综述自动采集图像处理技术的最新进展外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

综述自动采集图像处理技术的最新进展

摘要：图像处理已被证明是在人类的各种活动领域（即农业应用）中进行分析的有效工具。由于不利的天气条件，亮度变化以及存在灰尘，昆虫和其他不可避免的图像噪音，因此解译野外环境中采集的果园的数字彩色图像极具挑战性。本次调查的目的是对农业运营中水果图像计算机分析的研究进行分类和简要回顾，其中包括近10年来发表的60多篇论文。为了进行农业成像应用研究，本文旨在关注在过去十年中开发的应用于水果检测和分类应用的先进图像处理和分析技术。对于所评估的技术，重点分析了各种实验中获得的一些性能评估指标，以帮助研究人员在果实图像中进行选择并开发新的计算机视觉应用。

关键词：计算机视觉; 分割技术; 水果表征; 分类方法; 精准农业; 机器学习; 模式识别

一 绪论

先进的计算方法已广泛用于农业应用，例如彩色水果图像的位置，用来帮助农场主从事农场常规任务；使用自动化收割、喷洒和计数的智能技术来获得更高的精度、效率、生产力和低成本；通过农业产品的不同类别或品种的自动识别和表征，实现智能自动收获目的的水果分级和分拣系统、水果和植物叶子疾病检测和茎位置系统。这些都是自动化系统的一些例子，这些自动化系统正在帮助农民进行日常工作。目前提出的大多数自动检测和分类系统主要是为智能水果收割而开发的, 但可以很容易地为其他应用量身定做, 如分级、分拣和计数水果、植物叶病害检测、品种鉴定、品质表征、作物产量预测、彩图建设、害虫危害、喷雾还原、田间检测、产量监测、果茎性状鉴定和精确定位。

图像处理被视为一种计算方法, 其特点是用于处理从卫星或飞机传感器接收的原始图像,包括使用摄像头或智能手机拍摄的图片。相对于通过电信号（如电视图像）改变图像的类比图像处理, 术语 “数字图像处理”通常指使用数字计算机算法处理二维图像。在数学上, 灰度图像可以用尺寸 M x N 的矩阵表示, 矩阵的每个元素都由函数 f （x、y） 定义, 该值是图像在整数坐标位置上的振幅 （即亮度或灰度）（x, y）, 称为像素。

通常情况下, 在各类文献中对水果的检测和分类进行计算机分析,主要分为三个领域:

1. 图像预处理技术;
2. 水果和叶子物体图像分割算法;

3) 图像分析，旨在解决特定的任务或应用, 通常用于检测植物叶片中的果实位置、植株叶或任何种类的异常或测量外观特征, 如颜色、形状、大小、新鲜度和无视觉缺陷。

下面是整个过程的详细流程: 图像预处理（包括增强、颜色模型转换）；图像分割（包括水果和植物叶片）；图像分析（包括水果外观测量、水果和植物叶片检测等相关应用）。在接下来的章节中, 回顾了应用于自动水果收割的最新的二维视觉系统, 图像预处理, 分割和分析技术。

二 图像预处理

其中，图像预处理解决了包括噪声滤波、伪彩色、锐化、对比度和边缘增强、对比度拉伸、缩放（即放大，缩小和旋转）、形态逻辑操作、增强滤波、颜色模型转换和直方图修改等各种技术。下面对其中一些预处理步骤作简要讨论。

（一）增强图像

增强技术应用的主要目标是强调某些图像特征以供日后分析。图像增强的过程不会增图像中的信息内容,。而只是强调某些特定特性。

在大多数情况下, 水果的数字彩色图像在自然环境中获得过程中，通常是一个传统的数码相机捕捉图像。因此, 捕捉到的图像缺少对比度和亮度, 主要是由于光照条件的缘故, 由于图像是从田野中捕获的, 因此捕获的图像会有一些如昆虫分泌物和灰尘等不可避免的噪音。

图像处理中噪声去除的经典解决方案是在原始图像上应用直方图均衡和滤波技术。图像的背景去除是农业应用中经常使用的增强图像的优化显示技术, 主要用于后续的图像分析操作。图1给出了一个背景去除技术应用的示例, 该方法是利用叶检测算法（FDA）来检测葡萄园彩色图像中的叶子。

研究人员已经提出了各种预处理方法, 如阈值技术、噪声滤波和杂波增强技术。

(a)FDA算法 (b)特征图像 (c)检测后叶子图像

图1 FDA检测葡萄叶子

（标注：图表版权来自于Carlos S.Pereira.Recent Advances in Image Processing Techniques for Automated Harvesting Purposes: A Review[J].Intelligent Systems Conference 2017 7-8 September 2017 ）

（二）颜色模型转换

颜色模型转换对色彩水果图像的分析起着重要作用。从普通数码相机获取的图片是由非均匀性RGB（R-红色，G-绿色和B-蓝色分量）颜色模型表示的彩色图像。 有不同的颜色模型：L * a * b（亮度，从绿色到红色，从蓝色到黄色），HSV（色调，饱和度和值），HSI（色调，饱和度和强度），HSL（色调， 饱和度和亮度），YCbCr（亮度，蓝差和红差）等。

在农业应用中，颜色模型转换通常应用于两个不同图像的预处理阶段：首先，作为增强算法，旨在分割图像中的对象; 其次，更频繁地提取特征以便后期对图像中的感兴趣区域（ROI）进行检测。

Bashish，Braik和Bani-Ahmad给出一个使用k-means聚类方法检测感染早期焦枯病的叶片ROI的例子, 如图2所示。

（a）被感染叶子图像 （b）检测后叶子图像

图2 k-means聚类方法检测感染早期焦枯病的叶片

（标注：图片版权来自于Carlos S.Pereira.Recent Advances in Image Processing Techniques for Automated Harvesting Purposes: A Review[J].Intelligent Systems Conference 2017 7-8 September 2017 ）

三 图像分割

图像分割是一种图像处理技术, 它将图像划分为其各个构成部分, 作为一种将ROI从非有趣背景区域中分离出来的方法。

可以使用低级图像处理技术进行分割, 包括: 基于阈值、边缘和区域的分割, 以及使用统计分类器、人工神经网络、形态学、纹理特征和模糊逻辑分类器处理图像的识别和解释的高级处理。图3显示了使用前文所提的一些分割方法在水果检测算法中的应用。

图3水果检测算法的结果

（标注：图表版权来自于Carlos S.Pereira.Recent Advances in Image Processing Techniques for Automated Harvesting Purposes: A Review[J].Intelligent Systems Conference 2017 7-8 September 2017 ）

（一）水果的检测利用

图像分割技术对果树果实进行自动定位是检测和分类的首要要求。图4显示了使用色相、饱和度和亮度的视觉提示检测红苹果。在一种新的评价方法来表征两种不同柑桔果实的品质, 使用阈值技术对输入图像进行分割, 以确定区域是否有缺陷。从直方图的形状判断有缺陷的水果聚集和分割使用HSV的颜色空间。利用3D颜色共生矩阵从分段缺陷部分提取纹理特征，创建了80个橙子的图像数据库,水果的前10个样本分分别被视为属于 I 和 II 类的适度和高缺陷水果，该方法法达到了93%的精度。

（a）RGB图像 （b）红苹果检测

图4 使用色相、饱和度和亮度的红苹果检测

（标注：图片版权来自于Carlos S.Pereira.Recent Advances in Image Processing Techniques for Automated Harvesting Purposes: A Review[J].Intelligent Systems Conference 2017 7-8 September 2017 ）

Stajnko，Rakun和Blanke描述了一种新的计算机化的基于视觉的模型，用于估计果园自然气候条件下树上苹果果实的直径和数量。捕获了四十岁的金冠和乔纳戈尔德苹果树的二十张数字图像。 使用两种平行方法进行分割过程：第一种使用颜色属性分割图像，第二种使用纹理属性。检测算法错过或错误分类每棵树只有1到3个苹果果实，从而果实检测准确，识别率为89%，总体错误率为2.2%。 算法的每一步测量的处理时间超过10个随机选择的图像，分辨率为2288times;1712像素，对于颜色分割，纹理分割，形状分析获得10、117.6、18.6和10.5秒的平均结果。

Zhou等人提出了一种新的基于颜色特征的苹果果实识别算法来估计果实数量和预测苹果产量。在波恩大学校园的六月和成熟期间，拍摄了五十张九岁的lsquo;Galarsquo;苹果树的数字图像。图像处理算法主要包括苹果果实与背景的区分。作者的结论是，图像中的大多数苹果果实可以在阈值色差RB为40时从背景中分割。因此，如果（RB）lt;40，则该像素的RGB色彩值被设置为零，相当于黑色; 否则该像素的原始RGB颜色值保留。通过果实计数算法评估的每棵树的果实数量和在两个时期计数的手动果实与R2值为0.80和0.85相关。实际和预测的苹果产量也与R2 = 0.71密切相关。

Ying等人分类了中国黄骅梨茎的形状和状况。为此，图像处理方案开始于使用扫描整个梨图像的7times;7平方模板检测茎存在的算法。后来，由于存在各种茎（破裂，分枝，好和短以及好和长茎），应用了确定它们茎完整性的算法。接下来，识别黄花梨的轮廓，并提取边界像素的前16个离散傅里叶变换系数。从傅里叶描述符导出的形状特征用于梨分类。在实验中，共分析了53个样品图像。对于24幅图像的数据集所获得的结果对于将破损的茎（有或无茎头）分类是100％准确的，并且对于29幅图像的数据集为93％来对良好的茎类进行分类。通过将傅立叶描述符与反向传播前馈人工神经网络结合使用，也可以实现90％的分类精度。对于作者而言，隐藏层中的更多节点显然会导致更长的计算时间。

Chamelat等人已经实现了室外图像中葡萄检测的新方法。所提出的方法在于通过使用Zernike矩来确定图像的一个块是否包含葡萄。块的大小已被设置为6和10像素。这些时刻在翻译，比例和旋转方面产生了不变性。为了区分具有相同形状的物体，将Zernike矩应用于彩色图像，使用灰度图像并添加RGB颜色分量的平均值。在这项研究中，已经计算了第10次和第11次的Zernike矩代表了考虑所有分量的72个描述符。对于两类分类目的，应用了基于支持向量机（SVM）的分类器。为了测试该算法，作者使用仅由18个室外图像组成的图像数据库。实验结果表明，支持向量机在识别图像中的葡萄时误差小于0.5％。该算法在2.8GHz奔腾4处理器上进行了测试。17个图像的大小为16times;16像素的块的学习步骤的计算时间花费5分钟，并且在识别步骤中识别每个相同大小的块的时间少于1秒。

Reis等人已经开发出一种检测和定位葡萄牙杜罗边界区葡萄园彩色图像的系统。提出的葡萄识别系统首次通过原始（夜间捕获）图像来区分葡萄（红色或白色）的类型。然后，在图像上应用颜色映射和形态膨胀方法来检测由黑色区域表示的束。基于检测到的每个黑色区域的中心周围的像素分布和密度，计算束定向以确定相应的束干位置。从含有一串白葡萄的190幅图像和35幅红葡萄图像的数据集中，拟议的视觉检测系统能够自动区分白葡萄和红葡萄，并且已经实现了97％和91％的正确分类，红葡萄和白葡萄。葡萄检测系统的运行时间用几种图像分辨率进行测试，作者得出的结论是，对于130万像素的分辨率，系统能够产生相同的结果，其中0.08和1.0秒的10兆像素分辨率红葡萄，白葡萄分别为0.16和1.5秒，这使得该系统适合在现场任务中进行实时处理。

表二 果树图像分割方法

（标注：图表版权来自于Carlos S.Pereira. Recent Advances in Image Processing Techniques for Automated Harvesting Purposes: A Review[J].Intelligent Systems Conference 2017 7-8 September 2017 ）

（二）检测植物叶子

叶子在树上的位置对于外观测量，品种分类和疾病检测也是极其重要的。

Lu等人提出了活体植物叶面积的测量方法。使用了以下一组图像处理技术。首先，使用失真图像和校正图像之间的两种映射函数进行几何失真校正。然后，进行图像分割以获取叶子区域。接下来，提取叶子对象轮廓并填充该区域。最后，通过像素统计计算叶面积。为了评估所提出的方法，作者通过手动方法测量了一些活叶片，使用方栅格米作为基础事实。实验结果表明，该方法能准确测量叶面积。

Sannakki等人提出了一种图像处理方法来解决疾病识别及其分级。该系统识别石榴植物的各种疾病并确定疾病的发展阶段。首先，图像处理模块增强捕捉的图像。然后，进行图像分割以获得疾病点。之后，从先前分割的疾病斑点中提取形状、颜色和纹理特征。所选特征被用作识别和分级疾病的适当分类器的输入。

Yanne，Zhang和Li提出了一种通过叶图像处理的葡萄品种鉴定方法。鉴定方法分四步进行：1）收集典型的成熟葡萄样本叶片; 2）将叶子扫描成数字图像文件; 3）根据叶片的大小和周长以及胡的7个不变量选择一组特征;和4）根据样本文件中计算的特征，以MatLabTM语言构

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23998]，资料为PDF文档或Word文档，PDF文档可免费转换为Word