谷物图像的快速特征提取及分选算法的研究

论文摘要

随着人民生活水平的逐步提高,人们对食品质量的要求日益严格。农产品的加工质量、食用品质和商品价值也在农产品生产过程中越来越突现显著的地位,谷物分选机在我国谷物加工业中的应用也越来越普及。传统的谷物分选机采用硅光电池作为光电探测器,只能通过光线的明暗对谷物颗粒进行识别,局限性很大。为了对谷物分选机进行改进,本文提出一种利用数字图像处理技术和模式识别技术对谷物图像进行处理与识别的方法,利用这种方法替代硅电池的光电流判别法,可以扩充谷物分选机的应用范围,提高分选质量,提高谷物分选机的应用适用性。本论文中以VC++为平台设计数字图像处理系统,运用数字图像处理的方法对采集到的谷物图像进行彩色图像灰度化、中值滤波降噪、灰度拉伸、阈值分割求取二值图像、连通区域标记去除伪区域、八邻域法轮廓提取、最小外接矩形等图像处理操作。通过对谷物图像的数字图像处理操作,成功地提取了谷物图像的灰度、面积、长径、短径等特征值,并计算出谷物的长宽比特征值。针对提取出来的谷物特征值,运用统计模式识别的方法,对谷物特征值进行分析,并求出特征值的阈值区间。针对不同的谷物,可以选取适合的特征值,通过判断该特征值是否在阈值区间内来实现对谷物的识别,达到去除谷物中杂质和异物的目的。在本文的最后,探讨了此方法应用到实际生产中可能会遇到的问题,并对可能会遇到的一些问题提出了处理方法。另外,指出了本论文中的不足之处以及今后继续研究改进的方向。

论文目录

• 摘要
• ABSTRACT
• 1 前言
• 1.1 本课题研究背景
• 1.1.1 计算机在农业中的应用
• 1.1.2 计算机视觉在农业中的应用
• 1.1.3 谷物分选机的应用现状及发展趋势
• 1.2 本课题的研究内容、目的及意义
• 1.2.1 课题研究的主要内容
• 1.2.2 本课题的研究目的
• 1.2.3 本课题的研究意义
• 1.3 论文结构
• 2 理论基础
• 2.1 谷物分选机的结构
• 2.1.1 供料系统
• 2.1.2 光电系统
• 2.1.3 分选系统
• 2.1.4 电控系统
• 2.1.5 谷物分选机的工作原理
• 2.2 计算机视觉
• 2.2.1 计算机视觉与计算机视觉系统
• 2.2.2 计算机视觉的发展与应用
• 2.3 数字图像处理
• 2.3.1 图像与数字图像
• 2.3.2 图像处理与数字图像处理
• 2.3.3 数字图像处理的发展与应用
• 2.3.4 数字图像处理的主要研究内容
• 2.3.5 数字图像的描述
• 2.3.6 数字图像的文件格式
• 2.4 模式识别
• 2.4.1 模式识别与计算机模式识别系统的组成
• 2.4.2 模式识别的方法
• 2.4.3 模式识别的应用
• 3 软件设计与特征值提取
• 3.1 软件的设计环境和要求
• 3.1.1 硬件系统
• 3.1.2 软件系统
• 3.2 软件设计
• 3.2.1 图像的获取
• 3.2.2 彩色图像转化为灰度图像
• 3.2.3 中值滤波降噪
• 3.2.4 灰度拉伸
• 3.2.5 灰度图像二值化
• 3.2.6 连通区域标记去除伪区域
• 3.2.7 谷物图像的轮廓提取
• 3.2.8 最小外接矩形
• 3.3 特征值提取
• 3.3.1 形状特征
• 3.3.2 灰度特征
• 4 数据分析与谷物分选
• 4.1 谷物识别方法分析
• 4.1.1 贝叶斯决策
• 4.1.2 贝叶斯决策法的应用分析
• 4.1.3 正态分布的概率分析
• 4.1.4 特征数据的分析与处理流程
• 4.2 特征数据分析
• 4.2.1 面积特征值分析
• 4.2.2 长径、短径及长宽比特征值分析
• 4.2.3 形状特征值分析小结
• 4.2.4 灰度特征值分析
• 4.3 谷物分选
• 4.3.1 谷物分选算法
• 4.3.2 谷物分选算法的实际应用
• 5 结论
• 6 展望
• 6.1 课题研究中的不足
• 6.2 实际应用中可能会遇到的问题
• 6.3 展望
• 7 参考文献
• 8 论文发表情况
• 9 致谢