温室黄瓜果实的模式识别与分割_利用Bayes分类判别模型.pdf

《温室黄瓜果实的模式识别与分割_利用Bayes分类判别模型.pdf》由会员分享，可在线阅读，更多相关《温室黄瓜果实的模式识别与分割_利用Bayes分类判别模型.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2006 年 7 月 农 机 化 研 究 第 7 期-150-温室黄瓜果实的模式识别与分割 利用 Bayes 分类判别模型 袁国勇，张铁中 （中国农业大学 工学院，北京 100083）摘 要：利用黄瓜果实与其果梗叶片在颜色深度上的差异，采用在自然背景下的黄瓜图像为训练样本，分别提取出黄瓜果实与背景的 RGB 颜色分量信息，计算出各自的分类判别函数，利用 Bayes 分类判别模型对自然背景下的黄瓜果实进行判别。试验表明：利用 Bayes 模式识别能够较好地实现对成熟黄瓜果实与背景的分离；在识别后对图像进行腐蚀，膨胀，区域标记及特征提取等处理，能够较为准确地提取出成熟黄瓜果实及其重心位置。关键词：

2、计算机应用；模式识别；试验；Bayes 决策规则；黄瓜；图像分割；特征 中图分类号：TP391.41 文献标识码：A 文章编号：1003188X(2006)07015004 0 引言 黄瓜是目前栽培区域最广、总产量最高、经济效益最好的大宗型蔬菜之一。黄瓜以嫩果供食，生长速度快，果实容易肥大。因此，黄瓜必须及时地进行采摘，晚摘不仅影响品质，而且会导致坠秧，延缓下一个果实的生长。黄瓜产量达 90000kg/hm2。黄瓜在 300600g 之间都认为是成熟的。由于黄瓜需求和产量都非常巨大，在大面积种植黄瓜后，黄瓜收获需要耗费相当多的时间，因而提高黄瓜收获的生产效率是很有必要的。目前，黄瓜按标准的园艺

3、技术种植并把它培养为高挂线缠绕方式吊挂生长，人工收获费用占整个温室黄瓜生产费用的 30%。黄瓜成熟度和空间位置的识别是机器人进行黄瓜采摘首先要解决的关键问题，而要解决此问题必须先将成熟黄瓜果实的图像从复杂的背景图像中提取出来,即对实际拍摄的彩色图像进行分割。模式识别诞生于20世纪20年代，随着计算机的出现和人工智能的发展，模式识别在60年代初迅速地发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推动了人工智能系统的发展,扩大了计算机应用的可能性。图像处理就是模式识(OCR)就是模式识别在图像处理中的一个典型应用。模式识别就是研究通过计算机自动地(或者人为进行少量干预)将待

4、识别的模式分配到各个模式类中的技术。为此，采用了基于Bayes决策规则的统计模式识别方法对采摘前自然背景下黄瓜图像进行果实的识别与分割。1 分类模型的提出 一个物体是一个物理单位，在图像分析和计算机视觉中通常表示为分割后图像中的一个区域。物体识别从根本上是为物体标明类别，而用来进行物体识别的工具叫做分类器。分类器并不是根据物体本身来做出判断的，而是根据物体被感知到的某些性质。这些被感知到的物体特性称作模式，分类器实际识别的不是物体，而是物体的模式。因此，模式识别的分类问题是根据识别对象特征的观察值，将其分到某个类别中去。Bayes 决策规则（误差最小规则）是统计模式识别中的一个基本方法，在分类

5、时要求：一是各类别总体的概率分布是已知的；二是要决策的分类类别数是一定的（本文中类别数为 2，即黄瓜果实和背景）。由先验概率计算出后验概率，再根据 Bayes 决策规则判别图像像素属于黄瓜果实还是背景。设x是被分类物体的特 征 向 量，由 先 验 概 率)(jP和 条 件 概 率 密 度)|(jxp，利用 Bayes 公式，后验概率为)|(xPj=njjjjsjPxpPxp1)()|()()|(1)收稿日期：2005-08-11 基金项目：国家高技术研究发展计划资助项目（2001AA422300）作者简介：袁 国 勇（1981-），男，江 西 万 载 人，硕 士 研 究 生，(E-mail)。

6、通讯作者：张铁中（1956-）,男，河北邢台人，教授，博士生导师。别方法的一个重要领域，目前广泛应用的文字识别2006 年 7 月 农 机 化 研 究 第 7 期-151-最优分类决策就是将模式x分到在所有后验概率)|(xPj取得最大值的那一类j中。在本文中，c代表黄瓜果实类；b代表背景类。Bayes 判别函数为)(xdj=)()|(jjPxp (2)由于高斯密度函数的指数形式，用这个判别函数的自然对数形式更为方便，即)(xdj=ln)()|(jjPxp=ln)|(jxp+ln)(jP(3)假定)(xp为多元正态分布，则在n维情况下，第j个模式类的条件概率密度函数为)|(jxp=)()(212

7、/12/1|)2(1jjTjxCxjneC (4)式中 n特征向量x的维数；特征向量x的均值向量；T转置矩阵符号；jCj类的协方差nn矩阵；|jC|矩阵jC的行列式；1jCjC的逆矩阵。协方差矩阵为 jC=TjjxTjjxxN1 (5)其中，jN是来自类j的模式矢量数目，并且总和取全部向量。将式（4）和（5）代入式（3）得判别函数为)()(21ln212ln2)(ln)(1jjTjjjjxCxCnPxd=(6)由于项2ln2n对所有的类都是相同的，因此可以从式（4）中消去，得)(xdj=ln)(jP|ln21jC)()(211jjTjxCx(7)2 Bayes分类器的实现及试验结果 本文以北京

8、都市绿洲农业技术开发有限公司温室中种植的黄瓜为实验对象，选用数码相机在自然背景下拍摄的图像为训练样本。对图像中的像素点进行统计，分别计算出黄瓜果实与背景像素点的RGB 颜色分量均值及协方差矩阵，其算法如下：1)学习。选取样本，根据样本分别计算黄瓜果实类c和背景类b的均值向量c，b以及其协方差矩阵cC，bC的估计值。2)根据样本信息，计算黄瓜果实类和背景类的先验概率的估算值。3)根据步骤 1 和 2 计算出来的数据，分别计算出 每 个 像 素 的 黄 瓜 果 实 类 和 背 景 类 的 判 别 函 数)(xdc和)(xdb。4)分类。比较每个像素判别函数)(xdc和)(xdb的大小，将该像素划归

9、为判别函数大的那一类。根据以上算法，其统计结果如表 1 所示。表 1 黄瓜果实与背景颜色参数 黄瓜果实 背景 均值c 协方差矩阵cC 均值b 协方差矩阵bC R 41.0 507.2 530.6 495.3 116.0 3820.0 3256.3 3876.1 G 59.7 530.6 586.5 512.0 155.9 3256.3 3155.1 2794.2 B 28.1 495.3 512.0 527.9 62.3 3876.1 2794.2 5723.9 在以数码相机距离黄瓜果实大约 4060cm 的距离对数十个成熟黄瓜果实进行拍摄，如图 1 所示。结果显示，黄瓜果实像素占整幅图像的

10、8%左右。因此，根据 Bayes 决策理论的先决条件，黄瓜果实的先验概率为 0.08，背景的先验概率为 0.92（一般来讲，在自然背景下黄瓜果实像素的先验概率取决于果实到摄像头的距离，其变化范围大约在 0.050.20 之间）。其 Bayes 分类判别模型识别结果，如图 2 所示。从图 2 可以看出，识别后的图像中仍然存在着一些与果实像素模式相同的果梗及果叶上的像素点。但果实边界像素点保持较为完整。在此基础上，经过进一步处理可以方便地消除这些残留的像素点。本文选取了 3 幅较为有代表性的图像来说明试验结果：图 1（a）为一幅黄瓜果实较为完好的图像，试验结果很理想；图 1（b）为黄瓜果实被果梗遮

11、挡，因此只提取出了黄瓜果实的大部分区域，被遮挡部分及其以下部分未能提取出，但试验结果还是不错；图 1（c）难度较大，即使人眼也不能很容易地分辨出黄瓜果实，但从提取的试验结果看，效果非常好。3 图像的后续处理 为去除残留在 Bayes 分类识别后图像上果梗及果叶的像素点，把图 2 转变为二值图像，并通过对图像进行腐蚀，使黄瓜果实与其果梗果叶分开；然后进行膨胀，使黄瓜果实的像素面积保持基本不变。2006 年 7 月 农 机 化 研 究 第 7 期-152-再进行图像标记和特征提取。试验表明，黄瓜果实的质量与体积成线性比例关系，用黄瓜果实体积几何模型来检测黄瓜果实的质量，其准确性达到 97%。又由于

12、体积几何模型在二维图像中表现为黄瓜的像素面积，因此可以根据黄瓜果实的像素面积来进行提取果实，结果如图 3 所示。把图像左上角定义为坐标原点，图像分辨率为 768576。同时可以得到黄瓜果实的面积和重心位置，这对后续的采摘机械手的定位打下了基础。(a)(a)(a)(b)(b)(b)(c)(c)(c)图 1 原始图像 图 2 识别后图像 图 3 后续处理的图像 4 结论 本文提出了以 Bayes 判别准则的模式识别，对训练图像的 RGB 颜色分量进行统计，分别计算出图像中黄瓜果实与背景像素的均值以及像素间的协方差矩阵；再根据判别函数)(xdj对在自然背景下拍摄的黄瓜图像像素进行识别分割，其黄瓜图像

13、分割正确率在 73%以上。这对于果实和背景颜色相近的黄瓜果实分割来说，图像分割及其正确率的效果都很好，基本达到了预想要求。在对图像进行识别分割的实验中，有的图像分割效果很好，如上述诸图所示，但有的分割效果还不理想。其原因为：太阳光照反射、自然背景的复杂程度不同等造成黄瓜果实分割困难；另一个重要原因是由于实验样本采集温室里种植的黄瓜是以人工采摘为目的，种植的垄间距较小，黄瓜瓜藤间距比较小，背景中的果叶茂密在一定程度上影响了黄瓜果实的分割效果。由于黄瓜果实与其果梗果叶在颜色上相近，因此各种分割方法都有其局限性。笔者在进行下一步研究中，准备利用黄瓜果实与其果梗果叶在对某一波段入射光的反射率的差异，来

14、尝试进行黄瓜果实的图像分割。参考文献：1 Milan Sonka,Vaclav Hlavac,Roger Boyle.图像处理、分析与机器视觉M.艾海舟,武 勃,译.北京:人民邮电出版社,2003:200-210.2 美Rafael C.Gonzalez.Richard E.Woods.数字图像处理（第二版）M.阮秋琦,阮宇智，译.北京:电子工业出版社,2004:564-578.3 杨国彬,赵杰文,向忠平.利用计算机视觉对自然背景下西红柿进行识别J.农机化研究,2003,(1):60-62.4 边肇祺.模式识别M.北京:清华大学出版社,1998.2006 年 7 月 农 机 化 研 究 第 7

15、 期-153-5 陈兵旗,孙 明.Visual C+实用图像处理M.北京:清华大学出版社,2004.6 Van Henten E J,Hemming J,Van Tuuijl B A J.An autonomous robot for harvesting cucumbers in greenhousesJ.Autonomous Robots,2002,(13):241-258.Pattern Recognition of Cucumber Image by Bayes Sort Discrimination Model YUAN Guo-yong,ZHANG Tie-zhong(Colleg

16、e of Engineering,China Agricultural University,Beijing 100083,China)Abstract：For the cucumber harvesting robot,the degree of maturation and recognition of the position in sp-ace are the important steps.First of all,segmentation of cucumber image is required.The color of cucumber is the same with its

17、 peduncle and leave,but they are different in reflectivity and containing of water,so the depth of their color is recognizable.Based on the difference,the cucumber image under the natural background was taken as training sample.Pick-up each the RGB channels color information of the cucumber and the

18、background of the sample,figure out each the discrimination function of them,then utilize the Bayes Sort Discrimination Model to recognize the cucumber from the natural background.The result of this experiment showed that expected segmentation result could be achieved by using Bayes Pattern Recognit

19、ion.After recognition,taking further process such as erosion,dilation,region marker and feature abstract,the mature cucumber and its center of gravity can be precise pick-up.Key words：computer application;pattern recognition;experiment;Bayes decision rule;cucumber;image segmentation;feature （上接第 149

20、 页）4 申德超.用于膨化-浸油的大豆挤压膨化初步试验研 究 J.东 北 农 业 大 学 学 报,1999,30(2):186-189.Abstract ID:1003-188X(2006)07-0148-EA Influence of Different Extruding Conditions on the NSI of Soybean Meal Protein JIN Chang-jiang,SHEN De-chao(College of Engineering,Northeast Agricultural University,Harbin 150030,China)Abstract：

21、In the manufacturing oil process,the different ethnics of precomtlition will all lead to soybean albumen denature,reduce its dissolubility,infect the dreg preins application.The different extruding condition to dreg preins dissolubility inferences diversity largely.Hence,five factors influencing the

22、 NSI of dreg protein,including the moisture content of material,extruding temperature,length of nib,gap of spindle nose,rev of strew,has been researched.The result indicate:the conditions,which is beneficial to getting high NSI of soybean meal contain the moisture content of material and extruding temperature are lower,the length of nib is shorter,the gap of spindle nose is smaller,and the rev of screw is faster.Key words：food industry;NSI;experiment;extruding parameter;regression experimental design