预设的异常果穗筛分模型，确定玉米果穗的异常类别。
[0059]在一个具体的例子中，在步骤101之前，上述的玉米异常果穗筛分方法还包括图1中未示出的步骤1001至步骤1003。
[0060]1001、采用中值滤波处理待筛分玉米果穗的图像，得到第一图像。
[0061]本实施例中，采用3*3邻域的中值滤波处理待筛分玉米果穗的图像，可充分保留图像的细节特征，有效去除图像中的椒盐噪声，最大限度地保留待筛分玉米果穗的边缘特征。
[0062]1002、采用统计分割方法分割处理所述第一图像，得到第二图像。
[0063]本实施例中，采用基于B分量统计分割方法对第一图像进行分割处理。
[0064]1003、采用图像形态学处理方法平滑处理所述第二图像，得到第三图像。
[0065]本实施例中，利用图像形态学处理方法处理第二图像，可有效去除图像内部的细小孔洞，平滑图像边缘。
[0066]相应地，步骤101可为图1中未示出的101’:
[0067]101’、基于预设的图像截取规则，截取所述第三图像，得到截取图像。
[0068]在一个具体的例子中，步骤101具体包括图1中未示出的子步骤1011和1012。
[0069]1011、根据待筛分玉米果穗的图像，确定待筛分玉米果穗的最小外接矩形。
[0070]1012、根据最小外接矩形，截取待筛分玉米果穗的图像，得到截取图像。
[0071]其中，截取图像中只包含待筛分玉米果穗的果穗部分。
[0072]在一个具体的例子中，在步骤102之前，上述的玉米异常果穗筛分方法还包括图1中未示出的步骤102’:
[0073]102’、利用预设的图像窗口扫描所述截取图像，确定至少一块感兴趣区域R0I。
[0074]本实施例中，预设的图像窗口大小为50*50像素，窗口的扫描方向为从左至右、从上到下，图像窗口每移动一个位置就会确定一块R0I。
[0075]在一个具体的例子中，步骤102具体包括图1中未示出的子步骤1021和1022。
[0076]1021、根据至少一块R0I，基于RGB颜色模型，提取各R0I的颜色特征参数。
[0077]1022、将各R0I转化为灰度图像，提取各灰度图像的纹理特征参数。
[0078]在一个具体的例子中，步骤1021具体包括图1中未示出的子步骤10211和10212。
[0079]10211、根据至少一块R0I，确定各R0I的像素点数目。
[0080]10212、根据各R0I的像素点数目，基于RGB颜色模型，提取各R0I的颜色特征参数。
[0081 ] 本实施例中，颜色特征参数包括R分量均值、G分量均值、B分量均值、色彩均值和色调均值，共5个。
[0082]在一个具体的例子中，步骤1022具体包括图1中未示出的子步骤10221至10223。
[0083]10221、将各R0I转化为灰度图像，对各灰度图像进行灰度压缩，得到所述各灰度图像对应的第四图像。
[0084]本实施例中，对各灰度图像进行灰度压缩为将其灰度256级量化成8级。
[0085]10222、基于预设的灰度共生矩阵计算模型，计算各第四图像的灰度共生矩阵。
[0086]本实施例中，对量化后的图像在距离为1，角度分别为水平、45度、垂直、135度方向上计算灰度共生矩阵。
[0087]10223、根据所述各第四图像的灰度共生矩阵，基于预设的纹理特征参数提取规贝1J，提取所述各第四图像的纹理特征参数。
[0088]本实施例中，根据计算得到的四个方向的灰度共生矩阵，分别统计四个方向的对比度、能量、熵、逆差矩和相关度。对得到的四个对比度、能量、熵、逆差矩和相关度分别取平均，得到对比度均值、能量均值、熵均值、逆差矩均值和相关度均值，作为5个纹理特征参数。
[0089]在一个具体的例子中，预设的异常果穗筛分模型可通过图1中未示出的步骤a至c得到。
[0090]a、从预设的玉米果穗各异常类型的图像的异常区域中截取至少一幅子图像，构成样本图像库。
[0091]本实施例中，设定各异常类型的玉米果穗数量不少于30个，每种异常类型的玉米果穗截取的子图像数目为不少于50幅。
[0092]b、基于预设的特征参数提取规则，提取所述样本图像库中各图像的特征参数，构成样本特征参数库。
[0093]基于上述的特征参数提取规则，对截取的每幅子图像提取5个颜色特征参数和5个纹理特征参数，构成样本特征参数库。
[0094]c、利用样本特征参数库中的特征参数，对支持向量机SVM进行训练，得到所述预设的异常果穗筛分模型。
[0095]本实施例中，支持向量机SVM的核函数采用径向基核函数。
[0096]在一个具体的例子中，步骤103具体包括图1中未示出的子步骤1031至1033。
[0097]1031、根据所述特征参数，基于预设的异常果穗筛分模型，确定所述待筛分玉米果穗中预设的各异常类型对应的异常区域。
[0098]1032、确定所述各异常类型对应的异常区域所占面积的百分比。
[0099]1033、确定所述待筛分玉米果穗的异常类型为面积百分比最大的异常区域对应的异常类型。
[0100]可以有效地提高玉米果穗的筛分速度，适用于对异常类型的玉米果穗的统计与研究。
[0101]如图2所示，本实施例公开了一种基于计算机视觉的玉米异常果穗筛分装置，包括图像截取单元21、参数提取单元22和类别确定单元23。
[0102]图像截取单元21，用于基于预设的图像截取规则，截取所述待筛分玉米果穗的图像，得到截取图像。
[0103]其中，待筛分玉米果穗的图像为图像采集装置采集的图像。
[0104]参数提取单元22，用于基于预设的特征参数提取规则，提取所述截取图像中的特征参数。
[0105]类别确定单元23，用于根据所述特征参数，基于预设的异常果穗筛分模型，确定玉米果穗的异常类别。
[0106]本实施例提供的玉米异常果穗筛分装置，能够实现无损识别异常玉米果穗，提高了筛分速度。
[0107]如图3所示，本实施例提供了一种基于计算机视觉的玉米异常果穗筛分系统，包括上述实施例中的玉米异常果穗筛分装置31、图像采集装置32、支架33和背景板34。
[0108]背景板34放置在水平桌面上，支架33与背景板34连接，图像采集装置32固定于支架33上，玉米异常果穗筛分装置31与图像采集装置32连接。
[0109]支架33，用于固定图像采集装置32，以使图像采集装置32位于背景板34的正上方。
[0110]背景板34，用于承载待筛分玉米果穗，并为采集待筛分玉米果穗的图像提供背景。
[0111]本实施例中，玉米异常果穗筛分装置31为计算机；图像采集装置32为500万像素(XD相机；设定支架33的高度为55cm ;背景板34大小为32cmX 50cm，可以放置单穗玉米果穗，玉米果穗的摆放角度随意；设定背景板34的颜色为纯蓝色，因为玉米果穗大多是金黄色，在纯蓝色背景板上拍摄玉米果穗的图像，可以使图像的对比度增大，提高计算机对图像的处理速度。
[0112]本实施例公开的玉米异常果穗筛分装置具有造价低，操作方便，对操作人员的要求不高，具有普适性高的特点；同时，筛分的数据和图像易保存和扩充，更适于科学研究与统计。
[0113]图4示出了三种常见异常玉米果穗的图像，如图4所示，1为机械损伤果穗，2为虫蛀果穗，3为霉变果穗。三种异常玉米果穗的形成原因如下:
[0114]机械损伤果穗:机