[发明专利]基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法

权利要求书

1.一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，其特征在于，是对自然香蕉园环境中适收期的香蕉串进行识别的方法，包括以下步骤：

(1)压缩原始香蕉串RGB图像的分辨率；

(2)将压缩后的RGB图像转换至HSV颜色空间；

(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩；

(4)以差异阈值范围，采用阈值分割、孔洞填充和连通域提取的形态学处理方法对由步骤(3)压缩后的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串；

步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的饱和度阈值，然后对小于饱和度阈值的图像背景做自适应系数的伽马变换；对大于饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像，增强了香蕉串潜在区域的对比度；

自适应提取香蕉串潜在区域的饱和度阈值的过程为：

基于图像样本自适应提取香蕉串潜在区域的饱和度阈值，即先根据每个图像样本饱和度分量中各灰度等级的像素个数及其所占比率确定香蕉串潜在区域的饱和度参考阈值，然后在此基础上做相应的修正，进而得到香蕉串潜在区域的饱和度阈值；

假设饱和度图像的分辨率为M×N，统计出灰度等级k的像素个数n_k，则其在图像中所占比率p(k)为：

式中L——饱和度的最高灰度等级，L＝255；

由于饱和度图像中香蕉串潜在区域的灰度等级较高，故剔除灰度等级较低的区域，以缩小统计范围，提高图像处理速度，因此，选取灰度等级c，仅在高于c的灰度等级区域(c，L)内提取香蕉串潜在区域的饱和度参考阈值m；为了增强可靠性，采用区域灰度等级比率总和最大法来确定香蕉串的饱和度参考阈值m；将灰度等级区域(c，L)按顺序以长度r均分成q个子区域，然后分别统计各子区域中r个灰度等级在图像中所占比率的总和P(i)，其表达式为：

考虑到香蕉串潜在区域的灰度等级在图像中所占比例均较大，由概率统计可知，比率总和最大的子区域即为香蕉串饱和度参考阈值的潜在区域；因此，先由式(3)遍历出q个灰度等级子区域中比率总和最大值P(t)所对应的子区域t，再由式(4)遍历出子区域t内所占图像比率最高的灰度等级，即为香蕉串潜在区域的饱和度参考阈值m：

P(t)＝max(P(i)),i＝1,2,…,q (3)

接着按式(5)、(6)分别对饱和度参考阈值m做适当的修正，即得香蕉串潜在区域的低饱和度阈值η、高饱和度阈值μ：

η＝m-δ (5)

μ＝m+δ (6)

式中δ——饱和度阈值的修正量；

即步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程进一步确定为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的高饱和度阈值和低饱和度阈值，对小于低饱和度阈值的图像背景做自适应系数的伽马变换；对大于高饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像；

对小于低饱和度阈值的图像背景做自适应系数的伽马变换的过程是：

已知伽马变换的基本形式为：

s＝au^γ (7)

式中u——伽马变换输入灰度值

s——伽马变换输出灰度值

γ——伽马系数

a——伽马变换常数

当式(7)中伽马系数γ大于1时，符合对香蕉串低饱和度图像背景区域的压缩要求；

则为了实现基于图像的自适应伽马变换，故以低饱和度阈值η来确定伽马系数γ；因伽马变换的输入和输出灰度值范围均为0-1，而低饱和度阈值η的范围为0-255，故须先进行归一化处理，即η/255；

低饱和度阈值η的压缩率取5/6时能较好地压缩图像背景饱和度，将其代入式(7)可得求解伽马系数γ的表达式，即

由式(8)解算出伽马系数γ后，进行图像遍历，对小于低饱和度阈值η的图像背景饱和度按式(7)进行伽马变换以降低其灰度值，从而增强与香蕉串潜在区域的对比度；

对大于高饱和度阈值的图像背景做半值压缩的过程是：

式中x——半值压缩的输入饱和度值；

y——半值压缩的输出饱和度值；

步骤(4)以大、小差异阈值范围，采用阈值分割、孔洞填充和连通域提取的形态学处理方法对由步骤(3)压缩后的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高的香蕉串，其过程是：

将背景压缩后的饱和度分量S和色调分量H做差值2S-H，然后采用阈值分割、孔洞填充、连通域提取的形态学处理方法对2S-H差值图像进行香蕉串识别；

根据各灰度等级像素个数在2S-H差值图像中所占比率最大来确定香蕉串潜在区域的中心阈值，并在此基础上作修正得到分割香蕉串的大、小阈值范围；

将大、小阈值范围分割方法进行结合，提出差异阈值范围分割与融合的香蕉串识别方法，其主要的操作步骤如下：

Step1：以大阈值范围对2S-H差值图像进行分割，提取出完整度高但噪声点多的香蕉串；

Step2：以小阈值范围对2S-H差值图像进行分割，提取出完整度较差但噪声点少的香蕉串；

Step3：对Step2的分割结果进行孔洞填充、连通域提取，并去除最大的连通域，从而获取部分背景噪声；

Step4：由于Step3获取的背景噪声同样存在于Step1分割结果中，故将Step1分割结果与Step3获取的背景噪声做差值融合将其滤除，以切断部分背景噪声与香蕉串区域的连通；

Step5：对Step4的结果做孔洞填充、连通域提取，并去除最大的连通域，即得Step1结果中大部分的背景噪声；

Step6：将Step4的分割结果与Step5提取的背景噪声做差值融合，最终得到准确度高、噪声点少的香蕉串。