CN106920226A - 一种荔枝机械损伤判别方法 - Google Patents

Abstract

本发明涉及基于H维图像分割算法技术领域，特别涉及一种荔枝机械损伤判别方法。步骤101、输入荔枝图像样本，利用H维图像分割算法，获取荔枝区域分割图像数据；步骤102、根据主成份分析算法，对荔枝区域分割图像数据进行处理，获取主成份特征向量；步骤103、根据支持向量机算法，输入主成份特征向量，输出荔枝类别样本，建立荔枝机械损伤分类模型。应用本实施例技术方案。利用H维图像分割算法和主成份分析算法以及支持向量机构件荔枝机械损伤的PCA‑SVM分类模型，可以对荔枝样本图像进行处理，实现对荔枝是否机械损伤进行判断。

Description

一种荔枝机械损伤判别方法

技术领域

本发明涉及基于H维图像分割算法技术领域，特别涉及一种荔枝机械损伤判别方法。

背景技术

荔枝是具有重要经济价值的岭南佳果之一，对荔枝实行自动采摘可以有效降低成本，具有一定的经济价值。国内外以橘子、苹果、番茄等形状规则的单果目标为对象的研究已较为成熟，在日本和欧美等发达国家，已有果蔬采摘机器人的产品。但以葡萄、荔枝和龙眼等多果目标为分割对象，因形状不规则和颜色不一致相对难度较大。现有技术中有基于RGB彩色空间特征的聚类算法，对荔枝图像进行了图像分割，但分割荔枝果实轮廓并不完整。另一种基于RGB彩色空间特征的分割算法，对葡萄图像进行了分割，但因选取的特征比较特殊，难以广泛应用。

主成份分析(Principal Component Analysis，PCA)是一种使用较广泛的线性降维方法。通过原始数据的线性组合构造方差最大的若干投影方向，从而降低原数据的维度，不仅仅是对高维数据进行降维。其对椭球状分布的样本集有较好的学习效果，但对具有非线性性质的样本集，却无法反应出非线性性质。

支持向量机(support vector machine，SVM)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。

基于现有技术的不足暂时无法实现对荔枝是否受到机械损伤的判断。

发明内容

本发明实施例发明目的在于提供一种荔枝机械损伤判别方法，应用该技术方案可以对荔枝样本图像进行处理，建立荔枝机械损伤分类模型，实现对荔枝是否机械损伤进行判断。

为了实现上述发明目的，本发明的完整技术方案如下：

一种荔枝机械损伤判别方法，其特征在于，包括以下步骤：

步骤101、输入荔枝图像样本，利用H维图像分割算法，获取荔枝区域分割图像数据。具体的H维图像分割算法为输入荔枝图像样本，在RGB三通道图像中值滤波预处理；将RGB图像转HSI颜色空间；以14次3×3模板的均值滤波进行H维图像滤波；根据最大类间方差法进行图像分割，依次对分割图像进行填充，八连通区域标记，连通区域面积筛选，获取荔枝区域分割图像数据。

步骤102、根据主成份分析算法，对荔枝区域分割图像数据进行处理，获取主成份特征向量；

步骤103、根据支持向量机算法，输入主成份特征向量，输出荔枝类别样本，建立荔枝机械损伤分类模型。

优选的，其中主成份分析算法包括：

将N×N大小的荔枝区域分割图像数据转化为N²个元素的一维向量I；

建立K×N²维的荔枝区域分割图像数据样本集X；

X＝{I₁,I₂,I₃…I_j,j≤K}

其中K为图像数据样本数；

计算图像样本集的协方差矩阵C：其中u为图像数据集的均值向量；

计算与协方差矩阵C的前n个特征值λ₁，λ₂，λ₃…λ_n向对应的特征向量φ，

将荔枝图像数据矩阵F去均值后，向特征向量空间φ投影，得到新的列为n×N²的主成分特征向量ψ，ψ＝(I_j-u)φ，其中j≤K；

优选的，其中支持向量机算法为：设训练集|x_i,y_i|，其中x_i∈Rⁿ，y_i＝{+1,-1}(i＝1,…,l)，满足条件：其中(w,b)为实数序偶；

得到分类器函数：f(x)＝sign(w·x_i+b)；

最大化最小间距，得到优化问题：

约束条件为：y_i(w·x_i+b)≥1(i＝1,…l)；

以优化问题和约束条件构造拉格朗日函数：其中拉格朗日乘子a_i≥0；

引入映射定义核函数K(x_i,x_j)：K(x_i,x_j)＝φ(x_i)·φ(x_j)；

将优化问题转化为解决对偶问题：

约束条件为：

对应的决策函数为：其中函数b^*为与支持向量向对应的函数。

优选的，其中H维图像分割算法为：

输入荔枝图像样本，在RGB三通道图像中值滤波预处理；

将RGB图像转HSI颜色空间；

以14次3×3模板的均值滤波进行H维图像滤波；

根据最大类间方差法进行图像分割，依次对分割图像进行填充，八连通区域标记，连通区域面积筛选，获取荔枝区域分割图像数据。

由上可见，应用本实施例技术方案。利用H维图像分割算法和主成份分析算法以及支持向量机构件荔枝机械损伤的PCA-SVM分类模型，可以对荔枝样本图像进行处理，实现对荔枝是否机械损伤进行判断。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的程序流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1所示，实施例提供一种荔枝机械损伤判别方法，包括以下步骤：

步骤101、输入荔枝图像样本，利用H维图像分割算法，获取荔枝区域分割图像数据；

步骤102、根据主成份分析算法，对荔枝区域分割图像数据进行处理，获取主成份特征向量；

步骤103、根据支持向量机算法，输入主成份特征向量，输出荔枝类别样本，建立荔枝机械损伤分类模型。

其中主成份分析算法具体内容如下：

将N×N大小的荔枝区域分割图像数据转化为N²个元素的一维向量I；

建立K×N²维的荔枝区域分割图像数据样本集X；

X＝{I₁,I₂,I₃…I_j,j≤K}

其中K为图像数据样本数；

计算图像样本集的协方差矩阵C：其中u为图像数据集的均值向量；

计算与协方差矩阵C的前n个特征值λ₁，λ₂，λ₃…λ_n向对应的特征向量φ，

将荔枝图像数据矩阵F去均值后，向特征向量空间φ投影，得到新的列为n×N²的主成分特征向量ψ，ψ＝(I_j-u)φ，其中j≤K；

支持向量机算法为：设训练集|x_i,y_i|，其中x_i∈Rⁿ，y_i＝{+1,-1}(i＝1,…,l)，满足条件：其中(w,b)为实数序偶；

得到分类器函数：f(x)＝sign(w·x_i+b)；

最大化最小间距，得到优化问题：

约束条件为：y_i(w·x_i+b)≥1(i＝1,…l)；

以优化问题和约束条件构造拉格朗日函数：其中拉格朗日乘子a_i≥0；

引入映射定义核函数K(x_i,x_j)：K(x_i,x_j)＝φ(x_i)·φ(x_j)；

将优化问题转化为解决对偶问题：

约束条件为：

对应的决策函数为：其中函数b^*为与支持向量向对应的函数。

当选区的核函数不同时，则形成的算法则略有不同，这里仅作为提示。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (4)

1.一种荔枝机械损伤判别方法，其特征在于，包括以下步骤：

步骤101、输入荔枝图像样本，利用H维图像分割算法，获取荔枝区域分割图像数据；

步骤102、根据主成份分析算法，对荔枝区域分割图像数据进行处理，获取主成份特征向量；

步骤103、根据支持向量机算法，输入主成份特征向量，输出荔枝类别样本，建立荔枝机械损伤分类模型。

2.根据权利要求1所述的一种荔枝机械损伤判别方法，其中主成份分析算法包括：

将N×N大小的荔枝区域分割图像数据转化为N²个元素的一维向量I；

建立K×N²维的荔枝区域分割图像数据样本集X；

X＝{I₁,I₂,I₃…I_j,j≤K}

其中K为图像数据样本数；

计算图像样本集的协方差矩阵C：其中 u为图像数据集的均值向量；

计算与协方差矩阵C的前n个特征值λ₁，λ₂，λ₃…λ_n向对应的特征向量φ，

将荔枝图像数据矩阵F去均值后，向特征向量空间φ投影，得到新的列为n×N²的主成分特征向量ψ，ψ＝(I_j-u)φ，其中j≤K。

3.根据权利要求1所述的一种荔枝机械损伤判别方法，其中支持向量机算法为：

设训练集|x_i,y_i|，其中x_i∈Rⁿ，y_i＝{+1,-1}(i＝1,…,l)，满足条件：其中(w,b)为实数序偶；

得到分类器函数：f(x)＝sign(w·x_i+b)；

最大化最小间距，得到优化问题：

约束条件为：y_i(w·x_i+b)≥1(i＝1,…l)；

以优化问题和约束条件构造拉格朗日函数： 其中拉格朗日乘子a_i≥0；

引入映射定义核函数K(x_i,x_j)：K(x_i,x_j)＝φ(x_i)·φ(x_j)；

将优化问题转化为解决对偶问题：

约束条件为：

对应的决策函数为：其中函数b^*为与支持向量向对应的函数。

4.根据权利要求1所述的一种荔枝机械损伤判别方法，其中H维图像分割算法为：

输入荔枝图像样本，在RGB三通道图像中值滤波预处理；

将RGB图像转HSI颜色空间；

以14次3×3模板的均值滤波进行H维图像滤波；

根据最大类间方差法进行图像分割，依次对分割图像进行填充，八连通区域标记，连通区域面积筛选，获取荔枝区域分割图像数据。