基于计算机视觉的数字图像处理方法研究——以梨果检测分级为例

牛 犇，张栖瑞

（金陵科技学院电子信息工程学院 江苏 南京 211169）

1 引言

梨具有丰富的营养、特殊的功效，在我国水果进出口量上也常年位居前列。然而，不同品种具有不同的大小尺寸、外皮颜色，由于质量检测分级技术落后或分级标准不当，导致其品质差异不明显，从而定价模糊混乱，影响了我国农产品贸易的发展。定义水果果形、果重、果面缺陷等品质的标准，是分级的核心[1-3]。严格进行分级能够有效保证在流通市场前水果的品质，减少缺陷果产生的浪费[4-5]。因此，基于计算机视觉技术的梨果检测分级系统，具有较高的技术价值和研究意义。本文通过判断果形、缺陷及其外观特征等实现检测分级。

2 图像采集及预处理

2.1 图像采集

在对梨果图像进行采集时，选择合适的拍摄背景和环境，且所有待检测目标的背景一致，有利于后续对图像进行处理。在光源的设计上，经过反复的测试和对比，实验选用了固定25cm光源垂直照射，尽可能减少光线反射和阴影影响，背景选用白色背景，提高了采集图像的对比度。

2.2 图像预处理

在图像采集过程中，成像过程往往会由于外界条件的不稳定而产生一些不可控制的干扰因素，通常表现为噪声形式，从而影响后续特征提取及检测分级的准确度，因此需要对采集的图像进行去噪处理。本文采用中值滤波法对图像进行滤波处理，所得到的图像与原始图像基本一致，没有出现较大的失真情况，且边缘清晰可见。通过观察表面外观，发现其外观颜色能够体现出本身的成熟度，另一方面，也可通过色泽区分出表面缺陷区域的部分。因此，可以将背景进行去除，仅保留前景部分。将采集的图像由RGB空间转换到HSV空间，在S分量直方图中，能够观察到明显的峰值，且两个波峰之间的下降区域明显，波谷非常突出，S分量在HSV颜色空间里表示饱和度，符合实验所使用的白色拍摄背景和黄色目标在肉眼识别中产生色差区别的特征，所以针对S分量对图像进行全局阈值分割，可以得到较好的背景去除效果，如图1所示。

图1 图像去噪及背景去除

3 特征提取

梨果的尺寸、形状和颜色等表面特征，通常会因为自身质量的差异和光照、环境等外部因素影响存在很大差异。因此，在进行检测分级时，特征是检测分级至关重要的依据和标准。对进行预处理后的图像进行特征提取，主要包括周长、面积、形状、缺陷等。

3.1 周长

图2 边缘提取

周长是指目标整个区域环绕边缘的长度，也就是一周的长度。如图2所示的边缘图像，在提取到外观轮廓的基础上，计算边界上所有像素点之和，得到周长，如式1所示：

3.2 面积

面积是指目标图像所占空间的大小，如图3所示的去除背景后的二值化图像。在得到去除背景的二值化图像的中，前景部分被突出为白色，背景为黑色。要得到前景部分的所有像素点，也就是对边界内全部像素点求和，即计算的数目，再和面积产生对应的映射关系，如式2所示。

图3 面积提取

3.3 形状

已知在面积一定时，周长和圆形度成反比。在已知周长和面积的基础上，可以计算圆形度。半径和周长的关系如式3所示。

半径和面积的关系如式4所示。

由于实际目标的形状并不是一个标准圆形，所以式（3）和式（4）中所得到的半径并不相等，可以使用两组半径比值的平方和来衡量圆形度，结果越接近1，表明该形状越接近标准圆形。由此推导出来的圆形度如式（5）所示。

3.4 缺陷

缺陷检测是从表面正常区域中分割出有差异的部分。观察已去除背景的目标图像的颜色特性，使用多个存在表面缺陷的目标图像进行测试获得分割阈值。遍历灰度图全部像素点，当像素点小于阈值时，把该点的像素值赋值为255，即白色，反之赋值为0，即黑色，从而得到表面缺陷部分为白色的图像，如图4所示。

图4 表面缺陷区域提取

4 分级系统设计

本文从圆形度和果面缺陷等两个方面进行检测分级，设计了一个基于计算机视觉的梨果检测分级系统。根据《梨外观等级标准》的分类依据，本文将形状按照标准分为端正、比较端正、不端正三类[6]。由于不同等级在形状上也存在差异，因此判断形状等级尤为重要。在实验过程中，使用圆形度对形状进行描述。实验采用了四种不同等级，每种等级30张图像进行处理，统计圆形度和形状等级的映射关系。

根据统计结果可以看出，四种不同等级的圆形度存在着差异，但也存在重复覆盖的数值范围，圆形度在这四类中的区分并不明显。根据《梨外观等级标准》的规定，特等的形状为端正，一等的形状存在端正和比较端正两种，二等则存在端正、比较端正和不端正三种，另外，外果则四种形状都可能存在，需要结合表面的缺陷特征作出最终判断。

对所采集的图像进行三十次重复实验，根据实验数据，可以确定具体的圆形度和形状所对应的映射关系：形状端正对应的圆形度一般在0.940以上，形状比较端正对应的圆形度一般在0.940到0.932之间，除此之外，形状不端正对应的圆形度一般在0.932以下。

根据《梨外观等级标准》的分类依据，本实验将表面缺陷按照标准分为特等、一等、二等以及外果四类。具体的缺陷分级以缺陷的数目和面积作为判定依据进行分级处理。不超过一处且每处面积小于0.5cm²为特等，不超过两处且每处面积小于1.0cm²为一等，不超过三处且每处面积小于2.0cm²为二等，除此之外不进入标准评级，定义为外果。

5 实验结果与分析

通过对30幅图像进行检测分级实验，表明本文所设计的基于计算机视觉的梨果检测分级系统能够对果形、缺陷等进行综合判断，达到较高的检测分级精度，如图5所示。

图5 检测分级结果

为了进一步验证该检测分级系统的鲁棒性，对采集的图像添加噪声，重复以上步骤。试验结果表明，含噪图像圆形度发生了变化，呈增长趋势，含高斯噪声的图像圆形度增幅较小，为0.00801；含椒盐噪声的图像圆形度增幅较大，为0.00931。两组含噪图像处理在圆形度计算均出现了变化，但数值变化幅度在0.01以内，所以对形状仍然能够准确识别。从实验结果可以看出，本文所提出的基于计算机视觉的梨果检测分级系统对于含噪图像也能够较好地完成背景去除和缺陷识别，最终的检测等级判定几乎不受噪声影响。

6 结语

本文研究设计了一种基于计算机视觉的梨果检测分级系统，针对HSV颜色空间中的S分量对采集的图像进行分割处理，去除背景，融合了果形、缺陷等特征，可以达到准确的检测分级结果。在图像含有噪声干扰的情况下，本系统也能够正常识别果形和缺陷，实现对等级的正确判定。