基于計算機視覺的數字圖像處理方法研究
——以梨果檢測分級為例

牛 犇，張棲瑞

（金陵科技學院電子信息工程學院 江蘇 南京 211169）

1 引言

梨具有豐富的營養、特殊的功效，在我國水果進出口量上也常年位居前列。然而，不同品種具有不同的大小尺寸、外皮顏色，由于質量檢測分級技術落后或分級標準不當，導致其品質差異不明顯，從而定價模糊混亂，影響了我國農產品貿易的發展。定義水果果形、果重、果面缺陷等品質的標準，是分級的核心[1-3]。嚴格進行分級能夠有效保證在流通市場前水果的品質，減少缺陷果產生的浪費[4-5]。因此，基于計算機視覺技術的梨果檢測分級系統，具有較高的技術價值和研究意義。本文通過判斷果形、缺陷及其外觀特征等實現檢測分級。

2 圖像采集及預處理

2.1 圖像采集

在對梨果圖像進行采集時，選擇合適的拍攝背景和環境，且所有待檢測目標的背景一致，有利于后續對圖像進行處理。在光源的設計上，經過反復的測試和對比，實驗選用了固定25cm光源垂直照射，盡可能減少光線反射和陰影影響，背景選用白色背景，提高了采集圖像的對比度。

2.2 圖像預處理

在圖像采集過程中，成像過程往往會由于外界條件的不穩定而產生一些不可控制的干擾因素，通常表現為噪聲形式，從而影響后續特征提取及檢測分級的準確度，因此需要對采集的圖像進行去噪處理。本文采用中值濾波法對圖像進行濾波處理，所得到的圖像與原始圖像基本一致，沒有出現較大的失真情況，且邊緣清晰可見。通過觀察表面外觀，發現其外觀顏色能夠體現出本身的成熟度，另一方面，也可通過色澤區分出表面缺陷區域的部分。因此，可以將背景進行去除，僅保留前景部分。將采集的圖像由RGB空間轉換到HSV空間，在S分量直方圖中，能夠觀察到明顯的峰值，且兩個波峰之間的下降區域明顯，波谷非常突出，S分量在HSV顏色空間里表示飽和度，符合實驗所使用的白色拍攝背景和黃色目標在肉眼識別中產生色差區別的特征，所以針對S分量對圖像進行全局閾值分割，可以得到較好的背景去除效果，如圖1所示。

圖1 圖像去噪及背景去除

3 特征提取

梨果的尺寸、形狀和顏色等表面特征，通常會因為自身質量的差異和光照、環境等外部因素影響存在很大差異。因此，在進行檢測分級時，特征是檢測分級至關重要的依據和標準。對進行預處理后的圖像進行特征提取，主要包括周長、面積、形狀、缺陷等。

3.1 周長

圖2 邊緣提取

周長是指目標整個區域環繞邊緣的長度，也就是一周的長度。如圖2所示的邊緣圖像，在提取到外觀輪廓的基礎上，計算邊界上所有像素點之和，得到周長，如式1所示：

3.2 面積

面積是指目標圖像所占空間的大小，如圖3所示的去除背景后的二值化圖像。在得到去除背景的二值化圖像的中，前景部分被突出為白色，背景為黑色。要得到前景部分的所有像素點，也就是對邊界內全部像素點求和，即計算的數目，再和面積產生對應的映射關系，如式2所示。

圖3 面積提取

3.3 形狀

已知在面積一定時，周長和圓形度成反比。在已知周長和面積的基礎上，可以計算圓形度。半徑和周長的關系如式3所示。

半徑和面積的關系如式4所示。

由于實際目標的形狀并不是一個標準圓形，所以式（3）和式（4）中所得到的半徑并不相等，可以使用兩組半徑比值的平方和來衡量圓形度，結果越接近1，表明該形狀越接近標準圓形。由此推導出來的圓形度如式（5）所示。

3.4 缺陷

缺陷檢測是從表面正常區域中分割出有差異的部分。觀察已去除背景的目標圖像的顏色特性，使用多個存在表面缺陷的目標圖像進行測試獲得分割閾值。遍歷灰度圖全部像素點，當像素點小于閾值時，把該點的像素值賦值為255，即白色，反之賦值為0，即黑色，從而得到表面缺陷部分為白色的圖像，如圖4所示。

圖4 表面缺陷區域提取

4 分級系統設計

本文從圓形度和果面缺陷等兩個方面進行檢測分級，設計了一個基于計算機視覺的梨果檢測分級系統。根據《梨外觀等級標準》的分類依據，本文將形狀按照標準分為端正、比較端正、不端正三類[6]。由于不同等級在形狀上也存在差異，因此判斷形狀等級尤為重要。在實驗過程中，使用圓形度對形狀進行描述。實驗采用了四種不同等級，每種等級30張圖像進行處理，統計圓形度和形狀等級的映射關系。

根據統計結果可以看出，四種不同等級的圓形度存在著差異，但也存在重復覆蓋的數值范圍，圓形度在這四類中的區分并不明顯。根據《梨外觀等級標準》的規定，特等的形狀為端正，一等的形狀存在端正和比較端正兩種，二等則存在端正、比較端正和不端正三種，另外，外果則四種形狀都可能存在，需要結合表面的缺陷特征作出最終判斷。

對所采集的圖像進行三十次重復實驗，根據實驗數據，可以確定具體的圓形度和形狀所對應的映射關系：形狀端正對應的圓形度一般在0.940以上，形狀比較端正對應的圓形度一般在0.940到0.932之間，除此之外，形狀不端正對應的圓形度一般在0.932以下。

根據《梨外觀等級標準》的分類依據，本實驗將表面缺陷按照標準分為特等、一等、二等以及外果四類。具體的缺陷分級以缺陷的數目和面積作為判定依據進行分級處理。不超過一處且每處面積小于0.5cm2為特等，不超過兩處且每處面積小于1.0cm2為一等，不超過三處且每處面積小于2.0cm2為二等，除此之外不進入標準評級，定義為外果。

5 實驗結果與分析

通過對30幅圖像進行檢測分級實驗，表明本文所設計的基于計算機視覺的梨果檢測分級系統能夠對果形、缺陷等進行綜合判斷，達到較高的檢測分級精度，如圖5所示。

圖5 檢測分級結果

為了進一步驗證該檢測分級系統的魯棒性，對采集的圖像添加噪聲，重復以上步驟。試驗結果表明，含噪圖像圓形度發生了變化，呈增長趨勢，含高斯噪聲的圖像圓形度增幅較小，為0.00801；含椒鹽噪聲的圖像圓形度增幅較大，為0.00931。兩組含噪圖像處理在圓形度計算均出現了變化，但數值變化幅度在0.01以內，所以對形狀仍然能夠準確識別。從實驗結果可以看出，本文所提出的基于計算機視覺的梨果檢測分級系統對于含噪圖像也能夠較好地完成背景去除和缺陷識別，最終的檢測等級判定幾乎不受噪聲影響。

6 結語

本文研究設計了一種基于計算機視覺的梨果檢測分級系統，針對HSV顏色空間中的S分量對采集的圖像進行分割處理，去除背景，融合了果形、缺陷等特征，可以達到準確的檢測分級結果。在圖像含有噪聲干擾的情況下，本系統也能夠正常識別果形和缺陷，實現對等級的正確判定。