基于圖像分析的橙子識(shí)別和計(jì)數(shù)研究

基于圖像分析的橙子識(shí)別和計(jì)數(shù)研究摘要：隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，農(nóng)業(yè)所使用的手段也在更新?lián)Q代。以前所使用的通過(guò)人工來(lái)識(shí)別水果和技術(shù)的方法已經(jīng)不能滿足農(nóng)民的需求，通過(guò)計(jì)算機(jī)對(duì)圖像的分析可以快速完成對(duì)水果的識(shí)別，節(jié)省大量的時(shí)間和勞動(dòng)力。本文對(duì)于球狀水果，用MATLAB作為研究手段，從圖像特征灰度化開始，通過(guò)小波去噪與中值濾波對(duì)圖像進(jìn)行預(yù)處理，用sobel算子做邊緣檢測(cè)，通過(guò)基于形態(tài)學(xué)的圖像特征抽取和分析，最后用分水嶺圖像分割法實(shí)現(xiàn)目標(biāo)識(shí)別與計(jì)數(shù)。該課題充分利用了MATLAB平臺(tái)在圖像處理方面的優(yōu)勢(shì)，經(jīng)過(guò)優(yōu)化和調(diào)試，可以快速準(zhǔn)確地分析出結(jié)果。關(guān)鍵詞：MATLAB；形態(tài)學(xué)；分水嶺算法第一章引言1論文概述1.1課題研究目的和意義我國(guó)的水果品種豐富多樣，產(chǎn)量在世界排于首位，但是我國(guó)水果的出口量?jī)H達(dá)到世界的0.02。目前，我國(guó)的水果銷售主要都集中在本土市場(chǎng)，國(guó)內(nèi)的水果價(jià)格與國(guó)外相比，要低一些，其中最主要的原因是落后的水果分級(jí)技術(shù)。國(guó)內(nèi)水果分級(jí)絕大部分是通過(guò)人眼識(shí)別和采摘的，由于近幾年國(guó)家的理念核心是以人為本，重視人才，人工成本的提升使得水果成本增加。國(guó)外多用機(jī)器設(shè)備進(jìn)行水果分級(jí)而國(guó)內(nèi)對(duì)于水果分級(jí)的研究還不完善，使得國(guó)內(nèi)只能進(jìn)口國(guó)外機(jī)器。但國(guó)內(nèi)由于進(jìn)口設(shè)備價(jià)格昂貴，企業(yè)難以負(fù)擔(dān)，水果分級(jí)分類基本上由人工完成。但人工分級(jí)任務(wù)繁重，消耗大量人力資源，且國(guó)內(nèi)水果分級(jí)技術(shù)落后，不能生產(chǎn)與國(guó)外相同的設(shè)備，這就要求國(guó)內(nèi)研究者在水果分級(jí)技術(shù)進(jìn)一步鉆研。將圖像處理技術(shù)引入果園自動(dòng)化，是解決該問(wèn)題的有效途徑之一。通過(guò)研究這個(gè)課題不但可以加深對(duì)圖像處理基本思想的理解和對(duì)其方法的掌握，還熟悉了圖像處理中的精髓內(nèi)容--目標(biāo)分類識(shí)別。本課題的研究具有分廠重要的經(jīng)濟(jì)和使用價(jià)值，應(yīng)用前景十分廣闊。因此，很有必要對(duì)本課題進(jìn)行深入細(xì)致的研究。本課題選取橙子為研究對(duì)象，通過(guò)MATLAB仿真平臺(tái)，介紹如何對(duì)圖像的進(jìn)行預(yù)處理和特征提取，并通過(guò)對(duì)橙子特征的分析對(duì)比進(jìn)行識(shí)別和計(jì)數(shù)，以達(dá)到智能識(shí)別與處理的目的。1.2水果識(shí)別研究現(xiàn)狀隨著改革開放進(jìn)程的不斷加快，計(jì)算機(jī)技術(shù)的發(fā)展也越來(lái)越快，在計(jì)算機(jī)圖像學(xué)的領(lǐng)域也出現(xiàn)了越來(lái)越多的研究成果。世界各國(guó)的學(xué)者們?cè)谶@一方面進(jìn)行的研究都能夠在一定程度上改進(jìn)水果分級(jí)的速度，并取得良好的經(jīng)濟(jì)效益。而我國(guó)研究時(shí)間短暫，方式繁瑣，不能與國(guó)外相比，但也為我國(guó)水果識(shí)別研究奠定了基礎(chǔ)。水果大小、形狀和顏色等都是水果識(shí)別和分級(jí)的重要指標(biāo)條件。1.2.1國(guó)外研究現(xiàn)狀在國(guó)外，機(jī)器視覺是70年代開始興起的，它主要應(yīng)用于衛(wèi)星遙感和醫(yī)學(xué)方面。國(guó)外學(xué)者Throop[1]等人從不同的空間角度來(lái)獲取蘋果的平面圖像，然后通過(guò)這些圖像便可以獲取到其赤道半徑的大小，再根據(jù)半徑即可以計(jì)算出面積；緊接著將蘋果作為一個(gè)橢球體來(lái)處理，分別測(cè)量計(jì)算出其幾何參數(shù)，最后根據(jù)所獲得的信息估算蘋果的大小。國(guó)外學(xué)者Koc[2]的研究成果有關(guān)于如何測(cè)算西瓜體系的方法，首先獲取西瓜在不同的空間平面上的投影圖，以足夠數(shù)量的投影圖來(lái)形成輪廓切片，接下來(lái)沿著某一定軸旋轉(zhuǎn)切片，這些不同的切線在旋轉(zhuǎn)過(guò)程中發(fā)生重合的部分的體積就是西瓜的體積。Blasco等人[3]分別使用了兩種方法來(lái)實(shí)時(shí)地區(qū)分四種不同石榴的品種，即算像素RGB平均值與對(duì)R/G設(shè)定簡(jiǎn)單閾值的方法，區(qū)分的成功率很高，高于90%。國(guó)外學(xué)者Tao[4]等人的研究成果中有關(guān)于如何以計(jì)算機(jī)視覺技術(shù)為基礎(chǔ)來(lái)檢測(cè)蘋果缺陷的技術(shù)，此技術(shù)應(yīng)用于檢測(cè)可以使得檢測(cè)工作更加的高效和準(zhǔn)確。此項(xiàng)技術(shù)的大致原理如下：首先是通過(guò)傳統(tǒng)技術(shù)來(lái)獲取六個(gè)蘋果的圖像，然后通過(guò)分離或者降噪技術(shù)進(jìn)行進(jìn)一步處理，處理之后在進(jìn)行果面缺陷的計(jì)算工作。因?yàn)樘O果表面并不平整，而是具有一定的曲率，而曲率會(huì)造成光照強(qiáng)度的不均勻，這里以變換缺陷和變換形狀的手段來(lái)對(duì)其進(jìn)行一定的補(bǔ)償。1.2.2國(guó)內(nèi)研究現(xiàn)狀按照大小指標(biāo)分類，國(guó)內(nèi)學(xué)者應(yīng)義斌曾發(fā)表了基于計(jì)算機(jī)視覺方法來(lái)測(cè)量水果尺寸的技術(shù)方面的研究成果，在研究蘋果的外觀特性的過(guò)程中，學(xué)者章文英用蘋果的質(zhì)量中心與其最小外接正四棱柱的相接點(diǎn)之間的距離的大小來(lái)來(lái)表示橢球體的的長(zhǎng)徑和短徑的大小，并且取得了不錯(cuò)的效果，王雅琴等學(xué)者為了表示其大小所使用的參數(shù)是傅里葉半徑，而馮斌等學(xué)者標(biāo)了表示其外形特征而使用的參數(shù)是其自然對(duì)稱形態(tài)的特征。

按形狀指標(biāo)分類，何東健、寧紀(jì)鋒等人為測(cè)量果實(shí)形狀使用圖像形態(tài)學(xué)分析，準(zhǔn)確率很高，最高可以呈現(xiàn)出91.4%。趙靜、何東健用半徑作為研究方向，通過(guò)人工神經(jīng)網(wǎng)絡(luò)對(duì)水果的形狀進(jìn)行識(shí)別和分級(jí)。景寒松、應(yīng)義斌等人提出了采用傅立葉變換與傅立葉反變換來(lái)描述黃花梨的形狀[6]。

按顏色指標(biāo)分類。國(guó)內(nèi)學(xué)者馮斌等人曾經(jīng)以水果的顏色作為研究對(duì)象對(duì)其進(jìn)行過(guò)等級(jí)劃分。學(xué)者何東健，楊青等人通過(guò)計(jì)算機(jī)來(lái)檢查其表面的著色度，在收集到其彩色圖像以后，對(duì)圖片進(jìn)行處理，將以RGB為基礎(chǔ)的色彩表達(dá)方式轉(zhuǎn)換成HSI，然后計(jì)算在全部的著色面積中，合適色相面積在其中占據(jù)的比例。學(xué)者李慶、張漫等人在其研究成果中提到了如何提取蘋果的顏色特征的方法。1.3課題主要研究?jī)?nèi)容

(1)文章介紹了課題研究背景及意義，討論了國(guó)內(nèi)外計(jì)算機(jī)圖像識(shí)別的研究進(jìn)度與應(yīng)用范圍，并著重分析國(guó)內(nèi)對(duì)水果識(shí)別分級(jí)指標(biāo)的分類和應(yīng)用進(jìn)程。

(2)介紹了通過(guò)機(jī)器視覺處理可以根據(jù)特定顏色的圖像進(jìn)行灰度化的方法。

(3)通過(guò)討論小波去噪、中值濾波以及水果邊界提取的方法，對(duì)水果圖像進(jìn)行預(yù)處理。利用小波去噪、中值濾波去除圖像噪聲。

(4)討論分割水果圖像的背景，根據(jù)水果識(shí)別生產(chǎn)線實(shí)際情況的掌握，通過(guò)對(duì)比幾種不同的微分梯度算子邊緣檢測(cè)實(shí)驗(yàn)的結(jié)果，來(lái)進(jìn)行分析并得到結(jié)果。

(5)基于形態(tài)學(xué)的腐蝕與重構(gòu)最大化地從背景中分離出目標(biāo)區(qū)域。

(6)通過(guò)改進(jìn)的分水嶺算法分割圖像，對(duì)其進(jìn)行計(jì)數(shù)。2球狀水果識(shí)別原理

2.1一般灰度化與選擇性灰度化

對(duì)算法必需從灰度圖像入手，因?yàn)椴噬珗D像所采集的信息量遠(yuǎn)大于灰度圖形，如果采用彩色圖像將耗費(fèi)大量的時(shí)間和平臺(tái)資源。一般灰度化不能應(yīng)用于多種球狀水果并給出不同灰度化，這就要求我們將所需的圖像選出來(lái)，將其他部分隱去。因此，本論文選用選擇性灰度化來(lái)對(duì)圖像進(jìn)行處理。對(duì)彩色圖像R、G、B三個(gè)量進(jìn)行重新運(yùn)算后得到所對(duì)應(yīng)像素的灰度值就是該灰度化算法核心。

2.2圖像增強(qiáng)

2.2.1圖像噪聲污染

基于機(jī)器視覺的水果識(shí)別系統(tǒng)是一個(gè)復(fù)雜多變的系統(tǒng)，圖像采集過(guò)程中大多可能因?yàn)槭艿礁蓴_而使得采集到的圖片含有噪聲污染。若圖像中含有噪聲污染，則使得圖像質(zhì)量降低。圖像質(zhì)量降低則會(huì)影響到識(shí)別處理全部過(guò)程及結(jié)果輸出，甚至如果噪聲過(guò)大以至于遮蓋住原始圖像的信息，那么識(shí)別結(jié)果就會(huì)出現(xiàn)錯(cuò)誤。因此圖像增強(qiáng)是圖像識(shí)別之前的必備步驟。2.2.2圖像的預(yù)處理

圖像預(yù)處理就是將每個(gè)水果圖像分撿出來(lái)交給不同的識(shí)別模塊識(shí)別。它的目的就是威力提高圖像地質(zhì)量。噪聲會(huì)對(duì)試驗(yàn)中通過(guò)攝像頭攝取的圖像造成很大的干擾，是改變?cè)囼?yàn)結(jié)果的重大原因之一，所以，我們必須降噪處理一開始得到的圖像。降噪的常用工具是濾波器，在需要降噪的時(shí)候，如果沒有特別要求，通常都是使用的濾波器。2.2.3小波去噪

最近幾年，降噪技術(shù)中的小波技術(shù)快速的發(fā)展了起來(lái)，此種技術(shù)因?yàn)槠鋼碛械膬?yōu)秀的時(shí)頻特點(diǎn)而得到了人們的喜愛。常見的小波降噪技術(shù)有四種，這里使用的是通過(guò)變化閾值來(lái)進(jìn)行降噪處理的方法。其主要過(guò)程如下：在分析的過(guò)程中近似和細(xì)節(jié)被用到的頻率比較高，使用前者來(lái)表達(dá)低頻信息，使用后者表達(dá)高頻嘻嘻。某些信號(hào)里面摻雜了噪音，在信號(hào)中的噪音分量大部分集中在其解的細(xì)節(jié)分量之中。在分析過(guò)程中，不管是分解的成熟多少，還是閾值的大小以及取值方式或者是一些別的影響因素都能夠?qū)翟胄Ч暮脡漠a(chǎn)生直接的影響。這里最終選擇的降噪方法為小波降噪。2.2.4中值濾波

中值濾波的降噪方式能夠帶來(lái)極好的降噪效果，而且在降噪的同時(shí)還能夠保護(hù)一些邊緣信號(hào)使其不變的模糊難以分辨，這也是這種非線性技術(shù)所獨(dú)有的一些優(yōu)點(diǎn)。而線性的處理技術(shù)雖然不具備這些優(yōu)點(diǎn)，但是其實(shí)現(xiàn)難度更低。考慮到這里的圖像處理主要是為了提取邊緣信息，所以本文采用中值濾波的方法將圖像去除噪聲。

2.3邊緣檢測(cè)對(duì)于灰度圖像，能用形態(tài)學(xué)的膨脹與腐蝕來(lái)取得圖像的邊界。對(duì)邊緣的方向的依賴性小是它的優(yōu)點(diǎn)，缺點(diǎn)則是邊界信息不清晰。而對(duì)灰度圖像可以用算子濾波取得圖像的邊緣。算子的方法包括微分算子，Canny算子和Laplacian算子等方法。本文用的是微分算子濾波取得邊界。微分濾波器算子應(yīng)用包括Sobel算子、Prewitt算子和Roberts算子等方法。在邊緣檢測(cè)中，多用的一種模板是Sobel算子。對(duì)復(fù)雜圖像多用Prewitt算子或Sobel算子。與Prewitt算子比較，Sobel算子濾波能降低圖像邊緣的模糊程度，可以保留較為完整的邊界信息，因此Sobel算子的應(yīng)用會(huì)效果更好。2.4基于形態(tài)學(xué)的腐蝕與重構(gòu)

2.4.1對(duì)象標(biāo)記

如果直接利用微分算子處理過(guò)的圖像進(jìn)行分水嶺算法，這種方式往往得不到正確的結(jié)果。因?yàn)榻Y(jié)果中大多都會(huì)出現(xiàn)分割過(guò)度的情況，所以通常都需要對(duì)圖像進(jìn)行一系列的處理，其中包括前景對(duì)象標(biāo)記與背景對(duì)象標(biāo)記，只有這樣才可以得到較好的效果。本文用形態(tài)學(xué)的方法來(lái)清理圖像。2.4.2膨脹與腐蝕樣才可以有比較好的效果。本文使用形態(tài)學(xué)的方法來(lái)清理圖像。

2.4.2膨脹與腐蝕

在這門學(xué)科里有兩種基本操作，第一種是膨脹，也就是將研究對(duì)象所接觸的背景點(diǎn)與其合并，從而使得其圖像發(fā)生膨脹，在膨脹的時(shí)候還能夠?qū)吘壊课坏囊恍┌枷莼蛘呤侵虚g的小孔進(jìn)行填充；第二種是腐蝕，膨脹是填充，到了腐蝕就是消除，兩者是一個(gè)相反的過(guò)程；其他的操作絕大多數(shù)都是以此二種操作為基礎(chǔ)所推導(dǎo)得出。結(jié)構(gòu)元素是膨脹和腐蝕操作核心內(nèi)容。MATLAB是一種常用的仿真模擬工具，在使用過(guò)程中我可以使用strel函數(shù)來(lái)生成各種結(jié)構(gòu)，而且在生成的過(guò)程不受到維度和形狀的限制。在進(jìn)行膨脹操作的時(shí)候可以依賴工具中的Imdilate函數(shù)來(lái)進(jìn)行，在進(jìn)行腐蝕操作的時(shí)候可以依賴工具中的Imerode函數(shù)來(lái)進(jìn)行，這兩種方法功能相反，使用方法相似，通常情況下都是將兩者綜合起來(lái)使用。2.4.3形態(tài)學(xué)運(yùn)算

形態(tài)學(xué)運(yùn)算有兩種，第一種是開運(yùn)算，對(duì)圖像進(jìn)行處理的時(shí)候，先膨脹后腐蝕即為開運(yùn)算；第二種是閉運(yùn)算，這種運(yùn)算可以看做是第一種運(yùn)算的逆運(yùn)算，先腐蝕后膨脹即為閉運(yùn)算。

2.4.4形態(tài)學(xué)重構(gòu)

在概念上，形態(tài)學(xué)重構(gòu)可以理解成對(duì)標(biāo)記的圖像進(jìn)行重復(fù)膨脹，直到標(biāo)記圖像的輪廓適合遮蓋圖像為止。在形態(tài)學(xué)重構(gòu)中，標(biāo)記圖像地極值點(diǎn)被展開，即為膨脹。形態(tài)學(xué)的重建是基于膨脹運(yùn)算的，它具有下面的幾個(gè)特性：

①作用對(duì)象是兩張圖，一張是標(biāo)記圖像，另一張是掩膜圖像；

②它基于連通性，但不是結(jié)構(gòu)元素；

③直到圖像不再變化時(shí)，重建才會(huì)停止。2.5分水嶺圖像分割算法

目前對(duì)圖像進(jìn)行分割的數(shù)學(xué)形態(tài)學(xué)方法經(jīng)過(guò)多方學(xué)者的研究而不斷的涌現(xiàn)，其中分水嶺算法是較為典型的一種，此種方法具備了許多優(yōu)點(diǎn)，比方說(shuō)定位準(zhǔn)，計(jì)算快等等，這就造成了它被廣泛應(yīng)用于圖像分割。但分水嶺算法也是有缺點(diǎn)的，比方它對(duì)微弱邊緣也會(huì)有響應(yīng)，因而常常會(huì)出現(xiàn)過(guò)渡分割的情況；還有它的思想雖然簡(jiǎn)單，但是設(shè)計(jì)的方法比較困難，算法速率低，因此圖像處理需要消耗大量的時(shí)間。

3橙子識(shí)別算法設(shè)計(jì)

3.1算法流程圖圖3-1球狀水果識(shí)別—算法流程圖3.2算法設(shè)計(jì)

3.2.1圖像的預(yù)處理

第一步，輸入一幅JPG格式的彩色圖像；第二步，把彩色圖像分別用一般灰度化與選擇性灰度化兩種處理方法，處理后獲得兩幅灰度圖；第三步，分別對(duì)兩幅灰度圖做小波去噪、中值濾波處理，獲得兩幅經(jīng)過(guò)圖像預(yù)處理操作后的圖像。

3.2.2特征的提取

經(jīng)過(guò)圖像預(yù)處理的過(guò)程后，因?yàn)橐话慊叶葓D保留較多的圖形邊緣細(xì)節(jié)，所以算法應(yīng)該從一般灰度圖入手。對(duì)它進(jìn)行目標(biāo)對(duì)象的邊緣提?。唤酉聛?lái)把提取到的邊緣和預(yù)處理后的選擇性灰度化圖像疊加在一起，得到目標(biāo)邊緣增強(qiáng)的灰度圖；最后將粘連的圖像通過(guò)基于形態(tài)學(xué)的腐蝕膨脹作用與圖像重建的計(jì)算進(jìn)一步分離，把圖像分割需要的目標(biāo)區(qū)域特征提取出來(lái)。

3.2.3圖像的分割

本文用分水嶺算法對(duì)圖像進(jìn)行分割，使用該算法需要先將前景背景標(biāo)記下來(lái)。標(biāo)記以后的前景背景存在某些干擾，干擾結(jié)果的因素主要集中在孤立的像素與少量空洞，因此，我們需要把這些干擾因素清理掉。最后，使用分水嶺算法獲得分割結(jié)果和計(jì)數(shù)結(jié)果。4.1灰度化

首先，將MATLAB程序初始化。

clc;clearall;closeall;

然后讀取位于F盤的彩色圖像4.bmp，并將它存入rgb。

rgb=imread('F:\picture\4.bmp');

把rgb變成雙精度序列并存入I1，可以提高處理精度。

I1=im2double(rgb);

對(duì)彩色圖像做一般灰度化處理。

R=rgb(:,:,1);

G=rgb(:,:,2);

B=rgb(:,:,3);

gray=G-R;

I2=gray;

選擇性灰度化處理彩色圖像。

首先將rgb中的R\G\B分量通過(guò)簡(jiǎn)單賦值語(yǔ)句，分別存入r、g、b三個(gè)變量。

r=double(rgb(:,:,1));

g=double(rgb(:,:,2));

b=double(rgb(:,:,3));

可以設(shè)定提取分量與梯度分量

sr=255;sg=145;sb=15;k=255;

選擇性灰度化程序設(shè)計(jì)能獲取彩色圖像R分量的映射值o_r(i,j);

fori=1:size(r,1)

forj=1:size(r,2)

ifr(i,j)<sr

o_r(i,j)=(-k*r(i,j)/sr)+255;

else

o_r(i,j)=k*r(i,j)/(255-sr)+255;

end

end

end

用上述一樣的方法獲得彩色圖像中像素點(diǎn)G、像素點(diǎn)B分量的映射值o_g(i,j)、o_b(i,j)。

最后混合RGB三個(gè)映射值并存入I5，I5即是選擇性灰度化圖像。

fori=1:size(rgb,1)

forj=1:size(rgb,2)

I5(i,j)=uint8((o_r(i,j)+o_g(i,j)+o_b(i,j))/3);%混合RGB三通道

End

End圖4-1圖像提取分量的對(duì)比由圖4-1中紅綠藍(lán)這三種分量的提取結(jié)果能使橙子應(yīng)該表現(xiàn)出來(lái)的綠色分量與藍(lán)色分量顯現(xiàn)出來(lái)，選擇性灰度化使它最大化地凸顯，但對(duì)于紅色分量，選擇性灰度化將它屏蔽掉了。圖4-2一般灰度化和選擇性灰度化之間的對(duì)比圖根據(jù)圖4-2的現(xiàn)象，對(duì)原圖做選擇性灰度化處理可以突出檢測(cè)主體，顯得快速有效。

4.2圖像的預(yù)處理

按照需要的條件對(duì)圖像進(jìn)行適當(dāng)?shù)淖儞Q，用來(lái)突出某些有用的信息，減弱或去除無(wú)用的信息，這是信息圖像預(yù)處理的主要工作。本文根據(jù)小波去噪與中值濾波的特點(diǎn)，把它們結(jié)合起來(lái)使用。優(yōu)點(diǎn)是不僅可以去噪，還可以盡量保留細(xì)節(jié)。對(duì)一般灰度圖像I2，進(jìn)行小波去噪和中值濾波：[thr,sorh,keepapp]=ddencmp('den','wv',I2);I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp);I4=medfilt2(I3,[55]);圖4-3一般灰度圖-降噪濾波前后對(duì)選擇性灰度圖通過(guò)小波去噪和中值濾波的方法，得到的效果如圖4-4所示。圖4-4選擇性灰度化-降噪濾波前后4.3邊緣識(shí)別和增強(qiáng)

我們通過(guò)以上兩個(gè)步驟，獲取了都經(jīng)過(guò)降噪、濾波處理過(guò)的一般灰度圖和選擇性灰度圖兩幅圖像。選擇性灰度圖在特征提取時(shí)，使得邊緣有所損失，這時(shí)就需要增強(qiáng)邊緣，便于后面的圖像分割能準(zhǔn)確完成。但是試驗(yàn)中發(fā)現(xiàn)，和選擇性灰度圖像相比，一般灰度圖它保留的原始圖像邊緣有益于邊緣增強(qiáng)，如圖4-5。因此，本文把一般灰度圖提取到的邊緣信息和選擇性灰度圖疊加在一起，用以實(shí)現(xiàn)選擇性灰度圖的邊緣增強(qiáng)。MATLAB實(shí)現(xiàn)方法如下：hy=fspecial('sobel');hx=hy';Iy=imfilter(double(I4),hy,'replicate');Ix=imfilter(double(I4),hx,'replicate');I9=-sqrt(Ix.^2+Iy.^2);圖4-5sobel算子邊緣提取的結(jié)果對(duì)比最后把從一般灰度圖提取到的邊緣信息與選擇性灰度圖的疊加在一起，來(lái)完成圖像的增強(qiáng)。I=imadd(I8,I9);圖4-6圖像邊緣增強(qiáng)后的效果4.4基于形態(tài)學(xué)圖像的重建

4.4.1開運(yùn)算和開重建運(yùn)算

前文中已經(jīng)講過(guò)開運(yùn)算和閉運(yùn)算這兩種相反的過(guò)程。這兩種運(yùn)算的共同特征是都能夠消除大小不足結(jié)構(gòu)元素的一些圖像中的細(xì)節(jié)部分，而且還能夠確保在全局的角度不會(huì)發(fā)生失真現(xiàn)象。開運(yùn)算的作用機(jī)理是過(guò)濾較小的突刺，能夠?qū)⒉煌慕Y(jié)構(gòu)元素分離開來(lái)，而閉運(yùn)算的作用機(jī)理是填充，對(duì)不同結(jié)構(gòu)元素之間的空隙進(jìn)行填充補(bǔ)齊，從而將其連接起來(lái)。開操作是先做腐蝕后做膨脹，基于開的重建則是腐蝕后進(jìn)行形態(tài)學(xué)的重建。Se=strel('disk',15);Io=imopen(I,se);Ie=imerode(I,se);Iobr=imreconstruct(Ie,I);Ioc=imclose(Io,se);Iobrd=imdilate(Iobr,se);Iobrcbr=imreconstruct(imcomplement(Iobrd),imcomplement(Iobr));Iobrcbr=imcomplement(Iobrcr);figure;subplot(1,2,1);imshow(I,[]);title('疊加后的圖像');subplot(1,2,2);imshow(Iobrcbr,[]);title('基于重建的開閉操作');圖4-7圖像的膨脹，腐蝕與開閉操作前后的對(duì)比根據(jù)圖4-7，通過(guò)基于重建開閉操作和標(biāo)準(zhǔn)開閉操作的比較可以看到，在保持全局形狀不發(fā)生變化的前提下，若要將其中的一些小污點(diǎn)移除，那么相對(duì)來(lái)說(shuō)基于重建進(jìn)行開閉運(yùn)算會(huì)顯得效果更好。

4.5基于分水嶺的圖像分割

4.5.1前景對(duì)象、背景對(duì)象標(biāo)記

這里能夠用來(lái)得到前景標(biāo)記的辦法有不少，而得到的標(biāo)記都是前景對(duì)象內(nèi)部連接的斑點(diǎn)像素。同時(shí)這些操作又將會(huì)在每個(gè)對(duì)象的內(nèi)部創(chuàng)建出單位極大值，使它可以使用imregionalmax來(lái)定位，圖4-13所示。fgm=imregionalmax(Iobrcbr);subplot(1,3,1);imshow(I,[]);title('疊加后的圖像');subplot(1,3,2);imshow(Iobrcbr,[]);title('基于重建的開閉操作');subplot(1,3,3);imshow(fgm,[]);title('前景標(biāo)記圖像');圖4-8前景、背景對(duì)象標(biāo)記4.5.2閉塞處、陰影對(duì)象優(yōu)化

通過(guò)上圖可以看出，很多處于閉塞狀態(tài)下的對(duì)象以及陰影對(duì)象都沒有得到標(biāo)記，這種情況的出現(xiàn)表明了這些對(duì)象在處理過(guò)程中難以被合理的分離開來(lái)。而且，部分對(duì)象的前景標(biāo)記標(biāo)記在了邊緣位置，這種情況表明被標(biāo)記對(duì)象的邊緣需要被清理。在MATLAB中，我們可以選擇使用前文中提到的imclose和imerode兩個(gè)函數(shù)來(lái)進(jìn)行相應(yīng)的操作，如圖4-14所示。se2=strel(ones(4,4));fgm2=imclose(fgm,se2);fgm3=imerode(fgm2,se2);figure;subplot(1,3,1);imshow(Iobrcbr);title('基于重建的開閉操作');subplot(1,3,2);imshow(fgm);title('前景標(biāo)記');subplot(1,3,3);imshow(fgm3);title('前景背景標(biāo)記');圖4-9前景背景標(biāo)記的處理4.5.3移除孤立像素、填洞處理

在處理進(jìn)行的時(shí)候可能會(huì)遺留下位置比較偏的像素點(diǎn)，這個(gè)時(shí)候需要對(duì)其進(jìn)行移除操作。這里我們可以使用bwareaopen函數(shù)來(lái)進(jìn)行移除操作。因?yàn)閒gm5=bwareaopen(fgm4,P)能將少于P像素值的連通塊，從二值圖像中移除，獲得另外一個(gè)二值圖像fgm5。除此之外，填洞處理還可以用來(lái)實(shí)現(xiàn)imfill命令。fgm4=imfill(fgm3,'holes');fgm5=bwareaopen(fgm4,500）；figure;subplot(1,3,1);imshow(fgm3);title('前景背景標(biāo)記');subplot(1,3,2);imshow(fgm4);title('填洞處理');subplot(1,3,3);imshow(fgm5);title('去除較小區(qū)域');圖4-10移除孤立像素、填洞處理4.5.4分水嶺算法與計(jì)數(shù)

背景像素是在黑色區(qū)域，不過(guò)在理想情形下，就不必要求背景標(biāo)記過(guò)接近要分割的對(duì)象邊緣。可通過(guò)計(jì)算骨架影響范圍去細(xì)化背景，或fgm5的前景。這個(gè)可通過(guò)計(jì)算fgm5的距離變換中的分水嶺變換去實(shí)現(xiàn)，再尋找結(jié)果的分水