1、 声明本人郑重声明：所成交的论文是本人在 XXX 老师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或者集体已经发表或者撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已经在文中以明确的方式标明。本人完全意识到本声明的法律后果由本人承担。学生签名：年 月 日I摘要草莓采摘机器人是一种具有感知识别能力,能够自动完成草莓果实采摘等作业任务的智能机械收获系统,其作用在于可以降低采摘劳动强度和生产费用、提高作业效率和产品质量、保证果实适时采摘,因此对其相关技术研究具有重大现实意义。本文的研究主要内容是自然背景下对草莓的正确识别，基于机器视觉技术
2、实现了果实的有效识别和空间的初步定位，从而为草莓的采摘提供了必要信息。对草莓的图像识别技术路线为：摄像机标定、图像采集、颜色空间转换、阈值分割、去噪和图像填充、求得草莓质心。对草莓的定位采用一台摄像机和两个光电位置传感器初步定下草莓在空间的位置。实验显示本课题的研究基本上完成了任务要求，能够将草莓提取出来，并且找到了草莓的质心坐标，为后续工作打下了基础。关键词：草莓；颜色转换；图像分割；机器视觉IIABSTRACTStrawberry picking robot is a kind of perception recognition capability to automate intelli
3、gent mechanical harvesting systems such as strawberry fruit picking job tasks, and its role is to reduce the labor intensity of harvesting and production costs, improve operational efficiency and product quality, and ensure timely picking fruit, therefore of great practical significance to its relat
4、ed technology research.Main contents of this paper is to correctly identify and locate the natural background of strawberry, based on machine vision technology to achieve the initial positioning of fruit effectively identify and space, thus providing the necessary information for the strawberry pick
5、ing. Image recognition technology roadmap for strawberries is: camera calibration, image acquisition, color space conversion, threshold segmentation, denoising and image fills, and seek strawberries centroid. Strawberry positioning using a video camera and two optical position sensors initially set
6、position in space of strawberries. Experiments show that research of this subject is basically completed the task requirements, can be extracted from strawberries and strawberry to find the coordinates of the center of mass, and lay the foundation for the follow-up work.Key words: Strawberries; Colo
7、r conversion; Image segmentation； Machine Vision Technology； III目录摘要 IABSTRACT.II目录 III第一章 绪 论 11.1 高架草莓种植情况 11.2 课题研究的目的和意义 21.3 国内外研究现状 21.3.1 国外研究现状 21.3.2 国内研究现状 61.4 课题研究的主要内容和论文结构 71.41 课题研究的主要内容 .71.4.2 论文结构 81.5 本章小结 8第二章 机器视觉系统与常用的图像处理方法 .92.1 机器视觉系统 92.1.1 机器视觉系统的应用 .102.2 常用的图像处理方法 .102.2
8、.1 颜色空间 .112.2.2 灰度图像和二值图像 .122.2.3 图像分割 .132.2.4 图像滤波 .152.3 本章小结 .17第三章 摄像机标定和草莓的识别 183.1 摄像机标定 .183.1.2 摄像机标定方法 .183.1.3 平面模板标定法 .193.2 实验平台 .213.2.1 硬件设施 .213.2.2 软件 .223.3 草莓的识别 .223.3.1 草莓识别处理流程 .23IV3.3.1 颜色空间转换 .243.3.2 图像分割 .243.3.3 噪声去除和图像填充 .263.3.4 质心获取 .283.4 简介草莓采摘点确定的方法 .293.4.1 采摘点的确
9、定 .293.4.2 图像融合 .303.4.3 剪切示意图 .303.5 本章小结 .31第四章 结论与展望 324.1 结论 .324.2 展望 .32致谢 .33参考文献 .34附录：程序代码 .36（1）.图像采集 .36（2）.RGB-HSV 颜色空间转换+阈值分割 37（3）.中值滤波 .39（4）.膨胀处理 .40（5）.腐蚀处理 .41（6）.填充处理 .42（7）.求质心 .45（8） 图像融合 .471第一章 绪 论1.1 高架草莓种植情况草莓是多年生草本植物，是经济价值较高的小浆果，其果实柔软多汁、酸甜适口、营养丰富，而且外观美丽、香气浓郁，因而在国内外市场备受青睐，被誉
10、为“水果皇后” 。一般栽培数月后即可收获，5 月份上市供应，填补了水果淡季市场。也可用保护地进行促成栽培或一年内多次生产，周年供应，是一种投资少、收益高的经济作物。20 世纪 80 年代初，随着改革开放和农村经济体制改革的发展，各级政府及科研单位对草莓生产开始重视，使草莓生产迅速发展。引进并筛选出一些优良品种在生产上迅速推广，栽培面积迅速扩大，栽培方式从原来单一的露地栽培发展为多种形式并存，大大提高了经济效益。草莓以其周期短、见效快、经济效益高、适于保护地栽培等优势而成为中国果树业中发展最快的一项新兴产业，有的地区草莓种植业还成为当地农村经济的支柱产业。高架草莓在我国还没有全面推广，它只是在一
11、些城市用大棚栽培，作为观光农业来推动当地的经济发展。以长崎县为例，从 1995 年开始高架栽培系统的开发栽培试验，1997 年开始正式推广，普及状况为 1997 年 5-3 公顷，1998 年10.9 公顷，1999 年 13.5 公顷。但是，高架草莓种植在日本却是非常广泛。草莓的高架栽培技术在日本很早就进行了试验，大约在 9 年前开始，各地出现了一个发展高潮。至今的草莓高架栽培和当年的水稻插秧机的发展有相似之处。在日本的产业化过程中，因没有足够的劳力进行手工插秧，促进了机械的开发。正因为插秧机的开发应用，结束了手工插秧，而且之后的稻作机械化日新月异。草莓栽培也面临相似的情况。现在大家已认识到
12、：如果不改变栽培方式，草莓生产者将逐渐减少。所以，草莓高架栽培技术的开发和推广是时代的要求。这就不难理解在日本为什么会出现草莓高架栽培的热潮了。(1）草莓高架栽培的特点和具有的多样性高架栽培的开发目标是改善栽培管理、收获等作业过程，作为生产者一方对它有强烈需求，对于消费者则没有直接关系。最初草莓高架栽培的营养液栽培胜过 NFT，在日本，不少的生产者采用此项技术，之后由于珍珠岩和草炭等基质栽培和栽培系统的商品化，营养液栽培成为草莓高架栽培的探路者。对于高架化，栽培床的轻量化是必要的。但是对一般的草莓生产者来说，引用营养液栽2培成本高，掌握技术也不容易。因此，所有高架栽培开发的目标都应是低成本化，
13、且简便利于管理。在基质的使用、肥料的种类及给液方法等技术方面，草莓的高架栽培使用的技术包括从土培到营养液栽培的技术，这就要求多种技术的搭配。但是，要对应各种需要来进行搭配，只有根据实际需要来搭配，才可以取得显著的效果。(2）高架栽培的普及和技术指导草莓的高架栽培，可分为营养液栽培和土培型两类，两者的技术目标和普及、指导方法不同。营养液栽培型制造商多，引用成本高但栽培管理系统稳定，全日本栽培系统统一，以统一栽培管理手册为目标，农户采用后只要学习一定的技术，日常管理简单。一般地，以省力地进行各适生长环境调控、高产量、高品质生产为重点的企业式大规模生产适合采用营养液栽培。 土培型在日本的各个县都进行
14、了开发，因此类型多，其特点是重视引用成本的缩减。但是随着技术的发展，也是高架栽培的引入和普及。即使产量不增加，栽培床的高架化也是改善作业的好方法。生产者的栽培管理技术的水平不同对产量和品质有很大的影响。但是，上述的营养液栽培和土培型都以根际生长环境为中心来合理管理，基本技术并无明显不同。1.2 课题研究的目的和意义草莓虽然果实色泽鲜艳，液汁丰富，味美可口，极富营养价值和保健价值。但是，草莓多为二歧聚伞花序，按次序先后开花。在草莓收获期，每天至少收获两次，并且人工每摘一处草莓，需要弯腰一次，劳动强度和作业量非常大。随着农村劳动力向第二、三产业转移以及农村劳动力的妇女化和老龄化，用于生产草莓的劳动
15、力日趋紧张，由此开发一种能够代替人工作业的草莓采摘机构势在必行。但由于草莓独特的外形特性以及栽培的条件，给草莓收获实现自动化增添了难度，同时草莓果实的组织结构对于采摘机构也提出了较高的要求。这种机器人一般是在室外工作，作业环境较差，须为其设计机器视觉系统，使其能识别与定位采摘对象。本文研究的成熟草莓识别系统是草莓采摘机器人的重要辅助模块。它可以实现成熟草莓的识别，在草莓采摘机器人服务方面具有重大意义31.3 国内外研究现状1.3.1 国外研究现状1968 年,美国学者 Schertz 和 Brown 首次提出应用机器人进行果蔬采摘的思想 1。1983 年,第一台采摘机器人在美国诞生 2。此后三
16、十多年,美国、英国、法国、荷兰、比利时、以色列、日本、韩国等国家相继展开了各种采摘机器人的研究和开发,涉及到的研究对象主要有苹果、草莓、葡萄、西瓜、黄瓜、番茄、茄子、甘蓝、生菜、莴苣、蘑菇等 3。美国是最早进行釆摘机器人研究的国家,采摘机器人可能成为美国农场的重要组成部分。美国先前是用抖动式收获机收获加工用橙子,效率很高,但因为震动冲击的缘故, 不适合橙子的收获。佛罗里达大学因此进行了橙子采摘机器人 4-5的研究。图 1-1 是可实现左右、上下和直线运动的三自由度极坐标型液压驱动机器人,末端执行器中内置光源、彩色摄像机和超声波传感器。当摄像机检出果实之后,末端执行器移向果实,同时超声波传感器检
17、测出距离,半圆形环切刀旋转,切断果梗。图 1-1 橙子采摘机器人（美国）日本冈山大学研制的高架栽培草莓采摘机器人 35 (图 1-2(a)采用 3 自由度直角坐标，末端执行器为了补偿视觉传感器的位置误差,采用了送风机吸引的方法收获,可收获不同大小的果实。为判断果实是否被吸引进来,采用了 3 组光电阻断器,通过吸盘旋转,将果梗送到切刀的位置切断。收下的果实在送风机引力作用下通过管道,落入果盘。试验结果表明 4-7S 采摘一个果实,作为目标的果实能够全部采摘,但是采摘时连同未成熟果实一起一次收获多个果实的情况有50%。钩式末端执行器在机构上方安装了钩子,可以把目标果实拉住继而进行采摘,所以将邻近果
18、实一起收下来的情况基本没有。生研中心和 SI 精工株式会社作为下一代紧急项目正在研制实用化高架草莓采摘机器人,如图 1-2(b) 所示,它采用直角坐标操作器,末端执行器有机械指和吸引壁,目标是实现夜间自采摘作业。4图 1-2 草莓采摘机器人（日本）日本冈山大学研制的番茄采摘机器人 36(图 1.6)由机械手、末端执行器、 行走装置、视觉系统和控制部分组成。用彩色摄像头和图像处理卡组成的视觉系统,寻 找和识别成熟果实。由于番茄的果实经常被叶莲遮挡,为了能够灵活避开障碍物,采用 具有冗余度的 7 自由度机械手。釆用 3D 视觉传感器来检测对象的三维形态。为了不损伤 果实,一种末端执行器设计有 2
19、个带有橡胶的手指和1 个气动吸嘴,把果实吸住抓紧后, 利用机械手的腕关节把果实摘下(图 1-3(a); 一种末端执行器采用了可前后移动的吸盘 和 4 根柔性机械手指,整个机械手指随吸盘一起运动,一旦果实被吸入机械手指内,手 指沿果实表面闭合,将果实抓住。即使果实周围空隙很小或周围有障碍物,也能顺利抓 取目标果实(图 1-3(b)。该番前采摘机器人从识别到釆摘完成的速度大约是 15s/个,成 功率在 70%左右。图 1-3 番茄采摘机器人（日本）日本的 Kondo,N 等人(1997) 789研制的番茄收获机器人,由机械手、末端执行器、视觉传感器、移动机构和控制部分组成(图 1-4)用彩色摄像机
20、作为视觉传感器基于彩色特征寻找和识别成熟果实,提出了采用立体视觉技术检测番茄位置的算法,即根据左右图像中心的位置进行匹配。日本的 Kondo,N 等人(1998)5研制的黄瓜采摘机器人,采用三菱 MxTsuBIsHIRV 一 E2 自由度工业机器人,利用CCD 摄像机,根据黄瓜比其叶茎对红外光的反射率高的原理来识别黄瓜和叶茎，黄瓜果实采用剪断方法,先把黄瓜抓住,用接触传感器找出柄,然后剪断。由于黄瓜是长条形,识别受到叶茎的影响更大,所以采摘的成功率较低,大约在 60%左右,如图 1-5 所示。图 1-4 番茄收获机器人（日本） 1-5 黄瓜采摘机器人（日本）日本中央农业研究中心开发了甘蓝采摘机
21、器人 39 (图 1-6),它以履带式搬运车为移动机构,搭载液压式机械臂,臂上安装采摘用末端执行器。为了防止采摘时影响品质,夹持叶球时夹持的部位必须合适,为此在视觉传感器以外,末端执行器底部加装了超声波传感器和触地确认开关以及确认夹持状态的接触压力传感器。该系统釆用神经网络系统提取甘蓝图像,其方法和直径与已经存储在处理器中标准模板进行比较判断。试验表明:该机从判断、摘取到移动到指定位置,一颗甘蓝需时 55s,捡拾成功率约 43%。图 1-6 甘蓝采摘机器人（日本）田中芳夫等（1990）在柑橘的识别领域内，通过 RGB 色彩空间的的颜色信号和色彩之间的差别信号进行柑橘识别，在结果中，表明了不同光
22、照下，无论是因为非果实物体的遮挡导致果实表面存在阴影和果实表面上存在过强的阳光反射的情况下，均可以正确的识别果实。61.3.2 国内研究现状国内采摘机器人研究起步较晚,处于起步阶段。2006 年出台的“十一五”国家高技术 研究发展计划(863 计划),提出了高技术项目果树采摘机器人关键技术研究以后, 近年来国内许多知名高校及科研院所积极投入各种釆摘机器人的研究,通过跟踪国外先 进技术,在机器人采摘领域取得了初步成果且开发了一些样机。 中国农业大学李伟等人以温室环境下黄瓜垄间图像为研究对象,开发了黄瓜釆摘机器人 1011(图 1-7)。硬件系统由自主移动平台、果实识别定位系统、采摘机械臂、柔性末
23、端执行器和能源系统 5 大模块组成。采用基于近红外光谱特征的图像获取技术,来有效分离黄瓜果实与莲叶的信息;提出果实与背景形状差异结合局部最大类间方差取阈法对黄瓜图像进行两次动态阈值分割,实现了黄瓜目标的准确识别。通过建立基于灰度相 关与极线几何相结合的匹配策略实现了双目视觉下的黄瓜抓取点的立体匹配,并根据视 差原理恢复出目标三维几何信息。整机试验系统各模块运转良好,采摘成功率达 85%, 单根黄瓜采摘耗时28.6s。图 1-7 黄瓜采摘机器人（中国）周云山(1995) 12研制了具有计算机视觉的蘑菇采摘机器人,使蘑菇生产从苗床管理到收获分类实现了全过程自动化,由摄像机采集蘑菇图像,计算其面积、
24、周长和中心坐标,面积和周长用于蘑菇分类,中心坐标用于引导机械手采摘,但研究只是在二维平面内的识别问题,而对 3D 目标空间定位技术的研究特别少俞高红(2005) 13以单体蘑菇为研究对象,研究内容包括,蘑菇图像的数字特征,提取边界的算法,对蘑菇边界进行离散傅立叶变化提出仅需利用蘑菇的边界信息求蘑菇形心坐标的新方法,而且傅立叶描述可以进行蘑菇边界的平移、旋转7和缩放操作,具有很强的边界形状重建功能。江苏大学的蔡健荣等 14在 2005 年将 RGB 彩色模型转换到 HIS 系统，根据 Otsu（大津法）算法自动获取彩色目标图像分割阈值。对成熟西红柿进行测试，根据西红柿的颜色和形状信息，能够识别出
25、成熟西红柿，但对果实部分遮挡或重叠的情况缺少研究。司永胜，乔军 等 15（2010 ）提出了利用归一化的红绿色差(R-G) /(R+G)分割苹果的方法。对不同光照情况下拍摄的苹果图像进行了识别,并对识别后的图像进行预处理后,获得苹果的轮廓图像。对轮廓图像采用随机圆环法进行果实形心和半径提取。 1.4 课题研究的主要内容和论文结构 1.41 课题研究的主要内容本课题在分析国内农业智能化作业设备的基础上,以草莓为研究对象,将成熟的草莓从植株中识别出来。内容如下:研究所拍摄的植株中成熟草莓图像的图像特征,选择适宜的图像特征,将果实从植株中识别。由于 OpenCV 实现了图像处理和机器视觉方面的很多通
26、用算法，具有丰富的库函数，所以成熟草莓识别部分的编程是在 VC+环境下，基于 OpenCV2.4.4 实现。简述草莓采摘点确定的方法。本课题的技术路线如图 1.4.1 所示：8图 1.4.1 技术路线1.4.2 论文结构第一章，绪论。叙述草莓果实目标识别技术的研究目的和意义，阐述现阶段国内外的研究现状，并且通过分析提出本论文的大致内容。第二章，介绍机器视觉系统与常用的图像处理方法，为第三章草莓图像识别打下基础。第三章，摄像机标定和草莓的识别。如：对图像的取像、分割、滤波去噪等。第四章，对全文做了一个简单总结以及对进一步工作的展望。1.5 本章小结本章阐述了国内外农业设施生产机器人的研究现状,介
27、绍了成熟草莓识别研究的目的和意义,并提出了本课题研究的主要内容,给出了本课题的技术线图。9第二章 机器视觉系统与常用的图像处理方法机器视觉是科学领域和工程领域富有挑战性，应用前景广阔的一门综合性学科。作为一门学科，人们对机器视觉的研究最早开始于 20 世纪 60 年代初，但直到 20 世纪 80 年代才在机器视觉基础研究中取得重要进展并建立了机器视觉理论的完整框架。现在的机器视觉已成为一门不同于图像处理、模式识别、人工智能等相关领域的相对独立的成熟学科。机器视觉系统的特点是可以提高生产的安全性、可靠性及智能化程度。在人类肉眼难以满足要求的场合或不适合人工作业的恶劣工作环境，往往选择机器视觉代替
28、人类视觉。此外在流水线生产过程中，用肉眼检查产品质量，误差不容易控制且效率不高，用机器视觉检测可以大幅改善生产效率、生产自动化及智能化程度，同时机器视觉容易实现大规模信息集成，是实现现代计算机集成制造的基础技术。机器视觉系统利用机器视觉代替人眼来完成各种测量和判断任务。图像处理技术的进步直接推动着机器视觉的发展。图像处理是指运用计算机对图像数据进行各种运算。一般包括图像压缩编码、图像恢复、图像增强、形态学处理、图像分割、采样量化、图像分类等。图像处理的主要功能是将低质量图像（反差小、噪声大、畸变等）用计算机处理成适合于人眼观察或机器检测的图像。102.1 机器视觉系统一个典型的机器视觉系统包括
29、：图像采集（包括光源、镜头、相机） ；图像处理和分析（包括图像采集卡和图像处理软件） ；输出或显示单元（包括过程控制器、显示器和报警装置等） 。机器视觉系统基本结构如图 2-1 所示：图 2-1 机器视觉系统基本结构2.1.1 机器视觉系统的应用机器视觉技术用计算机来分析图像，并得出结论。目前机器视觉在科研和生产上有着广泛的应用。一般来说机器视觉技术包括以下几个过程：11（1）图像采集：光学系统采集图像，并将其转换为相应的电信号，进而转换为数字信号传入计算机存储器，完成图像的输入。（2）图像处理：运用不同的算法突出对结论有重要影响的图像要素。（3）特性提取：将获取的场景图像信息进行提取和处理，
30、识别并量化图像的关键特性。（4）判决和控制：控制程序根据收到的数据做出结论，并进行相应的操作。2.2 常用的图像处理方法图像处理的主要目的和技术包括增强图像以改善图像视觉效果、恢复退化图像以消除各种干扰的影响 16。常用的处理方法有：颜色空间转换、灰度化和二值化、图像分割、滤波、图像形态学处理、边缘提取和轮廓提取等。2.2.1 颜色空间颜色是物体属性的外在表现，具有对物体本身的方向、尺寸、视角等依赖性小、鲁棒性强等优点，因此在图像分割中占有举足轻重的地位，对彩色图像的处理是目前图像处理领域非常重要的研究课题。在图像分割时，通常要提取目标对象的颜色特征在特定的颜色空间与背景进行比较。颜色空间也称
31、彩色模型，它的用途是在某些标准下用通常可接受的方式对彩色加以说明。本质上，彩色模型是坐标系统和子空间的阐述。每种颜色都用空间单个点表示。在彩色图像处理中，选择合适的彩色模型是很重要的。根据应用对象不同，可将彩色模型分成两大类。一类面向硬件设备比如彩色摄像机和彩色打印机等。另一类面向彩色处理分析或12者视觉感知为目的的应用，如图像处理算法，动画中的彩色图形等。对颜色的分析和描述离不开颜色的定量表示，目前在数字图像处理中，最常用的彩色模型有RGB、HSV 等。实际中用的最多的面向硬件设备的彩色模型是 RGB 彩色模型。彩色打印机和电视摄像机等都是在 RGB 彩色模型下工作的。在人类视觉中，所有颜色
32、都可以看作是三基色红（Red） 、绿（Green） 、蓝（Blue）不同比例的组合。RGB 彩色模型是笛卡尔三维坐标空间的一个子空间，其中三个坐标轴分别用 R，G，B 标记。RGB 彩色模型是一个正方体，原点与黑色对应，离坐标原点最远的顶点与白色对应，在此模型中，从黑色到白色的亮度值分布在从原点到离原点最远的顶点的对角线上，而立方体空间内其余各点分别对应不同的颜色。R、G、B 三分量的取值范围都在0，255区间，图 2-2（a）为 RGB 颜色空间模型。图 2-2 颜色空间模型面向硬设备的彩色模型与人的视觉感知有一定差距且使用时不太方便，例如给定一个彩色信号，人很难判断其中的 R，G，B 分量
33、，这时使用面向视觉感知的颜色模型比较方便。在面向视觉感知的颜色模型中，HSV 彩色模型与人类对颜色的感知最接近。这个颜色模型中的三个参数分别是：色彩（H） 、饱和度（S）和亮度（V） 。13HSV 彩色模型是从 RGB 彩色模型演化而来的，如果沿 RGB 立方体对角线的白色顶点向黑色原点观察，就会看到立方体的六边形外形。其中六边形边界对应色彩，水平轴对应饱和度，亮度沿垂直轴变化。HSV 彩色模型的坐标系统可用六棱锥来表示，见图 2-2（b） 。在 RGB 空间中任一点的 R、G、B（均在0，255 区间）均可转换到 HSV 空间，得到 H、S、V 值，见式（3.16） 。在农产品颜色分类中，R
34、GB 模型与 HSV 模型是用的最多的彩色模型。物体表面因光照辐射而呈现出颜色。在自然环境下生长的农作物，由于受到水分、营养、光照及成熟度等诸多因素影响，它们的茎、杆、叶及果实形成了不同的颜色。因此人们可以通过颜色对果实、树干等进行识别并评价它们的优劣。2.2.2 灰度图像和二值图像通常相机采集的彩色图像是 RGB 彩色图像，图像的每个像素由红色、绿色、蓝色三个分量组成 17。每个分量的强度等级分为 0255 共计 256 种。在实际应用中，往往需要将 RGB 彩色图像转换为 256 阶的灰度图像，图 2-3 给出了示例。（a）彩色 Lena 图像 （b）灰度 Lena 图像图 2-3 彩色图
35、像灰度化14（a）灰度 Lena 图像 （b）Lena 二值图像图 2-4 灰度图像二值化在实际应用中，往往还需要将灰度图像进一步转换成二值图像，二值化方法包括两种：固定阈值法和自适应阈值法。固定阈值法最常用的方法是设定一个全局阈值 T，用 T 将图像数据分成两部分：大于等于 T 的像素集合和小于 T 的像素集合。将大于等于 T 的像素集合的灰度值设定为黑色（或者白色） ，小于 T 的像素集合的灰度值设定为白色（或者黑色） 。在图像细节表现方面，固定阈值法存在很大缺点。为了克服这个缺点，出现了自适应阈值法。针对有很强照明或反射梯度的图像，需要根据梯度进行阈值化时，自适应阈值法非常有用。阈值的选
36、择在每个像素点都可能不同，通过计算像素点邻域的加权平均，然后减去一个常数来确定该像素的阈值。图 2-4 给出了灰度图像二值化示例。2.2.3 图像分割图像分割是将图像中有意义的特征部分提取出来,包括图像中的边缘、 区域等。图像分割是图像处理与计算机视觉必不可少的重要环节，是数字图像处理中的关键技术之一,得到了研究人员的广泛重视，但是其发展较慢。 迄今为止，还没有一种图像分割方法适用于所有图像。 图像分割的技术和算法种类繁多,是计算机视觉领域的一个经典难题,人们至今仍在不断探索新的分割理论与分割算法。图像分割算法基本可以分为两大类:边缘检测和阈值分割。基于边缘的分割是通过检测出不同区域边缘来进行
37、分割。所谓边缘是指其周围像素灰度有阶跃变化的那些像素的集合。它存在于目标与背景之间，是图像分割所依赖的最重要的特征。 因此，边缘检测可以看作是处理许多复杂问题的关键。对于边缘的检测常常借助于边缘检测算子进行，常用的边缘检测算子有：R oberts 算子、 Laplace 算子、 Sobel 算子、 R obinson 算子、 K its算子等。15阈值分割法是一种基于区域的图像分割技术,其基本原理是通过设定不同的特征阈值,把图像像素点分为若干类。阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间的有很大的强度对比时,能够得到很好的效果。阈值分割实现简单、 计算量小、 性能较稳定,已被
38、应用于很多的领域。在 O penCV 中实现了三种跟图像分割相关的算法，它们分别是：水岭分割算法、 金字塔分割算法和均值漂移分割算法。(1）3.1 分水岭分割算法它是一种基于数学形态学的一种图像分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。 分水岭算法首先计算灰度图像的梯度，这对山谷或没有纹理的盆地（亮度值低的点）形成有效，也对山头或图像中有主导线段的山脉的形成有效。然后开始从用户指定点或算法得到点开始持续 “灌注” 盆地直到这些区域连在一起。合并后的区域通过聚集的方式进行分
39、割，从而把图像分割成相应的标记区域 18。在 O penCV 中该算法实现的函数为 cvW atershed(),其定义如下：void cvW atershed(constCvA rr*im age,CvA rr*m arkers);其中 im age 是一个 8 位（三通道）的彩色图像，而 m arker 是单通道整形，具有相同维数的图像。经过分水岭算法分割处理后的图像效果图如下图所示:原图像 分水岭分割图 2-5 分水岭算法分割处理(2）金字塔分割算法图像金字塔是一个图像集合，集合中的所有图像都源于同一个原始图像，而且是通过对图像连续降采样获得，直到达到某个终止条件才停止降采样。金字塔分割
40、首先建立一个图像金字塔，然后在 G i 的像素和 G i+1 的像素直接依照对应关系，建立起 “父子” 关系 17。现在金字塔的高层低分辨率图像上完成，然后逐层对分割加以优化。经过金字塔算法分割处理后的图像效果图如下图所示:16原图像 金字塔分割图 2-6 金字塔算法分割处理(3)均值漂移分割算法均值漂移分割能找到在空间上颜色分布的峰值。要根据空间变量设置一个空间半径（spatialRadius）,根据颜色变量设置一个颜色半径（colorR adius） 。经过均值漂移算法分割处理后的图像效果图如下图所示:原图像 均值漂移算法分割图 2-7 均值漂移算法分割2.2.4 图像滤波图像滤波，即在尽
41、量保留图像细节特征的条件下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。另外，在图像处理的某些环节当输入的像对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为一引起较强视觉效果的孤立象素点或象素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像象素的真实灰17度值上，在图像造成亮、暗点干扰，极大降低了图像质量
42、，影响图像复原、分割、特征提取、图识别等后继工作的进行。要构造一种有效抑制噪声的滤波机必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，能很好地保护图像目标的形状、大小及特定的几何和拓扑结构特征。（1）中值滤波中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。方法是取某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为，其中 分别为原始图像和处wlkyxfmedyxg,
43、yxgf,，理 后 图 像 。 W 为 二 维 模 板 ， 通 常 为 2*2， 3*3 区 域 ， 也 可 以 是 不 同 的 的 形 状 ，如 线 状 ， 圆 形 ， 十 字 形 ， 圆 环 形 等 。（ 2） 均 值 滤 波均 值 滤 波 也 称 为 线 性 滤 波 ， 其 采 用 的 主 要 方 法 为 领 域 平 均 法 。 线 性 滤 波的 基 本 原 理 是 用 均 值 代 替 原 图 像 中 的 各 个 像 素 值 ， 即 对 待 处 理 的 当 前 像 素 点（ x， y） ， 选 择 一 个 模 板 ， 该 模 板 由 其 近 邻 的 若 干 像 素 组 成 ， 求 模 板
44、 中 所 有像 素 的 均 值 ， 再 把 该 均 值 赋 予 当 前 像 素 点 ， 作 为 处 理 后 图 像 在 该 点 上),(yx的 灰 度 个 ， 即 ， m 为 该 模 板 中 包 含 当 前 像 素 在),(g1),(fyx内 的 像 素 总 个 数 。（ 3） 高 斯 滤 波高 斯 滤 波 是 一 种 线 性 平 滑 滤 波 ， 适 用 于 消 除 高 斯 噪 声 ， 广 泛 应 用 于 图 像处 理 的 减 噪 过 程 。 通 俗 的 讲 ， 高 斯 滤 波 就 是 对 整 幅 图 像 进 行 加 权 平 均 的 过 程 ，每 一 个 像 素 点 的 值 ， 都 由 其 本
45、 身 和 邻 域 内 的 其 他 像 素 值 经 过 加 权 平 均 后 得 到 。高 斯 滤 波 的 具 体 操 作 是 ： 用 一 个 模 板 (或 称 卷 积 、 掩 模 )扫 描 图 像 中 的 每 一个 像 素 ， 用 模 板 确 定 的 邻 域 内 像 素 的 加 权 平 均 灰 度 值 去 替 代 模 板 中 心 像 素 点的 值 。若使用 33 模板，则计算公式如下：其中，为图像中 点的灰度值， 为该点经过高斯滤波后的值。),(yxf ),(yxg（4）最大均匀性平滑滤波最大均匀性平滑滤波是针对一些滤波方法在消除噪声时引起边缘退化的现象而提出的，其基本思想是，若图像中的一个区域
46、含有边缘，它的灰度方差必164),(211(),1( ), yxfffxffyg18定较大。该方法采用了 9 种不同形状的模板，1 个正方形模板，4 个对称的五边形模板，4 个对称的六边形模板，用各模板内的灰度方差作为各个区域不均匀性的测试，以最为均匀的区域灰度均值作为被处理点的像素值。 （5）低通空域滤波低通空域滤波是一种保留图像的低频成分，减少图像的高频成分的处理方法，有的称之为消噪声掩膜法。因为图像噪声常常以高频、随机的形式表现出来，大面积的背景区和亮度渐变区域则属低频成分。低通空域滤波以卷积方法进行。卷积方法实质是一种加权求和的过程。选择某种形状的邻域，将邻域中的每个像素与卷积核中的对
47、应元素相乘，乘积求和的结果即为模板中心像素的新值，卷积核中的元素称为加权系数。（6）高通空域滤波高通空域滤波可以增强图像的高频成分而不改变图像的低频成分。这种情况下，相对来说，削弱了图像的低频成分。因为图像的边缘或线条与图像中的高频分量相对应，高通滤波可以让高频分量顺利通过，使图像的边缘轮廓变得清楚。2.3 本章小结本章节主要介绍机器视觉系统的概念,机器视觉系统作用和常用的图像处理方法。在此基础上，通过对理论的研究，找出适合于本次课题研究用的草莓的图像识别方法，为第三章草莓的识别打下良好的基础。19第三章 摄像机标定和草莓的识别摄像机标定是机器视觉的首要任务。如果需要建立二维图像空间像素点和三
48、维空间物理点之间的关系，首先必须进行摄像机标定 19，它是摄像机测量与真实世界测量的联系桥梁。场景不仅仅是三维的，也是用物理单位度量的空间，因此摄像机的自然单位（像素）和物理世界的长度单位（米）的关系对三维场景的重构至关重要。摄像机标定需要建立摄像机几何模型和透镜畸变（模型，这两个模型定义了摄像机的内参数,对摄像机得到的每一幅特定物体的图像，可以在摄像机坐标系统上用旋转矩阵）和平移矩阵来描述物体的相对位置，二者构成了摄像机外参数。知道了摄像机内外参数就可以进行投影变换即由物理点三维空间坐标计算出物理点在图像平面投影点的二维像素坐标。准确识别成熟油草莓是草莓采摘机器人进行采摘作业的首要任务。本章
49、通过对成熟草莓、未成熟草莓及树叶的色差分量信息进行提取和统计分析，提出一种基于色差分量阈值分割的成熟草莓自动识别算法，并在 VC+ 环境下基于 OpenCV2.4.4 编程实现。本文采用的摄像机是微软公司发布的。本章简明扼要地介绍了摄像机标定的基本理论和概念，并通过一种高精度摄像机标定法张正友的平面模板标定法对相机参数进行了确认。本章的重点是介绍成熟草莓的识别。3.1 摄像机标定机器视觉的研究目的是让机器人通过二维图像认知三维世界，从中获取用于重建和识别对象的信息。摄像机是二维图像和三维世界的联系桥梁，摄像机的几何模型表征了二者的相互关系，这种关系通过摄像机内外参数来描述，摄像机标定过程就是求解摄像机内外参数的过程。3.1.2 摄像机标定方法依据是否需要标定参照物，标定方法可分为三种：传统摄像机标定方法，摄像机自标定方法和主动视觉摄像机标定法 20。传统摄像机标定的基本方法是，在一定的摄像机模型下，基于特定的实验20条件如形状、尺寸已知的参照物，经过
