二維水果形狀檢測(cè)與分類算法研究.pdf

1、在水果品質(zhì)檢測(cè)和分級(jí)中，形狀是一個(gè)非常重要的指標(biāo)，在國(guó)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(guò)對(duì)多種算法的對(duì)比分析，設(shè)計(jì)了具有統(tǒng)一架構(gòu)的水果形狀檢測(cè)算法；從數(shù)學(xué)角度提出了形狀的定義，并針對(duì)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(duì)形狀分類結(jié)果的影響；最后針對(duì)基于形狀描述的分類精度不是很高的情況，定義了新的測(cè)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?jī)?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(cè)的方法的難題。對(duì)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(shí)，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(shí)，選擇維納濾波才可以達(dá)到最好的恢復(fù)效果；而對(duì)于椒鹽噪聲類型圖像，選用中值濾波時(shí)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(dòng)模糊圖像，并用已知大小的標(biāo)準(zhǔn)球做實(shí)驗(yàn)，檢測(cè)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(cè)方法，解決了傳統(tǒng)的方法無(wú)論是檢測(cè)算子還是梯度向量流無(wú)法檢測(cè)表面含有豐富顏色特征的水果形狀的問(wèn)題。實(shí)驗(yàn)結(jié)果表明該方法具有一系列的優(yōu)點(diǎn)：無(wú)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(cè)表面含有豐富顏色特征的水果，非常適合水果形狀檢測(cè)。 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(hào)，從多分辨率分析角度來(lái)說(shuō)，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(duì)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(duì)解決形狀描述中旋轉(zhuǎn)不變性問(wèn)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(duì)稱性的小波基(如Morlet小波)和最近鄰法分類準(zhǔn)則時(shí)，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(duì)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(duì)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(shí)的分類性能。得出結(jié)論：無(wú)論用什么分類器，小波矩特征模式作為輸

6、入模式時(shí)，都能得到最好的分類結(jié)果；其次對(duì)小波矩特征模式而言，三個(gè)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(gè)聚類中心的聚類分析方法時(shí)，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(shí)，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(cè)度，該測(cè)度基于面積差水平集表示原理，將待