一种基于图像处理的杂质检测方法与流程

本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的杂质检测方法。

背景技术：

我国是棉花种植和出口大国。棉花在采摘、收购等过程中杂质来源难以控制，若棉花含有过多杂质，则降低棉花等级和质量，严重影响产业效益和出口。近年来，图像处理技术、机器视觉技术和bp神经网络算法等广泛应用在棉花杂质检测工序中。例如采用rgb颜色空间进行图像处理，阈值分割棉花和杂质；采用机器视觉对图像进项增强滤波处理和分割处理，分块检测杂质和棉花背景；等采用bp神经网络进行训练并输出杂质的误差,得到适应度函数并进行遗传算法的选择、交叉及变异操作,优化神经网络权值、阈值,直至输出误差达到要求或达到预设迭代次数。根据所获得的bp神经网络权值、阈值进行棉花图像分割。

但是在选择合理的背景时，根据颜色空间直方图分析，普通的图像处理进行阈值分割时，采用红色背景板难以准确分离杂质和计算面积，并且每张棉花图像的背景阈值都不相同，单靠自定义阈值无法获得提取杂质的最佳效果。bp算法应用在图像识别具有强大的容错率和联想能力，但没有对不同图像不同杂质动态阈值区域进一步自适应学习。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种基于图像处理的杂质检测方法；

本发明提出的一种基于图像处理的杂质检测方法，包括：

s1、获取棉花样本图像；

s2、对棉花样本图像进行图像增强，得到棉花增强图像；

s3、根据hsv对棉花增强图像进行阈值分割，去除棉花增强图像的背景颜色，得到目标棉花图像；根据大津算法对棉花增强图像进行阈值分割，得到目标棉花图像二值化图；

s4、根据目标棉花图像和目标棉花图像二值化图计算棉花中杂质面积；

s5、确定目标棉花图像二值化图的连通区域，根据连通区域标识目标棉花图像二值化图中杂质位置和杂质个数。

优选地，步骤s1中，所述棉花样本图像的背景颜色为黄色。

优选地，步骤s2，具体包括：

在棉花样本图像添加椒盐噪声；

对棉花样本图像添加中值滤波，得到棉花增强图像。

优选地，步骤s3，所述根据hsv对棉花增强图像进行阈值分割，具体包括：根据hsv和迭代法对棉花增强图像进行阈值分割。

优选地，步骤s4，具体包括：

根据目标棉花图像中棉花和杂质颜色面积，确定棉花和杂质在棉花样本图像中的面积占比；

根据目标棉花图像二值化图中杂质面积，确定杂质在棉花样本图像中的面积占比；

将杂质在棉花样本图像中的面积占比除以棉花和杂质在棉花样本图像中的面积占比，得到棉花中杂质面积。

优选地，还包括步骤s6，根据l-m算法和hsv颜色空间的s分量直方图对棉花和背景阈值及含杂面积自适应bp网络训练学习，得出背景动态阈值区域。

本发明通过获取棉花样本图像，对棉花样本图像进行图像增强，得到棉花增强图像，根据hsv对棉花增强图像进行阈值分割，去除棉花增强图像的背景颜色，得到目标棉花图像；根据大津算法对棉花增强图像进行阈值分割，得到目标棉花图像二值化图，根据目标棉花图像和目标棉花图像二值化图计算棉花中杂质面积，确定目标棉花图像二值化图的连通区域，根据连通区域标识目标棉花图像二值化图中杂质位置和杂质个数，如此，能够精确处理杂质的识别和提取，进一步的，通过bp神经网络算法自适应学习背景动态阈值区域，可以快速准确得到含杂面积和杂质位置，便于进一步处理杂质。

附图说明

图1为本发明提出的一种基于图像处理的杂质检测方法的流程示意图。

具体实施方式

参照图1，本发明提出的一种基于图像处理的杂质检测方法，包括：

步骤s1，获取棉花样本图像，所述棉花样本图像的背景颜色为黄色。

在具体方案中，通过数码相机获取棉花样本图像，在获取棉花样本图像过程中，由于棉花样本具有一定厚度，不同角度照射棉花边缘会出现阴影，对图像后期处理造成一定影响，对此，选择灯光高角度照射棉花可减少此方面影响，为便于观察灯光对背景的影响，选择日光灯作为光源，棉花与杂质主要通过颜色的色域差异来区分，合理的图像选择可以减少图像后处理难度，背景板的合理选择能够方便提取棉花区域和杂质特征，经过试验，以黄色作为棉花样本图像的背景颜色可以减少图像后处理难度。

步骤s2，对棉花样本图像进行图像增强，得到棉花增强图像，具体包括：在棉花样本图像添加椒盐噪声；对棉花样本图像添加中值滤波，得到棉花增强图像。

在具体方案中，由于相机摄像时，感光元件把光线转变成电荷，再转换成数字信号并压缩保存。相机采集图像时受多种因素(电阻热噪声、光子噪声、暗电流噪声)影响，图像会出现高斯噪声、椒盐噪声、泊松噪声等。噪声对于图像分割、杂质特征提取、杂质图像识别都有直接影响。因此，再处理图像前应消除图像噪声。通过在棉花样本图像中添加椒盐噪声及中值滤波，能较好保留图像边缘细节信息，解决多数线性滤波在去噪同时图像模糊现象，复原效果好。

步骤s3，根据hsv对棉花增强图像进行阈值分割，去除棉花增强图像的背景颜色，得到目标棉花图像；根据大津算法对棉花增强图像进行阈值分割，得到目标棉花图像二值化图，具体包括：根据hsv和迭代法对棉花增强图像进行阈值分割。

在具体方案中，根据hsv图像各分量直方图，杂质和背景颜色相邻像素间灰度值是相似的，但杂质和背景颜色不同性质在直方图是对应的。其中s分量直方图左侧波峰代表棉花颜色、右侧波峰代表样本背景颜色、波谷代表杂质颜色，在波谷之间确定合适阈值进行图像分割。为便于区分，用白色(255)表示背景颜色，0(黑色)表示棉花和杂质颜色。设定某一阈值t将图像分成两部分：迭代法是根据双峰法的改进，基于逼近思想，每一次迭代都能够快速收敛，新产生阈值优于上一次阈值。选择图像灰度中值作为初始分割阈值t0，把图像分割前景、背景两部分r1、r2，再计算两区域灰度均值μ1、μ2，新的阈值：一直进行迭代计算，直至新的阈值t(灰度均值)不再变化。

根据灰度图像不同性质，图像的二值化把像素点矩阵的每一个像素点的灰度值替换为0(黑色)或者255(白色)，使得整个图像黑白分明，易于提取杂质轮廓图像。大津算法是基于最大类间方差法，根据图像灰度分布均匀性，把图像分成前景和背景两部分，其类间方差大，前景和背景差别越大，错分概率越小，计算简单，不受亮度和对比度影响特点。

步骤s4，根据目标棉花图像和目标棉花图像二值化图计算棉花中杂质面积，具体包括：根据目标棉花图像中棉花和杂质颜色面积，确定棉花和杂质在棉花样本图像中的面积占比；根据目标棉花图像二值化图中杂质面积，确定杂质在棉花样本图像中的面积占比；将杂质在棉花样本图像中的面积占比除以棉花和杂质在棉花样本图像中的面积占比，得到棉花中杂质面积。

在具体方案中，去除背景颜色后的目标棉花图像，仅保留棉花和杂质颜色，可确定棉花和杂质在棉花样本图像中的面积占比s1，目标棉花图像二值化图仅保留杂质部分，可确定杂质在棉花样本图像中的面积占比s2，则棉花中含杂面积：s＝s2÷s1。

步骤s5，确定目标棉花图像二值化图的连通区域，根据连通区域标识目标棉花图像二值化图中杂质位置和杂质个数。

在具体方案中，目标棉花图像二值化图中每一个像素点周围都有8个相邻像素，有4连通和8连通之分。从视觉看，彼此邻接连通的像素点形成的区域称为连通区域。二值化图像的像素值为0和255两种，在ocr识别邻域，二值化图像有利于把前景目标提取出来以便分析处理。具体的，可通过matlab图像处理工具箱用于连通区域标记bwlabel函数，其逐行扫描图像，记下每行或每列连续像素序列位置，通过等价序列对图像进行标记。

步骤s6，根据l-m算法和hsv颜色空间的s分量直方图对棉花和背景阈值及含杂面积自适应bp网络训练学习，得出背景动态阈值区域。

在具体方案中，bp神经网络的学习训练中，信号的正向传播和误差信号的反向传播过程，各层权值不断重复调整，直到输出层的输出信号误差达到可接受范围，或者达到设定的学习次数为止。

本发明通过获取棉花样本图像，对棉花样本图像进行图像增强，得到棉花增强图像，根据hsv对棉花增强图像进行阈值分割，去除棉花增强图像的背景颜色，得到目标棉花图像；根据大津算法对棉花增强图像进行阈值分割，得到目标棉花图像二值化图，根据目标棉花图像和目标棉花图像二值化图计算棉花中杂质面积，确定目标棉花图像二值化图的连通区域，根据连通区域标识目标棉花图像二值化图中杂质位置和杂质个数，如此，能够精确处理杂质的识别和提取，进一步的，通过bp神经网络算法自适应学习背景动态阈值区域，可以快速准确得到含杂面积和杂质位置，便于进一步处理杂质。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。