CN101984346A - 基于低通滤波的水果表面缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于低通滤波的水果表面缺陷检测方法。利用水果彩色图像的B分量构建二值掩模图像B′，B′与R分量进行点乘运算后得到去除背景的R分量f(x，y)，对f(x，y)中心变换后的图像f′(x，y)进行离散傅里叶变换得到F(u，v)，将F(u，v)与低通滤波器H(u，v)相乘，得到低频分量G(u，v)，对G(u，v)进行离散傅里叶反变化得到图像g(x，y)，然后g(x，y)乘以(-1)^x+y即可获得图像f(x，y)表面亮度图像i′(x，y)。将f(x，y)与i′(x，y)相除后得到均一化亮度图像f″(x，y)，对f″(x，y)采用单阈值即可实现水果表面缺陷检测。本发明通过水果表面亮度的均一化校正，使水果表面缺陷简化为单阈值法检测，克服了传统缺陷检测算法的复杂性；检测过程不需考虑水果大小和形状，具有比标准球亮度校正法更强的适应性；图像获取仅需一个相机，能避免多相机图像信息融合而引起的处理速度低的问题。

Description

基于低通滤波的水果表面缺陷检测方法

技术领域

本发明涉及一种水果表面缺陷检测方法，尤其是涉及一种基于低通滤波的水果表面缺陷检测方法。

背景技术

水果表面缺陷是决定水果价格最有力的因素之一，因为外部缺陷是对水果品质最直接的反映。缺陷的快速识别一直是水果实时分级中最难、研究人员最感兴趣的研究内容，但是一直没有取得理想的研究效果。在运用机器视觉技术进行水果表面缺陷检测方面，存在的主要难点之一是由于水果通常呈球体或椭球体，在水果边缘，光线的反射方向与相机的夹角很大，根据朗伯的光线反射定律，从相机方向看，水果边缘的亮度较低，表现为水果边缘的灰度值较低，而水果表面缺陷通常以较低灰度的形式在水果图像中出现(这也是水果表面缺陷检测的重要依据之一)，这就导致了水果表面缺陷的检测困难。目前水果表面缺陷检测主要通过三种方式：

1.基于传统RGB成像系统或者3CCD成像系统。朱伟华等人(2003)在HSL颜色模型的基础上，提出了基于模糊颜色聚类的缺陷分割方法。首先将RGB颜色模型转换为HSL颜色模型，然后用三角隶属度函数定义H、S、L模糊集，最后在模糊颜色的基础上通过计算模糊颜色的相似度进行缺陷分割(朱伟华，曹其新.基于模糊彩色聚类方法的西红柿缺陷分割研究[J].农业工程学报，2003，19(3)：133-136)。Blasco等人(2007)利用无监督区域增长算法对柑橘类水果表面缺陷进行分割，采用3CCD相机获得的彩色图像，根据不同区域之间的马氏距离被用来评价区域之间的相似度(Blasco J，Aleixos N，

E.Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm[J].Journal of Food Engineering，2007，81(3)：384-393)。

等人(2010)基于RGB图像利用多变量图像分析法(multivariate image analysis strategy)和主成分分析(principal component analysis)对柑橘类水果表面不同类型缺陷进行检测(

F，Andreu-García G，Blasco J，et al.Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach[J].Computers and Electronics in Agriculture，2010，71(2)：189-197)。目前基于RGB图像探讨的缺陷识别方法算法复杂、速度慢，很难达到在线检测的要求。

2.基于标准球模型的单阈值分割法。将水果假设成标准的球，根据球体对光线的反射规律对水果进行灰度校正。Tao等人(1996)提出球形体灰度变换法，将水果表面的缺陷可以单阈值进行分割，解决了水果图像由于中部缺陷部分灰度值高于边缘正常部分灰度值而不能一次性分割成功的问题(Tao Y，Wen Z.An adaptive image transform for high-speed fruit defect detection[J].Transaction of the ASAE，1999，42(1)：241-246)。冯斌等人(2002)建立了标准球体灰度模型，实现了对水果表面缺陷的一次性分割成功(冯斌，汪懋华.计算机视觉技术识别水果缺陷的一种新方法[J].中国农业大学学报，2002，7(4)：73-76)。付峰等人(2004)研究了不同颜色的标准试验球体图像的大小、表面颜色和图像采集位置等因素对球体图像灰度失真的影响，并建立了位于摄像视区中心的球体图像的灰度校正模型和偏离摄像视区中心的球体图像的灰度校正模型(付峰，应义斌.球体图像灰度变换模型及其在柑桔图像校正中的应用[J].农业工程学报，2004，20(4)：117-120)。Gómez-Sanchis等人(2008)针对球形水果表面照度不均的问题开发了一套自动亮度校正算法，但是算法开发的基础是假设对象为朗伯椭圆表面(J，

E，Camps-Valls G，et al.Hyperspectral system for early detection of rottenness caused by Penicillium digitatum in mandarins[J].Journal of Food Engineering，2008，89(1)：80-86)。尽管标准球法取得了较好的效果，但是建立在水果球体对光线反射规律基础上的标准球法，存在着两个假设条件：(1)水果假设是一个标准球体或者椭球体。(2)机器视觉视场内，光源的照度是均匀的，镜头和相机组成的光学系统是线性的，且在机器视觉工作期间，光照、镜头、相机性能稳定，即要求系统时时不变。对于这两个假设在实际水果在线检测中都是很难满足的。因此，标准球法的适应性弱。

3.多相机融合法。应用不同种类的相机，采集不同波段的图像进行分析处理。Wen等人(2000)利用近红外和中红外两种相机同时采集水果图像，然后基于两种图像开发了水果表面缺陷识别算法(Wen Z，Tao Y.Dual-camera NIR/MIR imaging for stem-end/calyx identification in apple detect sorting[J].Transaction of the ASAE，2000，43(2)：449-452)。Aleixos等人(2002)利用三个相机(两个RGB相机和一个黑白相机)和两个DSP数据处理器及Bayesian判别理论对柑橘类水果表面缺陷进行检测(Aleixos N，Blasco J，

F，et al.Multispectral inspection of citrus in real-time using machine vision and digital signal processors[J].Computers and Electronics in Agriculture，2002，33(2)：121-137)。Kleynen等人(2005)利用450nm、500nm、750nm和800nm波段得到的多光谱图像，研究了‘Jonagold’苹果表面缺陷检测方法(Kleynen O，Leemans V，Destain M F.Development of a multi-spectral vision system for the detection of defects on apples[J].Journal of Food Engineering，2005，69：41-49)。赵杰文等人(2006)提出一种基于三摄像系统的逻辑判别缺陷的新方法。首先利用三摄像系统获取苹果在三个连续不同位置的9幅图像，对图像进行预处理及缺陷分割并进行标记，通过记录标记后的可疑区域数目，来判断缺陷的有无(赵杰文，刘文彬，邹小波.基于三摄像系统的苹果缺陷快速识别.江苏大学学报，2006，27(6)：287-290)。多相机融合和存在的主要问题是：相机增加后，图像处理的工作量大大增加了，会严重降低机器视觉系统的处理速度。

因此需要新的水果表面缺陷检测方法。

发明内容

本发明的目的在于提供一种基于低通滤波的水果表面缺陷检测方法。

本发明采用的技术方案的步骤如下：

1)图像获取：以蓝色纸板为背景，将水果放在样本台上，拍摄水果彩色图像；

2)背景去除：提取彩色图像的R和B分量图像，然后根据直方图选取阈值T对B分量图像二值化后形成二值图像B′，即将有水果的区域置为1，其余区域置为0；利用公式(1)，R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x，y)；

f(x，y)＝R.*B′                           (1)

3)中心变换：用(-1)^x+y乘以输入图像f(x，y)进行中心变换，如公式(2)；

f′(x，y)＝f(x，y)(-1)^x+y                 (2)

式中，f′(x，y)表示中心变换后的图像；

4)傅氏变换：利用公式(3)计算离散傅立叶变化，得到F(u，v)；

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{f}^{\′}(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(3\right)$

式中，变量u和v是频率变量，u＝0，1，2，...，M-1，v＝0，1，2，...，N-1；

5)低通滤波：利用公式(4)计算低频分量G(u，v)；

G(u，v)＝H(u，v)F(u，v)                   (4)

式中，H(u，v)为Butterworth低通滤波器；

6)傅氏反变换：利用公式(5)可以从G(u，v)的傅立叶反变换中得到被滤波的图像g(x，y)，然后乘以(-1)^x+y以取消输入图像的乘数，即可以获得最终图像f(x，y)表面的亮度图像i′(x，y)，如公式(6)；

$g(x,y)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}G(u,v)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(5\right)$

i′(x，y)＝g(x，y)(-1)^x+y                   (6)

7)亮度均一化：利用公式(7)对图像f(x，y)表面亮度进行均一化校正；

$f^{\′\′}(x,y)=\frac{f(x,y)}{i^{\′}(x,y)}\×255---\left(7\right)$

8)缺陷分割：基于亮度校正后的图像f″(x，y)，设定一个全局阈值T＝235对水果表面缺陷进行提取。

本发明具有的有益的效果是：

本发明通过水果表面亮度的均一化校正，使水果表面缺陷简化为单阈值法检测，克服了传统缺陷检测算法的复杂性；检测过程不需考虑水果的大小和形状，具有比标准球亮度校正法更强的适应性；图像的获取仅需一个相机，能避免多相机进行图像信息融合而引起的处理速度低的问题。

附图说明

图1是R分量图像。

图2是B分量图像。

图3是B分量图像直方图。

图4是二值化掩模图像B′。

图5是去背景后的R分量图像f(x，y)。

图6是频域滤波后获得的水果表面亮度图像。

图7是亮度校正后的图像。

图8是水果中部灰度剖面线强度图。

图9是单阈值缺陷分割后的二值图像。

图10是Butterworth低通滤波器。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

1)图像获取：以蓝色纸板为背景，将水果放在样本台上，拍摄到水果彩色图像；

2)背景去除：提取彩色图像的R和B分量图像，如图1和图2所示。然后根据B分量图像直方图3(直方图左边的峰代表水果，右边的峰代表背景)选取阈值T＝140对B分量图像二值化后形成如图4所示的二值图像B′，即将有水果的区域置为1，其余区域置为0。利用公式(1)，R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x，y)，如图5所示；

f(x，y)＝R.*B′                          (1)

3)中心变换：用(-1)^x+y乘以输入图像f(x，y)进行中心变换，如公式(2)；

f′(x，y)＝f(x，y)(-1)^x+y                (2)

式中，f′(x，y)表示中心变换后的图像；

4)傅氏变换：由式(3)计算3)的离散傅立叶变化，即F(u，v)。

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{f}^{\′}(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(3\right)$

式中，变量u和v是频率变量，u＝0，1，2，…，M-1；v＝0，1，2，…，N-1。

5)低通滤波：将F(u，v)作为低通滤波器H(u，v)的输入，输出得到低频分量G(u，v)，其表达式如(4)所示。

G(u，v)＝H(u，v)F(u，v)                  (4)

本发明以Butterworth低通滤波器为例进行阐述。对于n阶Butterworth低通滤波器的传递函数定义如下：

H(u，v)＝1/[1+(D(u，v)/D₀)²ⁿ]            (5)

式中D₀为截止频率；D(u，v)＝(u²+v²)；n为阶数，取正整数，用来控制衰减速度。

D₀和n是影响滤波器性能的两个重要参数，试验中通过改变不同的参数并观察亮度校正效果，多次验证后，Butterworth低通滤波器最佳截止频率D₀＝25，阶数n＝1，该一阶Butterworth低通滤波器如图10所示。

6)傅氏反变换：利用公式(6)可以从G(u，v)的傅立叶反变换中得到被滤波的图像g(x，y)，然后乘以(-1)^x+y以取消输入图像的乘数(如公式(7))，即可以获得最终图像f(x，y)表面的亮度图像i′(x，y)，如图6所示；

$g(x,y)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}G(u,v)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(6\right)$

i′(x，y)＝g(x，y)(-1)^x+y                    (7)

7)亮度均一化：利用公式(8)，图像f(x，y)与亮度图像i′(x，y)相比后的图像即为亮度校正后的图像f″(x，y)，如图7所示。

$f^{\′\′}(x,y)=\frac{f(x,y)}{i^{\′}(x,y)}\×255---\left(8\right)$

8)缺陷分割：基于亮度校正后的图像f″(x，y)，设定一个全局阈值(T＝235)对水果表面缺陷进行提取，结果二值图像如图9所示。全局阈值的选择是通过提取图像f″(x，y)中过缺陷区域的一行像素点的灰度剖面线，剖面线像素强度曲线显示当阈值T＝235时(即图8剖面线像素强度曲线中的水平虚线所示)，缺陷区域可以有效分割。因此，选T＝235对亮度校正后的图像f″(x，y)进行缺陷分割。

Claims (1)

1.一种基于低通滤波的水果表面缺陷检测方法，其特征在于该方法的步骤如下：

1)图像获取：以蓝色纸板为背景，将水果放在样本台上，拍摄水果彩色图像；

2)背景去除：提取彩色图像的R和B分量图像，然后根据直方图选取阈值T对B分量图像二值化后形成二值图像B′，即将有水果的区域置为1，其余区域置为0；利用公式(1)，R分量图像与B′图像通过点乘运算获得去背景后的R分量图像f(x，y)；

f(x，y)＝R.*B′                       (1)

3)中心变换：用(-1)^x+y乘以输入图像f(x，y)进行中心变换，如公式(2)；

f′(x，y)＝f(x，y)(-1)^x+y             (2)

式中，f′(x，y)表示中心变换后的图像；

4)傅氏变换：利用公式(3)计算离散傅立叶变化，得到F(u，v)；

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{f}^{\′}(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(3\right)$

式中，变量u和v是频率变量，u＝0，1，2，...，M-1，v＝0，1，2，...，N-1；

5)低通滤波：利用公式(4)计算低频分量G(u，v)；

G(u，v)＝H(u，v)F(u，v)               (4)

式中，H(u，v)为Butterworth低通滤波器；

6)傅氏反变换：利用公式(5)可以从G(u，v)的傅立叶反变换中得到被滤波的图像g(x，y)，然后乘以(-1)^x+y以取消输入图像的乘数，即可以获得最终图像f(x，y)表面的亮度图像i′(x，y)，如公式(6)；

$g(x,y)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}G(u,v)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}---\left(5\right)$

i′(x，y)＝g(x，y)(-1)^x+y             (6)

7)亮度均一化：利用公式(7)对图像f(x，y)表面亮度进行均一化校正；

$f^{\′\′}(x,y)=\frac{f(x,y)}{i^{\′}(x,y)}\×255---\left(7\right)$

8)缺陷分割：基于亮度校正后的图像f″(x，y)，设定一个全局阈值T＝235对水果表面缺陷进行提取。

Images