matlab 图像检测,基于matlab图像识别的基本操作方法（以番茄识别为例）

原图

4.1番茄图像的识别(插图非常困难，只插入少量图片)

在番茄图像识别处理的过程中，第一步就是番茄图像的前期处理。番茄图像前期处理的主要作用是突出所需要的部分，消除掉不需要的信息，提取感兴趣的区域。番茄图像的前期处理效果决定了番茄的识别效果，所以番茄图像的前期处理是非常关键的步骤。本章将会从番茄图像采集分类、空间滤波、彩色模型的选择、番茄图像分割和形态学处理方法对其进行介绍。

4.1.1番茄图像空间滤波

由于拍摄的番茄图像中往往会存在噪声，数字番茄图像就不能反映真实的场景。根据番茄图像获取的方法不同，有多种引入噪声的方法，本文引入噪声的方法主要是获取番茄图像数据的设备和番茄图像数据的传输。因此，为了获得真实的场景效果，须先对番茄图像进行滤波处理。番茄图像平滑滤波是一种可以减少和抑制噪声的数字番茄图像处理技术，在空间域中一般可以采用邻域平均来达到平滑的目的，平滑的方式也是多种多样的，包括平均模板平滑、高斯平滑等等[43]。通过对番茄平均模板平滑滤波、高斯平滑滤波、中值滤波效果对比，选择综合性能最佳的滤波方式。

为了使效果更为明显，对原图像增加盐椒噪声，采用不同的滤波方式进行滤波。通过图片的处理效果不难看出，中值滤波效果最优，不仅将盐椒噪声完全去除，而且图像也最为清晰；5×5，σ=0.8高斯滤波较好，基本去除盐椒噪声，但图像变得稍有模糊；5*5平均模板滤波，虽然将盐椒噪声去除，但图像也较模糊。考虑到处理效果与时间有关，在生产实践中不仅仅只考虑准确性，也需要保证快速性。各种滤波方式所耗时间对比。

综合考虑各种滤波方式的耗时和效果，以及现实过程中并不会产生过多的噪声，本文选取5×5，σ=0.8高斯滤波作为番茄图像的滤波方式。

4.1.2 彩色模型的选择

通过滤波处理得到真实场景的番茄图片后，需要用某种方式将目标番茄和背景区域分离开来。分离番茄与背景的方法有很多，本文采用了比较传统的彩色模型分量来进行番茄和背景的分离，通过不同的彩色模型分量进行分析对比，选择分割效果最佳的分量作为背景分离方法。

彩色模型也称为彩色空间或彩色系统，是用来精确标定和生成各种颜色的一套规则和定义，它的用途是在某些标准下用通常可以接受的方式简单化彩色规范，可采用坐标系统来描述，位于系统中的每种颜色都有坐标做中的单个点表示[43]。彩色模型可以分为针对彩色监视器的RGB(红、绿、蓝)模型、面向彩色打印机的CMY(青、深红、黄)和CMYK(青、深红、黄、黑)模型、非常符合人眼描述和解释颜色方式的HIS(色调、饱和度、亮度)模型和使用广泛的HSV模型、YUV模型、YIQ模型、Lab模型等[43]。

将各个分量图的目标番茄与背景进行对比，选取番茄与背景明显区分出来的分量图。不难看出HIS分量中的H分量，Lab分量中的a分量以及CMY中的M分量和Y分量的目标番茄与背景分离效果较好，通过阈值分割进行进一步的验证。

4.1.3目标番茄图像分割

为了对目标番茄进行最佳的分割，需要选择一个合适的颜色模型和一个最佳的图像分割方法。常用的图像分割方法是灰度阈值分割法，该方法通过取阈值对像素灰度值进行分类。灰度阈值分割又可分为试验法、根据直方图确定谷底阈值、迭代选择阈值法、最小均方误差法和最大类间方差法。一般采用自动阈值的方法。

通过对各个分量进行对比，可以看出Lab分量中的a分量和CMY分量中的M分量，对于该种番茄生长环境的图像分割识别效果最佳。a分量自动阈值耗时3.232msM分量的自动阈值耗时6.138ms。因此，本文选取a分量进行自动阈值分割。

4.1.4番茄图像形态学处理

为了对出现孔洞的番茄二值图进行填充和去除其他较远番茄的干扰，需要对其进行形态学处理。为了消除这些干扰，在MATLAB软件中通过“bwareaopen”指令可以消除较小的区域，得到感兴趣区域。如图 223(a)是通过自动阈值后得到的二值柑橘图像，可以看出在蓝色方框内有一些白色的干扰，使用了“bwareaopen”指令，使用该指令后的效果如图 221(b)所示，较小区域完全消除，只保留了待处理的真实区域。

效果图

在进行果实图像识别的前期处理中，需要进行的基本操作有滤波，颜色空间的选择，阈值方式的选择，形态学处理，根据需要自行选择。本文所涉及的内容较为简单，不附带源程序，如有需要请在下方留言。

举报/反馈