基于优化聚类分析的同色系目标果实分割研究
发布时间：2022-02-11 18:50
无论是在果园测产还是采摘机器人作业中,同色系青苹果目标的识别成为了一个新的挑战。由于目标果实具有与背景近似的颜色表征,以及果园中复杂的光照变化和枝叶遮挡的影响,现有的同色系果实分割方案难以满足快速、精准的识别作业需求。为更好地实现青苹果的识别,本文提出一种优化聚类分析的同色系目标果实分割方法,新算法根据密度峰值聚类中心的定义计算青苹果图像数据点的局部密度和距高密度点间距离,以此构建决策图分离聚类中心,使用双排序规则自动寻找聚类中心;数据点的局部密度通过核密度估计得到,通过SLIC（simple linear iterativeclustering,简单的线性迭代聚类）算法获得图像的超像素区域表示,大幅降低计算量。主要研究内容及结论如下:（1）使用SLIC算法处理高分辨率青苹果图像,集结小区域内近似像素点组成超像素区域,视觉算法的基本计算单位由像素点转变为超像素区域,降低了数据复杂度。以轮廓重合指数评价超像素边界对真实目标轮廓信息的保留程度,平均为85.49%,使用SLIC算法简化图像数据的同时避免了对青苹果真实轮廓的破坏。（2）对青苹果目标的有效特征进行研究,分析R、G、B颜色通道下目...
【文章来源】：山东师范大学山东省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
本文算法流程图
山东师范大学博（硕）士学位论文11第二章图像采集和预处理为了拓展青苹果自主采摘机器人的基础研究，提高分割青苹果目标轮廓的准确率，收缩采摘周期，实现全天无间断作业。需要建立对于果园实景图像的迅速处理。传统视觉算法以像素点作为基础处理单位，耗费较大的计算时间和空间。将近似像素点集结成块状区域能够加快计算过程。本章研究了青苹果图像的采集和数据精简，使用单反相机收集果园实景下的高分辨率青苹果图像，通过SLIC超像素算法将相似像素点集结成图像块，降低图像数据的计算复杂度和数据维度，并与其他超像素算法进行试验比对，结果表明SLIC算法在降低数据量的同时有效地保护物体边缘信息。2.1图像采集高像素图像具有更高的清晰度和更高的图片质量，物体轮廓特征信息更易于识别，能清晰区分目标和背景。为提升视觉分割系统的精准度，需要使用高像素图片。单反相机是一种采用单镜头、反光方式取得物像进行观察拍摄的相机，相较于传统相机，单反相机取景器称为TTLThroughTheLen单反取景器，是一种专业相机上必备的取景方式，几乎没有误差，通过镜头的光学取景器。取景范围能够达到实拍画面的95%。可以防止不稳定抖动造成的模糊。单反相机感光材料的面积远大于传统相机，所拍摄的图像的噪点一般非常校实际焦距大于传统相机，使其景深较小，保证了图像中的目标物体更加清晰。单反数码相机所拍摄的图像，清晰度和图片质量都远高于普通相机。使用单反相机拍摄果园高分辨率青苹果图像。采集青苹果图像见图2-1图2-1果园实景青苹果图像Figure2-1ThegreenappleimageintheorchardNote:(a)晴天场景青;(b)晴天雨后场景;(c)夜间补光场景;(d)夜间漫散射照明场景;(e)无遮挡场景;(f)枝干遮挡场景;(g)枝叶遮挡场景;(h)果实重叠场景。
山东师范大学博（硕）士学位论文14SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，符合简化高分辨率青苹果图像的处理需求[41]。2.2.2青苹果图像的超像素块处理聚类算法的基础是计算数据点间的距离，可转化为数据点特征分量的描述，特征分量又决定了数据点的在特征空间的分布关系。在图像分割领域，图像的像素点即为聚类算法中的数据点，如以像素点为计算单位，则耗费较大的计算空间和时间。为此，将图像进行分块处理，以图像区块作为数据点进行聚类计算，则可大幅度减小计算量。通过SLIC超像素算法集聚近似像素点组成内部均匀的不规则块。SLIC超像素算法在保证不损失纹理和颜色信息的基础上，完成像素点到简洁紧凑超像素的转换，在减低数据冗余的同时保持轮廓边缘信息的完整性。果园图像尺寸为4000*6000。预设超像素个数设定为3000个。图2-2.(a)高分辨率青苹果图像;(b)基于超像素表示的青苹果图像Figure2-2.(a)High-resolutiongreenappleimage;(b)Greenappleimagebasedonsuperpixels图2-2(a)为果园青苹果高分辨率图像图像尺寸为6000*4000，共二百四十万像素点；图2-2(b)为青苹果图像的超像素表示，共3172个超像素。SLIC超像素算法集结小区域内相似像素点组成不规则超像素，降低了数据点数量。图像超像素与原位置像素点保持了感知上的一致，像素点转换为超像素的损失很小，超像素不规则边缘的划分没有破坏原始图像结构。2.3图像预处理的实验与分析高分辨率青苹果图像由SLIC算法处理获得超像素块，后续计算处理以超像素块作为基础计算单位，千万级别像素点数据精简至数千级别的矩阵数据。为评价SLIC超像素算法对图像边缘细节信息的保留程度，对精简后的图像数据进行评价。
【参考文献】：
期刊论文
[1]基于改进判别区域特征融合算法的近色背景绿色桃子识别[J]. 黄小玉,李光林,马驰,杨士航. 农业工程学报. 2018(23)
[2]温室采摘机器人末端执行器研究进展[J]. 翟毅豪,邓志恒,张俊雄. 农业工程技术. 2018(22)
[3]软体机械手爪在果蔬采摘中的应用研究进展[J]. 彭艳,刘勇敢,杨扬,杨毅,刘娜,孙翊. 农业工程学报. 2018(09)
[4]2017/2018年世界苹果、梨、葡萄、桃及樱桃产量、市场与贸易情况[J]. 孙平平,王文辉. 中国果树. 2018(02)
[5]基于随机森林算法的自然光照条件下绿色苹果识别[J]. 廖崴,郑立华,李民赞,孙红,杨玮. 农业机械学报. 2017(S1)
[6]基于CLAHE和开闭运算的绿色苹果图像分割[J]. 王帆,吕继东,申根荣,马正华. 计算机测量与控制. 2017(02)
[7]基于纹理特征与HSI空间的苹果识别与标定[J]. 李大华,赵相飞,许亮,于波. 图学学报. 2016(05)
[8]近色背景中树上绿色苹果识别方法[J]. 张春龙,张楫,张俊雄,李伟. 农业机械学报. 2014(10)
[9]基于图像处理与支持向量机的树上苹果早期估产研究[J]. 程洪,Lutz Damerow,Michael Blanke,孙宇瑞. 农业机械学报. 2015(03)
[10]田间环境下果蔬采摘快速识别与定位方法研究进展[J]. 项荣,应义斌,蒋焕煜. 农业机械学报. 2013(11)
本文编号：3620778
【文章来源】：山东师范大学山东省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
本文算法流程图
山东师范大学博（硕）士学位论文11第二章图像采集和预处理为了拓展青苹果自主采摘机器人的基础研究，提高分割青苹果目标轮廓的准确率，收缩采摘周期，实现全天无间断作业。需要建立对于果园实景图像的迅速处理。传统视觉算法以像素点作为基础处理单位，耗费较大的计算时间和空间。将近似像素点集结成块状区域能够加快计算过程。本章研究了青苹果图像的采集和数据精简，使用单反相机收集果园实景下的高分辨率青苹果图像，通过SLIC超像素算法将相似像素点集结成图像块，降低图像数据的计算复杂度和数据维度，并与其他超像素算法进行试验比对，结果表明SLIC算法在降低数据量的同时有效地保护物体边缘信息。2.1图像采集高像素图像具有更高的清晰度和更高的图片质量，物体轮廓特征信息更易于识别，能清晰区分目标和背景。为提升视觉分割系统的精准度，需要使用高像素图片。单反相机是一种采用单镜头、反光方式取得物像进行观察拍摄的相机，相较于传统相机，单反相机取景器称为TTLThroughTheLen单反取景器，是一种专业相机上必备的取景方式，几乎没有误差，通过镜头的光学取景器。取景范围能够达到实拍画面的95%。可以防止不稳定抖动造成的模糊。单反相机感光材料的面积远大于传统相机，所拍摄的图像的噪点一般非常校实际焦距大于传统相机，使其景深较小，保证了图像中的目标物体更加清晰。单反数码相机所拍摄的图像，清晰度和图片质量都远高于普通相机。使用单反相机拍摄果园高分辨率青苹果图像。采集青苹果图像见图2-1图2-1果园实景青苹果图像Figure2-1ThegreenappleimageintheorchardNote:(a)晴天场景青;(b)晴天雨后场景;(c)夜间补光场景;(d)夜间漫散射照明场景;(e)无遮挡场景;(f)枝干遮挡场景;(g)枝叶遮挡场景;(h)果实重叠场景。
山东师范大学博（硕）士学位论文14SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，符合简化高分辨率青苹果图像的处理需求[41]。2.2.2青苹果图像的超像素块处理聚类算法的基础是计算数据点间的距离，可转化为数据点特征分量的描述，特征分量又决定了数据点的在特征空间的分布关系。在图像分割领域，图像的像素点即为聚类算法中的数据点，如以像素点为计算单位，则耗费较大的计算空间和时间。为此，将图像进行分块处理，以图像区块作为数据点进行聚类计算，则可大幅度减小计算量。通过SLIC超像素算法集聚近似像素点组成内部均匀的不规则块。SLIC超像素算法在保证不损失纹理和颜色信息的基础上，完成像素点到简洁紧凑超像素的转换，在减低数据冗余的同时保持轮廓边缘信息的完整性。果园图像尺寸为4000*6000。预设超像素个数设定为3000个。图2-2.(a)高分辨率青苹果图像;(b)基于超像素表示的青苹果图像Figure2-2.(a)High-resolutiongreenappleimage;(b)Greenappleimagebasedonsuperpixels图2-2(a)为果园青苹果高分辨率图像图像尺寸为6000*4000，共二百四十万像素点；图2-2(b)为青苹果图像的超像素表示，共3172个超像素。SLIC超像素算法集结小区域内相似像素点组成不规则超像素，降低了数据点数量。图像超像素与原位置像素点保持了感知上的一致，像素点转换为超像素的损失很小，超像素不规则边缘的划分没有破坏原始图像结构。2.3图像预处理的实验与分析高分辨率青苹果图像由SLIC算法处理获得超像素块，后续计算处理以超像素块作为基础计算单位，千万级别像素点数据精简至数千级别的矩阵数据。为评价SLIC超像素算法对图像边缘细节信息的保留程度，对精简后的图像数据进行评价。
【参考文献】：
期刊论文
[1]基于改进判别区域特征融合算法的近色背景绿色桃子识别[J]. 黄小玉,李光林,马驰,杨士航. 农业工程学报. 2018(23)
[2]温室采摘机器人末端执行器研究进展[J]. 翟毅豪,邓志恒,张俊雄. 农业工程技术. 2018(22)
[3]软体机械手爪在果蔬采摘中的应用研究进展[J]. 彭艳,刘勇敢,杨扬,杨毅,刘娜,孙翊. 农业工程学报. 2018(09)
[4]2017/2018年世界苹果、梨、葡萄、桃及樱桃产量、市场与贸易情况[J]. 孙平平,王文辉. 中国果树. 2018(02)
[5]基于随机森林算法的自然光照条件下绿色苹果识别[J]. 廖崴,郑立华,李民赞,孙红,杨玮. 农业机械学报. 2017(S1)
[6]基于CLAHE和开闭运算的绿色苹果图像分割[J]. 王帆,吕继东,申根荣,马正华. 计算机测量与控制. 2017(02)
[7]基于纹理特征与HSI空间的苹果识别与标定[J]. 李大华,赵相飞,许亮,于波. 图学学报. 2016(05)
[8]近色背景中树上绿色苹果识别方法[J]. 张春龙,张楫,张俊雄,李伟. 农业机械学报. 2014(10)
[9]基于图像处理与支持向量机的树上苹果早期估产研究[J]. 程洪,Lutz Damerow,Michael Blanke,孙宇瑞. 农业机械学报. 2015(03)
[10]田间环境下果蔬采摘快速识别与定位方法研究进展[J]. 项荣,应义斌,蒋焕煜. 农业机械学报. 2013(11)
本文编号：3620778
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3620778.html
教材专著