CN102768212B - 一种基于压缩传感的水果缺陷分级方法 - Google Patents
一种基于压缩传感的水果缺陷分级方法 Download PDFInfo
- Publication number
- CN102768212B CN102768212B CN201210190761.9A CN201210190761A CN102768212B CN 102768212 B CN102768212 B CN 102768212B CN 201210190761 A CN201210190761 A CN 201210190761A CN 102768212 B CN102768212 B CN 102768212B
- Authority
- CN
- China
- Prior art keywords
- image
- view
- fruit
- component image
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于压缩传感的水果缺陷分级方法,提取被测水果的左右两幅侧视图对应的R分量图像,进行平滑滤波减噪;将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,进行平滑滤波减噪;对滤波处理后的R和H分量图像进行滑动扫描实现粗分割;分别对上述处理后的左右侧视图R分量图像和H分量图像进行稀疏分解,确定出重要特征信息和次要信息的分界点,对重要特征信息部分加权值,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;利用信号编码测量矩阵与上述新的系数向量相乘,进行编码测量得到表征水果缺陷的值;通过大量样本训练,观察上述数值的分布规律,得到衡量水果缺陷等级的阈值,输出水果缺陷分级结果。
Description
技术领域
本发明涉及一种利用数字图像处理技术实现农产品品质的自动无损检测的方法,具体涉及一种基于压缩传感的水果缺陷分级方法。
背景技术
中国是一个水果生产大国,快速、准确地实现水果的检测与分级处理,是提高水果经济效益、增强产业国际竞争力的一项重要措施。
传统的人工分级方式依靠熟练工人的经验和目测来判断水果的品质,难以保证结果的准确性及有效性,不能满足市场的要求。现有的基于计算机视觉的水果分级方法,采用常规的数字图像处理算法,通过对采集到的水果图像进行预处理、水果区域分割、特征检测等处理,计算水果区域面积和缺陷面积等特征参数,经过系统标定确定水果的实际测量值,最终通过上述测量值实现水果的缺陷分级。方法处理过程复杂,信息量大,执行时间较长,一定程度上限制了其在农业生产领域的实际推广和应用。
压缩传感理论认为信号可以以低于奈奎斯特采样频率的频率进行采样,同时只提取少量的能表征原始信号重要信息的测量值,即可根据这些测量值的分布规律完成特征提取,一次性地对水果图像的多个特征进行检测,直接利用测量值即可实现对水果的分级。利用压缩传感理论能够降低传统图像处理算法的复杂度,减小信息量,提高水果分级效率。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于压缩传感的水果缺陷分级方法,用于降低图像处理复杂度,减小信息量,提高分级的效率。
为了解决上述技术问题,本发明采用的技术方案是:
一种基于压缩传感的水果缺陷分级方法,包括如下步骤:
步骤一,通过CCD相机获得被测水果的主视图和左右两幅侧视图;
步骤二,分别提取左右侧视图RGB图像对应的R分量图像,采用彩色图像空间均值滤波器分别对左右侧视图的R分量图像进行平滑滤波,以减小图像的噪声;
步骤三,分别将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,采用彩色图像空间均值滤波器分别对左右视图的H分量图像进行平滑滤波,以减小图像的噪声;
步骤四,对上述滤波处理后的R分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅R分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值10以上的区域,认为其可能包含水果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于10的区域,认为其为背景,将此其区域的灰度值置0,经过此种对水果和背景图像的快速粗分割,减小后续稀疏表示的处理数据量;
步骤五,对上述滤波处理后的H分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅H分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值20以上的区域,认为其可能包含水果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于20的区域,认为其为背景,将此其区域的灰度值置0,经过此种对水果和背景图像的快速粗分割,减小后续稀疏表示的处理数据量;
步骤六,分别对上述处理后的左右侧视图R分量图像和H分量图像,采用图像正交稀疏分解方法中的基于超完备字典的图像稀疏分解算法对图像进行稀疏分解,其中完备字典是用小波字典构造的,而冗余基的选择采用OMP算法实现,使原始图像得到最佳的稀疏表示,得到各自相应的系数向量,分别生成R分量图像和H分量图像所对应的稀疏分解图,由于稀疏结果以指数级形式递减,且下降速度很快,可以很容易地确定出重要特征信息和次要信息的分界点,分别对R分量图像和H分量图像的系数向量结果中数据值较大的部分即重要特征信息部分加权值,增强其在结果中的比重,便于后续分级;
步骤七,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;
步骤八,采用满足等距约束性条件的随机高斯测量矩阵作为信号编码测量矩阵,与上述新生成的系数向量相乘,进行编码测量,对所得测量值的非零系数求其平方和,其结果即为表征水果缺陷的值;
步骤九,通过大量样本训练,观察上述数值的分布规律,得到衡量水果缺陷等级的阈值;
步骤十,输出水果缺陷分级结果。
与现有技术相比,本发明可以实现对水果缺陷的分级,具有自动、无损、数据量小、分级速度快,准确度高的特点。若将本发明应用于农业生产领域,能够较好地解决水果产后精确、高速、便捷地分级处理问题,从而提高水果的商品化处理能力,增加果农收入,促进经济发展,具有很大的市场潜力。
附图说明
附图为本发明的苹果缺陷分级方法处理流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
实施例一
本发明为一种基于压缩传感的苹果缺陷分级方法,以一等果(无表面缺陷的苹果)作为被测对象,包括如下步骤:
步骤一,通过CCD相机获得被测苹果的主视图和左右两幅侧视图;
步骤二,分别提取左右侧视图RGB图像对应的R分量图像,采用彩色图像空间均值滤波器分别对左右视图的R分量图像进行平滑滤波,以减小图像的噪声;
步骤三,分别将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,采用彩色图像空间均值滤波器分别对左右视图的H分量图像进行平滑滤波,以减小图像的噪声;
步骤四,对上述滤波处理后的R分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅R分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值10以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于10的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将大部分背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤五,对上述滤波处理后的H分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅H分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值20以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于20的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤六,分别对上述处理后的左右侧视图R分量图像和H分量图像,采用图像正交稀疏分解方法中的基于超完备字典的图像稀疏分解算法对图像进行稀疏分解,其中完备字典是用小波字典构造的,而冗余基的选择是采用OMP算法实现,使原始图像得到最佳的稀疏表示,得到各自相应的系数向量。分别生成R分量图像和H分量图像所对应的稀疏分解图,由于稀疏结果以指数级形式递减,且下降速度很快,可以很容易地确定出重要特征信息和次要信息的分界点,分别对R分量图像和H分量图像的系数向量结果中数据值较大的部分即重要特征信息部分加权值,增强其在结果中的比重,便于后续分级;
步骤七,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;
步骤八,采用满足等距约束性条件的随机高斯测量矩阵作为信号编码测量矩阵,与上述新生成的系数向量相乘,进行编码测量,对所得测量值的非零系数求其平方和,其结果即为表征苹果缺陷的值;
步骤九,通过大量样本训练,观察上述数值的分布规律,得到衡量苹果缺陷等级的阈值:系数平方和的值大于150,则该苹果为一等果;
步骤十,输出苹果的缺陷分级结果。
实施例二
以二等果(存在表面缺陷且总面积不大于1cm2的苹果)作为被测对象,包括如下步骤:
步骤一,通过CCD相机获得被测苹果的主视图和左右两幅侧视图;
步骤二,分别提取左右侧视图RGB图像对应的R分量图像,采用彩色图像空间均值滤波器分别对左右视图的R分量图像进行平滑滤波,以减小图像的噪声;
步骤三,分别将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,采用彩色图像空间均值滤波器分别对左右视图的H分量图像进行平滑滤波,以减小图像的噪声;
步骤四,对上述滤波处理后的R分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅R分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值10以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于10的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤五,对上述滤波处理后的H分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅H分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值20以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于20的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤六,分别对上述处理后的左右侧视图R分量图像和H分量图像,采用图像正交稀疏分解方法中的基于超完备字典的图像稀疏分解算法对图像进行稀疏分解,其中完备字典是用小波字典构造的,而冗余基的选择是采用OMP算法实现,使原始图像得到最佳的稀疏表示,得到各自相应的系数向量。分别生成R分量图像和H分量图像所对应的稀疏分解图,由于稀疏结果以指数级形式递减,且下降速度很快,可以很容易地确定出重要特征信息和次要信息的分界点,分别对R分量图像和H分量图像的系数向量结果中数据值较大的部分即重要特征信息部分加权值,增强其在结果中的比重,便于后续分级;
步骤七,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;
步骤八,采用满足等距约束性条件的随机高斯测量矩阵作为信号编码测量矩阵,与上述新生成的系数向量相乘,进行编码测量,对所得测量值的非零系数求其平方和,其结果即为表征苹果缺陷的值;
步骤九,通过大量样本训练,观察上述数值的分布规律,得到衡量苹果缺陷等级的阈值:系数平方和的值介于90到150之间,则该苹果为二等果;
步骤十,输出苹果的缺陷分级结果。
实施例三
以三等果(表面缺陷总面积大于1cm2的苹果)作为被测对象,包括如下步骤:
步骤一,通过CCD相机获得被测苹果的主视图和左右两幅侧视图;
步骤二,分别提取左右侧视图RGB图像对应的R分量图像,采用彩色图像空间均值滤波器分别对左右视图的R分量图像进行平滑滤波,以减小图像的噪声;
步骤三,分别将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,采用彩色图像空间均值滤波器分别对左右视图的H分量图像进行平滑滤波,以减小图像的噪声;
步骤四,对上述滤波处理后的R分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅R分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值10以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于10的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤五,对上述滤波处理后的H分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅H分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值20以上的区域,认为其可能包含苹果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于20的区域,认为其为背景,将此其区域的灰度值置0。经过此种对苹果和背景图像的快速粗分割,可以将背景区域的灰度值置0,减小了后续稀疏表示的处理数据量;
步骤六,分别对上述处理后的左右侧视图R分量图像和H分量图像,采用图像正交稀疏分解方法中的基于超完备字典的图像稀疏分解算法对图像进行稀疏分解,其中完备字典是用小波字典构造的,而冗余基的选择是采用OMP算法实现,使原始图像得到最佳的稀疏表示,得到各自相应的系数向量。分别生成R分量图像和H分量图像所对应的稀疏分解图,由于稀疏结果以指数级形式递减,且下降速度很快,可以很容易地确定出重要特征信息和次要信息的分界点,分别对R分量图像和H分量图像的系数向量结果中数据值较大的部分即重要特征信息部分加权值,增强其在结果中的比重,便于后续分级;
步骤七,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;
步骤八,采用满足等距约束性条件的随机高斯测量矩阵作为信号编码测量矩阵,与上述新生成的系数向量相乘,进行编码测量,对所得测量值的非零系数求其平方和,其结果即为表征苹果缺陷的值;
步骤九,通过大量样本训练,观察上述数值的分布规律,得到衡量苹果缺陷等级的阈值:系数平方和的值小于90,则该苹果为三等果;
步骤十,输出苹果的缺陷分级结果。
本发明同时适用于其它类型的水果如柑橘、蜜桃等,其原理与方法类同,不再一一举例说明。
Claims (1)
1.一种基于压缩传感的水果缺陷分级方法,其特征在于,包括如下步骤:
步骤一,通过CCD相机获得被测水果的主视图和左右两幅侧视图;
步骤二,分别提取左右侧视图RGB图像对应的R分量图像,采用彩色图像空间均值滤波器分别对左右侧视图的R分量图像进行平滑滤波,以减小图像的噪声;
步骤三,分别将左右侧视图从RGB模型空间转换至HIS模型空间,提取其对应的H分量图像,采用彩色图像空间均值滤波器分别对左右视图的H分量图像进行平滑滤波,以减小图像的噪声;
步骤四,对上述滤波处理后的R分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅R分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值10以上的区域,认为其可能包含水果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于10的区域,认为其为背景,将此其区域的灰度值置0,经过此种对水果和背景图像的快速粗分割,减小后续稀疏表示的处理数据量;
步骤五,对上述滤波处理后的H分量图像取其左上角3*3大小的区域,作为参考模板,利用该参考模板对整幅H分量图像逐个像素点进行滑动扫描,对于灰度值大于模板平均值20以上的区域,认为其可能包含水果区域,保留原灰度值;反之,灰度值小于模板平均值或两者差值不大于20的区域,认为其为背景,将此其区域的灰度值置0,经过此种对水果和背景图像的快速粗分割,减小后续稀疏表示的处理数据量;
步骤六,分别对上述处理后的左右侧视图R分量图像和H分量图像,采用图像正交稀疏分解方法中的基于超完备字典的图像稀疏分解算法对图像进行稀疏分解,其中完备字典是用小波字典构造的,而冗余基的选择采用OMP算法实现,使原始图像得到最佳的稀疏表示,得到各自相应的系数向量,分别生成R分量图像和H分量图像所对应的稀疏分解图,确定出重要特征信息和次要信息的分界点,分别对R分量图像和H分量图像的系数向量结果中数据值较大的部分即重要特征信息部分加权值,增强其在结果中的比重,便于后续分级;
步骤七,分别将左右侧视图对应的R分量和H分量的稀疏结果相加,得到新的系数向量;
步骤八,采用满足等距约束性条件的随机高斯测量矩阵作为信号编码测量矩阵,与上述新的系数向量相乘,进行编码测量,对所得测量值的非零系数求其平方和,其结果即为表征水果缺陷的值;
步骤九,通过大量样本训练,观察上述数值的分布规律,得到衡量水果缺陷等级的阈值;
步骤十,输出水果缺陷分级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210190761.9A CN102768212B (zh) | 2012-06-11 | 2012-06-11 | 一种基于压缩传感的水果缺陷分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210190761.9A CN102768212B (zh) | 2012-06-11 | 2012-06-11 | 一种基于压缩传感的水果缺陷分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102768212A CN102768212A (zh) | 2012-11-07 |
CN102768212B true CN102768212B (zh) | 2014-06-25 |
Family
ID=47095685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210190761.9A Expired - Fee Related CN102768212B (zh) | 2012-06-11 | 2012-06-11 | 一种基于压缩传感的水果缺陷分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102768212B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293168B (zh) * | 2013-05-28 | 2015-01-28 | 陕西科技大学 | 基于视觉显著性的水果表面缺陷检测方法 |
CN104200478B (zh) * | 2014-09-12 | 2017-03-22 | 广东财经大学 | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402264A (en) * | 1993-07-28 | 1995-03-28 | Simco/Ramic Corporation | Cleaning apparatus for light tube in an optical inspection system |
JPH09292307A (ja) * | 1996-04-26 | 1997-11-11 | Ishikawajima Harima Heavy Ind Co Ltd | 液晶用カラーフィルタ色ムラ検査システム |
JP2004309417A (ja) * | 2003-04-10 | 2004-11-04 | Sumitomo Metal Mining Co Ltd | 清掃装置および光学特性測定装置 |
JP3594939B2 (ja) * | 2002-06-14 | 2004-12-02 | エスアイ精工株式会社 | 検査光照射装置 |
-
2012
- 2012-06-11 CN CN201210190761.9A patent/CN102768212B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402264A (en) * | 1993-07-28 | 1995-03-28 | Simco/Ramic Corporation | Cleaning apparatus for light tube in an optical inspection system |
JPH09292307A (ja) * | 1996-04-26 | 1997-11-11 | Ishikawajima Harima Heavy Ind Co Ltd | 液晶用カラーフィルタ色ムラ検査システム |
JP3594939B2 (ja) * | 2002-06-14 | 2004-12-02 | エスアイ精工株式会社 | 検査光照射装置 |
JP2004309417A (ja) * | 2003-04-10 | 2004-11-04 | Sumitomo Metal Mining Co Ltd | 清掃装置および光学特性測定装置 |
Non-Patent Citations (4)
Title |
---|
《压缩传感在无线视频监控中的应用研究》;周燕等;《计算机应用研究》;20100630;第27卷(第6期);2173-2175 * |
《水果分级支撑技术的研究进展》;黄秀玲等;《南京林业大学学报(自然科学版)》;20070331;第31卷(第2期) * |
周燕等.《压缩传感在无线视频监控中的应用研究》.《计算机应用研究》.2010,第27卷(第6期), |
黄秀玲等.《水果分级支撑技术的研究进展》.《南京林业大学学报(自然科学版)》.2007,第31卷(第2期), |
Also Published As
Publication number | Publication date |
---|---|
CN102768212A (zh) | 2012-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
WO2020024127A1 (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
CN103745239B (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN102735340B (zh) | 一种基于压缩传感的水果颜色分级方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN104458766B (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN110781889B (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN110135271A (zh) | 一种细胞分类方法及装置 | |
CN105678767A (zh) | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 | |
Chalidabhongse et al. | 2D/3D vision-based mango's feature extraction and sorting | |
CN102494977B (zh) | 大米碎米率在线检测方法和系统 | |
CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
Devi et al. | Machine vision based quality analysis of rice grains | |
CN109784383A (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
CN102750547B (zh) | 一种基于压缩传感的水果大小分级方法 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
CN102768212B (zh) | 一种基于压缩传感的水果缺陷分级方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
CN107180419B (zh) | 一种基于pca网络的中值滤波检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140625 Termination date: 20210611 |
|
CF01 | Termination of patent right due to non-payment of annual fee |