基于滑動比較窗口自適應分割的水果表面缺陷檢測方法
【技術領域】
[0001] 本發明涉及計算機視覺圖像處理方法，具體涉及一種基于滑動比較窗口自適應分 割的水果表面缺陷檢測方法。
【背景技術】
[0002] 表面缺陷檢測是水果分級的重要依據之一，在世界各國的水果評級標準中有嚴格 的規定。國內外大量學者研究通過計算機視覺方式檢測水果及農產品表面缺陷，但是許多 農產品是類球體，二維圖形中部的灰度值要遠大于邊緣的灰度值，導致表面缺陷圖像檢測 的困難。
[0003] 經過現有的技術檢索發現，方法主要分為三類：
[0004] 1)基于球體灰度模型的處理方法。譬如專利文獻中國專利CN101984346A記載了 一種基于低通濾波的水果表面缺陷檢測方法，首先獲得去除背景的R分量圖像，利用水果 彩色圖像通過離散傅里葉變換進行低通濾波然后離散傅里葉反變換獲得表面亮度圖像，前 者圖像除以后者圖像得到均一化亮度圖像，再采用單閾值實現水果表面缺陷分割，該技術 能檢測亮度較低的表面缺陷，但是會丟失在中心區域以及邊緣區域的高亮度及中亮度表面 缺陷；中國專利CN102788806A利用水果RGB圖像和NIR圖像，計算對比水果的缺陷形狀、大 小，但是水果不是嚴格球體，該專利用二值圖像外接矩形最大寬度近似水果直徑，最大寬度 的一半作為迭代次數終止條件。這種方法對非圓形的橢圓形水果會產生誤差，而且橢圓形 水果長軸和短軸受到的光照朗伯現象不一樣直接用該區域像素點直接進行亮度平均處理， 會對缺陷檢測帶來誤差；Li Jiangbo等人（2013)利用光照傳輸模型與圖像比技術檢測臍 橙表面缺陷，該方法算法對較低亮度缺陷有效，但是容易丟失高亮度以及中亮度表面缺陷 區域。（Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods Jiangbo Li, Xiuqin Rao,Postharvest Biology and Technology 2013);李江波等人（2011)利用水果表面亮度矯正單閾值臍橙表 面缺陷提取，該方法會丟失高亮度表面缺陷區域（李江波，饒秀勤，應義斌.水果表面亮度 不均校正及單閾值缺陷提取研究，農業工程學報，2011年12期）。
[0005] 2)基于表面紋理特征的處理方法。L0pez_Garcia F等人（2010)利用多元圖 像理論以及表面紋理特征算法訓練方法檢測臍橙表面缺陷，該算法比較復雜不易用于 在線，而且檢測臍橙表面缺陷類型有限。（L0pez_Garcia F，Andreu_Garcia G，Blasco J, et al.Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach[J]. Computers and Electronics in Agricultu re, 2010, 71(2) :189-19)。
[0006] 3)基于多光譜成像技術的處理方法。J.Blascoa等人利用多光譜成像設備進行 臍橙表面缺陷分析，該方法硬件成本較高和復雜（2007) (J.BlaSC〇a，N.AleiX〇S. (2007). Citrus sorting by identification of the most common defects using multispectral computer vision. Journal of Food Engineering 83(2007)384 - 393)〇
[0007] 現有方法存在檢測表面缺陷類型有限以及計算方法較復雜難以用于在線檢測或 者依賴成本較高的復雜硬件成像技術的問題，因此需要新的水果表面缺陷檢測方法。

【發明內容】

[0008] 為了解決【背景技術】中檢測表面缺陷類型有限以及計算方法較復雜難以用于在線 檢測或者依賴成本較高的復雜硬件成像技術的問題，本發明的目的在于提供一種基于滑動 比較窗口自適應分割的水果表面缺陷檢測方法，相比【背景技術】，識別方法更簡單，表面缺陷 檢測類型更多以及對象實用性較廣。
[0009] 本發明解決其技術問題所采用技術方案的步驟如下：
[0010] 1)獲取水果RGB彩色圖像；
[0011] 2)對水果RGB彩色圖像去除背景進行圖像二值化，獲得初始二值化圖像；
[0012] 3)對步驟2)得到的初始二值化圖像提取邊緣并采用3像素半徑圓形的結構元膨 脹一次獲得輪廓邊緣膨脹圖像；
[0013] 所述步驟3)中的膨脹均通過以下公式完成形態學膨脹得到輪廓邊緣膨脹圖像；
[0015] 式中：?一形態學膨脹處理結果；A-輪廓邊緣膨脹圖像；a - A中一個像素；S-半 徑圓形的結構元；Sv-S的對稱集；Φ-空集。
[0016] 4)對RGB彩色圖像去除背景轉換成灰度圖像，并再建立與灰度圖像同樣大小的所 有像素初始化為〇的目標圖像P (i，j);
[0017] 5)以步驟4)中的灰度圖像每個像素為中心用5X5窗口掃描，窗口中超過圖像邊 界的像素用〇填充，并計算獲得每個5 X 5窗口的分割閾值Q (i，j);
[0018] 所述步驟5)中，對于每個5 X 5窗口，通過以下公式將5 X 5窗口內的所有25個像 素從小到大排序并且計算第二大數值和第二小數值的平均值作為分割閾值Q (i，j)，從而獲 得所有5 X 5窗口的分割閾值Q (i，j):
[0020] 式中：Q(i，j)-當前窗口中心像素的分割閾值；f (i，j)-灰度圖像；Max_2nd-尋 找第二大像素數值；Min_2nd-尋找第二小像素數值；i和j分別表示圖像像素的水平坐標 和垂直坐標，k和1分別表示水平和垂直坐標遍歷參數。
[0021] 6)對5X5窗口中心像素用分割閾值Q(i，j)進行判斷，對目標圖像P(i，j)中的像 素進行重新賦值，遍歷處理獲得目標二值化圖像；
[0022] 所述步驟6)具體為：對于5X5窗口的每個像素，判斷如果當前所在窗口最大的前 三個像素分別與最小像素之差都大于19并且當前像素大于分割閾值Q(i，j)時，則將與當 前像素具有同樣位置的目標圖像P (i，j)中的像素賦值為1否則賦值為〇,遍歷處理所有像 素完成圖像分割獲得目標二值化圖像；
[0023] 7)將步驟6)得到目標二值化圖像減去步驟3)的輪廓邊緣膨脹圖像，再依次進行 膨脹、填洞、腐蝕和中值濾波處理獲得水果表面缺陷圖像。
[0024] 所述步驟7)中用目標二值化圖像減去步驟3)中輪廓邊緣膨脹圖像，得到差值圖 像，再用1像素半徑圓形的結構元來進行形態學膨脹。具體通過以下公式完成形態學膨脹 得到輪廓邊緣膨脹圖像；
[0026] 式中：?一形態學膨脹處理結果；A-輪廓邊緣膨脹圖像；a - A中一個像素；S-半 徑圓形的結構元；Sv-S的對稱集；Φ-空集。
[0027] 所述步驟7)中填洞采用以下公式完成填洞：
[0029] 式中：F-填洞圖像處理結果；D-差值圖像完成形態學膨脹的數據；E-四連通 域；k一計算次數，k = 1，2, 3···狀一D的補集。
[0030] 所述步驟7)中腐蝕采用以下公式完成腐蝕，得到差值圖像腐蝕圖：
[0032] 式中：R2-腐蝕處理結果；V-差值圖像完成膨脹和填洞的數據；v - V中一個像 素；W-半徑為2像素圓形結構元；
[0033] 所述的步驟7)中對腐蝕得到的差值圖像腐蝕圖進行6X6中值濾波，得到表面缺 陷圖像。
[0034] 本發明具有的有益效果是：
[0035] 本發明對于檢測水果表面缺陷具有很好的準確性和實用性，有效避免了對水果及 農產品形狀、大小的依賴以及避免了亮度矯正帶來較復雜的計算方法，也避免了依賴高光 譜以及多光譜成像硬件帶來的高成本性問題。
[0036] 本發明能夠有效檢測不同亮度特征表面缺陷，譬如能檢測臍橙10種表面缺陷（蟲 傷果、風傷果、薊馬果、介殼蟲果、潰瘍果、裂果、炭疽病、藥害果、表皮破裂型腐爛果、梗傷 果）。方法應用對象較廣，方法簡便易于實現，在水果及農產品品質計算機視覺在線檢測方 面具有較大的應用潛力。
【附圖說明】
[0037] 圖1是本發明方法的流程圖。
[0038] 圖2是本發明實施例1中原始圖像。
[0039] 圖3是本發明實施例1中初始二值化圖像。
[0040] 圖4是本發明實施例1中輪廓邊緣膨脹圖像。
[0041] 圖5是本發明實施例1中半徑3像素半徑圓形結構元。
[0042] 圖6是本發明實施例1中獲得的目標二值化圖像。
[0043] 圖7是本發明實施例1中差值圖像。
[0044] 圖8是本發明實施例1中半徑1像素半徑圓形結構元。
[0045] 圖9是本發明實施例1中四連通域。
[0046] 圖10是本發明實施例1中半徑2像素半徑圓形結構元。
[0047] 圖11是本發明實施例1中提取表面缺陷圖像。
[0048] 圖12是臍橙蟲傷果原始圖。
[0049] 圖13是臍橙蟲傷果表面缺陷檢測結果圖。
[0050] 圖14是臍橙風傷果原始圖。
[0051] 圖15是臍橙風傷果表面缺陷檢測結果圖。
[0052] 圖16是臍橙薊馬果原始圖。
[0053] 圖17是臍橙薊馬果表面缺陷檢測結果圖。
[0054] 圖18是臍橙介殼蟲果原始圖。
[0055] 圖19是臍橙介殼蟲果表面缺陷檢測結果圖。
[0056] 圖20是臍橙潰瘍果原始圖。
[0057] 圖21是臍橙潰瘍果表面缺陷檢測結果圖。
[0058] 圖22是臍橙裂果原始圖。
[0059] 圖23是臍橙裂果表面缺陷檢測結果圖。
[0060] 圖24是臍橙炭疽病果原始圖。
[0061