果树主干及其支干的图像信息提取大学srt计划项目申请书(编辑修改稿)

果树主干及其支干的图像信息提取大学srt计划项目申请书(编辑修改稿)内容摘要：

提取，为机器人采摘果实的实时避障提供大量果树枝干信息 储备。 10 内容 ☆利用数码摄像机采集果树图像信息，通过开发相应的软件同时利用相关技 术对图像中果树主干及其枝干的图像信息进行提取，并重新绘制出果树枝 干的二维平面图像，为机器人能够正确辨认出强硬枝干提供大量信息，从 而自动避开枝干等障碍，实现机械手不受损伤。 ☆开发能够提取果树枝干信息的软件系统是我们的主要任务。 初步确定需要 经过颜色分割、 灰度阈值分割、 树枝区域提取、树枝骨架提取、骨架修剪、 遮挡树枝恢复等步骤，其中会运用到形态学方法、距离变换法、细线化法 ，最后集成调试， 得到所需软件。 拟解决的关键问题 ☆消除树叶、果实等对枝干的影响。 由于春夏之际树叶茂密，此时不利于枝 干的信息提取，因此选择在秋天对果树进行拍照处理，从而避开了树叶对 枝干的影响，使研究更加方便； ☆ 利用对 RGB 颜色系统的色差分量 2RGB 进行迭代自适应阈值分割法去除 图像天空、棕色土地等区域，并利用对 2GRB 进行迭代分割法去除图像 嫩树枝等区域，再采用灰度阈值分割法去除图像较亮和较暗区域，能快速 有效地分割出图像的树枝区域。 ☆在识别 树枝区域的过程中，树枝区域形状较复杂，利用 此区域来恢复树枝 的二维信息显然非常困难，如何简单有效的恢复树枝二维信息是我们课题 研究的一个难点。 ☆通过细线化处理得到的树枝骨架，虽然很好的保持了连接性，但当树枝区 域边缘不平滑时会产生“假分支”。 这些“假分支”将影响本研究后续处理， 11 需将其去除。 如何去除假分支则是我们研究中又一个难点。 ☆如何恢复被遮挡的树枝。 2. 拟采取的研究方法、技术路线、实验方案及可行性分析 研究方法 ☆首先选择在秋天利用数码相机拍摄果树图像，再在 VC++平台下运用所编写程序，对采集到的图像信息分别实 现果树主干及其支干的二维重构功能，并使其满足在机器人实际摘果过程中顺利地避开障碍物（果树树干及其支干）的匹配条件。 本研究以针对柑橘果树为例，但也可以通过适当调整应用到其他自然场景下的果树主干及其支杆（以下简称树枝）的二维重绘工作中。 技术路线及实验方案 颜色分割 ☆ 从采集的图像分析可知，由于秋天的季节性因素，排除了果树树叶和果实的影响，柑橘图像主要包含树枝、天空、土地等区域。 由于树枝区域颜色特征不明显，要想直接从图像中提取出树枝区域比较困难，但图像中天空的颜色特征却非常明显，为白色或蓝色等。 利用这一特点，本研究使用去除背景留下目标的方法提取树枝区域。 由于迭代法能自动快速准确地找到图像分割阈值，因此考虑使用迭代阈值分割法去除背景。 灰度阈值分割 ☆ 将真彩色图像转化为灰度图像，利用像素的颜色分量间的差异，对所得到的灰色图像进行灰度阈值分割。 BGRyxf 11 ),(  () 12  fayxf fayxf ),( ),( 背景 () 其中 R,G,B为图像 (x,y)像素点的颜色 分量， 为图像平均灰度 (即图像各像素点 的均值 )。 ☆经过以上分割处理后，可以提取大部分树枝区域，但由于自然场景下拍摄的图像受外界干扰较大，图像中阴影区域、随机噪声等仍无法完全去除。 可采用形态学处理和区域标记法将其除去。 提取树枝区域 ☆分割后的图像，经过二值化、形态学运算、区域标记及小区域去除、区域填充处理提取出图像树枝区域。 最终的树枝区域提取结果中，背景区域被完全去除，绝大部分障碍物 (树枝 )区域被提取出来。 如下图所示： 树枝特征提取 ☆我们可以从识别出的树枝区域看出，树枝区 域形状较复杂，利用此区域来恢复树枝的二维信息显然非常困难，为了准确快速地获取障碍物二维信息， 13 需要提取树枝区域特征，由于正常树枝形状投影在平面内为细长的方形，因此本研究使用相应的方形长条代表树枝，由几何知识可知，要想得到长方形在二维平面内的具体图像必须先提取出其长、宽及对称线的倾斜角度。 根据这一思想，本研究首先提取树枝区域骨架（即平面上长方形沿长方向的对称线），并检测骨架上的特征点 (端点、分支点等 )，然后利用特征点将骨架分段，将每段树枝看成一段长方形，恢复出每段长方形的二维信息，也就恢复出了每段树枝的二维信息。 树枝骨架提取 ☆为了对二值图像中各个图形分量 (对象物 )的形状进行分析，需要有各种能表示图形的特征，骨架就是其中之一。 骨架是对象物的核心部分，不同形 状的对象物就有不同的骨架。 一般来说，骨架具有三个主要特征：连续性、最小宽度为 1和中心对称性。 从 1967年 Blum等首先用中轴表示连续平面上图形以来，有许多骨架求解算法产生，可归纳为骨架子化算法和细化算法两种类型。 目前区域骨架的提取方法主要有形态学方法、距离变换法、细线化法等。 形态学方法 ☆形态学法是利用一个正方形的结构元素腐蚀待 处理区域，将各个腐蚀到空集之前的最后一次腐蚀的结果相加，即得骨架。 例如： )(AS 代表 A 的骨架，数字骨架可以从形态学的角度给定义，对于 ,2,1,0n „„，定义骨架子集)(ASn 为图像 A 内所有最大内切圆盘 nB 的圆心构成的集合，从骨架定义可知，骨架是所有骨架子集的并。 它可以表示为： )()( 0 ASAS nKn  (1) 14 式中的 )(ASn 称为骨架子集，可写成： ])[()()( BnBAnBAAS n  (2) 其中 B 为正方形结构元素， (1)式中的 K 代表将 A 腐蚀成空集前的最后一 次迭代次 数，即 })(|{  nBAnM A XK (3) ☆ 形态学骨架提取实例图如图 a 所示，由图可知，形态学提取法实际上是 将各个部分的骨架相加，这种方法不能保证骨架的连接性，当骨架区域宽 度发生突变或区域边缘的光滑时会造成对连续区域识别出的骨架不连续。 图 a 形态学骨架提取示例图 距离变换法 ☆ 距离变换法提取区域骨骼通过距离变换和骨骼化两步实现，该方法首先通 过距离变换得到距离图像，然 后比较图像中区域像素的距离值，将所有距 离值大于或等于邻域中最大距离值的像素的集合作为区域的骨骼。 ☆ 通过距离变换得到用距离值来表示的图像称为距离图像。 所谓距离变换是将二值图像中的 1像素变换为它和 0像素间的最短距离值。 两点 ( jif, 与 15 nmf, 错误 !未找到引用源。 )之间的四邻域距离值 4d 错误 !未找到引用源。 如式 (4)所示。 njmiffd nmji ),( ,4 (4) 获得距离图像需用两次扫描完成，第一次采用顺向扫描，设 jif, 错误 !未找到引用源。 为原图像像素值， 错误 !未找到引用源。 为第一次顺向扫描时的运算结果。 顺向扫描时，像素点的 4 个邻点中只有两个已完成距离运算，故只能进行以局部邻域为基础的距离运算。 错误 !未找到引用源。 的计算方法如式 (5)所示。     1)1(),1(m i n00,11,jijijijiji fSS fS (5) 顺向扫描时由于只考虑了局部邻域，因而右下部像素的距离值不是与 0像素的最短距离。 第 2 次采用逆向扫描进行运算，设 错误 !未找到引用源。 错误 !未找到引用源。 为第 2 次扫描前的像素值， 错误 !未找到引用源。 错误 !未找到引用源。 为第 2 次运算结果。 计算方法如式 (6)所示。 由于 错误 !未找到引用源。 错误 !未找到引用源。 是从左上部邻域中求得的局部最短距离值，再加入右下部局部邻域的运算， 最终完成距离变换，得到距离图像。      0),1(),1(m i n 00 ,1,1 , jijijiji jiji SSdd Sd (6) 距离图像中各像素距离值的大小直接反映了该像素离开对象物边缘的远近，因此，作为对象物核心部分的骨架提取，只要通过邻域比较找到距离值大的像素部分即可完成。 计算方法如下式：    其他0 ,m a x 1,1,1,1, jijijijijijiji。