[发明专利]一种基于机器视觉的苹果表面无冗余信息图像处理方法

权利要求书

1.一种基于机器视觉的苹果表面无冗余信息图像处理方法，其特征在于：以苹果的花萼-果梗轴线为轴，每旋转20°采集1幅苹果侧面图像，分别记为图像a1～a18；对图像a1～a16作如下处理：

1）苹果图像特定区域设置

记相机采集到的图像大小为H×W，设置特定区域的方法为：以图像a1中心为区域中心，取宽度为H₀，长度为W的区域，取值为：H₀=400,W=1024；

2）特定区域内的图像特征点提取

以图像a1为例，提取特征点的步骤如下：

（1）建立在不同尺度σ空间内的图像，定义图像a1为S(x,y)，采用式（1）确定可变尺度的2维高斯函数G(x,y,σ)，采用式（2）确定不同尺度σ空间的图像为L(x,y,σ)；

G(x,y,σ)=12πσ2ex2+y22σ2---(1)]]>

L(x，y，σ)=G(x，y，σ)*S(x，y)   (2)

（2）采用式（3）对不同尺度σ空间的图像L(x,y,σ)进行连续平滑和采样，求得相邻尺度的高斯差分图像D；

D(x，y，σ)=L(x，y，kσ)-L(x，y，σ)   (3)

；

（3）提取高斯差分图像D上的峰值点作为特征点的候选点，每一个采样点要和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点，特征点的候选点集为采样点的局部极值点集；

（4）去除极值点集中的不稳定点，不稳定点主要包括两类：一类是对图像噪声敏感的低对比度的极值点，根据Taylor二次级数在采样点处的尺度空间函数约束条件进行删除；另一类是边缘处的候选特征点，利用Hessian矩阵的轨迹和行列式去除边缘点；

（5）确定特征点的方向：记固定尺寸σ的高斯平滑图像为L(x，y)，采用式（4）和式（5）计算像素梯度值m(x,y)和方向θ(x,y)，利用特征点的梯度方向信息建立角度直方图，峰值即为局部梯度的主方向；

m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2---(4)]]>

θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))(L(x+1,y)-L(x-1,y)))---(5)]]>

（6）确定特征点的描述符：以特征点为中心点采集16 16个像素窗口，分为4 4的子块，每个子块可以得到8个方向的梯度大小信息和梯度方向直方图，用128维向量描述该特征点；

3）两幅图像的特征点匹配

对图像a1和图像a2分别提取特征点。采用k维搜索树（kd树）的数据结构完成搜索匹配，搜索的内容是以a1的特征点为基准，搜索与a1图像中的特征点最邻近的a2图像中的特征点；

4）两幅图像的最优拼接

为对相差20°的苹果图像a1和a2拼接后的效果图；

对于图像a1，保留特征点位置左边部分图像；对于图像a2，保留特征点位置的右边部分图像，图像的拼接过程只进行水平方向的移动，在两幅图像的接缝线上，苹果图像的上部分和下部分会存在一定的错位，选择能使得两幅图像接缝的上下处的错位最小的匹配特征点作为最后的拼接特征点；

拼接特征点的判断方法如下：

记图像a1的特征点为(x,y)，记图像a2中对应的匹配的特征点为(x′,y′)。获取图像a1特征点(x,y)同一纵坐标的苹果图像最上方的点(x₁,y)和苹果图像最下方的点(x₂,y)；图像a2特征点(x′,y′)同一纵坐标的苹果图像最上方的点(x₁′,y′)和苹果图像最下方的点(x₂′,y′)，采用式（6）计算欧式距离和d；

d=(x1′-x1)2+(y′-y)2+(x2′-x2)2+(y′-y)2---(6)]]>

选取使得d为最小的匹配特征点作为拼接特征点；

5）苹果表面无冗余图像获取

对图像a1～a16分别进行两两拼接，过程同图像a1和图像a2的拼接过程，为上述过程1）～4)，获取对应的图像b1～b8；

对a17和a18分别提取最优匹配点的左侧图像和右侧图像，去除重复区域部分，保留非重复区域部分，记为b9和b10；

对获得的图像b1～b8进行两两拼接，获取图像c1～c4；对图像c1～c4进行两两拼接，获取图像d1和d2；对图像d1和d2进行拼接，获取图像e，然后将e和图像b9进行两两拼接获取图像f；最后又将图像b10和图像f进行两两拼接，获取目标图像g。