基于滑动比较窗口自适应分割的水果表面缺陷检测方法
【技术领域】
[0001] 本发明涉及计算机视觉图像处理方法，具体涉及一种基于滑动比较窗口自适应分 割的水果表面缺陷检测方法。
【背景技术】
[0002] 表面缺陷检测是水果分级的重要依据之一，在世界各国的水果评级标准中有严格 的规定。国内外大量学者研究通过计算机视觉方式检测水果及农产品表面缺陷，但是许多 农产品是类球体，二维图形中部的灰度值要远大于边缘的灰度值，导致表面缺陷图像检测 的困难。
[0003] 经过现有的技术检索发现，方法主要分为三类：
[0004] 1)基于球体灰度模型的处理方法。譬如专利文献中国专利CN101984346A记载了 一种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，利用水果 彩色图像通过离散傅里叶变换进行低通滤波然后离散傅里叶反变换获得表面亮度图像，前 者图像除以后者图像得到均一化亮度图像，再采用单阈值实现水果表面缺陷分割，该技术 能检测亮度较低的表面缺陷，但是会丢失在中心区域以及边缘区域的高亮度及中亮度表面 缺陷；中国专利CN102788806A利用水果RGB图像和NIR图像，计算对比水果的缺陷形状、大 小，但是水果不是严格球体，该专利用二值图像外接矩形最大宽度近似水果直径，最大宽度 的一半作为迭代次数终止条件。这种方法对非圆形的椭圆形水果会产生误差，而且椭圆形 水果长轴和短轴受到的光照朗伯现象不一样直接用该区域像素点直接进行亮度平均处理， 会对缺陷检测带来误差；Li Jiangbo等人（2013)利用光照传输模型与图像比技术检测脐 橙表面缺陷，该方法算法对较低亮度缺陷有效，但是容易丢失高亮度以及中亮度表面缺陷 区域。（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)利用水果表面亮度矫正单阈值脐橙表 面缺陷提取，该方法会丢失高亮度表面缺陷区域（李江波，饶秀勤，应义斌.水果表面亮度 不均校正及单阈值缺陷提取研究，农业工程学报，2011年12期）。
[0005] 2)基于表面纹理特征的处理方法。L0pez_Garcia F等人（2010)利用多元图 像理论以及表面纹理特征算法训练方法检测脐橙表面缺陷，该算法比较复杂不易用于 在线，而且检测脐橙表面缺陷类型有限。（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)基于多光谱成像技术的处理方法。J.Blascoa等人利用多光谱成像设备进行 脐橙表面缺陷分析，该方法硬件成本较高和复杂（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] 现有方法存在检测表面缺陷类型有限以及计算方法较复杂难以用于在线检测或 者依赖成本较高的复杂硬件成像技术的问题，因此需要新的水果表面缺陷检测方法。
【发明内容】
[0008] 为了解决【背景技术】中检测表面缺陷类型有限以及计算方法较复杂难以用于在线 检测或者依赖成本较高的复杂硬件成像技术的问题，本发明的目的在于提供一种基于滑动 比较窗口自适应分割的水果表面缺陷检测方法，相比【背景技术】，识别方法更简单，表面缺陷 检测类型更多以及对象实用性较广。
[0009] 本发明解决其技术问题所采用技术方案的步骤如下：
[0010] 1)获取水果RGB彩色图像；
[0011] 2)对水果RGB彩色图像去除背景进行图像二值化，获得初始二值化图像；
[0012] 3)对步骤2)得到的初始二值化图像提取边缘并采用3像素半径圆形的结构元膨 胀一次获得轮廓边缘膨胀图像；
[0013] 所述步骤3)中的膨胀均通过以下公式完成形态学膨胀得到轮廓边缘膨胀图像；
[0015] 式中：?一形态学膨胀处理结果；A-轮廓边缘膨胀图像；a - A中一个像素；S-半 径圆形的结构元；Sv-S的对称集；Φ-空集。
[0016] 4)对RGB彩色图像去除背景转换成灰度图像，并再建立与灰度图像同样大小的所 有像素初始化为〇的目标图像P (i，j);
[0017] 5)以步骤4)中的灰度图像每个像素为中心用5X5窗口扫描，窗口中超过图像边 界的像素用〇填充，并计算获得每个5 X 5窗口的分割阈值Q (i，j);
[0018] 所述步骤5)中，对于每个5 X 5窗口，通过以下公式将5 X 5窗口内的所有25个像 素从小到大排序并且计算第二大数值和第二小数值的平均值作为分割阈值Q (i，j)，从而获 得所有5 X 5窗口的分割阈值Q (i，j):
[0020] 式中：Q(i，j)-当前窗口中心像素的分割阈值；f (i，j)-灰度图像；Max_2nd-寻 找第二大像素数值；Min_2nd-寻找第二小像素数值；i和j分别表示图像像素的水平坐标 和垂直坐标，k和1分别表示水平和垂直坐标遍历参数。
[0021] 6)对5X5窗口中心像素用分割阈值Q(i，j)进行判断，对目标图像P(i，j)中的像 素进行重新赋值，遍历处理获得目标二值化图像；
[0022] 所述步骤6)具体为：对于5X5窗口的每个像素，判断如果当前所在窗口最大的前 三个像素分别与最小像素之差都大于19并且当前像素大于分割阈值Q(i，j)时，则将与当 前像素具有同样位置的目标图像P (i，j)中的像素赋值为1否则赋值为〇,遍历处理所有像 素完成图像分割获得目标二值化图像；
[0023] 7)将步骤6)得到目标二值化图像减去步骤3)的轮廓边缘膨胀图像，再依次进行 膨胀、填洞、腐蚀和中值滤波处理获得水果表面缺陷图像。
[0024] 所述步骤7)中用目标二值化图像减去步骤3)中轮廓边缘膨胀图像，得到差值图 像，再用1像素半径圆形的结构元来进行形态学膨胀。具体通过以下公式完成形态学膨胀 得到轮廓边缘膨胀图像；
[0026] 式中：?一形态学膨胀处理结果；A-轮廓边缘膨胀图像；a - A中一个像素；S-半 径圆形的结构元；Sv-S的对称集；Φ-空集。
[0027] 所述步骤7)中填洞采用以下公式完成填洞：
[0029] 式中：F-填洞图像处理结果；D-差值图像完成形态学膨胀的数据；E-四连通 域；k一计算次数，k = 1，2, 3···狀一D的补集。
[0030] 所述步骤7)中腐蚀采用以下公式完成腐蚀，得到差值图像腐蚀图：
[0032] 式中：R2-腐蚀处理结果；V-差值图像完成膨胀和填洞的数据；v - V中一个像 素；W-半径为2像素圆形结构元；
[0033] 所述的步骤7)中对腐蚀得到的差值图像腐蚀图进行6X6中值滤波，得到表面缺 陷图像。
[0034] 本发明具有的有益效果是：
[0035] 本发明对于检测水果表面缺陷具有很好的准确性和实用性，有效避免了对水果及 农产品形状、大小的依赖以及避免了亮度矫正带来较复杂的计算方法，也避免了依赖高光 谱以及多光谱成像硬件带来的高成本性问题。
[0036] 本发明能够有效检测不同亮度特征表面缺陷，譬如能检测脐橙10种表面缺陷（虫 伤果、风伤果、蓟马果、介壳虫果、溃疡果、裂果、炭疽病、药害果、表皮破裂型腐烂果、梗伤 果）。方法应用对象较广，方法简便易于实现，在水果及农产品品质计算机视觉在线检测方 面具有较大的应用潜力。
【附图说明】
[0037] 图1是本发明方法的流程图。
[0038] 图2是本发明实施例1中原始图像。
[0039] 图3是本发明实施例1中初始二值化图像。
[0040] 图4是本发明实施例1中轮廓边缘膨胀图像。
[0041] 图5是本发明实施例1中半径3像素半径圆形结构元。
[0042] 图6是本发明实施例1中获得的目标二值化图像。
[0043] 图7是本发明实施例1中差值图像。
[0044] 图8是本发明实施例1中半径1像素半径圆形结构元。
[0045] 图9是本发明实施例1中四连通域。
[0046] 图10是本发明实施例1中半径2像素半径圆形结构元。
[0047] 图11是本发明实施例1中提取表面缺陷图像。
[0048] 图12是脐橙虫伤果原始图。
[0049] 图13是脐橙虫伤果表面缺陷检测结果图。
[0050] 图14是脐橙风伤果原始图。
[0051] 图15是脐橙风伤果表面缺陷检测结果图。
[0052] 图16是脐橙蓟马果原始图。
[0053] 图17是脐橙蓟马果表面缺陷检测结果图。
[0054] 图18是脐橙介壳虫果原始图。
[0055] 图19是脐橙介壳虫果表面缺陷检测结果图。
[0056] 图20是脐橙溃疡果原始图。
[0057] 图21是脐橙溃疡果表面缺陷检测结果图。
[0058] 图22是脐橙裂果原始图。
[0059] 图23是脐橙裂果表面缺陷检测结果图。
[0060] 图24是脐橙炭疽病果原始图。
[0061