基于果径大小与色泽的椪柑分级算法

曾芳艳，曾 磊，冯午阳，张书真，宋海龙

（吉首大学信息科学与工程学院，湖南 吉首 416000）

湘西是中国果品协会认定的“中国椪柑之乡”，然而椪柑作为湘西最具特色的农产品，带给果农的经济收益并不令人乐观，“卖果难”问题时有出现。目前湘西椪柑分级主要依靠人工挑拣完成，分级工作效率低，相比而言，精准分级销售可以提高椪柑销售品质，从而提高果农收益。通过研究椪柑的外在品质特征，利用计算机视觉处理技术实现椪柑的自动分级。

目前，基于计算机视觉的水果分级检测算法多是考虑水果的外在品质。阙玲丽利用苹果的傅里叶形状描述子、颜色饱和度以及果面缺陷面积，设定等级区分参数实现对苹果的自动分级[1]；谈英等提出一种基于苹果重量及颜色的加权融合特征的分级方法[2]；李广思通过提取圆形度等三个特征进行杨梅的自动检测与分级[3]。总得来说，基于计算机视觉的水果分级检测技术研究面广，但精深研究较少，例如对于光照不均匀问题就鲜有探究。并且对于椪柑这一特定水果的分级，国内也少有报道。本文以湘西椪柑为研究对象，提出一种基于果径大小和色泽的椪柑分级算法。

1 光照补偿预处理

因受光源、采集设备等外在因素影响，采集得到的大部分椪柑图像存在果面颜色失真问题，因此有必要对椪柑图像进行光照补偿预处理。鉴于Retinex算法具有颜色恒常性、色彩保真度高等特点[4，5]，使用Retinex算法对椪柑图像进行光照补偿。

经典的单尺度Retinex算法可简述如下：根据入射反射成像模型，采集的图像由入射分量和反射分量来决定，图像成像模型表达如公式（1）所示。

其中，S(x,y)表示采集到的图像，L(x,y)是入射分量，R(x,y)是反射分量。入射分量通常表示周围环境的亮度，而反射分量与光源无关，能反映出场景中物体的本质特性，因此在Retinex方法中，试图将这两个分量分离，得到物体的反射分量，然后单独对反射分量进行处理。通常的做法是对式（1）两边取对数，通过估算入射光分量，然后用图像信号的对数值减去入射光分量的对数值得到分离出的反射分量对数值：

经典的单尺度Retinex算法在公式（2）的基础上，加入中心环绕函数，得到的反射分量如式（3）所示。

其中*表示卷积运算，(F(x,y)=λexp(-(x2+y2)/n2)，n表示高斯环绕尺度，λ是一个尺度常数且满足∫∫F(x,y)dxdy=1。公式（3）中卷积运算相当于求邻域平均，因此单尺度Retinex方法的物理意义表示，通过计算图像像素点的邻域平均来估计图像入射光的变化，并将其去除，最终只保留图像中物体的反射属性，从而实现图像的光照补偿。图1 是光照补偿前后的对比图像，显然原椪柑图像在采集过程中因曝光不足，整体感觉偏暗，通过Retinex处理后，图像椪柑区域的色调和亮度得到较好校正。图中右上方的红色小方框是为了获取椪柑尺寸大小放置的参考物。在仿真实验时，该参考物放置与椪柑同一水平高度的位置上。

图1 Retinex算法光照补偿前后对比图

2 椪柑目标区域的分割

2.1 阈值分割

对于光照补偿后的彩色椪柑图像，算法首先利用HSV颜色模型进行阈值分割。HSV颜色模型是数字图像处理常用的颜色模型，该模型根据人眼视觉感知特点，将颜色分解为色调H、饱和度S和亮度V三个分量。考虑到工业流水线上常采用黑色或灰色传送带传送检测水果，采集的椪柑彩色图像背景单一，并且椪柑区域和背景区域颜色饱和度对比明显。因此，我们对光照补偿后椪柑图像的S分量进行阈值分割，分割阈值通过Otsu方法[6]自适应得到。图2为光照补偿后的椪柑图像，其饱和度分量图在分割前后的对比效果，从图中可看到，图像的椪柑区域被完整地分割出来。

图2 对椪柑彩色图像的S分量进行阈值分割前后比较图

2. 2椪柑彩色区域提取

经阈值分割后，得到图像中的椪柑目标区域。因为在后续的特征提取中，部分工作还需要在颜色空间中进行，所以将阈值分割得到的二值图像和光照补偿后彩色图像的H、S、V分量图相乘，乘后的三个分量图再次合成，就得到剔除背景的椪柑彩色图像，椪柑目标区域提取结果如图3所示。

图3 椪柑目标区域提取结果图

3 特征提取

3.1 果径大小

果径大小与果品的质量密切相连。在利用图像对椪柑进行分级的过程中，通过椪柑区域外接矩的边长可近似得到椪柑果径的大小。因为对于同一区域存在无数个外接矩形，我们选取最小面积外接矩形的长边作为椪柑的果径大小。具体操作如下：由于椪柑外形大多呈椭圆形且形状简单，故使用旋转法求最小外接矩形参数。旋转法是将图像中的目标的边界在90°范围内等间隔角度旋转，每次旋转间隔增量为3°，每旋转一次记录其外接矩形的面积，在旋转过程中，必存在一个面积最小的矩形，此时的矩形即为最小外接矩形，如图4所示，该矩形的长边设为该椪柑果径大小的参数。

图4 最小外接矩形图

3.2 色泽参数

椪柑的成熟度与椪柑表皮的颜色密切相关，在HSV空间中，统计样本椪柑的色调特征分布情况，成熟椪柑的H分量主要集中在[0.063， 0.129]的取值区间，当椪柑区域像素点的H分量在该区间范围时，即将该像素点标记为成熟椪柑像素。为此，遍历椪柑目标区域像素点，统计成熟像素点的个数M，将成熟像素数目M与椪柑目标区域总像素N做比较，通过计算得到椪柑区域的成熟像素占比，即设为椪柑的色泽参数。

4 实验结果及分析

实验以湘西椪柑为研究对象，根据四川省出台的《柑桔等级规格》标准[7]将椪柑分为四个等级：特等品、一等品、二等品、次等品，分级参数见表1 。分级时，首先根据果径大小进行椪柑初步分级 ，然后再根据色泽参数得到最终分级结果，色泽判定得到的等级不能高于果径判定得到的等级。例如，某椪柑根据果径得到等级为一等品，其色泽占比为96%，但因果径大小达不到特等品要求，因此该椪柑判定为一等品。

表1 椪柑分级参数

实验在主频为1.8GHz的 AMD A8-7100 Radeon R5的处理器上进行，其运行内存为4GB，采用MATLAB R2014a进行实验仿真。实验中，人工选取每个等级20个椪柑作为测试样本，分级结果如表2所示。

表2 椪柑分级结果

从表2可知，该算法对椪柑果径大小和色泽的识别准确率很高，因此椪柑分级总体准确率较高。同时，该算法计算复杂度低，单幅图像平均处理时间为 0.26s，能够满足实际生产中实时分级的要求。

5 结论

针对椪柑人工分级时，分级速度慢、精度低、人为影响因素多等不足，提出基于果径大小和色泽的椪柑自动分级算法。考虑到椪柑图像采集过程中存在光照不均的问题，算法首先使用Retinex方法对椪柑图像进行光照补偿预处理，有效减少了光照不均对椪柑分级的影响。分级在HSV空间中进行，通过S分量进行阈值分割，并通过H分量得到色泽参数，结合果径大小参数，对椪柑进行分级。仿真实验得到椪柑分级准确率平均达90%以上，且算法计算复杂度低，能达到实时分级的要求。为进一步提高分级准确率，融合更多的图像特征，考虑先进的模式识别算法将成为下一步研究的方向。