[发明专利]一种基于图像处理的复杂背景下苹果的识别定位方法

权利要求书

1.一种基于图像处理的复杂背景下苹果的识别定位方法，其特征在于，包括：

步骤一、对原始图像进行信息采集；

步骤二、对所采集的原始图像信息进行预处理；

步骤三、对原始图像特征进行提取和对苹果图像进行识别分割；具体为提取RGB图像颜色特征与纹理特征，并使用聚类方法统合各项特征值，识别并分割苹果图像；

步骤四、对二值图像进行中值滤波去噪并将去噪后的二值图像先后进行开运算和闭运算；

步骤五、确定二值图像中各苹果中心，将苹果图像进行圆轮廓拟合运算并判断拟合后的图像是否有重叠，若有则以相交线为准判断面积，否则计算拟合后苹果图像，从而获得苹果果实位置信息；

步骤二中，图像的预处理使用Retinex算法增强图像去除光照的影响，假设是原始图像S是光照图像L和反射率图像R的乘积，公式如下：

S(x,y)＝R(x,y)·L(x,y) (1)

从原始图像S中估计出光照L，从而分解出R，消除光照不均的影响，在处理中，通常将图像转至对数域，即s＝logS,l＝logL,r＝logR，从而将乘积关系转换为和的关系，公式如下：

log(s)＝log(R·L)

logS＝logR+logL

s＝l+r (2)

步骤三中，所述提取图像纹理特征具体为：采用R通道的灰度图像进行纹理分析；对基于区域亮度直方图的纹理描绘子进行计算，分别为

均值

标准偏差

平滑度

一致性

熵

式中z_i———亮度的随机变量

p(z_i)———一个区域中的直方图

L———可能的灰度级数

灰度图中，包括有果实、天空、枝干和树叶4部分组成，样本归一化后，将均值和方差作为评价参量，用来考察背景类和果实类的相异性；所述考察背景类包括枝干、树叶、天空；均值之差代表两类间的距离；方差代表样本的分散程度；定义特征评价值(EV)描述各种特征的计算式为

式中AV———果实类的方差

BV———背景类的方差

MD———果实类和背景类均值之差

根据估计的果实与背景的EV值，选择均值m，标准偏差σ和熵e共3个纹理特征。

2.如权利要求1所述的一种基于图像处理的复杂背景下苹果的识别定位方法，其特征在于，所述对苹果图像进行识别分割具体为：使用k-medoids改进的基于密度思想聚类的算法对提取的特征进行处理，将所有分类对象分为4类:分别为天空类、果实类、树叶类和枝干类；统计每一类的灰度均值mavr，将各类灰度均值按降序排序依次为:天空、果实、树叶和枝干，将果实类对应的窗口内像素值转换为1，其余的作为背景转换为零，得到分割后的苹果二值图像；基于密度思想的聚类算法具体表述如下：

取超过一定阈值范围的相隔距离的k个处于高密度区域的点作为中心点，则样本x的密度为:

Density(x)＝{p∈C|dist(x,p)≤r} (9)

dist为某种距高度量，r为半径，C为样本集，公式(9)表示为以x为中心点，r为半径组成的球体所包含的样本数；其中r设定为r＝u*θ，θ为用户给定常数，u为两两数据对象距离的均值，可以表述为:

样本的平均密度为:

其中，密度初始化流程包括:

(1)每个样本的密度计算出后，将密度大于平均密度的样本放于集合s，s表述为:

在S中取最大密度点作为第一个聚类中心Z₁，并从S中删除:

(2)取距离Z最远的高密度点作为第二个聚类中心Z₂，并从S中删除:

(3)Z₃根据公式(5)进行选取，并从s中删除:

(4)根据公式(6)直至找到k个中心点:

公式(12)～(16)中变量i的取值均为1，2，…，n。