基于机器视觉的玉米粒颜色的检测方法的研究

《基于机器视觉的玉米粒颜色的检测方法的研究》由会员分享，可在线阅读，更多相关《基于机器视觉的玉米粒颜色的检测方法的研究（26页珍藏版）》请在装配图网上搜索。

1、河北农业大学现代科技学院本科毕业论文(设计)题 目： 基于机器视觉的玉米粒颜色的检测方法的研究学 部： 工 学 部 专业班级：电子信息科学与技术1001 学 号： 2010614530224 学生姓名： 冯亚娟 指导教师姓名： 张菊 指导教师职称： 讲 师 二一四 年 五 月 二十 日摘要利用计算机视觉技术检测农作物籽粒外观特征并识别其品种，对提高农业生产自动化水平和农产品增值效益、加强我国农业在国际市场上的竞争优势具有重要意义。基于这样的背景，本文选择我国广泛种植玉米等作物籽粒的静态图像作为研究对象，重点研究了这些作物籽粒的图像分割技术、形态结构特征提取和颜色检测方法，设计和开发了基于机器视

2、觉的玉米粒颜色检测方法系统。本文分析了玉米种子图像在彩色空间中的颜色信息，对彩色空间变换和图像文件格式转换进行了算法试验，为几何和颜色特征提取做了准备。对图像格式转换、图像变换、图像直方图信息统计、图像增强、图像分割、形态学处理等一系列图像预处理算法进行了算法验证，经过对诸多算法的比较，设计了玉米种子图像预处理方案。试验表明，该图像预处理方案能提供进行玉米种子有效特征提取的目标图像。关键词：机器视觉；图像处理；玉米粒颜色检测；图像分割AbstractUsing computer vision technology to detect crop grain appearance characte

3、ristics and identify its species, the level of automation to improve agricultural production and agricultural value-added benefits to enhance our competitive edge in the international agricultural market is important .Based on this background, we choose our extensive planting of corn and other grain

4、 crops static image as the research object, focuses on these crops grain image segmentation, morphology and color detection feature extraction methods, the design and development of corn -based machine vision grain color detection system. Maize seeds were analyzed image color information in the colo

5、r space, the color space conversion and image file format conversion method for a test, the geometric and color feature extraction made preparations. Image format conversion, image conversion, image histogram information statistics, image enhancement, image segmentation, morphological processing and

6、 a series of image preprocessing algorithm validation, by comparison to many algorithms designed corn seed image preprocessing program. Tests showed that the image pre-processing program can provide effective feature extraction of maize seed in the target image.Keywords: machine vision; Image proces

7、sing; corn grain color detection; image segmentation目录1绪论11.1问题的提出11.2问题研究的目的与意义11.3国内外研究现状21.4本文主要内容22设计思路32.1软件开发工具Matlab软件32.2技术路线43实验步骤53.1图像获取53.2图像预处理53.2.1灰度化处理63.2.2图像增强63.3图像分割84颜色特征提取104.1 RGB颜色模型104.2 HSV颜色模型104.3颜色特征提取11总结13致谢14参考文献15附录1图像预处理程序源代码16附录2图像分割程序源代码16附录3颜色提取程序源代码171绪论1.1问题的提出

8、如今，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等国民经济的各个行业。玉米作为中国主要的农作物之一，在食品、饲料等行业中备受关注。玉米种子直接关系到玉米的产量与质量，机器视觉具有实时、高效、客观、准确和无损伤等优点，为此，应用机器视觉代替人的视觉进行玉米等谷物种子品种及质量检验有着重要意义。机器视觉就是用机器代替人眼来进行识别、测量、判断等。机器视觉系统是通过摄像头将拍摄对象转换成图像信号，然后再交由图像分析系统进行分析、测量等。机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度，大大提高了检测效率和精度。基

9、于机器视觉的农产品自动检测具有实时、高效、客观、准确和无损伤等优点，与人的视觉相比，用机器视觉代替人进行种子纯度鉴别主要有以下特点：视觉信号易于计算机处理，可进行定性和定量的分析与判断。可以排除人的主观因素的干扰，并对所需指标进行定量描述，可避免了因人而异的检测结果，减小检测误差，提高生产率和检测精度。如今，在农业领域，农作物生长状况监视、农产品无损缺陷检测、成熟度判别、品质评价与分级、田间杂草和虫害识别、农业机器人等很多系统中，计算机视觉也都可以扮演重要的角色。计算机视觉技术的应用有利于提高农业生产效率、保证农产品质量的一致性，还可以避免人的疲劳或注意力不集中带来的误判。1.2问题研究的目的

10、与意义玉米作为中国主要的农作物之一，在食品、饲料等行业中备受关注。玉米种子直接关系到玉米的产量与质量，机器视觉具有实时、高效、客观、准确和无损伤等优点，为此，应用机器视觉代替人的视觉进行玉米等谷物种子品种及质量检验有着重要意义。提高农作物的品质不仅要依靠农业专家选育改良优质品种，还需要加强对农作物品质检测技术的研究。因此，提供快速、高效的农作物品质检测技术，按品质进行自动分类和分级，为从事科研、技术推广、生产管理、流通和加工等产业环节提供质量信息，对农业部门科学推荐和农民正确选用优质作物品种、监管机构预防粮食质量安全事件、收购和加工企业选购优质粮食原料、市场购销环节实行分收分储优质优价政策，都

11、具有十分重要的实用价值，也会极大提高我国粮食在国际市场上的竞争力。在玉米等农业生产和管理的许多方面，计算机视觉技术有着极其广泛的应用前景。现今，依靠农作物籽粒的颜色、粒形等外观特征能够快速、有效地判断其品质，因此成为研究的热点之一。作为种子科学的重要组成部分，人们对农作物籽粒的优选、检验、加工和储藏等实践早在远古时期就开始了，然而利用现代计算机技术系统地研究这些问题却是开始于近半个世纪。目前，我国的农作物外观品质检测普遍采用有经验人员通过肉眼目测进行主观鉴定，这使得品质指标的确定无法满足客观、快速、准确、稳定的检测要求。因此，采用高效先进的检测手段和检测方法成为今后农业现代化过程中农作物品质检

12、测技术发展的方向。在农业领域，农作物生长状况监视、农产品无损缺陷检测、成熟度判别、品质评价与分级、田间杂草和虫害识别、农业机器人等很多系统中，计算机视觉也都可以扮演重要的角色。计算机视觉技术的应用有利于提高农业生产效率、保证农产品质量的一致性，还可以避免人的疲劳或注意力不集中带来的误判。1.3国内外研究现状在玉米等农业生产和管理的许多方面，计算机视觉技术有着极其广泛的应用前景。尤其在其他国家，计算机视觉技术在农业领域的应用研究比中国重视得多，针对中国的现状，必须借鉴其他国家的经验，重点放在基于现成硬件上的算法和软件开发上。把计算机视觉技术、农业传统方法与现代新方法（神经网络、并行算法、遗传算法

13、、模糊技术、人工智能、图像形态学、分形学、小波变换和多光谱技术等）有效结合起来，研究适合中国的软件和相应的简单、快捷、准确的算法，提高模式识别的实时性，使开发的计算机视觉系统进入实用化阶段。由于计算机视觉识别软件系统是对获取的图像进行分析和判断的过程，有些特征是很难描述的，因此不能单独用一种技术来判断。且由于农业的复杂环境和生物多样性等因素，致使农产品外观比较复杂，另外计算机视觉技术在农业上的应用还处于初级阶段有许多技术难题还待解决，还需进一步深入研究。（1）现处理的图像大都是静态的，且目前绝大多数研究的对象都是静态的农产品个体，动态图像处理只在几种农产品质量检测和自动化收获等上有研究，且少数

14、能应用，还不能真正完全达到实时在线识别。如玉米种子的识别、特征参数的提取、质量的检测大都是对静态图像进行灰度化，二值化、分割处理。（2）图像处理技术在网络上的应用还很少，鲜有报道。因图片的所需空间大，传输速度慢，这也是计算机学科需解决的问题。（3）中国自主研究的软件系统很少，引进国外的较多。做研究的很多，出来的成果少，真正能应用的产品（图像处理软件或机械等）少。（4）对于玉米品种、产品质量的检测精度和准确性不高，时间效率低。（5）中国图像处理及识别等专业型人才较少。且计算机与人还不能进行智能交流，计算机无法识别用户的真实身份。且图像处理的一些算法有待进一步提高1。1.4本文主要内容基于玉米种子

15、质量评定体系主要从玉米种子的外形、色泽、净度等方面进行综合评价。所以，就目前来看，在粮食生产与经营过程中，粮食的一些检测方法，还停留在全手工阶段，依靠肉眼进行识别。这种方法人为因素很大，由于个人对标准的理解程度不同，对玉米种子等级的评定就缺乏稳定性，科学性不强。而计算机图像处理在进行大批量的产品质量检测、分级，克服了个人生理和心理因素的影响，能够收到快速、准确、无损等人工无法比拟的效果，而且可以把人从繁重的体力劳动中解放出来。计算机图像处理的种子检测顾名思义就是计算机系统通过对种子图像的采集、分析、对比和判别，将种子在长度、宽度、颜色、纹理、形状等外观特征上的差别进行量化、比较和判断，模拟人眼

16、的分选过程。而形态特征是指在提取种子特征时经常用到的一些与玉米种子形态相关的特征参数，有时通过这些特征参数可以得到玉米种子的其他特征。本文介绍了利用计算机图像处理技术对玉米粒图像进行处理，检测玉米粒的颜色为研究玉米粒的品种等做铺垫。研究数字图像预处理算法，对图像格式转换、图像直方图信息统计、几何变换、点运 算、图像增强、图像分割、形态学处理等一系列图像预处理算法进行了算法验证，经过对诸多算法的比较，设计了玉米种子图像预处理方案。定义玉米种子的颜色特征参数，颜色特征包括 RGB 特征和 HSI 特征，为玉米粒特征提取奠定基础。本设计完成以下几个方面的工作：（1）准备实验材料，采集图像。（2）对采

17、集的图像进行预处理、分割以及颜色特征提取。（3）对实验结果进行分析与总结。2设计思路检测玉米粒颜色可以用最传统的目视法。具体做法是由标准色度观察者在特定的照明条件下对产品进行目测鉴别,并与CIE(国际照明委员会)标准色度图比较,出颜色参数。人的眼睛虽有优异的视觉功能,但是不能准确识别微细的色彩差异,常出现色彩判断失误。用这种方法测量的结果精度低,操作麻烦。而机器视觉是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结

18、果来控制现场的设备动作。由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以人大提高生产效率和生产的自动化程度。本文用matlab软件对采集的玉米粒图像处理来判断玉米粒的颜色。将采集到的玉米粒图片通过matlab软件进行数字图像处

19、理，包括图像预处理，图像去噪，图像分割，提取图像有效特征信息，在对所得到的有效数字信息总结分析，便可以通过数字信息来判断玉米粒的颜色。2.1软件开发工具Matlab软件MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连 matlab开发工作界面接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。MATLAB是“Matrix Laboratory”的缩写，意为“矩阵实验室”，是当今美国很流行的科学

20、计算软件。信息技术、计算机技术发展到今天，科学计算在各个领域得到了广泛的应用 MATLAB软件就是为了给人们提供一个方便的数值计算平台而设计的。MATLAB是一个交互式的系统，它的基本运算单元是不需指定维数的矩阵，按照IEEE的数值计算标准（能正确处理无穷数Inf(Infinity)、无定义数NaN(not-a-number)及其运算）进行计算。系统提供了大量的矩阵及其它运算函数，可以方便地进行一些很复杂的计算，而且运算效率极高。MATLAB命令和数学中的符号、公式非常接近，可读性强，容易掌握，还可利用它所提供的编程语言进行编程完成特定的工作。MATLAB的基本数据单位是矩阵，它的指令表达式与

21、数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且mathwork也吸收了像Maple等软件的优点,使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C+ ，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。MATLAB 产品族可以用来进行以下各种工作：数值分析、数值和符号计算、工程与科学绘图 、控制系统的设计与仿真 、数字图像处理技术、数字信号处理技术、通讯系统设

22、计与仿真 、财务与金融工程等。MATLAB 的应用范围也非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。附加的工具箱（单独提供的专用 MATLAB 函数集）扩展了 MATLAB 环境，以解决这些应用领域内特定类型的问题。 Matlab软件的图形处理系统使得MATLAB能方便的图形化显示向量和矩阵，而且能对图形添加标注和打印。它包括强大的二维三维图形函数、图像处理和动画显示等函数。MATLAB自产生之日起就具有方便的数据可视化功能，以将向量和矩阵用图形表现出来，并且可以对图形进行标注和打印。高层次的作图包括二维和三维的可视化、图象处理、动画

23、和表达式作图。可用于科学计算和工程绘图。新版本的MATLAB对整个图形处理功能作了很大的改进和完善，使它不仅在一般数据可视化软件都具有的功能（例如二维曲线和三维曲面的绘制和处理等）方面更加完善，而且对于一些其他软件所没有的功能，MATLAB同样表现了出色的处理能力。同时对一些特殊的可视化要求，例如图形对话等，MATLAB也有相应的功能函数，保证了用户不同层次的要求。MATLAB语言是一种交互性的数学脚本语言，其语法与C/C+类似。它支持包括逻辑（boolean）、数值（numeric）、文本（text）、函数柄（function handle）和异质数据容器（heterogeneous con

24、tainer）在内的15种数据类型，每一种类型都定义为矩阵或阵列的形式（0维至任意高维）。执行MATLAB代码的最简单方式是在MATLAB程序的命令窗口（Command Window）的提示符处（）输入代码，MATLAB会即时返回操作结果（如果有的话）。此时，MATLAB可以看作是一个交互式的数学终端，简单来说，就是一个功能强大的“计算器”2。2.2技术路线颜色直方图颜色特征提取图像分割图像预处理原始图像图2.1技术路线首先，在桌子上铺一块黑布，把玉米粒均匀的洒在黑布上，在桌子正上方用数码相机拍下。其次，设计玉米种子图像处理方案，研究玉米种子图像预处理算法。预处理算法主要包括灰度处理、图像增强

25、、图像分割算法。在图像增强上选用三种不同的算法进行对比验证，从中选择更适合本课题研究的中值滤波算法。采用聚类分割法进行图像分割得到清晰的玉米粒冠部图像。再次，对玉米粒冠部图像进行颜色特征提取，通过彩色空间的对比，确定采用RGB与HSV两个颜色特征模型中进行特征选择，最终确定了最具代表性的颜色特征向量，最终得出颜色直方图。颜色直方图描述的就是不同色彩在整幅图像中所占的比例。3实验步骤3.1图像获取 先将玉米种子均匀地撒在一块黑布上，用数码摄像机对玉米种子进行拍摄，再将玉米种子图片存入计算机。因玉米种子为黄白色，经对比，背景选用黑色，且光源不能用电光源，拍摄出来的图像效果更便于处理。如图3.1所示

26、:图3.1原图3.2图像预处理3.2.1灰度化处理灰度图是指只含亮度信息、不含色彩信息的图像。它的亮度由暗到明、变化是连续的，要表示灰度图，就需要把亮度值进行量化。通常划分成0-255共256个级别，数值越大，该点越白，即越亮，数值越小则越黑，即越暗；其中，0最暗(全黑)，255最亮(全白)。由彩色转换为灰度的过程叫灰度化处理。在RGB颜色空间模型中，立方体的体对角线是灰度线，此时G=B，颜色表示为一种灰度颜色，其中R=G=B的值叫做灰度值，记作符号Gray。因为彩色图像的存储往往占用很大的空间，直接对彩色图像处理的话，计算量太大，处理速度也会受到限制。所以在对图像进行处理识别时常常将彩色图像

27、首先转化为只含有亮度信息的灰度图像，以此来减小计算量，加快后续处理的速度3。 灰度化的处理方法主要有如下三种：(1)最大值法：使R、G、B的值等于三个值中最大值，即 Gray =Max(R，G，B） (3-1)(2)平均值法：使R、G、B的值等于三个值和的平均值，即 Gray=(R+G+B)/3 (3-2)(3)加权平均值法：根据重要性或者其他指标给R，G，B赋予不同的权值，并使R、G、B等于它们的值的加权和平均，即 Gray(i,j)=aR(i,j)+bG(i,j)+cB(i,j) (3-3)a,b,c分别是R( i , j ) , G( i , j ) , B( i , j ) 的权重，R

28、( i , j ) , G( i , j ) , B( i , j ) 分别表示像素点颜色的红色分量、绿色分量和蓝色分量，Gray(i，刀表示该点转换后的灰度级别。经对比，本研究选择第三种方法将彩色图像中的所有象素点颜色都做相应处理就可以得到一张去掉色彩的灰度图。由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此当bac时将得到较合理的灰度图像4。照适合于人眼的视觉特点，传统常用参数当a=0.30，b=0.59，c=0.11时， R=G=B=0.30R+O.59G+O.1lB (3-4) 3.2.2图像增强从客观景物摄取图像，或一幅图从一个物质媒介转移到另一个物质媒介，往

29、往要产生图像失真，所得图像和原图像有某种程度差别。在许多情况下，人们难于确切了解引起图像降质的具体物理过程及其数学模型，但却能估计出使图像降质的一些可能原因，在一些应用目的下，针对这些原因采取简单易行的方法，改善图像质量。例如，图像信号变弱会使图像降质，采用增强对比度的方法可使图像清晰些；噪声干扰也使图像质量变差，运用平滑技术可消减噪声；一些物理器件或系统工作原理可模型化为一积分过程，信号经过这样的器件或系统后要变模糊，可使用微分运算突出边界或其他变化的部分。为概述视觉效果或便于人或机器对图像的分析理解，根据图像的特点或存在的问题，以及应用目的的所采取的简单改善图像质量的方法或加强图像某些特征

30、的措施称为图像增强。本研究运用图像增强技术是为了突出图像中种子的特征区域，提高图像分割的效率。经过比较得出运用中值滤波方法。中值滤波是一种局部平均平滑技术，是非线性滤波去噪方法，由于它在实际的运算过程中不需要统计特性，所以使用比较方便。 中值滤波是采用一个含有奇数个点的滑动窗口，用窗口中各点的灰度值的中值来代替窗口中心点像素的灰度值。中值滤波有一维中值滤波和二维中值滤波的分别。对于一个一维序列f1，f2，fn ,取窗口长度为m，m为奇数。对此序列进行中值滤波，就是从输入序列中顺序取出m各元素,fi-v,.fi-1,fi,fi+1,.fi+v, 其中f为窗口的中心位置，v=(m一1)2，将这m个

31、元素按照数值大小排列，位于正中间的那个数值作为滤波输出5。即： （3-5）式中Med表示取序列中值。 对二维序列fij进行中值滤波时，滤波窗El也是二维的，将窗口内像素排序，生成单调数据序列xij，二维中值滤波的结果为 gij=Medxij (3-6)如图3.2所示：图3.2 预处理后图像 3.3图像分割图像分析中，首先要将对象物从图像中分割出来，然后求其颜色等特征参数。从图像中把对象物提取出来的处理过程称为图像分割，即将数字图像分割成互不相交(不重叠)区域的过程。就是把构成图像的各个要素即像素进行分类。分类方法是随目的、用途的不同而不同的5。本研究即将玉米冠部图像从图像中分割出来，进而对玉米

32、冠颜色特征进行分析。一般来说，图像分割的算法可分为阈值分割法、构造法(分割合并法)、区域生长法、松弛法以及基于纹理的分割方法和K-mean聚类分割法等等6。本研究用的是K-mean聚类分割法。聚类就是按照一定的要求和规律对事物进行区分和分类的过程，一般要给出分割聚类数和各初始聚类中心。经典的聚类分割法包括C均值聚类法（k-mean）和模糊C均值聚类法。聚类分割法的优点是不需要先验知识，属于无监督分割法，提高了分割的自动化程度和效率。K-mean算法的工作原理：首先随机从数据集中选取k个点作为初始聚类中心，然后计算各个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类。计算新形成的每

33、一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛7。每次迭代中都要考察每个样本的分类是否正确。若不正确，就要调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代。如果在一次迭代算法中，所有的样本被正确分类，则不会调整，聚类中心也不会有任何变化，这标志着已经收敛，算法结束8。K-mean算法流程：（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心； （2）循环（3）到（4）直到每个聚类不再发生变化为止； （3）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分

34、； （4）重新计算每个（有变化）聚类的均值（中心对象）9。以下为处理后的图片：图3.3 聚类结果图3.4 玉米粒胚部图3.5 图片背景图3.6 玉米粒冠部4颜色特征提取4.1 RGB颜色模型RGB颜色模型是一种面向硬件设备的色彩空间，它是与人类的视觉系统结构密切相连的空间模型，它通常应用于显示器、打印机等设备中，是最熟悉、使用最多的色彩空间。通常，RGB空间采用立方体模型来表示，见图2-8。R，G，B分量位于三个角上；青、品红和黄则位于另外三个角上，黑色在原点处，白色在离原点距离最远的角上。在该空间中，灰度等级沿着黑白两点的连线分布。在RGB色彩空间中，不同的颜色均处于立方体上或者立方体的内部

35、，并且可以用从原点分布的向量来对其进行定义。为方便起见，假定所有的颜色都进行归一化处理，即所有的R，G，B的值可以在O，1的范围内进行取值。如图是一张玉米种子冠部的RGB彩色图像及各分量图像10。图4.1 RGB颜色系统模型色度学规则： (1)通过R、G、B这三种颜色可以产生任何一种颜色，并且这三种颜色结合后产生的颜色也是唯一的；(2)若两个颜色的三个分量分别相等，则这两个颜色相同，并且这三个分量乘以或除以相同的数，所得到的颜色依旧相等；(3)混合色的亮度等于每一种颜色亮度和。RGB色彩空间适合于颜色的显示，同时足、G、B三个分量存在高相关性，当强度发生变化时，三个颜色分量都会相应地发生变化。

36、还有，RGB空间中无法用距离来衡量两种颜色的相似性11。4.2 HSV颜色模型人眼对色彩的感受一般包括两个方面：一是颜色的色彩，即色度；二是色彩的纯度，即饱和度。HSI色彩空间是从人类的视觉系统出发，用色调(Hue)、饱和度(Saturation)和亮度(Value)来对色彩进行描述。色调反映了物体的颜色，主要由物体反射光线中占优势的波长决定，不同波长对应不同的颜色；饱和度表示颜色的浓淡程度，与光谱某波长处光能量大小相联系，饱和度越高，颜色越深；亮度反映了人眼所感受到的颜色明暗程度，主要受到光源强弱和观测视角的影响，与颜色信息无关。HSV(Hue, Saturation, Value)是根据颜

37、色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是：色调（H），饱和度（S），亮度（V）。色调H：用角度度量，取值范围为0360，从红色开始按逆时针方向计算，红色为0，绿色为120,蓝色为240。它们的补色是：黄色为60，青色为180,品红为300；饱和度S：取值范围为0.01.0；亮度V：取值范围为0.0(黑色)1.0(白色)。RGB和CMY颜色模型都是面向硬件的，而HSV（Hue Saturation Value）颜色模型是面向用户的。HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方

38、体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。HSV六棱锥：H参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别纯度S为一比例值，范围从0到1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时，只有灰度。相隔120度。互补色分别相差180度。V表示色彩的明亮程度，范围从0到1。有一点要注意：它和光强度之间并没有直接的联系。 图 4.2 HSV颜色空间模型 图4.3 HSV颜色空间模型（圆锥模型）4.3颜色特征提取 彩色图像中的大量颜色信息在图像处理和模式识别方面有着重要的作用。玉米

39、种子颜色是反映玉米种子发育和品种信息的一个重要指标。所以课题对玉米种子的颜色信息进行了研究，并对所需的颜色信息进行了定量描述。基于论文中对于颜色模型的论述，所有颜色都可看作是三基色一一红(R，red)，绿(G，green)和蓝(B；blue)的组合。将红、绿、蓝三色光混合时，改变三者各自的强度比例即可得到白色以及其他各种色调和饱和度的彩色，同时玉米种子各颜色分量在种子颜色上的比重差异可为玉米种子品种识别与检测提供参考。为了更好的提取和描述玉米种子图像中的色彩信息，本研究还对HSV色彩空间中的H(Hue)、S(Saturation)、V(Value)等信息进行了研究12。在图像处理技术领域，通常

40、分析彩色图像是对RGB模式下各分量进行分析。如果要进行颜色识别，利用RGB各分量的组合进行分析图像的颜色就比较困难了，所以需要将彩色图像从RGB模式下转换到HSV模式下，分析图像颜色，并设计出颜色分布的直方图，并重新转换到RGB模式下进行显示。运行结果如下：图4.4 H、S、V各分量颜色提取图像上图是将彩色图像从RGB模式下转换到HSV模式下，分析图像颜色，并设计出颜色分布的直方图，并重新转换到RGB模式下进行显示出来的H、S、V各个分量即HSV上的图像。图4.5 颜色提取H-S 直方图H-S颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并

41、不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。所以，本研究所提取的玉米粒的颜色特征图像（即图4.5）所描述的是不同颜色在整个玉米粒图像中所占的比例。总结本文研究主要是利用机器视觉和图像处理技术，对图像进行采集、处理和分析，提取了玉米粒冠部核心区域颜色特征，探究了玉米粒颜色的检测方法。定义了玉米粒特征参数，运用了K-mean聚类分割算法，该算法可以同时完成对图像上多个玉米种子对象的轮廓跟踪与提取，有效解决了必须将单个玉米种子从图像中分割才能进行单个种子轮廓提取的问题，提高了效率；基于以上算法提出了多对象轮廓特征提取算法，应用该算法可以快速、高精度地提取玉米粒的颜色特征，为玉米种子品

42、种识别与检测奠定了基础；阐述了颜色特征提取中的各算法流程，统计并分析了玉米粒颜色特征数据。 致谢时光荏苒，美好而又让人留恋的四年的大学时光转眼间就在眼前，在这四年里我遇到了很多让我一辈子都不能忘怀的友谊，与老师间的师生情，与同学间的同窗情，都是我大学阶段永远不能忘怀的记忆。正是由于你们对我的帮助，才让我没有虚度了这大学的美好的时光；正是由于你们对我的理解，才让我有更加自信的态度来面对接下来的更加复杂的社会；正是由于你们的真诚相待，才让我的大学生活更加的丰富多彩！本论文是在张菊老师的指导下完成的，在此特别对张菊老师表示感谢。无论是在生活中还是学习上，张菊老师都给予了我很大的帮助，张菊老师不仅是我

43、敬爱的老师，更是我求学路上的朋友。张菊老师态度谦和，对待工作充满热情，不论是学习和生活中处处体现教师的奉献的伟大的精神，张菊老师在学术上的一丝不苟深深地鼓舞着我，在以后对待自己的工作也要尽职尽责。在论文的完成期间，自己遇到了许多令自己头疼的问题，可是在张菊老师的悉心指点下自己顺利完成了本论文，非常感谢张菊老师。参考文献1章毓晋图像工程(上)：图像理解和计算机视觉M北京：清华大学出版社， 2OO62冈萨雷斯. 数字图像处理M . 艾海舟, 译. 北京: 电子工业出版社, 2003.3刘曙光,刘明远,何钺;机器视觉及其应用J;河北科技大学学报;2000年04期4杨锦忠，郝建平，杜天庆，崔福柱，桑素

44、平基于种子图像处理的大数目玉米品种形态识别J作物学报，2008.5容观澳计算机图像处理M清华大学出版社.20006王家文，曹宇MATLAB65图形图像处理M北京：国防工业出版社20047张亚秋，吴文福，王刚基于逐步改变阈值方法的玉米种子图像分割J农业工程学报.201l，27(7)：200-2048付峰，应义斌农产品品质检测中常用的图像背景分割方法J;农机化研究，2003(2)： 85869李永军;彩色图像分割技术综述J;科技情报开发与经济;2008年10期10宁纪峰玉米品种的计算机视觉识别研究D西北农林科技大学硕士学位论文200211夏德深，傅德胜计算机图像处理及应用M南京：东南大学出版社20

45、0412权龙哲，祝荣欣，雷溥，韩豹基于KL变换与LSSVM的玉米品种识别方法J农业机械学报，2010，4l(4)：168172附录1 图像预处理程序源代码I=imread(1.jpg); %读取图像，subplot(2,2,1),imshow(I);title(原图); %显示原图像J=rgb2gray(I); %把彩色图像转化为灰度图像subplot(2,2,2),imshow(J);title(灰度图); %显示灰度图像J= imnoise(J,salt & pepper,0.005); %加上椒盐噪声subplot(2,2,3),imshow(J);title(椒盐噪声图); %显示加上

46、椒盐的图像H=medfilt2(J); %中值滤波subplot(2,2,4),imshow(H);title(处理后图); %显示中值滤波后的图像附录2图像分割源代码I = imread(1.jpg); %读取文件数据figure();imshow(I); %显示原图title(原始图像);%将彩色图像从RGB转化到lab彩色空间C = makecform(srgb2lab); %设置转换格式L = applycform(I, C);%进行K-mean聚类将图像分割成3个区域ab = double(L(:,:,2:3); %取出lab空间的a分量和b分量nrows = size(ab,1);

47、ncols = size(ab,2);ab = reshape(ab,nrows*ncols,2);nColors = 3; %分割的区域个数为3cluster_idx cluster_center = kmeans(ab,nColors,distance,sqEuclidean,Replicates,3); %重复聚类3次pixel_labels = reshape(cluster_idx,nrows,ncols);figure();imshow(pixel_labels,), title(聚类结果);%显示分割后的各个区域segmented_images = cell(1,3);rgb_l

48、abel = repmat(pixel_labels,1 1 3);for k = 1:nColors color = I; color(rgb_label = k) = 0; segmented_imagesk = color;endfigure(),imshow(segmented_images1), title(分割结果区域1);figure(),imshow(segmented_images2), title(分割结果区域2);figure(),imshow(segmented_images3), title(分割结果区域3);附录3颜色提取程序源代码clearclcclose all

49、Image = imread(01.jpg);M,N,O = size(Image);h,s,v = rgb2hsv(Image);HSV=rgb2hsv(Image);H = h; S = s; V = v;h = h*360;%将hsv空间非等间隔量化：% h量化成16级；% s量化成4级；% v量化成4级；for i = 1:M for j = 1:N if h(i,j)345 H(i,j) = 0; end if h(i,j)15 H(i,j) = 1; end if h(i,j)25 H(i,j) = 2; end if h(i,j)45 H(i,j) = 3; end if h(i

50、,j)55 H(i,j) = 4; end if h(i,j)80 H(i,j) = 5; end if h(i,j)108 H(i,j) = 6; end if h(i,j)140 H(i,j) = 7; end if h(i,j)165 H(i,j) = 8; end if h(i,j)190 H(i,j) = 9; end if h(i,j)220 H(i,j) = 10; end if h(i,j)255 H(i,j) = 11; end if h(i,j)275 H(i,j) = 12; end if h(i,j)290 H(i,j) = 13; end if h(i,j)316 H

51、(i,j) = 14; end if h(i,j)330 H(i,j) = 15; end endendfor i = 1:M for j = 1:N if s(i,j)0 S(i,j) = 1; end if s(i,j)0.15 S(i,j) = 2; end if s(i,j)0.4 S(i,j) = 3; end if s(i,j)0.75 S(i,j) = 4; end endendfor i = 1:M for j = 1:N if v(i,j)0 V(i,j) = 1; end if v(i,j)0.15 V(i,j) = 2; end if v(i,j)0.4 V(i,j) =

52、 3; end if v(i,j)0.75 V(i,j) = 4; end endend% 构建4*16二维数组存放H-S数据Hist = zeros(16,4);for i = 1:M for j = 1:N for k = 1:16 for l = 1:4 if l=S(i,j)& k=H(i,j)+1 Hist(k,l) = Hist(k,l)+1; end end end endendfor k = 1:16 for l =1:4 His(k-1)*4+l) = Hist(k,l);%转化为一维数组 endendHis = His/sum(His)*1000;% 手工绘制彩色图像直方图

53、% hist_hm=0;for j = 1:300 if rem(j,16)=1 & m16 for k = 0:15 for i = 1:200 hist_h(i,j+k) = m; end end m = m+1; endend% hist_sm=0;for j = 1:300 if rem(j,4) = 1 & m64 n = rem(m,4); for k = 0:3 for i =1:200 hist_s(i,j+k) = n+1; end end m = m+1; endend% hist_vfor j = 1:256 for i = 1:200 hist_v(i,j) = 0.9

54、8; endend% 把His赋值给hist_vfor k = 1:64 for j = 1:256 if floor(j-1)/4) = k for i = 1:200 if iHis(k+1)% hist_v(i,j) = 0; end end end endend%将h、s、v分量图合并转化为RGB模式I_H = hsv2rgb(hist_h/16,hist_s/4,hist_v);% 画图显示figure;subplot(3,2,1),imshow(Image),title(原图);subplot(3,2,2),imshow(H,),title(H分量图);subplot(3,2,3),imshow(S,),title(S分量图);subplot(3,2,4),imshow(V,),title(V分量图);subplot(3,2,5),imshow(HSV, ),title(HSV图像);subplot(3,2,6),imshow(I_H,),title(H-S直方图);figure,imshow(I_H);23