基于MATLAB 的馬鈴薯圖像特征提取

許傳悅 彭世英 楊金鳳 賀光旭 紀(jì)朝鳳 邸國輝*

（黑龍江八一農(nóng)墾大學(xué)電氣與信息學(xué)院，黑龍江 大慶163319）

1 概述

當(dāng)前我國大多數(shù)的馬鈴薯分級方法還停留在傳送帶與重力傳感器結(jié)合的半人工或全人工狀態(tài)，將馬鈴薯質(zhì)量檢測從人工分揀階段提升至機(jī)器自動識別篩選將大大提升馬鈴薯的效益產(chǎn)出率，在很大程度的降低人工因長時間工作致使視覺疲勞而造成的分揀及識別誤差，并且可以大大提高馬鈴薯品質(zhì)分級的工作效率，一套完整的可替代人工分揀的馬鈴薯質(zhì)量檢測系統(tǒng)將大幅提升馬鈴薯的商品性，創(chuàng)造出更大的經(jīng)濟(jì)效益。

2 去除目標(biāo)背景

對一幅具有紅、綠、藍(lán)三色通道的完整彩色圖像進(jìn)行處理時通常需要對這三條通道進(jìn)行逐一運(yùn)算，數(shù)據(jù)量大必然耗費大量時間，而灰度處理即利用256 個灰度級來表示這三種顏色在同一圖像中所占的比重，處理后的圖像通常具有mxn 個像素值，可用一個二維矩陣表示，不僅壓縮運(yùn)算數(shù)據(jù)，且利于進(jìn)一步處理。

而二值化也就是對同一圖像不同灰度值進(jìn)行合理閾值呈現(xiàn)明顯黑白效果，將大于此閾值的像素點用255 表示，即為目標(biāo)物體，小于此閾值的像素點用0 表示，即為目標(biāo)背景，但不同品種或質(zhì)量的馬鈴薯表皮顏色存在較大差別，故一幅馬鈴薯灰度圖的灰度值變化規(guī)律不明顯，二值化處理過程中若直接采用自動閾值法效果較差，難以達(dá)到運(yùn)算要求，故在進(jìn)行二值化處理過程中應(yīng)觀察不同種類、不同質(zhì)量馬鈴薯的灰度值分布，自行選取合適閾值，盡可能實現(xiàn)目標(biāo)與背景的完整分割，如圖1-2 所示。

由于二值化過程中，目標(biāo)物體像素被賦值為255，背景像素被賦值為0，為利用二值化處理后圖像與原彩色圖像進(jìn)行乘法運(yùn)算的方法去除目標(biāo)背景，并真實還原目標(biāo)物體，需將得到的二值圖像像素矩陣進(jìn)行歸一化處理，即使所有像素值均為0 或1，得到一標(biāo)準(zhǔn)的二維矩陣，盡管人為閾值的二值化馬鈴薯圖像仍存在少量噪聲點，導(dǎo)致背景分離過程中原始像素丟失，無法精準(zhǔn)還原目標(biāo)物體，應(yīng)進(jìn)行去躁處理，matlab 環(huán)境下有三種較傳統(tǒng)的的去躁方法：均值濾波法、中值濾波、開閉運(yùn)算，由于圖像中的噪聲點數(shù)量少且較小，圖像邊緣較平滑，故本文直接采用先腐蝕后膨脹的開運(yùn)算對圖像進(jìn)行形態(tài)學(xué)處理，刪除不能包含結(jié)構(gòu)元素的對象區(qū)域，實現(xiàn)圖像去噪。

圖1 馬鈴薯原圖

圖2 二值化后馬鈴薯圖

3 特征提取

特征提取是計算機(jī)機(jī)器視覺處理中一種較常用的方法，它是指利用計算機(jī)處理提取像素信息，確定每個像素點是否屬于一個圖像特征，特征提取的結(jié)果往往是將圖像上的點分為不同的子集，而這些子集可能是離散的點、連續(xù)的曲線或聯(lián)通的區(qū)域，不同質(zhì)量馬鈴薯之間具有較明顯的顏色、紋理及形狀特征，如綠皮、霉變、腐爛的果實表皮顏色較健康果實應(yīng)存在較大差別，收割過程中也難免因人為或機(jī)器磕碰等外界因素對馬鈴薯表皮產(chǎn)生劃痕，或因磕碰、蟲蝕、畸形等因素產(chǎn)生可明顯區(qū)分的紋理及形狀特征，因此可對去背景處理后的不同質(zhì)量的馬鈴薯圖像進(jìn)行特征分類提取分析，進(jìn)而判別出果實的質(zhì)量好壞。

3.1 顏色特征提取

一幅完整的彩色圖像中的任何色彩均由RGB 三色元素組成，RGB 的所謂多少指代亮度，并由0 到255 之間的整數(shù)來表示，在MATLAB 中一幅RGB 圖像用一個三維數(shù)組來表示，其中每一個像素在彩色圖像中對應(yīng)紅、綠、藍(lán)3 個分量。圖像的數(shù)據(jù)類型決定了各顏色分量的取值范圍。若一幅數(shù)據(jù)類型是uint8的RGB 圖像，其每個分量顏色的取值范圍是[0,255]。若將質(zhì)量優(yōu)良，表皮顏色正常的馬鈴薯圖像與病變、腐爛或其它因素造成表皮顏色有明顯區(qū)別的馬鈴薯圖像進(jìn)行比對，可利用不同圖像的顏色直方圖來直接反映，如圖3 所示。

圖3 正常馬鈴薯顏色分量直方圖

不同質(zhì)量馬鈴薯間顏色特征具有明顯區(qū)別，因此可直接求取不同圖像各顏色分量的平均值作為馬鈴薯等級評定的參考因素之一。

3.2 紋理特征提取

目前對于紋理特征含義的解釋不盡相同，HawKins 認(rèn)為紋理具有三大標(biāo)志：某種局部序列性不斷重復(fù)、非隨機(jī)排列和紋理區(qū)域內(nèi)大致為均勻地統(tǒng)一體，紋理作為一種區(qū)域特征，是對一幅圖像各像素空間分布的一種描述，因此紋理特征有時是明顯的，有時是隱晦的，對于本文所研究的馬鈴薯，若存在斑紋、裂痕等狀況則具有網(wǎng)狀或線狀的紋理，而綠皮病等顏色特征明顯但表皮光滑的馬鈴薯則不具備明顯紋理特征，故上述顏色及紋理特征均不可獨自作為判別因素，應(yīng)綜合考量。

3.3 形狀特征提取

針對形狀特征部分本文主要采用形狀不變矩法，即利用圖像的幾何矩來區(qū)分批量馬鈴薯中的畸形果實，幾何矩是Hu 的七個不變矩，該方法具有平移、旋轉(zhuǎn)和尺度不變性，在連續(xù)情況下，圖像函數(shù)可定義為f(x,y)，利用目前較為成熟的不變矩算法可計算該圖像的k 階標(biāo)準(zhǔn)矩、重心、k 階中心距，并對中心距進(jìn)行歸一化處理，再利用二階和三階歸一化中心矩構(gòu)造7 個不變矩M1-M7。這7 個不變矩構(gòu)成一組特征量，由Hu 矩組成的特征量對圖片進(jìn)行識別，優(yōu)點就是速度很快，缺點是對于紋理特征復(fù)雜的圖像識別率比較低，但像識別大粒果實的形狀，或者車牌中的簡單字符此類紋理較簡單明了的圖像的識別效果會相對較好，本文所研究的馬鈴薯圖像紋理特征清晰，滿足采用Hu不變矩方法的前提，而且該方法的高效性可以縮短識別時間，提高檢測效率。