本发明涉及图像识别技术领域，具体涉及一种可应用于超市自助结账系统的水果智能识别方法。
背景技术
超市中现有的水果称重设备主要包括传统的称重打码秤和称重结账一体化设备，称重打码秤通过人工输入水果产品对应货号，利用溯源码收款，需要工作人员配合才能完成称重打码，浪费人力和时间成本。称重结账一体化设备，如selfcheckout/scanasyoushop，称重时自主选择水果种类，感应机称重，可在中间屏幕扫描水果条形码，再进行自助结账，但不能满足大规模、高效率的水果称重需求，导致称重缓慢，实用度不高的问题。
技术实现要素：
本发明所要解决的技术问题是提供一种可应用于超市自助结账系统的水果智能识别方法，解决现有水果称重机无法实现智能化识别的问题。
本发明解决上述技术问题的技术方案如下：一种可应用于超市自助结账系统的水果智能识别方法，包括以下步骤：
s1、通过数码相机为a种水果的b个个体分别拍摄不同角度下的c张水果图像；
s2、对水果图像进行预处理；
s3、将预处理后的a＊b＊c张水果图像建立图像数据库；
s4、提取水果图像数据库中水果图像的hsv信息生成灰度共生矩阵，将灰度共生矩阵作为训练集特征库，计算训练集特征库中灰度共生矩阵的均值向量；
s5、通过数码相机拍摄待称重水果的待识别图像，提取待识别图像hsv信息生成灰度共生矩阵作为匹配向量；
s6、计算匹配向量与均值向量间的欧氏距离，通过k近邻分类器选取距离匹配向量最近的k个均值向量，将k个均值向量对应最多的水果类别作为待识别图像的识别结果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤s2的具体步骤为：
s21、对水果图像进行灰度变换得到灰度图像；
s22、通过二值化操作确定灰度图像中水果的边缘位置，通过分割阈值迭代算法对灰度图像进行图像分隔，得到去背景图像；
s23、对去背景图像进行去燥处理，得到去燥图像；
s24、通过直方图均衡化算法对去燥图像进行图像增强。
进一步，所述步骤s22中的分割阈值迭代算法的具体步骤为：
s221、确定初始分隔阈值t0；
s222、利用分隔阈值tk把图像分成r1区域和r2区域，计算公式为：
在公式(1)中，f(x,y)为像素点(x,y)的灰度值；
s223、计算r1区域的灰度均值z1和r2区域的灰度均值z2，计算公式为：
在公式(2)中，f(i,j)为像素点(i,j)的灰度值，n(i,j)为灰度值为f(i,j)的像素点的个数；
s224、通过灰度均值z1和灰度均值z2计算新的分隔阈值tk+1，计算公式为：
s225、当tk＝tk+1时，进入步骤s226，否则返回步骤s222；
s226、输出分隔阈值tk+1。
进一步，所述步骤s24中直方图均衡化算法的具体步骤为：
s241、计算原始图像的灰度级fk，k＝0，1，2，…，l－1，l为像素点总个数；
s242、计算一个原始图像直方图p(fk)，计算公式为：
在公式(4)中，n为图像中像素点个数总和，nk为某一灰度级k的像素点个数；
s243、对原始图像直方图取整得到tk，计算公式为：
在公式(5)中，ni为某一灰度级i的像素点个数；
s244、定义映射关系为：sk→tk；
s245、计算新的直方图pt(sk)，计算公式为：
进一步，所述k的取值为5。
进一步，所述步骤s6中欧式距离d的计算公式为：
在公式(7)中，(x11,x12,…,x1n)为匹配向量，(x21,x22,…,x2n)为均值向量，k＝0，1，2，…,n，n为匹配向量或均值向量的总个数。
本发明的有益效果是：在本发明中，通过基于hsv信息共生矩阵的k近邻分类法进行水果图像识别，识别结果的准确率高达98.1％，且本发明不需要训练时间，过程简单快捷，操作难度低，识别准确率高，可推广性强。将本发明应用到各个超市的自助结账系统之中，可以做到对不同品种水果自动识别，进而自动计价，加快了超市的结账效率，节省了人力投入。
附图说明
图1为本发明总流程图；
图2为本发明步骤s2的流程图；
图3为本发明步骤s22的流程图；
图4为本发明步骤s24的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种可应用于超市自助结账系统的水果智能识别方法，包括以下步骤：
s1、通过数码相机为a种水果的b个个体拍摄不同角度下的c张水果图像；
s2、对水果图像进行预处理；
s3、将预处理后的a＊b＊c张水果图像建立图像数据库；
s4、将提取水果图像数据库中水果图像的hsv信息生成灰度共生矩阵，将灰度共生矩阵作为训练集特征库，计算训练集特征库中灰度共生矩阵的均值向量；
s5、通过数码相机拍摄待称重水果的待识别图像，提取待识别图像hsv信息生成灰度共生矩阵作为匹配向量；
s6、计算匹配向量与均值向量的欧式距离，通过k近邻分类器选取距离匹配向量最近的k个均值向量，将k个均值向量对应最多的水果类别作为待识别图像的识别结果，k的取值为5。
在本发明实施例中，a＝10，b＝10，c＝60，a＊b＊c＝6000。
如图2所示，步骤s2的具体步骤为：
s21、对水果图像进行灰度变换得到灰度图像；
s22、通过二值化操作确定灰度图像中水果的边缘位置，通过分割阈值迭代算法对灰度图像进行图像分隔，得到去背景图像；
s23、对去背景图像进行去燥处理，得到去燥图像；
s24、通过直方图均衡化算法对去燥图像进行图像增强。
如图3所示，步骤s22中的分割阈值迭代算法的具体步骤为：
s221、确定初始分隔阈值t0；
s222、利用分隔阈值tk把图像分成r1区域和r2区域，计算公式为：
在公式(1)中，f(x,y)为像素点(x,y)的灰度值；
s223、计算r1区域的灰度均值z1和r2区域的灰度均值z2，计算公式为：
在公式(2)中，f(i,j)为像素点(i,j)的灰度值，n(i,j)为灰度值为f(i,j)的像素点的个数；
s224、通过灰度均值z1和灰度均值z2计算新的分隔阈值tk+1，计算公式为：
s225、当tk＝tk+1时，进入步骤s226，否则返回步骤s222；
s226、输出分隔阈值tk+1。
若图像中某点的像素灰度值不大于阈值tk+1，则该点为水果部分。
如图4所示，步骤s24中直方图均衡化算法的具体步骤为：
s241、计算原始图像的灰度级fk，k＝0，1，2，…，l－1，l为像素点总个数；
s242、计算一个原始图像直方图p(fk)，计算公式为：
在公式(4)中，n为图像中像素点个数总和，nk为某一灰度级k的像素点个数；
s243、对原始图像直方图取整得到tk，计算公式为：
在公式(5)中，ni为某一灰度级i的像素点个数；
s244、定义映射关系为：sk→tk；
s245、计算新的直方图pt(sk)，计算公式为：
在本发明实施例中，步骤s6中欧式距离d的计算公式为：
在公式(7)中，(x11,x12,…,x1n)为匹配向量，(x21,x22,…,x2n)为均值向量，k＝0，1，2，…,n，n为匹配向量或均值向量的总个数。
在本发明实施例中，一个灰度共生矩阵为：
由灰度共生矩阵可提取有效信息，每种水果展示其中8张图像的共生矩阵信息如下：
共生矩阵装置可表示水果图像特征。
在本发明实施例中，通过k近邻分类器测试图像数据库中的水果图片，得出识别准确率并记录在表一中：
表一
由表一可知，本发明的识别准确率达到了98.1％。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。