CN105279244A - 甘蔗种芽分类特征数据库的建立方法 - Google Patents

Abstract

本发明公开了一种甘蔗种芽分类特征数据库的建立方法，包括以下步骤：(1)采集甘蔗种芽图像样本，种芽图像样本包括完好种芽图像和破损种芽图像；(2)截取甘蔗图像的种芽区域；(3)确定种芽的有效分类特征，种芽有效分类特征为种芽区域图像的灰度最大值、灰度最小值、灰度平均值、灰度值中位数以及灰度值标准差；(4)种芽区域图像特征库建立。利用本发明的甘蔗种芽分类特征数据库，采用分类方法对甘蔗种芽完好性进行分类，可有效且准确对种芽完好性进行分类。

Description

甘蔗种芽分类特征数据库的建立方法

技术领域

本发明涉及分类特征数据库的建立方法领域，特别涉及一种甘蔗种芽分类特征数据库的建立方法。

背景技术

广西是我国最大的甘蔗产区，连续多年产量超过全国总产量的60％。目前大力推广的甘蔗机械化种植技术无法实现种芽完好性检测以及不能实现自动剔除种芽破损的甘蔗种的功能，进而不能保证新植甘蔗的出芽率。现阶段对于保证甘蔗种芽完好的研究都是通过定位甘蔗茎节，间接确定甘蔗种芽位置，然后控制切刀避开种芽位置，对甘蔗种芽完好性分类方法的研究基本上还是一片空白。

种芽图像特征丰富，有些是外观特征，如种芽轮廓边缘、颜色和纹理等，有些则需要经过数据变换才得到的特征，如灰度、矩和主成分等。而在众多特征中，有些是完好或破损种芽特有的，有些则是两类种芽所共有的，如果不加以区别，对所有的特征数据进行分析，则会造成“维度灾难”，即随着特征数量的增多，种芽完好性的分类性能不但没有提高，反而退化了。因此，要从种芽的实际情况出发，选出有效的分类特征，实现种芽完好性分类。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种甘蔗种芽区域图像特征库的建立方法，提高种芽完好性的分类性能。

一种甘蔗种芽分类特征数据库的建立方法，包括以下步骤：

(1)采集甘蔗种芽图像样本，种芽图像样本包括完好种芽图像和破损种芽图像；

(2)截取甘蔗图像的种芽区域；

(3)确定种芽的有效分类特征，种芽有效分类特征为种芽区域图像的灰度最大值、灰度最小值、灰度平均值、灰度值中位数以及灰度值标准差；

(4)种芽区域图像特征库建立。

优选地，上述技术方案中，所述步骤(2)中截取甘蔗图像的种芽区域包括以下步骤：

a.建立种芽区域位置分析图；

b.对甘蔗茎杆边缘进行检测；

c.确定甘蔗茎杆上、下边缘的纵坐标；

d.种芽区域截取。

优选地，上述技术方案中，所述步骤b为基于Canny算子的茎杆边缘检测。

优选地，上述技术方案中，所述步骤c为采用Hough变换的边缘直线提取，确定甘蔗茎杆上、下边缘的纵坐标。

优选地，上述技术方案中，所述步骤(3)确定种芽的有效分类特征，包括以下步骤：

a.特征筛选，筛选完好种芽特征图和破损种芽特征图；

b.对完好种芽特征图和破损种芽特征图进行灰度处理，建立灰度立方图；

c.根据灰度直方图，记录相应的最大灰度值和最小灰度值，构建灰度极值表，作出极值分析图，确定灰度最大值和灰度最小值是种芽完好性分类的有效特征；

d.分析完好和破损种芽区域图像的灰度平均值特征，确定灰度平均值是种芽完好性分类的有效特征；

e.确定灰度值中位数是种芽完好性分类的有效特征；

f.确定灰度值的标准差是种芽完好性分类的有效特征。

优选地，上述技术方案中，所述步骤d确定灰度平均值是种芽完好性分类的有效特征，采用如下的方法：在一幅像素a×b的图像中，共有(a×b)个像素点，分别对应于(a×b)个灰度值，用k_i表示第i个像素点的灰度值，则图像最大、最小灰度值可写成如下的数学表达形式：

max(k₁,k₂…,k_a×b)

min(k₁,k₂…,k_a×b)

种芽区域图像的整体亮度是亮度平均水平的体现，而亮度和灰度值正相关，因此可用灰度平均值表征图像的整体亮度，其数学表达式为：

$\mathrm{\μ}=\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{k}_i}{(a\×b)}$

优选地，上述技术方案中，所述步骤e确定灰度值中位数是种芽完好性分类的有效特征，采用如下的方法：先将k₁，k₂，k₃……k_a×b按小到大顺序排列，然后从灰度值顺序数列中找出和其表达式为：

$m=(k_{\frac{a\×b}{2}}+k_{\frac{a\×b}{2}+1})/2$

优选地，上述技术方案中，所述步骤f确定灰度值的标准差是种芽完好性分类的有效特征，采用如下的表达式为：

$S=\sqrt{\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{(k_i-\mathrm{\μ})}^2}{(a\×b)-1}}$

为实现上述目的，本发明提供了

与现有技术相比，本发明具有如下有益效果：本发明甘蔗种芽分类特征数据库的建立方法，分析整幅种芽图像，发现茎杆表面特征复杂，为了排除无关图像的干扰，提出种芽区域截取方法。采用种芽中心坐标定位的截取方法，成功截取种芽区域；并以种芽区域为对象，分析种芽图像特征，优选差异最显著的灰度特征作为有效的分类特征；提取种芽区域图像特征，建立特征库。利用本发明的甘蔗种芽分类特征数据库，采用分类方法对甘蔗种芽完好性进行分类，可有效且准确对种芽完好性进行分类。

附图说明

图1是根据本发明的甘蔗种芽分类特征数据库的建立方法中建立种芽区域位置分析图中甘蔗种芽图像图。

图2是根据图1实际茎节和茎杆边缘演变成的甘蔗种芽位置示意图。

图3为完好种芽特征图，图3包括有图3-1、图3-2、图3-3、图3-4、图3-5、图3-6。

图4为破损种芽特征图，图4包括有图4-1、图4-2、图4-3、图4-4、图4-5、图4-6。

图5是根据图3完好种芽特征图做出的灰度直方图，包括图5-1、图5-2、图5-3、图5-4、图5-5、图5-6。

图6是根据图4破损种芽特征图做出的灰度直方图，包括图6-1、图6-2、图6-3、图6-4、图6-5、图6-6。

图7是灰度极值最大值的极值分析图。

图8是灰度极值最小值的极值分析图。

图9是灰度最大值特征范围图。

图10是灰度最小值特征范围图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

一种甘蔗种芽分类特征数据库的建立方法，包括以下步骤：

1.采集甘蔗种芽图像样本，种芽图像样本包括完好种芽图像和破损种芽图像；

2.截取甘蔗图像的种芽区域；包括以下步骤：

(1)建立种芽区域位置分析图；

图1是甘蔗种芽图像图，如果将茎杆上、下边缘和茎节边缘近似地看成三条直线，则它们构成横向的“U”字型，种芽落在“U”型底部；经过简化，由图1的实际茎节和茎杆边缘演变成图2所示的甘蔗种芽位置示意图。

在图2中椭圆代表种芽。如果在种芽图像采集过程中，事先调整种芽的成像角度和成像位置，如图1所示保证种芽区域落在茎杆边缘的中间位置，则只要确定茎杆上、下边缘在整幅图像y方向的位置y₁和y₂，同时确定茎节的x方向位置x₁，即可联立式子(1)，(2)、(3)和(4)，求得种芽区域中心在整幅图像中的坐标位置O(x,y)。

x＝x₁+L₃(1)

y＝y₁+L₂(2)

$L_2=\frac{1}{2}{L}_1---\left(3\right)$

L₁＝|y₁-y₂|(4)

其中L₃表示茎节与种芽圆心位置距离，可对多个茎节，进行重复测量，取平均值获得。

然后以坐标位置O(x,y)为圆心，截取半径为R的圆；或者以O(x,y)为中心，上下、左右四个方向各自扩展长度A，确定边长为A的正方形，都可以截取种芽区域。其中R与A的值确定种芽区域实际像素面积的大小。

因为甘蔗茎杆边缘检测和提取相对容易，所以通过上述的物理分割方法，能够准确可靠地截取种芽目标区域图像，解决种芽区域分割难题，同时保留了种芽区域原有的特征，避免了图像分割处理对种芽完好性分类信息的干扰。

(2)对甘蔗茎杆边缘进行检测；

由截取原理可知，种芽区域的截取是以茎杆边缘的纵坐标和茎节的横坐标为基础的，因此首要任务是检测它们的边缘直线。包括以下步骤：

a.获取甘蔗茎杆图像；

b.基于Canny算子的茎杆边缘检测

先找到图像灰度沿x和y方向的导数G_x和G_y，并通过求出梯度大小；然后利用G_x和G_y的结果，通过计算梯度的方向。同时Canny围绕低失误概率、高位置精度和唯一响应三个评价指标，提出信噪比等三个准则。

其中信噪比SNR的表达式如(3-5)所示^[53]：

$SNR=\frac{\left|{\∫}_{-w}^{+w}G(-x)h\left(x\right)dx\right|}{\mathrm{\σ}\sqrt{{\∫}_{-w}^{+w}{h}^2\left(x\right)dx}}---\left(5\right)$

G(x)为被检测的边缘函数。SNR越大，边缘检测效果越好。

位置精度L则是利用式(5)，对G(x)和h(x)求取导数后获得。L越大，定位精度越高。

为了达到单边缘响应要求，D(f')必须满足式(6)的条件。其中D(f')是h(x)导数的零交叉点的平均距离。

$D\left(f^{\′}\right)=\mathrm{\π}{\left\{\frac{{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{h}^{\′2}\left(x\right)dx}{{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{h}^{\′\′}\left(x\right)dx}\right\}}^{\frac{1}{2}}---\left(6\right)$

Canny的阈值thresh是双阈值，分别表示上、下限阈值，经过试验，在甘蔗茎杆边缘检测中，0.55和1.37为较优的阈值参数。因为茎杆边缘的检测效果决定了种芽区域截取的精度，所以要对其检测效果进行测试，然后优化提高边缘检测效果。得到茎杆边缘检测效果图，图3。

(3)基于Hough变换的边缘直线提取

实现甘蔗茎杆上、下边缘检测之后，要提取边缘直线信息，确定甘蔗茎杆上、下边缘的纵坐标。Hough变换是一种常用的直线提取方法，其原理是通过点和线的对偶性，把种芽图像的边缘直线的每一个共线点坐标(x_i,y_i)，变换到过参数空间点(a,b)的一条直线。采用直线的法线式方程xcosθ+ysinθ＝ρ表示直线。ρ代表坐标系原点到直线的距离；θ则是坐标系x轴与直线法线的夹角。通过变换，求出ρ和θ，即可提取得到相应直线的信息。

以茎杆边缘的直线信息为依据，计算种芽中心坐标。而ρ是提取的直线与坐标系原点的距离，而不是与坐标系x轴的距离，因此要通过式(7)将其转换成提取直线与坐标系x轴的距离，方可表示甘蔗茎杆边缘直线的纵向坐标y。

y＝ρsinθ(7)

而甘蔗茎杆是水平放置的，所以其边缘近似水平直线，则θ几乎是90°或接近90°，则sinθ≈1，即y≈ρ。因此，可将直线与坐标系原点的距离ρ直接看成直线与坐标系x轴的距离，即y₁＝ρ₁，y₂＝ρ₂。

(4)种芽区域截取

从种芽区域中心坐标向四周扩展，截取40×40的区域，就是所求的种芽区域。确定种芽区域中心坐标的方法如下：

在茎杆输送过程中，每一个种芽都会在某一时刻经过相机镜头的中心位置，如果能在那一时刻采集图片，种芽自然会落在图片的中心位置。MVC360MF相机触发拍摄模式，可在设定时刻完成拍摄。MVC360MF相机的触发模式是由触发信号控制拍摄时机，使相机在触发时刻完成拍摄的工作模式。经过促发电路的转换，触发信号变成了简单的电源开关信号，开关闭合即触发相机拍摄图片。

在相机镜头的中心位置安装限位开关，当茎节种芽经过中心位置时触碰限位开关，使其闭合，触发相机拍摄，实现种芽居中成像功能。但此时限位开关会被拍摄成像，成为种芽图像的一部分，对后续的图像处理产生干扰，因此要合理设置其位置。

MVC360MF相机的触发模式附带延时拍摄功能，且延后的时间可根据需要而设定。利用此功能，可将限位开关装在镜头的成像范围的中心位置之前，成像范围之外，从而去除限位开关的成像干扰。设限位开关与成像范围中心位置的距离为l，甘蔗茎杆输送速度为v，可求得需要延后时间t，t＝l/v。

由此可见，合理利用相机的触发模式和延时拍摄功能，并安装限位开关，确定延后时间t，可实现甘蔗种芽居中成像功能。

因为相机位置固定不变，即每一幅图像的横向中心位置x是固定的，根据居中成像方案，种芽中心的横坐标恰好就是图像中心位置x，利用此处的x坐标，确定种芽中心的横坐标的。

在Matlab中，图像的坐标原点在图像左上角，以种芽中心坐标为基准，计算得到种芽40×40区域两个对角坐标，分别是(x-20,y-5)和(x+20,y+35)。在Matlab中编写程序，利用[x,y]＝find(I＝＝1)查找甘蔗种芽图片上所有像素点的横坐标x和纵坐标y，然后通过BW＝I(y-5:y+35,x-20:x+20)语句，截取两对角坐标所包含的种芽特征区域。

3.确定种芽的有效分类特征，种芽有效分类特征为种芽区域图像的灰度最大值、灰度最小值、灰度平均值、灰度值中位数以及灰度值标准差，包括以下步骤：

(1)特征筛选

从台糖22号种芽图像样本中，随机抽取6张完好和6张破损种芽图片，人工截取这些图像样本的种芽区域，如图3和图4所示，图3为完好种芽特征图，图4为破损种芽特征图。

(2)有效分类特征确定

对图3和图4的种芽区域图像进行灰度处理，得到图5和图6。图5是完好种芽图像灰度直方图，图6是破损种芽图像灰度直方图。

灰度直方图反映了种芽区域灰度图像所包含的不同灰度级出现次数的统计情况，它属于一个1—D的离散函数，表示为

h(k)＝n_kk＝1,2,…L(8)

其中n_k是指图像f(x,y)中包含了n个灰度值为k的像素。

12个灰度直方图分别对应12个种芽区域图像，它的横坐标表示图片不同的灰度级k，k的值越大，则图片的亮度越高，在uint8类型的种芽图片中，其值域为[0,256]，0最暗，表现为黑色，256最亮，表现为白色；纵坐标表示对应灰度级的个数n_k。可见，一个灰度直方图反映了相应灰度图像的最亮值、最暗值和平均亮度值等灰度信息。从图5和图6中，所有的直方图都是中间高两边低，类似正态分布，说明图像灰度值相对集中，明暗两极分化小。图5完好种芽区域图像灰度直方图的最右侧灰度级普遍比图6破损种芽图像灰度直方图对应的灰度级大，最左侧灰度级也比图6的直方图对应的灰度级大，说明完好种芽最亮值比破损种芽亮，而最暗值却是破损种芽比完好种芽暗；图5直方图在横轴的分布范围普遍比图6宽，说明完好种芽像素灰度级分布范围广，而破损种芽灰度级相对集中；图5大部分直方图的中心大约处在100灰度级的位置，而图6大部分直方图的中心处在50灰度级位置，说明完好种芽的平均灰度级高于破损种芽，整体比较，完好种芽的亮度相对较亮。

根据图5和图6的灰度直方图，找出种芽区域图像的最亮处和最暗处，并记录相应的最大灰度值和最小灰度值，同时随机添加24个完好种芽和24个破损种芽区域图像的灰度直方图，按同样的分析方法，构成30组数据的灰度极值表，如表1和表2所示。

表1完好种芽图像灰度极值

表2破损种芽图像灰度极值

为了直观地分析灰度特征的极值数据，将最大、最小值分成两类，并绘出图7和图8所示的极值分析图。图7为灰度最大值的极值分析图，图7中折线显示，两类种芽对应的灰度最大值无重合相交，上方完好种芽折线的值都在190以上，下方破损种芽折线的值都在185以下，说明完好和破损种芽图像的灰度最大值具有显著差异。图8为灰度最小值的极值分析图，图8显示，两条折线存在相交或重合，上方完好种芽折线在20至130之间，波动较大，而下方破损种芽的折线相对稳定，其值都在65以下，两线存在相交重合，说明部分完好和破损种芽区域图像的灰度最小值相同或者大小交错。但从折线的总体走势看，大部分完好种芽的灰度最小值位于破损种芽的最小值之上，存在明显的差异。因此，可将灰度最小值做为种芽完好性的分类依据。

上述分析说明表征种芽区域图像最亮与最暗处的灰度最大值和灰度最小值是种芽完好性分类的有效特征。

采用相同的方法，分析完好和破损种芽区域图像的灰度平均值和灰度级均匀性特征，这两个特征也存在类似于灰度最大值、最小值的差异，因此也将这两类差异转化为种芽完好性分类的有效特征。

图9和图10是根据表1和2数据，图9计算得到的种芽区域图像灰度最大值特征范围，破损种芽的灰度最大值特征范围在数轴左侧，完好种芽的特征范围在数轴右侧，说明灰度最大值越小，是破损种芽可能性越大，灰度的最大值越大，是完好种芽的可能性越大。图10所示的灰度最小值范围存在部分交集，但具有相同的规律，灰度最小值越小，是破损种芽可能性越大，灰度的最小值越大，是完好种芽的可能性越大。按相同的方式分析灰度平均值和灰度的均匀性特征，发现它们也存在类似的区分性规律。因此可以根据种芽区域图像相应几类特征值在数轴上的位置规律，估计它所代表种芽类别的可能性，然后量化并比较可能性的大小，从而实现种芽完好性分类。

4.种芽区域图像特征库建立

因为计算机只能处理数字信息，所以要把最亮点、最暗点、整体亮度和亮度均匀性等感官认识的特征转换成数学特征，才能实现分类。

图5和图6的灰度直方图表明，灰度值与图像的亮度成正相关的关系，因此用灰度的最大值和最小值分别表征种芽图像的最亮和最暗点。假设在一幅像素a×b的图像中，共有(a×b)个像素点，分别对应于(a×b)个灰度值，用k_i表示第i个像素点的灰度值，则图像最大、最小灰度值可写成(9)和(10)的数学表达形式：

max(k₁,k₂…,k_a×b)(9)

min(k₁,k₂…,k_a×b)(10)

种芽区域图像的整体亮度是亮度平均水平的体现，而亮度和灰度值正相关，因此可用灰度平均值表征图像的整体亮度，其数学表达式为：

$\mathrm{\μ}=\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{k}_i}{(a\×b)}---\left(11\right)$

除了平均值之外，在数学上还用中位数来表征变量值的整体水平，因此也可将种芽图像灰度值的中位数作为一个分类特征。先将k₁，k₂，k₃……k_a×b按小到大顺序排列，然后从灰度值顺序数列中找出和其表达式为：

$m=(k_{\frac{a\×b}{2}}+k_{\frac{a\×b}{2}+1})/2---\left(12\right)$

图像亮度均匀性是像素点亮度差异程度的体现，也是对应灰度值差异程度的直接体现，在数学上，一般用标准差来衡量某个变量的差异性或均匀性，因此可采用图像灰度值的标准差表征其亮度的均匀性，其表达式为：

$S=\sqrt{\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{(k_i-\mathrm{\μ})}^2}{(a\×b)-1}}---\left(13\right)$

读入种芽区域图像，以上述五个种芽区域图像特征的表达式为依据，编写程序，调用Matlab计算函数，依次计算并提取种芽区域图像灰度值的最大值、最小值、平均值、中位数和标准差五个特征。

I＝imread(‘zhongya.jpg’)读入图片，并将图片转换为a×b的向量I，向量的每个值就是该图对应像素点的灰度值。然而，Matlab是先对向量的列进行计算的，例如像素为40×40的图像，利用函数m＝max(I)，求取向量最大值时，就会相应得到40列中每一列数据的最大值，所得结果m是1×40的行向量，然后对行向量m，再重复n＝max(m)，才得到向量I的最大值。

按照这样的方式每提取一个特征值，都需要经过两步重复计算，这样先列后行的分步计算方式，所得的标准差和中位数就不是种芽区域图像灰度向量I的实际值了。因此要在计算图像灰度特征值之前，将a行b列的I向量转化为(a×b)行1列的单列向量，然后一步计算求取相应特征值，既简化了计算步骤，又能确保提取向量I的真实值。

通过J＝reshape(I,(a×b),1)程序，即可将a行b列的I向量转化为(a×b)行1列的列向量J。然后以J向量为计算对象，按程序调用相关的计算函数，即可依次提取灰度最大值等五个图像特征值。

uint8类型灰度图像的灰度值域是[0,256]，其取值仅为整数，因此最多只有257个灰度级，容易遗漏微小的灰度差异，为了提高灰度值差异的分辨率，可将uint8类型转化为双精度类型，其值域是[0,1]，可取小数，扩大了灰度等级数量，提高灰度差异的分辨率。将图3和图4的12个种芽区域图像转换为双精度类型，然后提取特征，所得特征数值如表3所示。

表3种芽区域图像特征值

据表3的数据分析，双精度类型灰度图像提取而来的灰度特征值，依然保持原有的显著性差异，且灰度级达到了万分之一的精度，提高了特征差异的分辨率。

按照此方法，分别提取台糖22号、桂糖42号和粤糖60号三个品种(或更多品种)的种芽区域图像特征。每个品种样本分别包含100个完好种芽区域图像和100个破损种芽区域图像，每一个种芽区域图像特征包括灰度最大值、最小值、平均值、中位数和标准差五个特征，建立种芽区域图像特征库。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (8)

1.一种甘蔗种芽分类特征数据库的建立方法，其特征在于，包括以下步骤：

(1)采集甘蔗种芽图像样本，种芽图像样本包括完好种芽图像和破损种芽图像；

(2)截取甘蔗图像的种芽区域；

(3)确定种芽的有效分类特征，种芽有效分类特征为种芽区域图像的灰度最大值、灰度最小值、灰度平均值、灰度值中位数以及灰度值标准差；

(4)种芽区域图像特征库建立。

2.根据权利要求1所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤(2)中截取甘蔗图像的种芽区域包括以下步骤：

a.建立种芽区域位置分析图；

b.对甘蔗茎杆边缘进行检测；

c.确定甘蔗茎杆上、下边缘的纵坐标；

d.种芽区域截取。

3.根据权利要求2所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤b为基于Canny算子的茎杆边缘检测。

4.根据权利要求2所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤c为采用Hough变换的边缘直线提取，确定甘蔗茎杆上、下边缘的纵坐标。

5.根据权利要求1所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤(3)确定种芽的有效分类特征，包括以下步骤：

a.特征筛选，筛选完好种芽特征图和破损种芽特征图；

b.对完好种芽特征图和破损种芽特征图进行灰度处理，建立灰度立方图；

c.根据灰度直方图，记录相应的最大灰度值和最小灰度值，构建灰度极值表，作出极值分析图，确定灰度最大值和灰度最小值是种芽完好性分类的有效特征；

d.分析完好和破损种芽区域图像的灰度平均值特征，确定灰度平均值是种芽完好性分类的有效特征；

e.确定灰度值中位数是种芽完好性分类的有效特征；

f.确定灰度值的标准差是种芽完好性分类的有效特征。

6.根据权利要求5所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤d确定灰度平均值是种芽完好性分类的有效特征，采用如下的方法：在一幅像素a×b的图像中，共有(a×b)个像素点，分别对应于(a×b)个灰度值，用k_i表示第i个像素点的灰度值，则图像最大、最小灰度值可写成如下的数学表达形式：

max(k₁,k₂…,k_a×b)

min(k₁,k₂…,k_a×b)

种芽区域图像的整体亮度是亮度平均水平的体现，而亮度和灰度值正相关，因此可用灰度平均值表征图像的整体亮度，其数学表达式为：

$\mathrm{\μ}=\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{k}_i}{(a\×b)}$

7.根据权利要求6所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤e确定灰度值中位数是种芽完好性分类的有效特征，采用如下的方法：先将k₁，k₂，k₃……k_a×b按小到大顺序排列，然后从灰度值顺序数列中找出和其表达式为：

$m=\left(k_{\frac{a\×b}{2}}+k_{\frac{a\×b}{2}+1}\right)/2$

8.根据权利要求6所述甘蔗种芽分类特征数据库的建立方法，其特征在于，所述步骤f确定灰度值的标准差是种芽完好性分类的有效特征，采用如下的表达式为：

$S=\sqrt{\frac{\underset{i=1}{\overset{a\×b}{\Σ}}{(k_i-\mathrm{\μ})}^2}{(a\×b)-1}}$