基于视觉的树上绿色柑橘检测

摘要

随着图像处理、机器视觉技术的发展，关于树上水果的检测已吸引了众多在图像处理和农业工程领域研究者的目光。在水果生产过程中，充分利用信息化、智能化技术对作物生长进行动态监测，对于果园的自动管理（自动施肥、灌溉、喷药）、提高农作物品质、产量估计及自动采摘都有着重要意义。树上绿色水果的检测是实现水果生产自动化和智能化的一个关键环节，对早期果树估产、优化果园管理及实现自动作业具有重要的价值和应用前景。而已有树上绿色水果检测的方法不够准确鲁棒，仍然有许多值得改进的地方。因此，本文以柑橘为例，将检测过程分为两个阶段:感兴趣区域(Region of Interest，ROI)提取及分层轮廓分析(Hierarchical Contour Analysis，HCA)。其中，感兴趣区域提取这一阶段分别采用两种方法提取彩色图像中的感兴趣区域，第一种方法提取区域的局部二值模式(Local Binary Pattems，LBP)作为纹理特征送入分类器分类，第二种方法采用最大稳定极值区域(Maximally Stable Extremal Region，MSER)算法对图像中的ROI进行提取。结合本文首次提出的这种基于水果表面环形光照分布的HCA算法，先建立分层轮廓图，然后提取感兴趣区域的分层轮廓线，并利用霍夫变换拟合每一级轮廓线获得分层圆形目标，最后进行拟合圆嵌套分析得到绿色柑橘水果目标。下面就对本文的主要内容和试验结论做简要总结。
　　研究内容:
　　(1)基于纹理特征的感兴趣区域提取。算法首先取绿色分量图作为灰度图像进行图像预处理，然后提取图像中的局部极大值点作为目标点，在以该点为中心的区域提取LBP特征，所提取特征组成56维特征向量送入基于决策树的RUSBoost集成分类器，对分类器进行分类训练，取最终输出的表示感兴趣区域的局部极大值点为感兴趣点。
　　(2)基于MSER算法的感兴趣区域提取。这种算法在图像预处理后，采用MSER算法提取感兴趣区域，并对提取到的区域进行椭圆拟合，得到一系列拟合椭圆目标，取椭圆中心点作为感兴趣点，然后根据椭圆离心率阈值进行初步形状分析，筛选出符合阈值条件的目标。
　　(3)分层轮廓分析算法。包括朗伯光照模型介绍及环形光照特征原理推导，根据HCA算法建立分层轮廓图，提取每个感兴趣区域的分层轮廓线，并使用霍夫变换对感兴趣点附近区域的各级轮廓线进行圆拟合，同时对各级拟合圆进行嵌套分析合并拟合同一目标的多个拟合圆，最终得到与目标唯一对应的柑橘目标拟合圆。
　　基于LBP特征及HCA算法的方法以45张复杂的柑橘果园场景图像作为训练集训练分类器，并在20张图像中进行了测试，最终的召回率达77.9％，查准率达76.4％，折合F值达77.1％，单幅图像平均处理时间为10.23s。基于MSER算法与HCA算法的方法在相同的20张图像上进行了测试，召回率达81.2％，查准率达到83.5％，折合F值达82.3％，单幅图像平均处理时间为3.70s。研究表明，两种方法均能有效地检测出树上绿色柑橘目标。

目录

声明

摘要

1 前言

1．1 研究的目的与意义

1．2 国内外研究现状

1．3 研究目的

1．4 主要研究内容

2 基于LBP特征的感兴趣区域提取

2．1 图像预处理

2．1．1 试验系统与图像采集

2．1．2 灰度图像提取

2．1．3 滤波

2．1．4 局部极大值点提取

2．2 LBP特征

2．2．1 原始LBP模式

2．2．2 统计LBP模式

2．2．3 等价LBP模式

2．2．4 旋转不变LBP模式

2．2．5 旋转不变等价LBP模式

2．3 RUSBoost集成分类器

2．3．1 决策树算法

2．3．2 随机欠采样

2．3．3 Adaboost．M2算法

3 基于MSER算法的感兴趣区域提取

3．1 MSER算法

3．1．1 MSER算法定义

3．1．2 数学定义

3．2 椭圆拟合

3．3 区域形状分析

4 分层轮廓分析算法

4．1 朗伯光照模型

4．2 分层轮廓线提取

4．3 霍夫变换圆拟合

4．4 拟合圆嵌套分析

5 结果与分析

5．1 基于LBP与HCA的目标检测结果

5．1．1 目标检测结果

5．1．2 时间性能分析

5．1．3 检测结果分析

5．2 基于MSER与HCA的目标检测结果

5．2．1 目标检测结果

5．2．2 时间性能分析

5．2．3 检测结果分析

5．3 讨论

6 总结与展望

6．1 本研究的主要内容与结论

6．2 本研究的发展前景及下一步工作

参考文献

己发表论文

致谢