 步骤4:计算分割阈值，根据所述分割阈值对融合后的图像进行分割，得到分割后 的图像； 步骤5:对分割后的图像进行去噪处理，得到识别结果图像。 优选地，所述步骤2包括： 步骤2.1:将RGB格式的西红柿彩色图像从RGB颜色空间转换为XYZ颜色空间； 步骤2.2:将XYZ颜色空间转换为L*a*b*颜色空间； 步骤2.3:从L*a*b*颜色空间中提取a*分量特征图像；步骤2.4: RGB格式的西红柿彩色图像从RGB颜色空间转换为YIQ颜色空间，转换公 式如下： 式中：R表不图像的红色分量、G表不图像的绿色分量、B表不图像的蓝色分量;Y表 示图像的颜色明视度，I表示从橙色到青色的变化，Q表示从紫色到黄绿色的变化；步骤2.5:从ΥΙQ颜色空间中提取I分量特征图像。优选地，所述步骤3包括：步骤3.1:将a*分量特征图像和I分量特征图像进行小波分解，分解级数为三级，得 到两个特征图像的小波系数，分别记为系数C1、系数C2; 步骤3.2:确定融合策略，求取小波融合系数； 步骤3.3:按照融合策略进行图像融合，得到多尺度图像； 步骤3.4:将多尺度图像进行小波反变换，得到融合后的图像。 优选地，所述步骤3.2包括:在小波融合策略中，融合系数为C，C= (1-d) X Cl+d X C2，其中Cl、C2为a*分量特征图像和I分量特征图像三级小波分解所得系数，d = Xmax-Xmin，d 的取值范围为，Xmax和Xmin分别为最大数据矩阵Lmax中的最大和最小值;Lmax表示a*分 量图像和I分量图像中较大的矩阵。 优选地，所述步骤4包括： 步骤4.1:设融合后的图像大小为MXN，T表示图像上任意像素点（i，j)的灰度值， 计算该图像中最大和最小的灰度值T max和Tmin，则某一次分割阈值的计算公式如下： Tk=(Tmax+Tmin)/2,此时 k为自然数； 式中：Tk表示第k次计算得到的分割阈值，Μ表示融合后图像的像素矩阵的行数，N 表示融合后图像的像素矩阵的列数； 步骤4.2:根据阈值Tk将融合后的图像分割成Α、Β两个区域，分别求取两个区域的 平均灰度值Τα和Τ Β，计算更新的阈值Tk+1，计算公式如下： Tk+i = (TA+TB)/2； 步骤4.3:判断Tk+1的值是否等于Tk，若两个值相等，取Tk+1的值作为门限阈值T m;若 两个值不相等，则令Tk等于Tk+1的值执行步骤4.2;步骤4.4:利用Otsu法自动获取图像分割阈值Τη; 步骤4.5:当Tm 2 Τη时，令图像分割的阈值Tf = Τη;当Tm<Tn时，则令分割阈值Tf = Tm； 步骤4.6:对融合后的图像进行分割处理，处理方式如公式(2)所示：式中：f(i，j)表示第i行第j列的像素值，i表示图像的第i行，j表示图像的第j列。 优选地，所述步骤5包括:采用形态学处理的方法构建30X30像素面积的掩膜，通 过将分割后的图像中联通区域的像素面积与掩膜面积进行比较，若联通区域面积小于等于 掩膜面积则被认为是噪声，并该联通区域剔除;若联通区域面积大于掩膜面积，则将该联通 区域保留在图像中。 与现有技术相比，本专利技术具有如下的有益效果： 1、本专利技术提供的可以有效降低光照变化对西红柿识 别的干扰影响；同时也能够实现对相互粘连的成熟不一的西红柿进行识别。 2、本专利技术提供的具有较高的可靠性和自适应性，是一 种非常实用并且"廉价"的西红柿采摘机器人视觉解决方案。【附图说明】通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、 目的和优点将会变得更明显：图1为本专利技术提供的流程图；图2为本专利技术提供的特征图像融合流程图； 图3为本专利技术提供的识别方法的效果图； l_a*分量图像； 2-1分量图像； 3-融合图像； 4-分割后图像； 5-西红柿识别结果图像。【具体实施方式】下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术 人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术 的保护范围。根据本专利技术提供的，以西红柿彩色图像作为单源图像 输入，通过多种颜色空间转换，优选了 a*分量图像和I分量图像作为待融合的源图像，研究 多颜色空间特征图像的融合策略和自适应阈值分割算法，实现对目标果实的自动分割方 法。 L*a*b*颜色空间是由色度和亮度组成的3维空间颜色模型，它适用于一切光源色 或物体色的表示与计算。其中L*分量表示心理明度，a*分量表示图像中颜色从红色到绿色 的颜色分布信息，b*分量表示图像中颜色从黄色到蓝色的分布情况。因为a*和b*分量独立 于亮度，所以光照强度的变化不会改变图像中a*、b*分量图像。 YIQ颜色空间是由RGB颜色空间中R、G、B三种分量经过线线性变换得到的，具体转 化公式如下： 式中R、G、B--RGB颜色空间中R、G、B分量 Y、I、Q--YIQ颜色空间中的三个分量，其中Y表示颜色明视度、I代表从橙色到青 色的变化、Q表示从紫色到黄绿色的变化。 图像融合是指将针对同一目标或场景且来源不同的多张图像经过特殊的算法融 合为一幅图像，以增强其某一特征信息。当前常用的图像融合的方法主要是基于多尺度图 像分析的方法，其中小波变换是比较经典的图像融合方法。本专利技术即采用小波变换的融合 方法，将所提取的a*分量图像和I分量图像进行像素级融合，使得目标本文档来自技高网...

【技术保护点】
一种温室生西红柿自动识别方法，其特征在于，包括如下步骤：步骤1：采集温室中RGB格式的西红柿彩色图像；步骤2：对RGB格式的西红柿彩色图像进行多颜色空间的特征图像提取；步骤3：将步骤2提取的特征图像分量进行融合，得到融合后的图像；步骤4：计算分割阈值，根据所述分割阈值对融合后的图像进行分割，得到分割后的图像；步骤5：对分割后的图像进行去噪处理，得到识别结果图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘成良，赵源深，贡亮，黄亦翔，周斌，张经纬，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31