[发明专利]一种荔枝机械损伤判别方法

说明书

技术领域

本发明涉及基于H维图像分割算法技术领域，特别涉及一种荔枝机械损伤判别方法。

背景技术

荔枝是具有重要经济价值的岭南佳果之一，对荔枝实行自动采摘可以有效降低成本，具有一定的经济价值。国内外以橘子、苹果、番茄等形状规则的单果目标为对象的研究已较为成熟，在日本和欧美等发达国家，已有果蔬采摘机器人的产品。但以葡萄、荔枝和龙眼等多果目标为分割对象，因形状不规则和颜色不一致相对难度较大。现有技术中有基于RGB彩色空间特征的聚类算法，对荔枝图像进行了图像分割，但分割荔枝果实轮廓并不完整。另一种基于RGB彩色空间特征的分割算法，对葡萄图像进行了分割，但因选取的特征比较特殊，难以广泛应用。

主成份分析(Principal Component Analysis，PCA)是一种使用较广泛的线性降维方法。通过原始数据的线性组合构造方差最大的若干投影方向，从而降低原数据的维度，不仅仅是对高维数据进行降维。其对椭球状分布的样本集有较好的学习效果，但对具有非线性性质的样本集，却无法反应出非线性性质。

支持向量机(support vector machine，SVM)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。

基于现有技术的不足暂时无法实现对荔枝是否受到机械损伤的判断。

发明内容

本发明实施例发明目的在于提供一种荔枝机械损伤判别方法，应用该技术方案可以对荔枝样本图像进行处理，建立荔枝机械损伤分类模型，实现对荔枝是否机械损伤进行判断。

为了实现上述发明目的，本发明的完整技术方案如下：

一种荔枝机械损伤判别方法，其特征在于，包括以下步骤：

步骤101、输入荔枝图像样本，利用H维图像分割算法，获取荔枝区域分割图像数据。具体的H维图像分割算法为输入荔枝图像样本，在RGB三通道图像中值滤波预处理；将RGB图像转HSI颜色空间；以14次3×3模板的均值滤波进行H维图像滤波；根据最大类间方差法进行图像分割，依次对分割图像进行填充，八连通区域标记，连通区域面积筛选，获取荔枝区域分割图像数据。

步骤102、根据主成份分析算法，对荔枝区域分割图像数据进行处理，获取主成份特征向量；

步骤103、根据支持向量机算法，输入主成份特征向量，输出荔枝类别样本，建立荔枝机械损伤分类模型。

优选的，其中主成份分析算法包括：

将N×N大小的荔枝区域分割图像数据转化为N²个元素的一维向量I；

建立K×N²维的荔枝区域分割图像数据样本集X；

X＝{I₁,I₂,I₃…I_j,j≤K}

其中K为图像数据样本数；

计算图像样本集的协方差矩阵C：其中u为图像数据集的均值向量；

计算与协方差矩阵C的前n个特征值λ₁，λ₂，λ₃…λ_n向对应的特征向量φ，

将荔枝图像数据矩阵F去均值后，向特征向量空间φ投影，得到新的列为n×N²的主成分特征向量ψ，ψ＝(I_j-u)φ，其中j≤K；

优选的，其中支持向量机算法为：设训练集|x_i,y_i|，其中x_i∈Rⁿ，y_i＝{+1,-1}(i＝1,…,l)，满足条件：其中(w,b)为实数序偶；

得到分类器函数：f(x)＝sign(w·x_i+b)；

最大化最小间距，得到优化问题：

约束条件为：y_i(w·x_i+b)≥1(i＝1,…l)；

以优化问题和约束条件构造拉格朗日函数：其中拉格朗日乘子a_i≥0；

引入映射定义核函数K(x_i,x_j)：K(x_i,x_j)＝φ(x_i)·φ(x_j)；

将优化问题转化为解决对偶问题：

约束条件为：