本发明专利技术公开了一种基于图像运算的黄精分级方法，属于计算机视觉技术领域，其具体步骤包括调整参数、采集图像、将调整后图像的RGB三通道图像转为灰度单通道图像；调整图像亮度与对比度、使用自适应中值滤波去除调整后图像的椒盐噪声、对图像进行分割，将目标和背景区分开来、对图像进行面积滤波，去除白色噪点和标记图像的连通区域，进行面积比例计算，得出目标图像真实面积，根据真实面积数据进行分级。本发明专利技术通过对图片的处理，提高了黄精在加工分选过程中的精度和时间，提高了黄精分级的自动化水平，降低人力成本，对黄精的加工与处理意义重大。
【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于图像运算的黄精分级方法。
技术介绍
1、黄精是一种重要的中药材，具有多种药用价值和保健作用。它不仅含有黄精皂苷、黄精酸、黄精多糖等多种营养成分，还能提供人体所必需的多种氨基酸，对肝炎、糖尿病、高血压等疾病有一定的治疗作用。极大的供销市场给黄精类产品质量安全带来巨大挑战，研究黄精在加工处理过程中质量控制信息识别关键技术十分重要。
2、在传统的黄精分级方法中，通常需要依靠人工进行目测或使用简单的物理测量工具来判断黄精的质量等级。这种方法存在主观性、不一致性和低效性的问题，且对操作人员的经验和技能要求较高。计算机视觉技术在农产品生产加工上的应用解决了此类问题，它可以通过对黄精图像进行处理和分析，实现对黄精的自动化分级，从而提高分级的准确性和效率。
3、目前有许多规则状农产品如苹果、脐橙、西红柿等的分级方法较为成熟，而对于黄精这种无规则产品的分级方法仍存在一些挑战和局限性。例如，对于复杂的黄精图像，目标边界的图像处理可能受到光照、阴影、噪声等因素的干扰，导致分类结果不准确。因此，有必要对图像预处理和图像分割方法进行改进，提高图像分割准确性和稳定性，解决边缘分割不清晰、分类判别不准确等突出问题。
技术实现思路
1、本专利技术基于图像处理，为了解决黄精这种非规则的农作物都分级问题，提供一种通过图像准确给黄精分级方法。通过对图像预处理和分割方法进行调整优化，根据分割结果建立分级标准，进而提高黄精在生产加工过程中的分级精度和效率。</p>2、所述黄精分级方法包括如下步骤：
3、步骤1：选取标识物体，固定光照条件、相机感光度、对焦距离参数，采集图像对图像的参数调整统一，并将调整后图像的rgb三通道图像转为灰度单通道图像；
4、步骤2：对图像像素值进行归一化，将灰度图像的像素值归一化到[0,1]的范围内，对归一化后的像素值进行伽马变换，将灰度图像的亮度分布进行非线性调整，增大图像各区域对比度以区分目标与背景，最后，对图像像素值进行反归一化，将经过伽马变换后的像素值重新映射到[0,255]范围内，获得黄精点和阴影点数据；
5、步骤3：使用自适应中值滤波去除调整后图像的椒盐噪声；
6、步骤4：对图像进行分割，将目标和背景区分开来；
7、步骤5：对图像进行面积滤波，去除白色噪点；
8、步骤6：标记图像的连通区域，进行面积比例计算，得出目标图像真实面积，根据真实面积数据进行分级。
9、其中，所述光照条件采用内径25cm、色温5500k、冷白光的led圆形灯，所述相机感光度为iso＝50～200，所述相机的焦距为27～35mm。
10、其中，所述rgb三通道图像转为灰度单通道图像的计算公式如下：
11、g＝0.2989*r+0.5870*g+0.1140*b。
12、其中，所述对图像像素值进行归一化的计算公式如下：
13、
14、其中，gn为归一化后各像素点的像素值，gmax为灰度图像中的最大像素值。
15、其中，所述对归一化后的像素值进行伽马变换，将灰度图像的亮度分布进行非线性调整，增大图像各区域对比度以区分目标与背景的计算公式如下：
16、
17、其中，g1为伽马变换后的像素值，γ为伽马值，范围为1.1～1.2。
18、其中，所述对图像像素值进行反归一化，将经过伽马变换后的像素值重新映射到[0,255]范围内，公式如下：
19、gd＝g1*g1max
20、其中，g1max为伽马变换后图像的最大像素值。
21、其中，所述自适应中值滤波去除调整后图像的椒盐噪声的具体方法为：
22、定义初始滤波器大小sxy为3×3，最大尺寸smax为5×5，窗口增大步幅为1，使用滤波器遍历图像的每个像素，经过a和b两个步骤完成滤波；
23、步骤a：
24、(1)a1＝zmed-zmin a2＝zmed-zmax；
25、(2)如果a1＞0且a2＜0，则跳转到step b，否则增大窗口尺寸；
26、(3)如果增大后的尺寸≤smax，则重复step a，否则直接输出zmed；
27、步骤b：
28、(1)b1＝zxy-zmin b2＝zxy-zmax；
29、(2)如果b1＞0且b2＜0，则输出zxy，否则输出zmed；
30、其中sxy为滤波器的作用区域，滤波器窗口所覆盖的区域，该区域中心店为图像中第x列第y行个像素点；zmin、zmed、zmax分别代表sxy中最小、中值、最大灰度值；zxy为图像中(x,y)像素点的灰度值。
31、其中，所述对图像进行分割，将目标和背景区分开来的方法如下：
32、(1)利用sobel算子来估计图像像素点在水平和垂直方向上的梯度幅值，计算公式如下：
33、gx＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
34、gy＝[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
35、
36、其中gx和gy分别代表经横向和纵向边缘检测的图像灰度值，f(x,y)为图像(x,y)点的灰度值，g代表图像像素点的梯度幅值；
37、(2)搜寻目标边缘梯度幅值，选取梯度幅值大小tmin为230作为阈值，根据tmin筛选图像边界像素，创建二值图像，其中边界像素值为1，其他像素值为0；
38、(3)结合边界图像和去噪后图像，形成新的具有边界增强后的灰度图像；
39、(4)计算增强后图像背景像素占比ω1和平均灰度值μ1，目标像素占比ω2和平均灰度值μ2，计算公式如下：
40、
41、
42、μ＝μ1*ω1+μ2*ω2
43、
44、
45、其中，pi为灰度级别为i的像素数量，n1、n2分别代表背景像素数及目标像素数，h与w为图像分辨率大小，μ(t)为阈值t处的灰度平均值，μ为0到m灰度区间的灰度累计值；
46、(5)计算类间方差δ，计算公式为：
47、δ＝ω1*(μ-μ1)2+ω2*(μ-μ2)2＝ω1*ω2*(μ1-μ2)2
48、(6)遍历m+1个灰度级，寻找目标与背景的最大类间方差δmax，并将此时阈值作为分割图像的最佳阈值t，并将灰度图像分割为二值图像，公式如下：
49、
50、其中，所述对图像进行面积滤波，去除白色噪点的方法如下：
51、统计标注连通域，逐像素遍历两次图像，对每个非零像素进行分析贴签，第一次遍历时从左上方开本文档来自技高网
...
【技术保护点】
1.一种基于图像运算的黄精分级方法，其特征在于，所述黄精分级方法包括如下步骤：
2.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述光照条件采用内径25cm、色温5500K、冷白光的LED圆形灯，所述相机感光度为ISO＝50～200，所述相机的焦距为27～35mm。
3.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述RGB三通道图像转为灰度单通道图像的计算公式如下：
4.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对图像像素值进行归一化的计算公式如下：
5.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对归一化后的像素值进行伽马变换，将灰度图像的亮度分布进行非线性调整，增大图像各区域对比度以区分目标与背景的计算公式如下：
6.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对图像像素值进行反归一化，将经过伽马变换后的像素值重新映射到[0,255]范围内，公式如下：
7.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述自适应中值滤波去除调整后图像的椒盐噪声的具体方法为：
8.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对图像进行分割，将目标和背景区分开来的方法如下：
9.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对图像进行面积滤波，去除白色噪点的方法如下：
...
【技术特征摘要】
1.一种基于图像运算的黄精分级方法，其特征在于，所述黄精分级方法包括如下步骤：
2.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述光照条件采用内径25cm、色温5500k、冷白光的led圆形灯，所述相机感光度为iso＝50～200，所述相机的焦距为27～35mm。
3.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述rgb三通道图像转为灰度单通道图像的计算公式如下：
4.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对图像像素值进行归一化的计算公式如下：
5.根据权利要求1所述的基于图像运算的黄精分级方法，其特征在于，所述对归一化后的像素值进行伽马变...
【专利技术属性】
技术研发人员：谢明书，董晓虎，陈浩杰，柴陈星，凌训延，李一骏，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。