本發(fā)明涉及計(jì)算機(jī)視覺圖像處理方法，具體涉及一種快速局部閾值分割的水果表面缺陷檢測方法。

背景技術(shù)：

表面缺陷檢測是水果分級的重要依據(jù)之一，在世界各國的水果評級標(biāo)準(zhǔn)中有嚴(yán)格的規(guī)定。國內(nèi)外大量學(xué)者研究通過計(jì)算機(jī)視覺方式檢測水果及農(nóng)產(chǎn)品表面缺陷，但是許多農(nóng)產(chǎn)品是類球體，二維圖形中部的灰度值要遠(yuǎn)大于邊緣的灰度值，導(dǎo)致表面缺陷圖像檢測的困難。

經(jīng)過現(xiàn)有的技術(shù)檢索發(fā)現(xiàn)，方法主要分為三類：

1)基于球體灰度模型的處理方法。譬如專利文獻(xiàn)中國專利cn101984346a記載了一種基于低通濾波的水果表面缺陷檢測方法，首先獲得去除背景的r分量圖像，利用水果彩色圖像通過離散傅里葉變換進(jìn)行低通濾波然后離散傅里葉反變換獲得表面亮度圖像，前者圖像除以后者圖像得到均一化亮度圖像，再采用單閾值實(shí)現(xiàn)水果表面缺陷分割，該技術(shù)能檢測亮度較低的表面缺陷，但是會(huì)丟失在中心區(qū)域以及邊緣區(qū)域的高亮度及中亮度表面缺陷；中國專利cn102788806a利用水果rgb圖像和nir圖像，計(jì)算對比水果的缺陷形狀、大小，但是水果不是嚴(yán)格球體，該專利用二值圖像外接矩形最大寬度近似水果直徑，最大寬度的一半作為迭代次數(shù)終止條件。這種方法對非圓形的橢圓形水果會(huì)產(chǎn)生誤差，而且橢圓形水果長軸和短軸受到的光照朗伯現(xiàn)象不一樣直接用該區(qū)域像素點(diǎn)直接進(jìn)行亮度平均處理，會(huì)對缺陷檢測帶來誤差；lijiangbo等人(2013)利用光照傳輸模型與圖像比技術(shù)檢測臍橙表面缺陷，該方法算法對較低亮度缺陷有效，但是容易丟失高亮度以及中亮度表面缺陷區(qū)域。(automaticdetectionofcommonsurfacedefectsonorangesusingcombinedlightingtransformandimageratiomethodsjiangboli,xiuqinrao,postharvestbiologyandtechnology2013)；李江波等人(2011)利用水果表面亮度矯正單閾值臍橙表面缺陷提取，該方法會(huì)丟失高亮度表面缺陷區(qū)域(李江波，饒秀勤，應(yīng)義斌.水果表面亮度不均校正及單閾值缺陷提取研究，農(nóng)業(yè)工程學(xué)報(bào),2011年12期)。

2)基于表面紋理特征的處理方法。lópez-garcíaf等人(2010)利用多元圖像理論以及表面紋理特征算法訓(xùn)練方法檢測臍橙表面缺陷，該算法比較復(fù)雜不易用于在線，而且檢測臍橙表面缺陷類型有限。(lópez-garcíaf,andreu-garcíag,blascoj,etal.automaticdetectionofskindefectsincitrusfruitsusingamultivariateimageanalysisapproach[j].computersandelectronicsinagriculture,2010,71(2):189-19)。

3)基于多光譜成像技術(shù)的處理方法。j.blascoa等人利用多光譜成像設(shè)備進(jìn)行臍橙表面缺陷分析，該方法硬件成本較高和復(fù)雜(2007)(j.blascoa,n.aleixos.(2007).citrussortingbyidentificationofthemostcommondefectsusingmultispectralcomputervision.journaloffoodengineering83(2007)384–393)。

現(xiàn)有方法存在檢測表面缺陷類型有限以及計(jì)算方法較復(fù)雜速度慢難以用于在線檢測或者依賴成本較高的復(fù)雜硬件成像技術(shù)的問題，因此需要新的水果表面缺陷檢測方法。

技術(shù)實(shí)現(xiàn)要素：

為了解決背景技術(shù)中檢測表面缺陷類型有限以及計(jì)算方法較復(fù)雜難以用于在線檢測或者依賴成本較高的復(fù)雜硬件成像技術(shù)的問題，本發(fā)明的目的在于提供一種快速局部閾值分割的水果表面缺陷檢測方法，適用于在線檢測場合。

如圖1所示，本發(fā)明解決其技術(shù)問題所采用技術(shù)方案的步驟如下：

1)獲取水果rgb彩色圖像；

2)對水果rgb彩色圖像去除背景轉(zhuǎn)換成灰度圖像，形成目標(biāo)圖像p(i,j)；

3)對目標(biāo)圖像p(i,j)轉(zhuǎn)換成積分圖像i(x,y)；

4)用積分圖像i(x,y)進(jìn)行計(jì)算并對目標(biāo)圖像p(i,j)處理獲得目標(biāo)二值化圖像d(i,j)；

5)將步驟4)得到目標(biāo)二值化圖像依次進(jìn)行填洞和中值濾波處理獲得水果表面缺陷圖像，根據(jù)水果表面缺陷圖像獲得缺陷結(jié)果，圖像中白色區(qū)域?yàn)槿毕荨?/p>

所述步驟3)中，用以下公式獲得積分圖像i(x,y)：

式中：i(x,y)—積分圖像像素點(diǎn)(x,y)的像素值，p(i,j)—目標(biāo)圖像像素點(diǎn)(i,j)的像素值，i和j分別表示目標(biāo)圖像像素的水平坐標(biāo)和垂直坐標(biāo)，x和y分別表示積分圖像像素的水平坐標(biāo)和垂直坐標(biāo)。

所述步驟4)具體為：

4.1)掃描步驟2)中的目標(biāo)圖像p(i,j)每個(gè)像素，同時(shí)以積分圖像中對應(yīng)同一位置的每個(gè)像素作為窗口的中心像素，用25×25窗口掃描積分圖像中對應(yīng)同一位置的像素，窗口中超過積分圖像邊界的像素用中心像素的像素值填充，并計(jì)算每個(gè)25×25窗口中各個(gè)像素值的算數(shù)平均值，作為目標(biāo)圖像p(i,j)每個(gè)像素的分割值q(i,j)；

4.2)用目標(biāo)圖像p(i,j)每個(gè)像素對應(yīng)的分割值q(i,j)進(jìn)行計(jì)算，獲得局部閾值s(i,j)，并根據(jù)局部閾值s(i,j)對目標(biāo)圖像p(i,j)中的像素進(jìn)行重新賦值，遍歷處理獲得目標(biāo)二值化圖像d(i,j)。

所述步驟4.2)中，對于目標(biāo)圖像p(i,j)每個(gè)像素(背景像素0不參與計(jì)算)依據(jù)對應(yīng)的分割值q(i,j)通過以下公式進(jìn)行計(jì)算每個(gè)像素各自的局部閾值s(i,j)：

式中：s(i,j)—像素的局部閾值，q(i,j)—分割值，t—修正數(shù)，默認(rèn)是5；

然后掃描目標(biāo)圖像p(i,j)每個(gè)像素(背景像素0不參與)：若像素值大于分割局部閾值s(i,j)時(shí)，則將該像素的像素值賦值為1；若像素值小于等于分割局部閾值s(i,j)時(shí)，則不進(jìn)行處理；

遍歷每個(gè)像素處理獲得目標(biāo)二值化圖像d(i,j)。

所述步驟5)中填洞采用以下公式完成填洞然后進(jìn)行3×3中值濾波，得到表面缺陷圖像：

fk＝(fk-1e)∩d^c,fk＝fk-1

式中：f—填洞圖像處理結(jié)果；d—二值化圖像完成形態(tài)學(xué)膨脹的數(shù)據(jù)；e—四連通域；k—計(jì)算次數(shù)，k＝1,2,3…；d^c—d的補(bǔ)集。

本發(fā)明具有的有益效果是：

本發(fā)明利用缺陷和正常區(qū)域領(lǐng)域灰度信息變化特點(diǎn)，能有效避免對類球體狀的水果及農(nóng)產(chǎn)品的亮度矯正，無需額外對類球體狀的臍橙進(jìn)行亮度矯正，克服表面光場分不均勻?qū)е氯毕輽z測帶來的干擾，可適應(yīng)多種水果表面缺陷檢測，檢測準(zhǔn)確和實(shí)用。

本發(fā)明雖然采用的局部分割方式，但是方法速度快，克服了現(xiàn)有局部分割方式計(jì)算速度慢的問題(現(xiàn)有技術(shù)中全局分割方式都比較快，局部分割方式都比較慢)，有利用實(shí)際應(yīng)用，具有較大的應(yīng)用價(jià)值。

附圖說明

圖1是本發(fā)明方法的流程圖。

圖2是本發(fā)明實(shí)施例1中原始圖像。

圖3是本發(fā)明實(shí)施例1中目標(biāo)圖像。

圖4是本發(fā)明實(shí)施例1中積分圖像。

圖5是本發(fā)明實(shí)施例1中目標(biāo)二值化圖像。

圖6是本發(fā)明實(shí)施例1中四連通域。

圖7是本發(fā)明實(shí)施例1中提取表面缺陷圖像。

圖8是臍橙風(fēng)傷果原始圖。

圖9是臍橙風(fēng)傷果表面缺陷檢測結(jié)果圖。

圖10是臍橙薊馬果原始圖。

圖11是臍橙薊馬果表面缺陷檢測結(jié)果圖。

圖12是臍橙介殼蟲果原始圖。

圖13是臍橙介殼蟲果表面缺陷檢測結(jié)果圖。

圖14是臍橙潰瘍果原始圖。

圖15是臍橙潰瘍果表面缺陷檢測結(jié)果圖。

圖16是臍橙裂果原始圖。

圖17是臍橙裂果表面缺陷檢測結(jié)果圖。

圖18是臍橙炭疽病果原始圖。

圖19是臍橙炭疽病果表面缺陷檢測結(jié)果圖。

圖20是臍橙藥害果原始圖。

圖21是臍橙藥害果表面缺陷檢測結(jié)果圖。

圖22是臍橙表皮破裂腐爛果原始圖。

圖23是臍橙表皮破裂腐爛果表面缺陷檢測結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步的說明。

如圖1所示，本發(fā)明的實(shí)施例及其實(shí)施過程如下：

1)拍攝樣本水果rgb彩色圖像，如圖2所示。

2)對水果rgb彩色圖像去除背景轉(zhuǎn)換成灰度圖像，獲得如圖3所示的目標(biāo)圖像p(i,j)。

3)對目標(biāo)圖像p(i,j)用公式(1)獲得如圖4所示的積分圖像i(x,y)：

4)掃描目標(biāo)圖像p(i,j)每個(gè)像素，同時(shí)用25×25窗口掃描積分圖像中相對應(yīng)像素，窗口中超過積分圖像邊界的像素用邊界像素填充，并計(jì)算每個(gè)25×25窗口的算數(shù)平均值，作為目標(biāo)圖像p(i,j)每個(gè)像素的分割值q(i,j)；

5)目標(biāo)圖像p(i,j)每個(gè)像素(背景像素0不參與計(jì)算)依據(jù)對應(yīng)的分割值q(i,j)通過公式(2)進(jìn)行計(jì)算局部閾值s(i,j)。

然后掃描目標(biāo)圖像p(i,j)每個(gè)像素(背景像素0不參與)當(dāng)大于分割局部閾值s(i,j)時(shí)，則將與當(dāng)前窗口中心像素具有同樣位置的目標(biāo)圖像p(i,j)中的像素賦值為0否則賦值為1，遍歷處理獲得如圖5所示的目標(biāo)二值化圖像d(i,j)。

6)二值化圖像d(i,j)采用公式(3)完成填洞然后進(jìn)行3×3中值濾波，得到如圖7所示表面缺陷圖像，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

fk＝(fk-1e)∩d^c,fk＝fk-1(3)

式中，e采用如圖6所示的四連通域。

本發(fā)明實(shí)施例分別對臍橙風(fēng)傷果、臍橙薊馬果、臍橙介殼蟲果、臍橙潰瘍果、臍橙裂果、臍橙炭疽病果、臍橙藥害果、臍橙表皮破裂腐爛果進(jìn)行了實(shí)施實(shí)驗(yàn)，相關(guān)原始圖像和檢測結(jié)果圖像分別如附圖8～圖23所示：

圖8是臍橙風(fēng)傷果的原始圖像，圖9是圖8的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖10是臍橙薊馬果的原始圖像，圖11是圖10的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖12是臍橙介殼蟲果的原始圖像，圖13是圖12的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖14是臍橙潰瘍果的原始圖像，圖15是圖14的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖16是臍橙裂果的原始圖像，圖17是圖16的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖18是臍橙炭疽病果的原始圖像，圖19是圖18的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖20是臍橙藥害果的原始圖像，圖21是圖20的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

圖22是臍橙表皮破裂腐爛果的原始圖像，圖23是圖22的檢測結(jié)果圖，其中白色區(qū)域?yàn)槿毕輩^(qū)域。

由上述各個(gè)實(shí)施例原始圖像和檢測結(jié)果圖相對比可見，本發(fā)明對水果大小、形狀的變化不敏感，且能檢測臍橙9種表面缺陷(風(fēng)傷果、薊馬果、介殼蟲果、潰瘍果、裂果、炭疽病、藥害果、表皮破裂型腐爛果)。另外，圖像處理速度快，在cpu為i5-2410處理器的臺(tái)式機(jī)上實(shí)現(xiàn)一幀水果圖像檢測的時(shí)間不大于28ms，在水果及農(nóng)產(chǎn)品品質(zhì)計(jì)算機(jī)視覺在線檢測方面具有較大的應(yīng)用價(jià)值。

上述具體實(shí)施方式用來解釋說明本發(fā)明，而不是對本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。