夜间猕猴桃果实的图像分割方法研究

夜间猕猴桃果实的图像分割方法研究目录一.背景及研究意义二.实验数据的获取三.实验数据的处理四.判别模型的建立五.分割图像的获取一.背景及研究意义1.1背景：在高端的农业生产技术上果实采摘机器人的视觉系统运用到了图像分割来识别果实，而图像分割技术至今存在了上千种的分割算法，然而具体获取目标果实，是通过在周围环境中减小树叶，树枝，果柄，背景天空和其他物质对目标图像的影响来实现目标的提取。1.2研究意义：本实验研究的主要是通过利用数据的提取和分析，然后建立起所需要的判别模型，在通过判别模型对图片中相应的区域进行图像的分割，在现有的方法中这种方法的研究对图像分割方法的研究具有重要的意义。二.实验数据的获取2.1PixelCollector图像取点软件的说明。2.2图像各部分点的选取。2.3对获得的数据进行合并。2.1PixelCollector图像取点软件的说明（1）OpenImage：读取你所需要处理的图片，分别对所需要进行操作的区域进行随机的选取像素点，在软件的界面上同时也可以读取X、Y、Red、Green、Blue、Hue、Sat、Int、L、A、B的值。（2）OpenFile：是对进行处理过的图片进行读取；（3）SaveFile：是将随机选取的像素点的X、Y、Red、Green、Blue、Hue、Sat、Int、L、A、B值通过选取路径并用CSV的文件格式保存下来；（4）SaveImage：是将选取像素点后的图片选择路径后保存下来；（5）Undo：是撤消之前的操作；（6）Clear：是将选取的点和已经获得的数据进行清除。PixelCollector图像取点取数据软件2.2图像各部分像素点的选取树枝部分的选取果实部分的选取果萼部分的选取树叶部分的选取果柄部分的选取天空部分的选取钢管或钢丝部分的选取输出X、Y、Red、Green、Blue、Hue、Sat、Int、L、A、B的值的csv文件2.3对获得的数据进行合并所需使用的程序：@echooffsetlocalenabledelayedexpansioncopy*.csvnew.csvecho@@@@@@@@@@@@@合并成功！@@@@@@@@@@@@@'pause*****************************SPSS软件进行判别分析三.实验数据的处理3.1对获取的各部分数据进行标记3.2用SPSS软件对标记好的数据进行判别分析3.3前10幅图7类9个自变量自由的组合3.1对获取的各部分数据进行标记3.1.1各标识含义（此处我们对前10幅的数据进行标记）：（1）分为7类：1——树枝2——果萼3——果实4——树叶5——果柄6——天空7——钢丝或钢管（2）分为5类（2——果萼和3——果实部分数据进行合并成2——果实，4——树叶和5——果柄部分合并成3——树叶）：1——树枝2——果实3——树叶4——天空5——钢管或钢丝3.2用SPSS软件对标记好的数据进行判别分析3.2.1果实实际的正确分类率：由于SPSS软件中对获取图像中各部分像素点的数据判别会产生误判为了更加得到更加精确数据所以我们要算上其他部分的像素点误判为果实的像素点一起算上。3.2.2对前10幅图7类的9个变量使用SPSS中判别分析的步进法：分类结果：a.总的正确分类率有66.5%；b.果实的正确分类率有82.3%；c.果实实际的正确分类率有73.04%3.3前10幅图7类9个自变量自由的组合3.3.1前10幅图7类9个自变量的自由组合：为了获取更高和更准确一点的果实正确分类率，我们对9个自变量（Red、Green、Blue、Hue、Sat、Int、L、A、B）进行了组合，由于组合的数量巨大，我们最多只进行了3个变量的自由组合，并从各组变量中获取果实实际正确分类率最高的一组：（注：ALL——总的正确分类率；Fruit——SPSS分类结果直接取的果实正确分类率；Ture——果实实际正确分类率；）变量名ALLFruitTure单变量B40.00%77.20%66.54%两变量Red-Blue56.40%81.50%73.36%三变量Red-Blue-H60.50%84.50%73.66%3.4Red、Blue、H这三个变量的分类结果3.4.1用SPSS软件进行对Red、Blue、H这三个变量进行一起输入变量进行的判别分析得到如下结果：四.判别模型的建立4.1根据SPSS输出结果建立模型4.2判别模型的验证4.3对后10幅图的数据进行模型的验证4.1根据SPSS输出结果建立模型4.1.1模型变量的选取：经过之前的数据处理后我们选择了Red、Blue、H这三个变量来做SPSS的一起输入变量的判别分析。4.1.2典型判别 函 关于工期滞后的函关于工程严重滞后的函关于工程进度滞后的回复函关于征求同志党风廉政意见的函关于征求廉洁自律情况的复函 数的建立：典型區別函數係數函數123Red.076.016.017Blue-.075.009-.022H.001.001.011（常數）-.565-3.025-1.176非標準化係數4.1.3各部分的分类函数的判别模型：分類函數係數标识1.002.003.004.005.006.007.00Red.086.200.342.045.074.019-.137Blue-.011-.133-.256.036.017-.013.244H.022.027.017.012.016.011.008（常數）-8.880-9.541-14.552-8.080-9.799-2.524-16.562費雪(Fisher)線性區別函數根据上表的数据我们列出图像中我们选取的各部分像素点的判别模型：4.2判别模型的验证4.2.1判别原理：下面我们就利用这些判别模型直接通过代入相同的像素点的Red、Blue、H的值分别得到7类的Y的评分值，然后比较7类的Y的评分值大小，确定获取Y值最高的类别，那么这个像素点就被判别为Y值最高那一类别的，其流程图如下：7类别的判别模型7类判别模型的Y值最大值的类别树枝、果萼、果实、树叶、果柄、天空、钢管或钢丝代入比较得到选取一个像素点这个像素点的Red、Blue、H值确定4.2.2模型的验证：我们选取一个果实的像素点的Red=198,Blue=126,H=21.67代入上述各类的判别函数分别得到各类的值：树枝Y1=7.23874果萼Y2=13.88609，果实Y3=21.27639树叶Y4=11.36804，果柄Y5=7.34172天空Y6=-0.16163，钢丝或钢管Y7=-12.77064。通过比较评分我们可以发现，此样本被判分为果实类，事实上此点也是果实上的一个像素点。4.3对后10幅图的数据进行模型的验证4.3.1后10幅图的各部分数据的验证：我们通过利用这7个分类判别函数对后10幅图的果实数据进行了判别分析的验证，随机选取的1124个果实的像素点，最后有1001个果实的像素点被正确分类为果实，另外还有其他类别被错判为果实像素点的个数有142个，所以得到的果实实际正确分类率有79.07%，其判别效果良好。4.3.2通过SPSS的领域图对果实进行判别分类:这种方法是通过利用之前建立的典型判别函数来进行的，将图像中选取的一个像素点的Red、Blue、H的值代入下面这个式子：其中得到的F1的值当作横坐标，F2的值当作纵坐标组成（F1，F2）这个点，在领域图里面观察这个点的位置，距离各类别的中心的距离的远近，然后就将这个点判别为距离较近中心的那一类别的点。五.分割图像的获取5.1将判别模型转化为Matlab代码5.2获取的分割图像5.1将判别模型转化为Matlab代码将建立的7类别的判别模型转化为Matlab程序1：然后通过程序2比较选取最大的输出值和果实的输出值进行比较，如果相等则将其标记为1，如果不相等则将其值记为0，则得到果实的黑白二值图像，然后通过程序3获得得到彩色的果实分割图像。5.2获取的分割图像利用程序4对分割出来的图像进行背景色的更改，通过程序5进行果实轮廓的提取，程序6是对果实的分割图像进行腐蚀滤波。利用程序6将果萼和果实的部分进行了融合。程序6：Out=imfill(Out,'holes');