二維水果形狀檢測與分類算法研究.pdf

1、在水果品質(zhì)檢測和分級中，形狀是一個非常重要的指標(biāo)，在國家標(biāo)準(zhǔn)中有嚴(yán)格的規(guī)定。本文在大量實(shí)驗(yàn)研究的基礎(chǔ)上，通過對多種算法的對比分析，設(shè)計了具有統(tǒng)一架構(gòu)的水果形狀檢測算法；從數(shù)學(xué)角度提出了形狀的定義，并針對正常果形、輕度畸形、嚴(yán)重畸形三種類別研究了不同的形狀描述方法；討論了常用的分類器對形狀分類結(jié)果的影響；最后針對基于形狀描述的分類精度不是很高的情況，定義了新的測度并建立了基于配準(zhǔn)技術(shù)的形狀分類框架，達(dá)到了預(yù)期的研究目標(biāo)。主要研究內(nèi)容和研究

2、結(jié)果如下： 1．解決了如何從眾多的去噪方法中選擇適合水果形狀檢測的方法的難題。對于高斯噪聲和隨機(jī)噪聲類型圖像，在原始圖像信噪比大于8時，選擇全變差(Total Variation，TV)方法恢復(fù)可以達(dá)到最好效果；信噪比小于8時，選擇維納濾波才可以達(dá)到最好的恢復(fù)效果；而對于椒鹽噪聲類型圖像，選用中值濾波時恢復(fù)效果最好。 2．提出了運(yùn)用矩陣廣義逆和奇異值分解的方法恢復(fù)運(yùn)動模糊圖像，并用已知大小的標(biāo)準(zhǔn)球做實(shí)驗(yàn)，檢測恢復(fù)后圖像中

3、球的大小，實(shí)驗(yàn)結(jié)果表明，提出的方法恢復(fù)后的圖像質(zhì)量要高于傳統(tǒng)的盲去卷積等方法，速度要比差分遞推法快6倍，比投影迭代方法快60倍。 3．提出了多尺度水平集形狀檢測方法，解決了傳統(tǒng)的方法無論是檢測算子還是梯度向量流無法檢測表面含有豐富顏色特征的水果形狀的問題。實(shí)驗(yàn)結(jié)果表明該方法具有一系列的優(yōu)點(diǎn)：無需任何形狀預(yù)處理操作；具有一定的光照適應(yīng)性；能夠平滑地檢測表面含有豐富顏色特征的水果，非常適合水果形狀檢測。 4．提出了多尺度能量

4、分布形狀描述方法，將形狀輪廓序列看作一周期信號，從多分辨率分析角度來說，代表形狀全局信息的主要能量分布在粗尺度上，而表示形狀局部信息的次要能量分布在細(xì)尺度上，該方法對嚴(yán)重畸形的水果分類比較有效，實(shí)驗(yàn)結(jié)果表明其分類精度可以達(dá)到81.20％。該方法中基于最大期望方法確定起始點(diǎn)的方法，可以唯一確定起始點(diǎn)，這對解決形狀描述中旋轉(zhuǎn)不變性問題非常有效。 5．系統(tǒng)地分析和比較了目前常用形狀描述方法，提出了將小波矩方法用于水果形狀描述，得出結(jié)論

5、：在水果形狀分類中，用具有對稱性的小波基(如Morlet小波)和最近鄰法分類準(zhǔn)則時，正常果形、輕度畸形及嚴(yán)重畸形的分類準(zhǔn)確率可以達(dá)到69.42％、80.47％及72.62％。 6．分析了分類器對水果形狀分類結(jié)果的影響，集中研究了線性判別函數(shù)、聚類分析、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等四種分類器分別對三種不同的輸入特征模式(傅立葉描述子特征、Zernike矩特征和小波矩特征)時的分類性能。得出結(jié)論：無論用什么分類器，小波矩特征模式作為輸

6、入模式時，都能得到最好的分類結(jié)果；其次對小波矩特征模式而言，三個聚類中心的聚類分析方法和支持向量機(jī)作為分類器都能得到尚為滿意的分類精度。采用三個聚類中心的聚類分析方法時，正常果形、輕度畸形及嚴(yán)重畸形的分類正確率為86.21％、65.78％和85.71％；而采用支持向量機(jī)作為分類器時，分類正確率分別為：70％、83.569，0和75％。 7．建立了基于配準(zhǔn)技術(shù)的水果形狀分類框架。定義了新的測度，該測度基于面積差水平集表示原理，將待