基于MATLAB 的马铃薯图像特征提取

许传悦 彭世英 杨金凤 贺光旭 纪朝凤 邸国辉*

（黑龙江八一农垦大学电气与信息学院，黑龙江 大庆163319）

1 概述

当前我国大多数的马铃薯分级方法还停留在传送带与重力传感器结合的半人工或全人工状态，将马铃薯质量检测从人工分拣阶段提升至机器自动识别筛选将大大提升马铃薯的效益产出率，在很大程度的降低人工因长时间工作致使视觉疲劳而造成的分拣及识别误差，并且可以大大提高马铃薯品质分级的工作效率，一套完整的可替代人工分拣的马铃薯质量检测系统将大幅提升马铃薯的商品性，创造出更大的经济效益。

2 去除目标背景

对一幅具有红、绿、蓝三色通道的完整彩色图像进行处理时通常需要对这三条通道进行逐一运算，数据量大必然耗费大量时间，而灰度处理即利用256 个灰度级来表示这三种颜色在同一图像中所占的比重，处理后的图像通常具有mxn 个像素值，可用一个二维矩阵表示，不仅压缩运算数据，且利于进一步处理。

而二值化也就是对同一图像不同灰度值进行合理阈值呈现明显黑白效果，将大于此阈值的像素点用255 表示，即为目标物体，小于此阈值的像素点用0 表示，即为目标背景，但不同品种或质量的马铃薯表皮颜色存在较大差别，故一幅马铃薯灰度图的灰度值变化规律不明显，二值化处理过程中若直接采用自动阈值法效果较差，难以达到运算要求，故在进行二值化处理过程中应观察不同种类、不同质量马铃薯的灰度值分布，自行选取合适阈值，尽可能实现目标与背景的完整分割，如图1-2 所示。

由于二值化过程中，目标物体像素被赋值为255，背景像素被赋值为0，为利用二值化处理后图像与原彩色图像进行乘法运算的方法去除目标背景，并真实还原目标物体，需将得到的二值图像像素矩阵进行归一化处理，即使所有像素值均为0 或1，得到一标准的二维矩阵，尽管人为阈值的二值化马铃薯图像仍存在少量噪声点，导致背景分离过程中原始像素丢失，无法精准还原目标物体，应进行去躁处理，matlab 环境下有三种较传统的的去躁方法：均值滤波法、中值滤波、开闭运算，由于图像中的噪声点数量少且较小，图像边缘较平滑，故本文直接采用先腐蚀后膨胀的开运算对图像进行形态学处理，删除不能包含结构元素的对象区域，实现图像去噪。

图1 马铃薯原图

图2 二值化后马铃薯图

3 特征提取

特征提取是计算机机器视觉处理中一种较常用的方法，它是指利用计算机处理提取像素信息，确定每个像素点是否属于一个图像特征，特征提取的结果往往是将图像上的点分为不同的子集，而这些子集可能是离散的点、连续的曲线或联通的区域，不同质量马铃薯之间具有较明显的颜色、纹理及形状特征，如绿皮、霉变、腐烂的果实表皮颜色较健康果实应存在较大差别，收割过程中也难免因人为或机器磕碰等外界因素对马铃薯表皮产生划痕，或因磕碰、虫蚀、畸形等因素产生可明显区分的纹理及形状特征，因此可对去背景处理后的不同质量的马铃薯图像进行特征分类提取分析，进而判别出果实的质量好坏。

3.1 颜色特征提取

一幅完整的彩色图像中的任何色彩均由RGB 三色元素组成，RGB 的所谓多少指代亮度，并由0 到255 之间的整数来表示，在MATLAB 中一幅RGB 图像用一个三维数组来表示，其中每一个像素在彩色图像中对应红、绿、蓝3 个分量。图像的数据类型决定了各颜色分量的取值范围。若一幅数据类型是uint8的RGB 图像，其每个分量颜色的取值范围是[0,255]。若将质量优良，表皮颜色正常的马铃薯图像与病变、腐烂或其它因素造成表皮颜色有明显区别的马铃薯图像进行比对，可利用不同图像的颜色直方图来直接反映，如图3 所示。

图3 正常马铃薯颜色分量直方图

不同质量马铃薯间颜色特征具有明显区别，因此可直接求取不同图像各颜色分量的平均值作为马铃薯等级评定的参考因素之一。

3.2 纹理特征提取

目前对于纹理特征含义的解释不尽相同，HawKins 认为纹理具有三大标志：某种局部序列性不断重复、非随机排列和纹理区域内大致为均匀地统一体，纹理作为一种区域特征，是对一幅图像各像素空间分布的一种描述，因此纹理特征有时是明显的，有时是隐晦的，对于本文所研究的马铃薯，若存在斑纹、裂痕等状况则具有网状或线状的纹理，而绿皮病等颜色特征明显但表皮光滑的马铃薯则不具备明显纹理特征，故上述颜色及纹理特征均不可独自作为判别因素，应综合考量。

3.3 形状特征提取

针对形状特征部分本文主要采用形状不变矩法，即利用图像的几何矩来区分批量马铃薯中的畸形果实，几何矩是Hu 的七个不变矩，该方法具有平移、旋转和尺度不变性，在连续情况下，图像函数可定义为f(x,y)，利用目前较为成熟的不变矩算法可计算该图像的k 阶标准矩、重心、k 阶中心距，并对中心距进行归一化处理，再利用二阶和三阶归一化中心矩构造7 个不变矩M1-M7。这7 个不变矩构成一组特征量，由Hu 矩组成的特征量对图片进行识别，优点就是速度很快，缺点是对于纹理特征复杂的图像识别率比较低，但像识别大粒果实的形状，或者车牌中的简单字符此类纹理较简单明了的图像的识别效果会相对较好，本文所研究的马铃薯图像纹理特征清晰，满足采用Hu不变矩方法的前提，而且该方法的高效性可以缩短识别时间，提高检测效率。