[发明专利]一种基于MATLAB图像处理荔枝果实采摘区域划分方法

权利要求书

1.一种基于MATLAB图像处理荔枝果实采摘区域划分方法，其特征在于，包括下述步骤：

S1、采集荔枝树冠的树冠图像；

S2、对采集到的树冠图像进行去噪声预处理，具体为：

S2.1、原始水果图像在RGB颜色空间里，被分解成R、G、B三个颜色图像，每个颜色图像都为二维图像；

S2.2、每个颜色图像利用二维塔式分解算法被分解成低频和高频部分，然后利用直方图均值化和对比度提升分别处理低频部分和高频部分；

步骤S2.2中，所述二维塔式分解算法具体为：

其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是高通滤波器和低通滤波器，c_j是一个二维信号，和c_j+1分别是垂直高频部分，水平高频部分，对角高频部分和低频部分；

S2.3、对处理后的低频和高频部分利用塔式重构算法合并成二维图像，分别完成三个颜色图像的光照均值化处理；

步骤S2.3中，进行光照均值化处理的按照下述公式进行：

其中，x，y代表像素点的横纵坐标，k，l都是整数，g，h分别是高通滤波器和低通滤波器，c'_j+1(k,l)为直方图均值化后的图像低频部分，分别是对比度提升后的垂直高频部分，水平高频部分，对角高频部分；c'_j(x,y)则是光照均值化后的二维图像；

S2.4、对光照均值化处理后的三个颜色图像，在RGB颜色空间合并成色彩图像，完成水果彩色图像的预处理；

S3、通过果实与非果实的局部二值模式LBP特征训练的AdaBoost分类器对疑似果实区域和非果实区域进行错误检测，在合并检测结果后完成荔枝果实的识别；

训练阶段具体为：

S3.1、N幅水果光照均值化图像被随机地选取，用以人为地选取水果区域和非水果区域，

S3.2、选定水果区域和非水果区域图片的数量M张，图片大小均为设定像素；

S3.3、将水果区域和非水果区域的LBP特征计算出来；

S3.4、利用AdaBoost构造分类器并进行训练；

进行检测的具体步骤为：

S3.5、疑似水果果实的区域被用CHT方法提取，从而将整幅图像被分成两部分，即包含CHT检测圆的图像和不包含CHT检测圆的图像；

S3.6、CHT检测圆图像用训练阶段的分类器来确定是否为水果区域；

S3.7、用一个10×10的小窗口扫描整幅不含CHT检测结果的图像，用以搜索被枝叶、果实遮挡的小区域的水果果实目标；

S3.8、两部分的结果合并，得到最终的识别结果；

S4、荔枝边缘提取并边缘化，完成定位提取图像中荔枝坐标；

步骤S4具体为：

将两相机平行共线放置，两个相机光心所确定的平面以及两个相机的成像平面分别平行共面，两相机只是在x轴方向有移动量，即b，b也称为基线，空间点A与两个相机的光心连线分别交成像平面于点al和ar，该空间成像图映射在二维平面以后，根据三角形相似理论可以得出A点的三维坐标有如下关系：

其中，f为焦距，u₀、v₁、v₀和ay是相机内部参数；

S5、得到荔枝的坐标信息之后使用K-means聚类方法对该区域进行聚类分析，分类之后对每一块的划分区域质心作为采摘位置的中心点；

使用K-means聚类方法对该区域进行聚类分析具体为：

在得到树冠上荔枝果实的坐标之后，随机选取k个聚类质心点为，μ₁，μ₂，…，μ_k∈Rⁿ，重复下面过程直到收敛

{对于每一个样例i，计算其应该属于的类

对于每一个类j，重新计算该类的质心

c⁽ⁱ⁾代表样例i与k个类中距离最近的那个类，c⁽ⁱ⁾的值是1到k中的一个，质心μ_j代表对属于同一个类的样本中心点的猜测，首先随机选取k个树冠中的点，作为k个区域的质心，然后第一步对于每一个荔枝坐标计算其到k个质心中每一个的距离，然后选取距离最近的那个点作为c⁽ⁱ⁾，这样经过第一步每一个荔枝坐标都有了所属的区域；第二步对于每一个区域，重新计算它的质心μ_j，重复迭代第一步和第二步直到质心不变或者变化很小。

2.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法，其特征在于，步骤S1中，使用工业相机对荔枝树冠进行采摘拍摄得到树冠图像。