一种基于计算机视觉的花蕾判别方法
【专利摘要】本发明公开了一种基于计算机视觉的花蕾判别方法。包括以下步骤：图像预处理，图像分割扩展，图像显著图计算，图像SURF关键点计算，关键点直方图计算，特征量计算，支持向量机预测结果。对CCD相机采集到图片进行RGB到HSI的颜色空间转换，分别对H、S分量进行中值滤波；对滤波后的分量进行颜色阈值分割、合并，填充、识别轮廓，并扩展截取识别轮廓外接矩形部分；使用残谱法计算截取部分显著图；同时计算截取部分的SURF关键点；计算在不同显著值上的SURF关键点直方图；不等距合并直方图信息形成特征量；利用支持向量机对特征量进行预测，得出花蕾的判别结果。采用本发明，能有效区分花蕾与开放的花朵。
【专利说明】一种基于计算机视觉的花蕾判别方法
【技术领域】
[0001] 本发明涉及花卉分级领域，特别是涉及一种基于计算机视觉的花蕾判别方法。
【背景技术】
[0002] 我国花卉的种植面积与产量居于世界的第一位，但花卉产品附加价值低，行业标 准和自动化水平落后。荷兰花卉产业广泛应用自动化生产设备，实现了自动化装盆、种苗移 植、盆花搬运、灌溉、疏盆、盆花分级、成品包装，提高了生产效率和花卉成品的品质。对成品 花卉进行品质分级，是花卉生产中的重要一步。人工不仅分级生产效率低，而且分选结果不 能保证精度要求，评判标准难以统一，在分选过程中接触花卉，还可能对花卉造成一定的损 伤。使用计算机视觉技术进行花卉分级很好的解决了上述问题。
[0003] 根据我国花卉标准，为保证花卉产品的品质，要求产出的一级花卉的花蕾比例大 于等于90%。花蕾比例作为花卉分级的重要标准，是计算机视觉分级花卉的主要难点。使 用传统计算机视觉算法很难予以辨别，实现计算机视觉花蕾判别方法，准确快速的判别花 朵是否开放，从而可以有效的保证分级精度和统一评判标准。
[0004] 因此，准确快速的判别出花朵的开放情况对于花卉分级的分级精度、评判标准的 统一、提高经济效益都有很重要的意义。
[0005] 当前，迫切需要研究出一种基于计算机视觉的花蕾判别方法，可以实现对花朵开 放情况的快速、准确判别。
【发明内容】
[0006] 本发明的目的是解决通过计算机对成品花卉进行品质分级的自动化问题，提供一 种基于计算机视觉的花蕾判别方法，可以准确快速的判别花蕾与开放花朵，在花卉生产标 准化和自动化研究中，应用前景广阔，具有重大的生产实践意义。
[0007] 本发明提供的基于计算机视觉的花蕾判别方法，包括如下步骤：
[0008] 第1、图像预处理，接收来自C⑶摄像机的图像信号，对图像的RGB颜色空间转换为 HSI颜色空间，提取出HSI颜色空间的H与S分量并进行中值滤波；
[0009] 第2、图像分割扩展，将预处理后提取出的图像数据信号的H和S分量空间进行颜 色阈值分割、合并、轮廓填充、轮廓识别，对轮廓外接矩形部分进行扩展截取，并将扩展截取 后的图像分别进行图像显著图计算和图像SURF关键点计算；
[0010] 第2. 1、所述颜色阈值分割、合并，对H分量分割阈值的区间选取为，花朵颜色的连 续颜色区间，对S分量剔除饱和度值较低的部分，并进行与运算合并；
[0011] 第2. 2、所述轮廓填充、识别，用于对合并后的图片中全部轮廓进行填充，并根据目 标区域大小进行目标识别，选定目标区域；
[0012] 第3、图像显著图计算，对第2步扩展截取的图像信号运用残谱法计算显著图；
[0013] 第4、图像SURF关键点计算，对第2步扩展截取的图像信号同时计算SURF关键点；
[0014] 第5、关键点直方图计算，将第3步计算得到的显著图与第4步计算得到的SURF关 键点信息进行整合，得出在不同显著值上SURF关键点的直方图；
[0015]第6、特征量计算，对第5步得到的关键点直方图信息进行不等距合并，合并间距 分别为32, 48, 48, 48, 48, 32,最终得到6个特征量；
[0016]第7、支持向量机预测结果，将第6步得到的6个特征量送入训练好的支持向量机 中，得出判别结果。
[0017] 本发明的优点和有益效果：本方法可以准确、快速区分花蕾与开放花朵，对光照、 旋转具有一定的鲁棒性，在花卉生产标准化和自动化的研究中，应用前景广泛，具有重大的 生产实践意义。
【专利附图】
【附图说明】
[0018] 图1是基于计算机视觉的花蕾判别方法流程图；
[0019] 图2是本发明图像预处理步骤中图像数据预处理的方法流程图；
[0020] 图3是本发明图像分割扩展步骤中图像扩展分割截取的方法流程图；
[0021] 图4是本发明图像显著图计算步骤中残谱法显著图计算的方法流程图；
[0022] 图5为本发明SURF关键点计算步骤中SURF关键点计算的方法流程图；
[0023] 图6为本发明CCD摄像机采集到的花蕾与开放花朵图片；
[0024] 图7为本发明得到的花蕾与开放花朵显著图；
[0025] 图8为本发明得到的花蕾与开放花朵SURF关键点；
[0026] 图9为本发明得到的花蕾SURF关键点直方图；
[0027] 图10为本发明得到的开放花朵SURF关键点直方图；
【具体实施方式】
[0028] 为了使本【技术领域】的人员更好地理解本发明方案，下面结合附图和实施方式对本 发明作进一步的详细说明。
[0029] 图1是本发明提供的一种基于计算机视觉的花蕾判别方法流程图。
[0030] 参见图1，本发明提供了一种基于计算机视觉的花蕾判别方法，包括步骤有：花朵 图像101、图像预处理102、图像分割扩展103、图像显著图计算104、图像SURF关键点计算 105、关键点直方图计算106、特征量计算107、支持向量机预测结果108。其中：
[0031] 花朵图像101，用于表示C⑶照相机采集的图像信息。
[0032] 图像预处理102,用于接收来自C⑶照相机的图像信息，对图像进行RGB到HSI颜 色空间转换后，分别对H、S分量进行中值滤波；
[0033] 图像分割扩展103,用于将H和S分量，根据花朵颜色要求进行颜色阈值分割、与运 算合并，对合并图像进行轮廓填充、轮廓识别后，扩展截取轮廓外接矩形部分，将截取部分 送到图像显著图计算104,SURF关键点计算105;
[0034] 图像显著图计算104,用于接收图像分割扩展103所发送的图像信号，使用残谱法 计算出图像显著图，然后将显著图信息传递给关键点直方图计算106;
[0035] 图像SURF关键点计算105,用于接收图像分割扩展103所发送的图像信号，同时计 算出图像的SURF关键点，然后将关键点信息传送到关键点直方图计算106;
[0036] 关键点直方图计算106,根据图像SURF关键计算105得出的关键点的信息和图像 显著图计算104得出的显著图，计算出不同显著值上SURF关键点的直方图，并将直方图信 息传送到特征量计算107;
[0037] 特征量计算107,用于不等距合并关键点直方图，具体间距为 32, 48, 48, 48, 48, 32;
[0038] 支持向量机预测108,使用支持向量机判别花蕾。
[0039] 本发明提供的残谱法计算图像显著图原理及工作过程如下（参见图4):
[0040] 从图像信息理论的角度出发，将信息分为冗余部分和变化部分。人的视觉对于突 变的部分更加关注，对于出现频率很高的部分视觉系统会对其进行抑制。
[0041] 1.对离散傅里叶变换后的图像取得振幅谱：
[0042]
【权利要求】
1. 一种基于计算机视觉的花蕾判别方法，其特征在于，包括如下步骤： 第1、图像预处理，接收来自CCD相机的图像信号，对图像的RGB颜色空间转换为HSI颜 色空间，提取出HSI颜色空间的H与S分量并进行中值滤波； 第2、图像分割扩展，将预处理后提取出的H与S分量空间进行颜色阈值分割、合并、轮 廓填充、轮廓识别，对轮廓外接矩形部分进行扩展截取。 第3、图像显著图计算，对第2步扩展截取的图像信号运用残谱法计算显著图； 第4、图像SURF关键点计算，对第2步扩展截取的图像信号同时计算SURF关键点； 第5、关键点直方图计算，将第3步计算得到的显著图与第4步计算得到的SURF关键点 信息进行整合，得出在不同显著值上SURF关键点的直方图； 第6、特征量计算，对第5步得到的关键点直方图进行不等距区间合并，形成6个特征 量； 第7、支持向量机预测结果，将第6步得到的6个特征量送入训练好的支持向量机中，得 出判别结果。
2. 如权利要求1所述的方法，其特征在于第2步中： 第2. 1、所述颜色阈值分割、合并，对H分量分割阈值的区间选取为，花朵颜色的连续颜 色区间，对S分量剔除饱和度值较低的部分，并进行与运算合并； 第2. 2、所述轮廓填充、识别，用于对合并后的图片中全部轮廓进行填充，并根据目标区 域大小进行目标识别，选定目标区域。
3. 如权利要求1所述的方法，其特征在于，第6步所述不等距合并中，合并间距具体为 32, 48, 48, 48, 48, 32,最终得到6个特征量。
【文档编号】G06K9/62GK104318240SQ201410343139
【公开日】2015年1月28日 申请日期:2014年7月18日 优先权日:2014年7月18日
【发明者】岳有军, 李想, 赵辉, 王红君 申请人:天津理工大学