基于图像处理的草莓花朵识别算法研究.doc

基于图像处理的草莓花朵识别算法研究
摘要:针对草莓花朵识别算法的研究,对于草莓的生长信息监测、智能施肥和智能授粉等具有非常重要的意义。本文针对草莓图像特点,采用改进K均值聚类方法完成图像的分割,并利用形态学处理和连通区域特征分聚类分割、形态学处理、连通区域特征分析等步骤,具体图像检测流程如图1所示。
图像采集及预处理
图像采集是图像处理的前提,草莓图像采集后,为了提高图像处理速度和算法的自适应性,针对草莓图像特点,提取图像的R空间颜色特征分量,进行高斯滤波处理,高斯模板通过对二维高斯函数的离散化表示,对于一个大小为的矩阵,其位置的元素表示为:
(1)
其中为高斯函数标准差,高斯滤波模板大小为,检测结果如图2所示。
图像分割
针对图像特点,本文利用改进K均值聚类分割算法对图像进行分割,形成分割区域,具体聚类分割算法可以描述如下。
Step1:首先将样本图像灰度值转换为尺寸大小为的一维样本数据集,其中样本图像像素个数,设迭代运算次数为且聚类类型为时的聚类中心为,从数据集中随机选取一个样本对象作为初始聚类中心。
计算每个样本与已有聚类中心的最短距离 ,其中为数据集中的第个样本;接着计算每个样本对象被选为下一个聚类中心的概率:
(2)
按照***法选择下一个聚类中心重复步骤直到选择出个对象组成初始聚类中心,具体的,聚类中心个数。
Step2:迭代计算:根据相似度准则计算样本数据集中每个样本与初始聚类中的距离 k,如下式(5)所示,将各个数据对象划分到距离最小的聚类集合簇中,则:
(3)
Step3:聚类中心更新:按照聚类中心更新公式计算各聚类集合中的均值作为该集合新的聚类中心,更新得到新的聚类集合中心,设为聚类的元素,聚类的元素个数为,聚类中心更新公式如式(6)所示:
(4)
Step4:终止条件:循环更新聚类集合中心,直到各聚类中心不再发生变化或者误差平方和局部最小为止,聚类准则函数计算方法为:
(5)
精度误差为,若,则算法结束,终止迭代,否则反复执行迭代计算和聚类中心直至满足终止条件,图像分割结果如图3所示。
形态学处理
经过图像分割得到的区域还存在很多的噪声干扰信息,为了祛除噪声区域,利用形态学处理算法对分割区域进行处理,设表示图像矩阵,表示结构元素,形态学处理方法如下式所示:
(6)
采用尺寸为的矩形结构元素对聚类分割区域进行开操作,图像处理结果如图4所示。
连通区域特征分析
经过形态学处理后,细小的噪声干扰区域已經祛除。考虑到草莓花朵的实际大小,需要进一步祛除非目标区域。本文将灰度一致,且满足8邻接的像素判定为相同区域,通过连通区域面积特征,过滤噪声干扰区域,根据如下公式提取出像素面积在的区域,
(7)
其中和分别为面积像素的参数下限值和上限值,图像处理结果如图5所示。
3 结果分析
为了验证算法的实现效果,本文利用C#完成了上述算法的实现。实验运行环境CPU为Inter Core i7-3517UE ,内存为8GB,检测界面如图6所示。结果表明,检测算法能够实现草莓