基于机器视觉的棉花叶面蚜虫计_数算法研究毕业论文(编辑修改稿)

基于机器视觉的棉花叶面蚜虫计_数算法研究毕业论文(编辑修改稿)内容摘要：

图 第三章 蚜虫区域的提取 7 第三章 蚜虫区域的提取 蚜虫区域的提取是在保留蚜虫区域原始信息的条件下去除其他背景信息。 本章利用 Kmeans 聚类寻找阈值，然后采用阈值分割法将蚜虫区域和背景分离，在蚜虫区域提取的后处理中进行灰度化、腐蚀重建实现平滑处理、局部极大值滤波处理，以满足后续计数的需要。 HSV 颜色空间模型 HSV 模型空间可以用一个倒立的六棱锥来描述，如下图 31所示。 顶面是一个正六边形，沿 H 方向表示色相（色调）的变化，从 0176。 ～ 360176。 是可见光的全部色谱。 六边形的六个角分别代表红、黄、绿、青、蓝、品红 6个颜色的位置，每个颜色之间相隔 60176。 由中心向 六边形边界（ S 方向）表示颜色的饱和度 S 变化，S 的值由 0～ 1 变化，越接近六边形外框的颜色饱和度越高，外于六边形外框的颜色是饱和度最高的颜色，即 S=1。 处于六边形中心的颜色饱和度为 0，即 S=0。 六棱锥的高（也即中心轴）用 V 表示，它从下至上表示一条由黑到白的灰度， V的底端是黑色， V=0； V 的顶端是白色， V=1。 图 31 HSV 颜色模型 从 RGB 到 HSV 的转换及其实现 假设所有的颜色值都已经归一化到范围 [0,1]。 在 RGB 三个分量中，设定最大的为 MAX，最小的为 MIN。 RGB 到 HSV 的转换公式为： 石河子大学学士学位论文 8 H = S = V = MAX 计算结果中， H 的值范围为 0176。 ～ 360176。 ， S 和 V值范围为 0～ 1。 如果 MAX=MIN， H=没有色彩，是纯灰色。 如果 H0176。 ,则 H值得再加上 360176。 如果 MAX=0， S=0 就是没有色彩。 如果 V=0 则是纯黑色。 在 MATLAB 中 RGB 转为 HSV 的函数为 rgb2hsv(),其调用方式如下。 hsv=rgb2hsv(rgb)。 输入的 RGB 图像可以是 uint uint16 或 double 类型的。 输出图像 hsv 为 MＸ NＸ 3的 double 类型。 如图 32所示，将蚜虫区域图像（ a）转换为 HSV 模型并提取 H通道（ b） ,在图 32（ b）中，黑色小区域表示蚜虫区域。 （ a）蚜虫区域图像 （ b） HSV 的 H 通道 图 32 原图转换为 HSV 模型 图像分割概述 图像分割是一种重要的图像分析技术。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。 这些部分常称为目标或前景（其他部分称为背第三章 蚜虫区域的提取 9 景）。 它们一般对应图像中特定的、具有独特性质的区域。 为了辨识和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量，对图像进行利用。 图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。 近年来，研究人员不断 改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。 图像分割应用在许多方面，例如在汽车车型自动识别系统中，从 CCD 摄像头获取的图像中除了汽车之外还有许多其他的物体和背景，为了进一步提取汽车特征，辨识车型，图像分割是必须的。 因此其应用从小到检查癌细胞、精密零件表面缺陷检测，大到处理卫星拍摄的地形地貌照片等。 在所有这些应用领域中，最终结果很大程度上 依赖于图象分割的结果。 因此为了对物体进行特征的提取和识别，首先需要把待处理的物体 (目标 )从背景中划分出来，即图象分割。 但是，在一些复杂的问题中，例如金属材料内部结构特征的分割和识别，虽然图象分割方法已有上百种，但是现有的分割技术都不能得到令人满意的结果，原因在于计算机图象处理技术是对人类视觉的模拟，而人类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。 目前，人类对于视觉系统生物物理过程的认识还很肤浅，计算机图象处理系统要完全实现人类视觉系统，形成计算机视觉，还有一个很长的过程。 因此从原理、应用和应用 效果的评估上深入研究图象分割技术，对于提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意义。 基于聚类分析的图像分割方法 常采用的图像分割方法有 :阈值分割、边缘分割、区域分割等，而本文采用的是基于聚类分析的图像分割方法。 特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。 其中， K均值、模糊 C 均值聚类 (FCM)算法是最常用的聚类算法。 K 均值算法先选 K 个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。 迭代执行前面的步骤直到新旧类均值之差小于某一阈值。 模糊 C均值算法是在模糊数学基础上对 K均值算法的推广，是通过最优化 一个模糊目标函数实现聚类，它不像 K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。 利用模糊 C均值 (FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。 石河子大学学士学位论文 10 K 均值聚类分割算法的工作原理 Kmeans 算法的工作原理：算法首先随机从数据集中选取 K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。 计算新形成 的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。 本算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确。 若不正确，就要调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代。 如果在一次迭代算法中，所有的样本被正确分类，则不会有调整，聚类中心也不会有任何变化，这标志着已经收敛，因此算法结束。 Kmeans 聚类算法的一般步骤及处理流程 （ 1）从 n个数据对象任意选择 k个对象作为初始聚类中心； （ 2）循环（ 3）到（ 4）直到每个聚类不再发生变化为止； （ 3）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分； （ 4）重新计算每个（有变化）聚类的均值（中心对象） 算法的特点。 采用两阶段反复循环过程算法，结束的条件是不再有数据元素被重新分配：①指定聚类，即指定数据 到某一个聚类，使得它与这个聚类中心的距离比它到其它聚类中心的距离要近。 ②修改聚类中心。 优点：本算法确定的 K 个划分到达平方误差最小。 当聚类是密集的，且类与类之间区别明显时，效果较好。 对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKT)，其中 N 是数据对象的数目， T是迭代的次数。 一般来说， KN， TN。 kmeans 聚类阈值分割的后处理 灰度化处理 在利用灰度形态学腐蚀操作是在灰度级上对图像进行处理。 因此，将蚜虫图像从彩色图像转换为灰度图像。 灰度化处理是把含有亮度和色彩的彩色图像变成灰度图像的过程，一般分为 3 个步骤： (1)求得某点的 R、 G、 B三个分量； (2)求得该点的亮度值 Y； (3)写回新的 256 色位图时，令 R=G=B=Y。 第三章 蚜虫区域的提取 11 这样就可得到一个 256 级的灰度图像。 一般情况下灰度化可采用下面的公式： f(i,j)=++ (31) 式中， RGB 图像为 f(x,y)， f(i,j)为图像中的每一个像素点， R是 RGB 彩色图像中 (i,j)点的红色像素值， G是 RGB 彩色图像中 (i,j)点的绿色像素值， B 是RGB 彩色图像中 (i,j)点的蓝色像素值。 在 MATLAB 环境下利用函数 rgb2gray 对蚜虫图像进行灰度化处理。 调用语法为： gray=rgb2gray(rgb) (32) 式中 rgb 为原蚜虫彩色图像， gray 为灰度化处理后的蚜虫灰度图像。 如图 33所示，将蚜虫区域图像（ a）转换为灰度图 (b)。 （ a）蚜虫区域图像 （ b）灰度图 图 33 蚜虫区域图像转换为灰度图 形态学滤波 由于图像中干扰点块较小。 可以通过腐蚀膨胀法进行滤波处理。 腐蚀运算可以除去比结构元素小的黑团块。 在形态学的基本运算中，膨胀运算是腐蚀的姊妹算法。 为了补偿因腐蚀处理而损失的研究对象的面积．对腐蚀处理后的图像进行膨胀处理，膨胀处理的作用是尽量使处理对象保持原有形状、面积。 腐蚀和膨胀运算的次数闻处理对象的不同而相异，视试验效果而定。 （ 1）膨胀运算 A、 B为 Z中的集合， 为空集， A被 B 的膨胀，记为 A B， 为膨胀算子。 膨胀的定义为： 石河子大学学士学位论文 12 A = (33) 该式表明的膨胀过程是 B首先做关于原点的映射，然后平移 x，这里 A与 B映象的交集不为空。 A被 B的膨胀过程也就是 B 的位移与 A 至少有一个非零元素相交时， B的中心像素位置的集合。 （ 2）腐蚀运算 A、 B为 Z中的集合， A 被 B 腐蚀，记为 A B，其定义为： A B= (34) 即 A 被 B 腐蚀的结果为 x， A包含 B 被 x位移的结果。 （ 3）形。