CN108269264A - 豆籽粒图像的去噪及分形方法 - Google Patents

Abstract

豆籽粒的形状、大小等物理表征是豆类品质和种类判定的重要依据，快速准确地通过豆籽粒图像，检测辨别豆类的种类和品质是当今农业发展的一大问题。本发明提出一种基于梯度与曲率结合模型，G&C model的豆籽粒图像去噪及分形参数研究的方法。该发明首先用梯度与曲率相结合的图像处理方法对采集到的豆子图像进行去噪处理，随后对去噪后的豆籽粒图像进行分形参数研究，完成豆籽粒特征提取，最后通过特征值简洁有效的地对豆籽粒种类进行检测，从而为豆籽粒品种的检测提供一种有效的方法。

Description

豆籽粒图像的去噪及分形方法

技术领域

本发明涉及一种豆籽粒图像基于G&C model的去噪及分形方法，属于豆籽粒种类识别技术领域。

背景技术

农业作为我国基础产业，针对农业的科技应用也在不断提高。通过豆籽粒图像获取其分形参数能够对豆类种类进行识别，采集到具有噪声的豆籽粒图像直接进行处理，能否高效、准确地判断豆籽粒的品种，减少噪声产生影响，是对豆籽粒图像进行去噪研究，提高豆籽粒品种识别精确度的关键。

目前，对基于豆籽粒图像处理的分形特性相关研究较少，且不够完善、系统，急需对相关的内容进行研究，得到完善的结论，能够有效地对基于豆籽粒图像的分形特性研究的展开提供科学指导。

发明内容

目的：针对数据的不完善，提供一种新型结构通过采用G&C model对采集到的豆籽粒图像进行处理分析，运用建立的新型模型对采集到的图像样本进行豆籽粒图像滤除噪声，将采集到的豆籽粒图像边缘曲线进行平滑处理，减少豆籽粒图像边缘信息的缺失，并与分形理论相结合，对豆籽粒图形采取分形特性研究，以此实现豆籽粒性状特征提取，尤其是豆籽粒的圆形度、面积、颗粒径等，对提高豆籽粒种类识别的精确度的提供科学指导意义。

为了克服现有技术中存在的不足，本发明提供一种豆籽粒图像基于G&C model的去噪及分形方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种豆籽粒图像基于G&C model的去噪及分形方法，包括如下步骤：

步骤一：利用CCD摄像机采集豆籽粒原始图像；

步骤二：利用MATLAB软件对原始图像进行灰度图像转换；

步骤三：对灰度图像进行二值化处理；

步骤四：运用MATLAB提取RGB分量，通过获得S分量，完成颜色空间转换；

步骤五：将梯度与曲率相结合模型，G&C model代入MATLAB的edge函数对图像进行边缘信息提取；

步骤六：运用8×8尺寸的disk结构元素来进行闭运算以及开运算，进行形态学滤波；

步骤七：用相同的数值对彼此关联的像素点进行标注后，对豆籽粒图像样本中的每个白色的区域进行抓获，将豆籽粒的轮廓扣取出来；

步骤八：建立豆籽粒圆形度分形公式，计算分形维数；

步骤九：建立豆籽粒粒径分形公式，计算分形维数；

步骤十：根据分形维数对豆籽粒进行种类识别。

所述S分量表达式如下，其中：R为红基色分量，G为绿基色分量，B为蓝基色分量，

所述梯度与曲率相结合模型表达式如下，其中：div为散度算子、为梯度算子，κ为水平集曲率，为梯度模值，|κ|为曲率模值，l为阈值，I₀代表初始图像，I(x,y,t)＝I₀*G(x,y,t)是通过原图像与高斯核卷积获得，

所述豆籽粒圆形度分形公式如下：其中，N表示方格数，M为常数,K表示分形维数,R为豆籽粒的圆形度，log_l N＝log_l M-Klog_l R，K由上式推导拟合得出。

所述豆籽粒粒径分形公式如下：其中，N_d表示籽粒径大于d的豆籽粒个数，M为常数，K_l表示籽粒径分形维数，d表示为籽粒径大小，log_l N_d＝log_l M-K_l log_l d，K_l由上式推导拟合得出。

根据分形维数K或K_l对应的豆籽粒种类来识别原始图像豆粒种类。

有益效果：本发明提供的豆籽粒图像基于G&C model的去噪及分形方法：

(1)、豆籽粒图像基于(G&Cmodel)的分形参数研究，通过更全面二阶微分量获取更加全面的豆籽粒图像数据信息；

(2)、豆籽粒图像基于(G&Cmodel)的分形参数研究，能够更好地保持豆籽粒图像的特征，增强了边缘的信息的完整性；

(3)、豆籽粒图像基于(G&Cmodel)的分形参数研究，得能够将获取到的豆籽粒图像进行更有效的分割分形处理。

附图说明

图1为本发明方法流程图；

图2为采集到的豆籽粒图像；

图3为图像的灰度处理图；

图4为图像的二值化处理图；

图5为颜色空间转换图；

图6为豆籽粒图像的边缘采集图；

图7为形态学滤波边缘图；

图8为豆籽粒图像二值检测结果图；

图9为各模型不同方差的PSNR和MSE仿真图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种豆籽粒图像基于G&C model的去噪及分形方法，包括如下步骤：

步骤一：利用CCD摄像机采集豆籽粒原始图像；

步骤二：利用MATLAB软件对原始图像进行灰度图像转换；

步骤三：对灰度图像进行二值化处理；

步骤四：运用MATLAB提取RGB分量，通过获得S分量，完成颜色空间转换；

步骤五：将梯度与曲率相结合模型，G&C model代入MATLAB的edge函数对图像进行边缘信息提取；

步骤六：运用8×8尺寸的disk结构元素来进行闭运算以及开运算，进行形态学滤波；

步骤七：用相同的数值对彼此关联的像素点进行标注后，对豆籽粒图像样本中的每个白色的区域进行抓获，将豆籽粒的轮廓扣取出来；

步骤八：建立豆籽粒圆形度分形公式，计算分形维数；

步骤九：建立豆籽粒粒径分形公式，计算分形维数；

步骤十：根据分形维数对豆籽粒进行种类识别。

如图2所示，利用matlab软件预处理采集到的原始豆籽粒图像，对于采集到的豆籽粒原始图像来说，此处必须提取豆籽粒原始图片中所需的目标物，因此此处对采集到的豆籽粒原始图像先进行灰度图像转换以此来达到减少原始图像噪声的目的，更好得保证采集到的原始图像的质量。如图3所示，进行灰度的转化后其成图效果相对较好，能够满足相应的要求，并且从灰度图中可以清晰的得到有无明显双峰信息。

如图4所示，上述图像的灰度变换并不能够满足所需图像的最终处理效果，此处必须再对豆籽粒图像进行二值化处理。其中通过改变豆籽粒图像所需的阀值，将豆籽粒图像二值化效果进行相应的改变，对豆籽粒图像的变化成果进行观察，最终采集到最佳一个的门限阀值信息为0.36。

在对多数采集到的图像中都有豆籽粒进行直接的二值化分割处理时，总是会产生阴影部分，此部分将对后续处理结果产生较大影响。此处的原因是因为采集到的豆籽粒原始图像信息并不仅仅是红绿蓝(RGB)基色分量简单地混合而成，现实中所采集到的已存在的三维物体还包括色调、亮度以及饱和度等一系列的特性参数。此处采用HSI模型，其中H表示色调、S表示饱和度，I表示亮度。对采集到的原始豆籽粒图像进行颜色空间的转化，由RGB转变成HSI模型的颜色空间中，发现其中的阴影效果减轻了。其中关于HSI模型转换的公式为：

如图5所示，运用MATLAB提取处理后二值化图像的RGB分量，将采集到的分量参数带入式(1)获取到S分量，由此运用MATLAB上的工具包完成颜色空间转换。

非线性扩散模型(PM模型)能够把图像的边缘检验测试和样本图像的滤波进行相应的统一合并，该模型的能量函数表达式为：

式中，I为图像，Ω为图像区域，f(x)为图像函数，引入虚拟时间t，解式(2)中的最小能量泛函可得扩散方程为：

式中，散度算子表示为div、梯度算子表示为初始图像表示为I₀，该模型方程是由原图像与高斯核卷积计算采集，为I(x,y,t)＝I₀*G(x,y,t)，而图像像素分别表示为x,y，滤波尺度表示为σ，其中，扩散系数能够符合的要求，此处为与梯度有关联的函数，也就是说在梯度低的范围里面平滑的效果会很理想，但是在临近豆籽粒图像样本的边缘范围同时其梯度比较高的区域内，PM模型能够尽量的做到有效地进行平滑，减少操作，真正的做到保护边缘的完整性。Perona和Mailik提出的g(x)有以下两种形式：

其中l为阈值，为梯度模值。

此处设定平面图像曲线的切矢量为T，并且当作单位矢量使用，表示为：

T＝C_s,|T|＝1 (6)

因为单位矢量包括C_s，并且与自身的内积为1，即C_s·C_s＝||C_s||²＝1，通过对以上关系式两边进行求导能够获取<C_s,C_ss>＝0，C_ss为切矢量T的导数，不难看出此处矢量C_ss和单位切矢量C_s是正交关系。在这里设定将能够同T一起组合成右手坐标系的单位矢量设定成法矢量N。得到矢量C_ss与N共线，故可表达为：

C_ss＝κN (7)

以上关系式中，曲率是用κ来表示，即作为比例系数。将关系式(6)两边进行求导得到：

T_s＝C_ss (8)

通过关系式(7)、(8)获取到：

T_s＝κN (9)

此关系式表明曲率κ(s)的几何意义实际上是切矢量T随着弧长的变化率。

此处假设曲线上的某一点s的切矢量和法矢量分别为T(s)＝(cosθ,sinθ)，N(s)＝(-sinθ,cosθ)，式中θ表示T与x轴的夹角。

当沿曲线移动到s+Δs点时，

取Δs→0的极限，并与式(8)比较得：

以上能够有效的解释曲率就是作为切矢量本身旋转时的角速度，并且还是作为法矢量旋转时的角速度。又因为单位法矢量N(s)＝(-sinθ,cosθ)＝(n₁,n₂)，n₁,n₂表示所取点s的法矢量，所以

但ds＝dxcosθ+dysinθ，将它与相比较，可得 将它们带入式(10)，可得从而可得：

针对于平面封闭曲线，可得到：

C＝{(x,y),I(x,y)＝0} (13)

以上关系式(13)中I(x,y)是某一个二维函数。总的来说曲线C符合I(x,y)＝c的关系点集，此处定义成函数I(x,y)的一个水平集，表示成I(x,y)为曲线C的嵌入函数。倘若在水平集的某一处p沿水平集的切线方向对I(x,y)进行求方向导数，由于I(x,y)沿水平集一直维持不变，则式中的θ表示切矢量t与x轴的夹角。可见，I(x,y)的梯度矢量为:

它与水平集的切矢量T(s)＝(cosθ,sinθ)相垂直，即与水平集的法矢量平行。在其他的一个角度，从式(14)中得到依据，I值所变化扩大的角度始终有梯度矢量进行伴随，由此可以明确地得到水平集单位法矢量的表达式：

此处通常情况下规定式(15)取的是负号，将式(15)反代入到式(12)中，能够清晰地计算求出此处嵌入的函数I(x,y)水平集曲率值的表达式为：

通过以上关于曲率的计算以及推导出的关系式能够得到，曲率是作为描述几何体不平坦程度的度量参数，可以有效地分辨样本边缘等详细数据，此处联系到使图像样本水平集所计算求得的曲率设定成一个二阶微分量，来实现表述都在力量图像形态学的参数特性。由此所获得的新模型为：

式中，div、分别为散度算子和梯度算子，κ为水平集曲率，|κ|为曲率模值，l为阈值，I₀代表初始图像，该模型是通过原图像与高斯核卷积获得，即I(x,y,t)＝I₀*G(x,y,t)。

将图像的水平集曲率作为一个检测因子代入到PM模型中，建立一个梯度与曲率相结合模型(G&C model)，如下

式中，div、分别为散度算子和梯度算子，κ为水平集曲率，为梯度模值，|κ|为曲率模值，l为阈值，I₀代表初始图像，该模型是通过原图像与高斯核卷积获得，即I(x,y,t)＝I₀*G(x,y,t)。在此基础上运用MATLAB提供的edge函数进行边缘提取，如图6所示。

如图7所示，以上基于G&C model完成豆籽粒的边缘信息提取，最后为了能够更好的去除此处存在的噪声点，进行最后所需的简单的形态学滤波。本文通过调用MATLAB中8×8尺寸的disk结构元素，对所采集到的豆籽粒图像进行最后的形态学处理，最终所获取的结果图。

如图8所示，通过二值化操作后的豆籽粒样本图像里面包括了不少的白色区域。检验测试每个采集到的图样像素点的关联类别，将豆籽粒的轮廓扣取出来。在采集到豆籽粒轮廓信息的基础上，继续捕捉其他的豆籽粒的形态学特性参数，包括豆籽粒图像自身所有的外接正方形的信息，比如边长、周长以及籽粒径等信息。

对于一般的外在轮廓并不规则的豆籽粒图样样本来说，形心的计算对其的研究有着尤为重要的作用，在后期的处理中，形心能够提供定位参考的作用。形心坐标公式为:

以上公式中，n表示每一个豆籽粒的像素点数的总个数，P表示第i个像素点的取值，x_i,y_i表示第i个像素所需的横坐标与纵坐标的取值。考虑到以上的豆籽粒样本都是随机进行提取摆放，所以在对豆籽粒的参数进行研究时，有必要对其进行正形后再做后续的操作研究。

此处，运用MATALB计算出豆籽粒样本图像边缘轮廓线所围的面积A以及轮廓线的周长P，计算出面积为A相等的圆的直径，定义该直径为籽粒径d，该籽粒径的表达式为:

圆形度R描述豆籽粒边缘轮廓的复杂程度的一个重要特征量，是边界形状接近圆的程度，其计算公式为：

为了研究分形以及分维的方式来对豆籽粒样本图像的形态学参数特性分析。将豆籽粒的一个重要研究方向规定为提取的豆籽粒分形维数。豆籽粒的一些物质特性能够由上述提取出来的分形维数来描述。由于所测定的豆籽粒样本的品质种类的区别，此处可以建立出相对应的模型来进行研究分析。以下为豆籽粒的分形特征式:

N(l)＝μl (22)

(1)根据圆形度进行分形研究，豆籽粒的边缘轮廓曲线可利用方格维数计算得分形维数。与边缘轮廓线相交的正方形个数记为方格数N，方格的大小为l×l，l为方格的边长，μ为常数参量。存在推导公式：

log_l N＝log_l M-Klog_l R (23)

N表示方格数，M为常数,K表示分形维数,R为豆籽粒的圆形度。K可以由式(23)推导拟合得出，l的取值能直接关系到圆形度分形的结果，其中l取值决定所需方格数目，方格数目越大所得结果的精确度越高。分形维数的数值的大小也是根据豆籽粒边缘轮廓的复杂程度来决定，即圆形度R来决定。豆籽粒样本的边缘轮廓的特点是通过以上圆形度分形所得的维数来体现的。本文是对四个不同品种的豆籽粒样本进行提取计算，分别对所求出的分形维数进行比较。

从表1中所得到的数据来看，计算提取出的豆籽粒的圆形度的分形参数产生的变化不大，其产生的缘由与边长的l有关。此处还需要配合别的参数来对相应的豆籽粒样本进行研究分析。由以上能够总结出，仅仅采用豆籽粒的圆形度所得到的分形参数来当作特性研究还是远远不够的。

边缘分形豆籽粒样本	分形维数
		1绿豆	1.056876
2黑豆	1.052987
		3黄豆	1.046769
4红豆	1.033678

表1豆籽粒样本的分形维数

(2)依据籽粒径所得分形参数的有关表达式：

log_l N_d＝log_l M-K_l log_l d (24)

N_d表示籽粒径大于d的豆籽粒个数，M为常数,K_l表示籽粒径分形维数，d表示为籽粒径大小。豆籽粒的粒径的分形维数还能通过拟合其他数据来得到结果。此处选用四种不同种类的豆籽粒样本来进行相应的分形计算，通过与已有的各类豆籽粒以平均籽粒径拟合的分形参数标准值作对比，以此实现豆籽粒的种类识别，所得结果如表2。

豆籽粒图像	分形维数	豆籽粒数目	识别偏差值
				绿豆	1.678681	5	3.6％
黄豆	1.556987	5	5.3％
				黑豆	1.438798	5	4.5％
红豆	1.534892	5	4.3％

表2豆籽粒分形维数与豆籽粒数目

由表2不难得到这样的结论，圆形度分形与分布状况在一定的程度上同豆籽粒种类相关联。通过对提取的豆籽粒的数目N_d以及不同的豆籽粒的种类进行的籽粒径d进行拟合得到分形维数。由计算得到籽粒径数值变小分形维数则变大，因此可以的得到不同豆籽粒的籽粒径其实和其分形维数之间的关系是负相关，其中籽粒径分布圆形度减小呈现的分形特征越明显，反映豆籽粒圆形度分布越复杂。

由以上的结果可以清晰、有效的看出基于G&Cmodel图像处理的豆籽粒分形研究得到的豆籽粒种类识别的参数误差较小，明确地解析了CCD摄像机采用线性关系进行变化所得到RGB空间的误差数值以及二维图像空间信息变化后所具有的均方误差数值，也以此表明基于CCD采集到的图像要进行数字图像处理必须要经过图像的色彩空间的转换，得到更有效的基础图像便于处理，建立G&Cmodel，从以上图像处理的结果来看，该模型平滑后的图像不但可视性好，而且从图8中的第四幅图可以看出该模型可以保持图像的特征，相对于传统的模型来看包含更丰富的样本图样数据内容。

表3各种去噪模型的MSE和PSNR比较

从表3不难发现G&Cmodel所具备的信噪比与传统图像处理模型相比提高了55个db左右，拥有最佳的性能。如图9所示，G&Cmodel在对比传统的模型具有最高峰值信噪比以及最低均方差，有一次有效地说明了G&Cmodel拥有优秀的噪声滤除性能，能够更有效的保留采集图像的边缘信息，提高豆籽粒分形参数研究的可靠性。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：包括如下步骤：

步骤一：利用CCD摄像机采集豆籽粒原始图像；

步骤二：利用MATLAB软件对原始图像进行灰度图像转换；

步骤三：对灰度图像进行二值化处理；

步骤四：运用MATLAB提取RGB分量，通过获得S分量，完成颜色空间转换；

步骤五：将梯度与曲率相结合模型，G&C model代入MATLAB的edge函数对图像进行边缘信息提取；

步骤六：运用8×8尺寸的disk结构元素来进行闭运算以及开运算，进行形态学滤波；

步骤七：用相同的数值对彼此关联的像素点进行标注后，对豆籽粒图像样本中的每个白色的区域进行抓获，将豆籽粒的轮廓扣取出来；

步骤八：建立豆籽粒圆形度分形公式，计算分形维数；

步骤九：建立豆籽粒粒径分形公式，计算分形维数；

步骤十：根据分形维数对豆籽粒进行种类识别。

2.根据权利要求1所述的豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：所述S分量表达式如下，其中：R为红基色分量，G为绿基色分量，B为蓝基色分量，

3.根据权利要求1所述的豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：所述梯度与曲率相结合模型表达式如下，其中：div为散度算子、▽为梯度算子，κ为水平集曲率，|▽I|为梯度模值，|κ|为曲率模值，l为阈值，I₀代表初始图像，I(x,y,t)＝I₀*G(x,y,t)是通过原图像与高斯核卷积获得，

4.根据权利要求1所述的豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：所述豆籽粒圆形度分形公式如下：其中，N表示方格数，M为常数,K表示分形维数,R为豆籽粒的圆形度，log_lN＝log_lM-Klog_lR，K由上式推导拟合得出。

5.根据权利要求1所述的豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：所述豆籽粒粒径分形公式如下：其中，N_d表示籽粒径大于d的豆籽粒个数，M为常数，K_l表示籽粒径分形维数，d表示为籽粒径大小，log_lN_d＝log_lM-K_llog_ld，K_l由上式推导拟合得出。

6.根据权利要求4或5所述的豆籽粒图像基于G&C model的去噪及分形方法，其特征在于：根据分形维数K或K_l对应的豆籽粒种类来识别原始图像豆粒种类。