《数字图像处理和模式识别》期末大作业
题目: 水果分类及系统的实现
班级: 计算机技术
姓名: 葛洁莉
学号: 6121603002
水果分类机系统的实现
一.选题缘由
图像识别主要是研究用计算机代替人去处理大量的物理信息,从而帮助人们
建华劳动。机械分类耗时段的特点很符合水果的时间特性。本设计针对多种常见
水果混合的图像,利用 Matlab 软件,对水果的识别进行研究。根据水果和背景
的差别选取阈值,对去噪增强对比度后的图像进行二值化处理。再对图像进行边
缘检测,选定连通区域,标记后再对不同种水果的颜色,形状,大小等特征进行
快速识别水果,从而实现对水果的正确分拣。
二.设计步骤
在计算机中,图像由像素逐点描述,每个像素点都有一个明确的位置和色彩
数值。使用 Matlab 软件读取图像,以矩阵形式存放图像数据,其扫描规则是从
左向右,从上到下。
对于一副水果图像为了处理方便,我们首先要把彩色图像转化为灰度图像。
然后对图像进行二值化处理来获得每个水果的区域特征。在水果与背景接触处二
值化会导致图像边缘部分有断裂,毛躁的部分。所以采用边缘提取以弥补断裂的
边缘部分,然后基于数学形态算子对图像进行去除断边,图像填充等必要的后续
处理。
经过图像分割后,水果和背景很明显地被区分开来,然后需要对每种水果的
特征进行提取。先对图像进行标签化,所谓图像的标签化是指对图像中互相连通
的所有像素赋予同样的标号。经过标签化处理就能把各个连通区域进行分离,从
而可以研究它们的特征。
1.图像二值化处理
首先将图像转化为灰度图像:在matlab中的函数名为rgb2gray()。
其格式:I=rgb2gray(i) 。即将真彩色图像i转化为灰度图像I。
然后再将灰度图像二值化:在matlab中的函数名为im2bw()。
其格式为:I=im2bw(i,level) 式中level取值从0到1.本设计考虑到图片
背景颜色为白色,亮度较大,因此选取level=0.9来实现二值化。
2.图像分割
首先在分割前先对图像进行开运算和腐蚀运算用来去除噪声和平滑边界。
(1)开运算用来对灰度图像进行形态学开运算,即使用同样的结构元素对
图像先进行腐蚀操作后进行膨胀操作。
其调用格式为:I=imopen(i,SE); 开运算可以消除图像上细小的噪声,并
平滑物体边界。
(2)腐蚀运算用来消除物体边界点,是目标缩小,可以消除小于结构元素
的噪声点;膨胀的作用是将与物体接触的所有背景点合并到物体中,是目标增大,
可填补目标中的空洞。其调用格式为:I=imerode(i,SE);
(3)然后提取图像种水果的边界用于标记各个区域。其调用格式为:
I=bwmorph(i,'remove');bwmorph 函数是对图像进行指定的形态学操作。
‘remove’即代表如果一个像素点的 4 邻域都为 1, 则该像素点将被置 0;该选
项将导致边界像素上的 1 被保留下来; 如果一个像素点的 4 邻域都为 1, 则该
像素点将被置 0;该选项将导致边界像素上的 1 被保留下来。
3.获得连通区域的属性
这里要用到了在 Matlab 图像处理工具箱中非常重要的一个图像分析函数:
regionprops.顾名思义:它的用途是 get the properties of region,即用来度量图像
区域属性的函数. 其语法为:
STATS =regionprops(L,properties)
描述测量标注矩阵 L 中每一个标注区域的一系列属性.L 中不同的正整数元
素对应不同的区域,例如:L 中等于整数 1 的元素对应区域 1;L 中等于整数 2
的元素对应区域 2;以此类推.返回值 STATS 是一个长度为 max(L(:))的结构数
组,结构数组的相应域定义了每一个区域相应属性下的度 properties 可以是由逗
号分割的字符串列表、饱含字符串的单元数组、单个字符串 'all' 或者 'basic'.如
果 properties 等于字符串 'all',则所有下述字串列表中的度量数据都将被计算,
如果 properties 没有指定或者等于 'basic',则属性: 'Area', 'Centroid', 'BoundingBox'
将被计算。
此函数用来获取每个水果的中心位置,及其外接椭圆的长,短轴长度。
中心位置用来计算水果的颜色特征值及最终显示水果名称。
外接椭圆的长,短轴长度用来计算水果的似圆性特征,以判断其大致形状。
4.获取特征并判别函数
本文根据水果在图像中表现出来的特点,从面积特征,似圆性特征,颜色
(rgb 值和 hsv 值)特征对图像中的桃子 苹果 香蕉 西瓜 菠萝 梨子等进行特征提
取。最后按照筛选出来的特征对水果进行分类识别。
1.颜色特征
本文使用两种计量方式来测得水果的颜色值。
1.1Rgb 颜色模式:对于彩色图像,可分解为 rgb 三幅单色图像。每一副图像
中的像素分布情况都代表了改颜色的程度信息。根据常识可知上述 6 种水果中苹
果和桃子的红色含量要比其他水果丰富的多,西瓜的红色含量最小。
1.2Hsv 颜色模式:
这个模型中颜色的参数分别是:色彩(H),纯度(S),明度(V)。
HSV 模型的三维表示从 RGB 立方体演化而来。设想从 RGB 沿立方体
对角线的白色顶点向黑色顶点观察,就可以看到立方体的六边形外形。六
边形边界表示色彩,水平轴表示纯度,明度沿垂直轴测量。
HSV 六棱锥
H 参数表示色彩信息,即所处的光谱颜色的位置。该参数用一角度量来
表示,红、绿、蓝分别相隔 120 度。互补色分别相差 180 度。
纯度 S 为一比例值,范围从 0 到 1,它表示成所选颜色的纯度和该颜
色最大的纯度之间的比率。S=0 时,只有灰度。
V 表示色彩的明亮程度,范围从 0 到 1。有一点要注意:它和光强度之
间并没有直接的联系。
2.似圆性特征
似圆性是在计算出每块连通区域的外接椭圆的短轴长度和长轴长度,来测量
水果形状的似圆性。我们用长轴长度除以短轴长度得到一个比例。这个值与 1 越
接近,说明水果与圆越相似。同理,该值越比 1 大,说明水果越不像圆。根据常
识可知,上述 6 个水果中西瓜,苹果,桃子似圆性很高,而香蕉,菠萝似圆性最
低。
3.面积特征
经过标签化的不同区域的面积,可以用该区域像素数量来计算。对整幅图像
进行扫描,计算所有连通区域的面积。根据常识可知:西瓜在上述 6 个水果中面
积是最大的一个,菠萝其次。
原始图像 1
评论8