一種綠色果實識別方法
【專利摘要】本發(fā)明公開了一種綠色果實識別方法，首先采集圖像，提取R通道分量圖像，對分量圖像進(jìn)行中值濾波和8級灰度離散化操作；其次對8級灰度圖像進(jìn)行多角度灰度階梯掃描，并基于啟發(fā)式規(guī)則對掃描結(jié)果進(jìn)行篩選；接著對篩選結(jié)果對應(yīng)的各類信息進(jìn)行融合，生成候選果實區(qū)域；最后從外觀特征和團(tuán)塊操作、灰度階梯方向數(shù)量、灰度階梯數(shù)量三方面對候選果實區(qū)域進(jìn)行投票，根據(jù)多數(shù)投票原則，確定最終的真實果實區(qū)域。本發(fā)明識別過程引入多數(shù)投票決策機(jī)制，并通過該機(jī)制融合了場景圖像外觀特征、網(wǎng)狀灰度階梯特征，大幅提升了識別方法的準(zhǔn)確率和魯棒性，有助于大幅提升采摘機(jī)器人整體作業(yè)效率。
【專利說明】
一種綠色果實識別方法
技術(shù)領(lǐng)域：
[0001] 本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，涉及一種基于網(wǎng)狀灰度階梯特征、自適應(yīng)分類器 以及多數(shù)投票決策機(jī)制的樹上綠色果實識別方法。
【背景技術(shù)】：
[0002] 采摘機(jī)器人有助于提高果實采摘效率、降低損傷率及節(jié)省人工成本，具有重要現(xiàn) 實意義。其中基于場景解析的果實識別策略是采摘機(jī)器人實現(xiàn)果實采摘的重要關(guān)鍵技術(shù)。
[0003] 機(jī)器視覺被普遍認(rèn)為是采摘機(jī)器人實現(xiàn)果實場景解析的最佳途徑，基于機(jī)器視覺 的果實識別是相關(guān)領(lǐng)域的長期研究熱點。然而非結(jié)構(gòu)化果實場景固有的不確定性對機(jī)器人 通過視覺感知果實及作業(yè)環(huán)境信息構(gòu)成了巨大挑戰(zhàn)。果實生長條件（如水果品種、營養(yǎng)狀 態(tài)、水分條件、生長階段、果實相對樹枝的位置）、環(huán)境條件(如光源強(qiáng)度、色溫、照射方向等 參數(shù)的動態(tài)變化）、光照條件(遮擋、樹冠場景幾何)都是潛在的不確定因素。
[0004] 當(dāng)前相關(guān)研究主要集中在采摘目標(biāo)與背景顏色對比度大、形狀較規(guī)則的非綠色水 果品種上，并已取得較多進(jìn)展。綜合利用果實外觀特征（如顏色、紋理及形狀特征），結(jié)合閾 值分割以及形態(tài)擬合方法對果實目標(biāo)進(jìn)行識別定位是較常見和識別率較高的方法，相關(guān)研 究涉及柑橘、葡萄、獼猴桃、番茄[等多類水果。
[0005] 另一方面，綠色果實的識別對于成熟綠色水果的自動收獲、水果產(chǎn)量的前期估計 和銷售策略的制定有重要的意義。盡管綠色水果的識別難度較大，特別是國內(nèi)學(xué)者研究很 少，但是其已逐漸成為國內(nèi)外農(nóng)業(yè)工程領(lǐng)域的一個新的研究熱點。
[0006] 國內(nèi)關(guān)于綠色水果識別的相關(guān)專利暫時沒有。經(jīng)對現(xiàn)有文獻(xiàn)檢索發(fā)現(xiàn)，F(xiàn)erhat等 人在2011 年第78卷2期的Computers and Electronics in Agriculture專業(yè)期刊上發(fā)表了 題為《基于特征果、顏色及環(huán)形Gabor紋理特征的綠色果實識別方法》的文章（文章英文名： Green citrus detection using'eigenfruit'，color and circular Gabor texture features under natural outdoor conditions)，該文章公開了一種綜合多類特征、多尺 度尋找策略以及多數(shù)投票策略的綠色柑橘識別方法，但其仍然存在果實識別率較低、果實 誤檢率尚、檢測算法過程復(fù)雜等問題。

【發(fā)明內(nèi)容】
：
[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種融合網(wǎng)狀灰度階梯特征、自適 應(yīng)分類器以及多數(shù)投票決策機(jī)制的綠色果實識別方法，該方法基于多角度網(wǎng)狀灰度階梯特 征的檢測及篩選提出候選果實區(qū)域，并利用自適應(yīng)分類器以及灰度階梯特征的統(tǒng)計特性對 候選區(qū)域進(jìn)行綜合判斷以確定果實數(shù)量及實際位置，其技術(shù)方案如下：
[0008] -種綠色果實識別方法，其特征在于，包括步驟如下：
[0009] 第一步，采集一幀圖像到內(nèi)存。
[0010] 第二步，提取彩色圖像的R通道圖像。
[0011] 第三步，以特定大小的濾波模塊對R通道圖像進(jìn)行中值濾波。
[0012] 第四步，對中值濾波處理后的輸出圖像進(jìn)行8級灰度離散化操作，得到8級灰度圖。
[0013] 8級灰度圖中，果實表面對應(yīng)區(qū)域在相當(dāng)大的取景尺度范圍內(nèi)均呈現(xiàn)8，7 .. i，i-1，. .2，1的完整灰度分布。其中灰度8僅當(dāng)果實表面被大面積陰影遮擋時不存在，而灰度1的 分布均在隨機(jī)性。我們將果實表面這種在特定方向上灰度由高到低的等差遞減特性定義為 灰度階梯;將不同方向上的灰度階梯集合總稱為網(wǎng)狀灰度階梯特征。
[0014] 第五步，對8級灰度圖進(jìn)行多角度灰度階梯掃描。
[0015] 掃描角度定義為掃描方向與X軸的夾角。由于果實表面下半部分呈現(xiàn)的灰度階梯 比較完整，因此，我們只掃描0-180度區(qū)間（間隔為15度）的灰度階梯，具體涉及的灰度階梯 有87654321、8765432、765432、7654321四種。場景中絕大部分果實表面的最大灰度為8,而 少部分完全處于陰影下的果實表面從灰度7開始，我們將兩種灰度階梯模式分別規(guī)定為 patternl及pattern2〇
[0016] 第六步，對灰度階梯掃描結(jié)果應(yīng)用啟發(fā)式規(guī)則進(jìn)行篩選，以去除各類場景幾何產(chǎn) 生的偽灰度階梯。
[0017] 所述的啟發(fā)式規(guī)則涉及灰度階梯的跨度及特定灰度階寬概念，其定義為:針對已 有灰度階梯和對應(yīng)的掃描線，我們將掃描線經(jīng)歷的特定灰度像素點總數(shù)定義為該灰度的階 寬（如widthofgray (i)表示灰度i的階寬），同時將所有灰度階寬的總和定義為灰度階梯的 跨度span
基于前期實驗結(jié)果和場景的實際灰度統(tǒng)計特性，本 發(fā)明針對灰度階梯模式pat tern 1和pat tern2，分別定義爻

[0018] 所述偽灰度階梯包含三類:樹枝表面、樹葉表面以及場景幾何隨機(jī)產(chǎn)生的偽灰度 階梯，分別設(shè)計多個啟發(fā)式規(guī)則進(jìn)行篩選。
[0019] 第一類偽灰度階梯產(chǎn)生原因在于:樹枝表面近似圓柱形，對自然光照的反射及成 像效果類似于果實球狀表面，因此其表面呈現(xiàn)局部的灰度依次遞減特征。該類偽灰度階梯 與待檢測目標(biāo)灰度階梯的主要區(qū)別在于跨度不同。因此定義規(guī)則1:目標(biāo)span> = Iu^sparu th_low，其中span_th_low為通過實驗獲得的目標(biāo)跨度閾值下限，ki定義為與當(dāng)前成像距 離、果實大小相關(guān)的尺度系數(shù)。
[0020] 第二類偽灰度階梯產(chǎn)生原因在于:場景局部區(qū)域由上下兩個分別處于陽面和陰面 的樹葉構(gòu)成，灰度由上葉面的高灰度急劇過渡到下葉面的低灰度或一個樹葉在其他樹葉的 遮擋下呈現(xiàn)由外到內(nèi)的水平灰度遞減。該類偽灰度階梯與目標(biāo)灰度階梯的區(qū)別主要有兩 個:跨度小以及部分灰度階寬在整個跨度中的占比非常小。由于規(guī)則1已對目標(biāo)跨度作出最 小值約束，我們定義規(guī)則2對階寬占比進(jìn)行進(jìn)一步約束：
[0021 ] mjn[ (u7tWw'松"卩'⑴ + '孕_]乏 J .， 最小的兩個階寬比例不能小于特定值rat i o_th。
[0022]第三類偽灰度階梯為場景幾何隨機(jī)產(chǎn)生的灰度階梯。該類偽灰度階梯由于其產(chǎn)生 原因的隨機(jī)性，應(yīng)定義多條規(guī)則進(jìn)行篩選。規(guī)則3: span < ki*span_th_high，其中span_th_ high為通過實驗獲得的目標(biāo)跨度閾值上限，1^為與規(guī)則1中相同的尺度系數(shù)。該規(guī)則的目的 在于濾除跨度過大的偽灰度階梯，如在當(dāng)前視野中占主導(dǎo)地位的葉片表面在水平方向上容 易產(chǎn)生該類大跨度灰度階梯。規(guī)則4: f (areaof gray (max (i)) > area_th*ki)，then rat io < ratio_th_2，這里的ratio = area/[maxsideof(boundingbox) ]2，maxsideof(boundingbox) 為最大灰度超像素外接矩陣的長邊。本條規(guī)則用于約束灰度階梯中最高灰度所在超像素的 緊湊性，當(dāng)該超像素面積大于特定值area_th*ki (意味著果實中心最高灰度區(qū)域基本未被 遮擋），該超像素面積與其外接矩陣長邊的平方比值應(yīng)小于特定值ratio_th_2。規(guī)則5:果實 表面最高灰度的超像素區(qū)域一般會對應(yīng)多個灰度階梯，我們將每個超像素所對應(yīng)的灰度階 梯個數(shù)進(jìn)行累加，得到stairaccu，定義規(guī)則:stairaccu 2 accu_th，accu_th為對應(yīng)的累計 數(shù)閾值，只有當(dāng)某個灰度階梯對應(yīng)的大灰度超像素滿足這個條件時，才有可能是目標(biāo)灰度 階梯。
[0023] 第七步，融合各類信息，生成候選果實區(qū)域。
[0024] 進(jìn)行上一步驟所述的偽灰度階梯篩除操作后，得到的理想中間結(jié)果是:單個真實 果實對應(yīng)的圖像區(qū)域依次包含灰度由高到低的若干超像素(超像素集合），而該區(qū)域內(nèi)經(jīng)篩 選后剩余的多個灰度階梯(灰度階梯集合)依次貫穿每個超像素。
[0025] 本步驟所述的各類信息包含灰度階梯集合中所有的灰度階梯及個數(shù)m，超像素集 合所有超像素SP1，SP2, · · .SPM及其平均重心Xi。
[0026] 所述的候選果實區(qū)域生成過程具體包括6個步驟：
[0027] A、將圖像中貫穿同一超像素集合的灰度階梯分到同一個初始簇，共得到K個初始 簇(ci，i = 1,2. . .K)。每個初始簇Ci關(guān)聯(lián)的數(shù)據(jù)有:灰度階梯集合及其灰度階梯個數(shù)m，超像 素集合及其平均重心Xl。
[0028] B、將所有初始簇按照ru由大到小重新排序，對任一簇Cj，如果簇ck，k = j + l，j + 2，· · ·，K滿足不等式I xrxk I < sphlgh，并且同時關(guān)聯(lián)兩簇c^及以的超像素個數(shù)大于3，則將簇 Ck合并至簇Cj中，更新對應(yīng)數(shù)據(jù)nj, new=nj+nk，而Xj保持不變。由此實現(xiàn)了對同一果實重復(fù)檢 測結(jié)果的合并。
[0029] C、依次考慮更新后的簇。對任一簇，計算該簇所關(guān)聯(lián)的所有超像素的外接矩陣，并 將所有超像素按外接矩陣的面積降序排列，得到新的超像素序列splnew，Sp2new，. . .spifcw。
[0030] D、對超像素SPjnew中的每個像素賦權(quán)重j，即超像素外接矩陣越小，其對應(yīng)像素在 后續(xù)候選果實區(qū)域擬合過程中的重要性越高。
[0031] E、采用圓形近似擬合果實位置，該圓待確定的參數(shù)包括圓心坐標(biāo)及圓半徑。擬合 過程考慮兩個因素：圓形包含的像素權(quán)重之和盡量大；圓形不應(yīng)超出實際果實可能占據(jù)的 范圍。具體在目標(biāo)函數(shù)中加入懲罰因子以防止果實擬合半徑過大：
[0032]
[0033] 其中SiWi為圓形所包含像素的權(quán)重和，k · eXp(r/R)為懲罰項，圓形半徑越大，懲 罰越強(qiáng)。參數(shù)k為權(quán)重因子，表示兩項的相對重要性;針對不同的{x，y，r}組合，計算對應(yīng)的 目標(biāo)函數(shù)值，當(dāng)該值取最大時，對應(yīng)的XQ，y〇，ro為最優(yōu)值。
[0034]第八步，基于外觀特征對單個候選果實區(qū)域內(nèi)的像素進(jìn)行分類，并結(jié)合團(tuán)塊操作 以生成決策結(jié)果1。
[0035] 所述的外觀特征共有65維特征，具體包括RGB平均值、R-B平均值、紋理描述符、RGB 分量柱狀圖特征。
[0036] 所述的分類過程是指:將單個候選果實區(qū)域中的所有像素劃分為16x16像素塊，提 取每個像素塊的65維外觀特征，并基于Adaboost分類模型計算每個像素塊為果實塊的概 率。概率大于0.5的認(rèn)定為果實塊，否則認(rèn)定為非果實塊。
[0037]所述的團(tuán)塊操作是指:找出候選果實區(qū)域內(nèi)互相連通的果實塊集合，如果該集合 占據(jù)整個候選果實區(qū)域面積的三分之一以上，則決策結(jié)果1為正(初步認(rèn)定候選果實區(qū)域為 真實的果實區(qū)域），否則決策結(jié)果1為負(fù)(初步認(rèn)定候選果實區(qū)域為非果實區(qū)域）。
[0038] 第九步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯方向數(shù)量以生成決策結(jié)果2。如果 候選果實區(qū)域?qū)?yīng)的灰度階梯方向數(shù)量大于3，則決策結(jié)果2為正，否則決策結(jié)果2為負(fù)。
[0039] 第十步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯數(shù)量以生成決策結(jié)果3。如果候選 果實區(qū)域?qū)?yīng)的灰度階梯數(shù)量大于6，則決策結(jié)果3為正，否則決策結(jié)果3為負(fù)。
[0040] 第十一步，針對每個候選果實區(qū)域，基于多數(shù)投票機(jī)制融合上述三個決策結(jié)果，對 偽果實區(qū)域進(jìn)行篩除。如果三個決策結(jié)果中有2個以上為正，則最終認(rèn)定候選果實區(qū)域為真 實的果實區(qū)域;否則為非果實區(qū)域，進(jìn)行剔除。
[0041] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果:本發(fā)明為一種融合網(wǎng)狀灰度階梯特征、自適 應(yīng)分類器以及多數(shù)投票決策機(jī)制的綠色果實識別新方法，與現(xiàn)有方法的原理不同；本發(fā)明 識別過程引入多數(shù)投票決策機(jī)制，并通過該機(jī)制融合了場景圖像外觀特征、網(wǎng)狀灰度階梯 特征，大幅提升了識別方法的準(zhǔn)確率和魯棒性，有助于大幅提升采摘機(jī)器人整體作業(yè)效率。
【附圖說明】：
[0042] 圖1是本發(fā)明的綠色果實識別方法框圖。
[0043] 圖2是實施例中的原圖與相關(guān)預(yù)處理結(jié)果的組合圖；
[0044] 其中：（a)為一室外綠色柑橘場景原圖，（b)為(a)的R通道分量的灰度圖表示，（C) 為(b)的中值濾波輸出結(jié)果，（d)為(c)的8級灰度離散化結(jié)果。
[0045] 圖3是實施例果實檢測各步驟的輸出示意圖；
[0046] 其中：（a)為多角度灰度階梯檢測結(jié)果，（b)為經(jīng)篩選后的灰度階梯示意圖，（c)為 融合各類信息，生成的候選果實區(qū)域示意圖，（d)為圖片中所有像素塊為果實塊的概率，（e) 為圖（d)結(jié)果閾值化處理后的結(jié)果，（f)為檢測結(jié)果與場景原圖的疊加。
【具體實施方式】：
[0047]以下是本發(fā)明的具體實施例并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進(jìn)一步的描述， 但本發(fā)明并不限于這些實施例。
[0048] 如圖1所示，本實施例包括:圖像采集、提取R通道圖像、中值濾波、8級灰度離散化、 多角度灰度階梯掃描、灰度階梯篩選、候選果實區(qū)域生成、生成決策結(jié)果1、生成決策結(jié)果2、 生成決策結(jié)果3以及決策融合這十一個個步驟，最終得到果實檢測結(jié)果。
[0049] 下面具體進(jìn)行說明：
[0050]第一步，采集一幀圖像到內(nèi)存，如圖2(a)所示。
[0051]第二步，提取彩色圖像的R通道圖像，如圖2(b)所示。
[0052]第三步，以17*17的濾波模塊對R通道圖像進(jìn)行中值濾波，結(jié)果如圖2(c)所示。
[0053]第四步，對中值濾波輸出圖像進(jìn)行8級灰度離散化操作，得到8級灰度圖，結(jié)果如圖 2(d)所示。
[0054]第五步，對8級灰度圖進(jìn)行多角度灰度階梯掃描，掃描結(jié)果如圖3(a)所示。該圖中， 白色掃描線段表示該線段對應(yīng)的像素群上檢測到了灰度階梯。
[0055]第六步，對灰度階梯掃描結(jié)果應(yīng)用啟發(fā)式規(guī)則進(jìn)行篩選，以去除各類場景幾何產(chǎn) 生的偽灰度階梯，剩余的灰度階梯如圖3 (b)所示。本實施例對應(yīng)的啟發(fā)式規(guī)則中的參數(shù)如 下表所示：
[0057]第七步，融合各類信息，生成候選果實區(qū)域。本實施例共生成三個候選果實區(qū)域， 各候選果實區(qū)域?qū)?yīng)的擬合圓如圖3(c)所示。
[0058]第八步，基于外觀特征對單個候選果實區(qū)域內(nèi)的像素進(jìn)行分類，并結(jié)合團(tuán)塊操作 以生成決策結(jié)果1。
[0059] 基于外觀特征和Adaboost分類器的概率計算結(jié)果如圖3(d)所示，該圖中每個 16x16像素塊的灰度與其為果實塊的概率成正比。圖3(e)為對圖3(d)結(jié)果閾值化處理后的 結(jié)果，其中白色像素塊代表該像素塊被認(rèn)定為果實塊。計算圖3(e)中三個候選果實區(qū)域內(nèi) 的連通果實塊數(shù)量，三個候選果實區(qū)域內(nèi)的連通果實塊數(shù)量均超過整個候選果實區(qū)域面積 的三分之一，因此三個區(qū)域的決策結(jié)果1均為正。
[0060] 第九步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯方向數(shù)量以生成決策結(jié)果2。三個 候選果實區(qū)域中，其中前兩個果實區(qū)域灰度階梯方向數(shù)量已大于3,因此對應(yīng)的決策結(jié)果2 為正;最下方果實區(qū)域灰度階梯方向數(shù)量為1，對應(yīng)的決策結(jié)果2為負(fù)。
[0061] 第十步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯數(shù)量以生成決策結(jié)果3。三個候選 果實區(qū)域中的灰度階梯數(shù)量均大于6,因此決策結(jié)果3均為正。
[0062] 第十一步，針對每個候選果實區(qū)域，基于多數(shù)投票機(jī)制融合上述三個決策結(jié)果，對 偽果實區(qū)域進(jìn)行篩除。三個候選果實區(qū)域?qū)?yīng)的決策集合分別為（正正正）、（正正正）、（正 負(fù)正），因此按照多數(shù)投票原則，三個候選果實區(qū)域均為真實的果實區(qū)域。即本實施例識別 到3個綠色柑橘果實。圖3(f)為檢測結(jié)果與場景原圖的疊加示意圖。
[0063]本實施例融合網(wǎng)狀灰度階梯特征、自適應(yīng)分類器以及多數(shù)投票決策機(jī)制，實現(xiàn)了 一種針對綠色果實識別應(yīng)用的新方法。由于實施過程引入多數(shù)投票決策機(jī)制，并通過該機(jī) 制融合了場景圖像外觀特征、網(wǎng)狀灰度階梯特征，大幅提升了識別方法的準(zhǔn)確率和魯棒性， 有助于大幅提升采摘機(jī)器人整體作業(yè)效率。
[0064]本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng) 域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替 代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。
【主權(quán)項】
1. 一種綠色果實識別方法，其特征在于，識別方法具體為： 第一步，采集一幀圖像到內(nèi)存。 第二步，提取彩色圖像的R通道圖像。 第三步，以特定大小的濾波模塊對R通道圖像進(jìn)行中值濾波。 第四步，對中值濾波輸出圖像進(jìn)行8級灰度離散化操作，得到8級灰度圖。 第五步，對8級灰度圖進(jìn)行多角度灰度階梯掃描。 第六步，對灰度階梯掃描結(jié)果應(yīng)用啟發(fā)式規(guī)則進(jìn)行篩選，以去除各類場景幾何產(chǎn)生的 偽灰度階梯。 第七步，融合各類信息，生成候選果實區(qū)域。 第八步，基于外觀特征對單個候選果實區(qū)域內(nèi)的像素進(jìn)行分類，并結(jié)合團(tuán)塊操作以生 成決策結(jié)果1。 第九步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯方向數(shù)量以生成決策結(jié)果2。 第十步，統(tǒng)計單個候選果實區(qū)域?qū)?yīng)的灰度階梯數(shù)量以生成決策結(jié)果3。 第十一步，針對每個候選果實區(qū)域，基于多數(shù)投票機(jī)制融合上述三個決策結(jié)果，對偽果 實區(qū)域進(jìn)行篩除。2. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第五步中所述的灰度階梯是 指果實表面固有的在特定方向上由高到低的灰度等差遞減特性，其具體表現(xiàn)為8級灰度圖 上8，7. . i，i-Ι，. . 2，1的完整灰度分布。3. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第五步中所述的多角度掃描 是指0-180度區(qū)間、間隔為15度的掃描角度，而掃描角度定義為掃描方向與X軸的夾角。4. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第六步中所述的偽灰度階梯 根據(jù)其產(chǎn)生機(jī)理分為三類，分別為樹枝表面、樹葉表面以及場景幾何隨機(jī)產(chǎn)生的偽灰度階 梯。5. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第六步中所述的啟發(fā)式規(guī)則 為針對不同類型偽灰度階梯設(shè)計的篩選規(guī)則，該類規(guī)則主要對目標(biāo)灰度階梯的跨度、階寬 占比、灰度超像素的形狀進(jìn)行限制，以區(qū)分偽灰度階梯和目標(biāo)灰度階梯。6. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第七步中所述的生成候選果 實區(qū)域的步驟如下： A、 將圖像中貫穿同一超像素集合的灰度階梯分到同一個初始簇，共得到K個初始簇(Cl， i = 1，2...K)，每個初始簇Cl關(guān)聯(lián)的數(shù)據(jù)有:灰度階梯集合及其灰度階梯個數(shù)m，超像素集合 及其平均重心Xi; B、 將所有初始簇按照m由大到小重新排序，依據(jù)任意兩簇所關(guān)聯(lián)超像素平均重心的相 對位置，對同一果實重復(fù)檢測結(jié)果進(jìn)行合并； C、 計算任意合并更新后的簇所關(guān)聯(lián)的所有超像素的外接矩陣，并將所有超像素按外接 矩陣的面積降序排列，得到新的超像素序列sp ln?，Sp2ne3W，.. .spu; D、 對超像素 sp_w中的每個像素賦權(quán)重j，即超像素外接矩陣越小，其對應(yīng)像素在后續(xù)候 選果實區(qū)域擬合過程中的重要性越高； E、 基于罰函數(shù)法對果實位置進(jìn)行圓形近似擬合，根據(jù)圓形包含的像素權(quán)重之和盡量大 以及圓形不應(yīng)超出實際果實可能占據(jù)的范圍的原則確定圓形的圓心坐標(biāo)及圓半徑。7. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第八步中所述的分類是指根 據(jù)外觀特征判定每個像素塊是否為果實塊;所述外觀特征包括RGB平均值、R-B平均值、紋理 描述符和RGB分量柱狀圖特征構(gòu)成的65維特征。8. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第八步中所述的團(tuán)塊操作是 指根據(jù)候選果實區(qū)域內(nèi)互相連通的果實塊集合占據(jù)整個候選果實區(qū)域的面積是否超過設(shè) 定閾值，判斷候選果實區(qū)域是否為真實果實區(qū)域，若超過設(shè)定閾值，初步判定為真實果實區(qū) 域，若未超出設(shè)定閾值，則初步判定為非果實區(qū)域。9. 根據(jù)權(quán)利要求1所述的綠色果實識別方法，其特征在于:第十一步中所述的偽果實區(qū) 域篩除是從外觀特征和團(tuán)塊操作、灰度階梯方向數(shù)量、灰度階梯數(shù)量三方面投票，根據(jù)多數(shù) 投票原則，確定最終的真實果實區(qū)域。
【文檔編號】G06K9/62GK105844213SQ201610080426
【公開日】2016年8月10日
【申請日】2016年2月5日
【發(fā)明人】王明軍
【申請人】寧波工程學(xué)院