ubuntu及omap3530的马铃薯图像特征提取-软件开发(附件)
近年来,图像处理技术发展迅速，而特征提取技术作为图像处理中的一大热门技术，已成为图像处理、计算机视觉等领域中众多学者研究的热点,并且在科学研究、生产生活、医疗卫生、交通管理等领域中都有广泛应用。
本文以马铃薯为研究对象，结合颜色空间对马铃薯比较常见的绿皮，损伤特征进行提取。在进行绿皮马铃薯检测时，通过欧式算法来计算马铃薯绿皮区域上点与RGB色彩空间中任一点的距离并将结果与阈值比较，并得出结果；在进行损伤马铃薯检测时，结合HIS空间中I的变化，利用Bwlabel函数标记马铃薯表面连通损伤区域，并计算其面积大小，求出面积最大的损伤区域并与阈值进行比较，得出结果。
基于两种色彩空间进行的绿皮，损伤判定，由于算法较为简单，减少了计算量，而且判定较为全面，面对马铃薯不同形状，空间位置不同时仍有很好的效果，并且具有一定的抗噪性，但是当光照变化下会出现一定的误差。
关键字 色彩空间，欧式距离，Bwlabel函数，特征提取
目 录
1 绪论 1
1.1 特征提取技术的国外研究现状 1
1.2 特征提取技术的国内发展状况 2
1.3 特征提取技术存在的难点 2
1.4 常用方法简介 2
1.4.1 基于颜色特征提取 2
1.4.2 基于纹理特征提取 3
1.4.3 基于图像变换系数特征提取 3
1.4.4 基于形状特征提取 3
1.5 本文的研究方法及全文的结构安排 3
2 图像预处理 4
2.1 灰度化 4
2.1.1 普通灰度化 4
2.1.2 B通道灰度化 5
2.2 图像分割 5
2.2.1 阈值分割法 5 *好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
/> 2.2.2 边缘检测法 5
2.2.3 区域生长法 6
2.2.4 活动轮廓法 6
3 特征提取方法 6
3.1 图像的特征 6
3.2 基于颜色或灰度的特征提取 7
3.2.1 灰度特征 7
3.2.2 颜色特征 7
3.3 纹理特征提取 7
3.4 图像变换系数特征提取 8
3.5 形特征状提取 9
3.6 图像特征提取方法比较 9
4 基于RGB色彩空间和欧式距离算法的方法 10
4.1 RGB色彩空间 11
4.2 图像特征的选取 11
4.3 基于欧氏距离对绿皮马铃薯特征提取 11
4.3.1 欧氏距离的马铃薯检测算法原理 12
4.3.2 欧氏距离检测流程图 12
5.1 HSI彩色空间 12
5.2 Bwlabel函数介绍 13
5.3 基于HIS颜色空间和Bwlabel函数的损伤特征提取步骤 14
5.4 实验结果与分析 14
6 Ubuntu的安装及硬件实现基础 16
6.1 ubuntu的安装 16
6.1.1 VMware软件的安装 17
6.1.2 ubuntu的安装 18
6.2 ubuntu的调试 21
6.3 本章小结 22
结 论 23
致 谢 24
参考文献 25
1 绪论
伴随着经济的飞速发展，资源匮乏的问题也日渐暴露出来，人们开始寻找可食用并且可以广泛种植的作物来缓解人口急剧上涨带来的压力。马铃薯，位于玉米和小麦之后，成为了全球第三大重要的粮食作物。自其17世纪由荷兰传入我国开始，至今有四百多年的栽培历史。现如今，中国已成为马铃薯最大生产国。据报道，中国将于2015年开始启动马铃薯战略，其旨于将马铃薯推动成为继面粉，馒头后又一大主食[1]。马铃薯在我们生活中扮演着越来越重要的地位，因而对于马铃薯的学术性研究也越来越多，但由于起步较晚，存在着缺少优良品种、种植技术推广不足、加工与销售技术落后等问题，造成我国马铃薯产业发展并不如人意，马铃薯产业并没有计划中那样得到推广，现在，仅仅以数量上的优势已经无法在国际市场竞争中占据主动。我们此刻该做的应该是大力发展我国马铃薯深加工产业以及快速选取优良可食用马铃薯技术，那么问题就来了，如何快速有效的找到辨别马铃薯的好坏的关键点？如何快速对马铃薯进行品质上的划分？
1.1 特征提取技术的国外研究现状
在信息飞速产生与交流的今天，信息的种类千变万化，图像的存在则可以帮助我们快速获得信息。图像一方面是直观性很强的重要信息表示方式，另一方面也是处理与了解的信息，并且由于图像的其直观性与快捷性导致很难用被其他形式代替。因此，图像的处理技术在科学研究、生产生活、医疗卫生、交通管理等领域中都有普遍应用。
在国外，上世纪，Kanada等人提出了用目标图像各个区域灰度分布不同的差别作为特征的特征提取方法，但是该方法仅仅利用灰度的差别来进行特征提取，由于其对于光照的变化的强弱特别敏感，因此其系统的健壮性受到较大限制。1987年，Kass等人提出了一种能量极小化模型，在进行特征定位时，先将该模型设定在待测点空间位置附近，通过迭代的方法使能量函数最小化，当内外能量得到均衡时即可获取到待测点的边界性质与特征[2]。在1992，Yuille等人提出了一种利用能量函数来评价匹配程度的特征提取技术，此方法也是根据外形特征的直观感觉来设定参数。首先通过图像的边缘、峰谷值来设定合适的能量函数，让设定的参数向能量函数递减的方向靠拢，当能量函数的值达到最小时，所设定的参数即被提取的特征。1995年，Cootes等人提出了主动形状模型，这是一种基于统计的可变化模型，把相类似的目标图像进行统计并且建模，建立起能体现目标形状变化的形状统计模型和体现目标灰度值变化的局部纹理轮廓模型[3-4]。
1.2 特征提取技术的国内发展状况
在国内，对图像特征提取和分类的研究也随之得到了相应的发展，处理技术也日渐成熟。2004年，范立南，徐心和等提出基于不变矩特征的图像识别模型，利用不变矩方法提取出图像的矢量特征，有效的检测出平移、旋转图像；2006 年，吴楠，李晓曦等提出将图像挖掘技术应用于图像分类，2007年，吴霜，张一飞等在此基础上提出了一种基于兴趣点的特征提取算法并使用向量机进行分类；2009年，高立群等结合了 Canny 算子与 Contourlet 变换，并将其用来提取医学图像的边缘形状与纹理特征，证明了其有效性等[5]；2010 年，周涛，蒋芸等充分利用小波变换的多尺度性，利用图像进行平移后和尺度伸缩的信息改变，提出了一种基于小波的图像分类方式；雷赟，龚葵花等提出了结合线性矩和小波变换的特征提取方法，使用小波矩来构造具有旋转不变性和矩的稳定性的特征；2011 年，高峰等使用仿射几何的放射不变性提取出稳健性好的仿射不变特性的矢量，其在计算速度和分类精度上都得到比较满意的效果[6]。
2.1 灰度化
由于工业摄像机采集的图像是彩色图像，其中每一个彩色像素点都由红(R)、绿(G)、蓝(B)三个分量组成，每个分量有256种取值，若直接进行处理，信息计算量大。所以将彩色图像转化为灰度图像减少信息量，提取有用信息。
2.1.1 普通灰度化
普通灰度化，在国际规定上有统一的转换方法，通用的转换方程为：
对图像进行各种数学变换如傅里叶变换、小波变换等，变换的系数也可以作为目标图像的一种可识别提取特征。但是通常情况下用于图像判别的特征并非所有的数学变换中的系数，而是从进行的所有的系数中提取最强的最具有表示能力的一部分系数，当然也可以是各种函数的组合，如主成份提取、小波提取等。因此变换系数特征通常情况下表达能力较强、特征维数较低，然而特征的语义不明显，首先需要对分类判别的图像进行一种或多种变换[13]。1984年，法国物理学家Morlet提出了小波分析，也是我们现在用到最为广泛的，后经众多学者的研究和改善，现如今成为了功能较为全面的变换系数特征。
1 绪论 1
1.1 特征提取技术的国外研究现状 1
1.2 特征提取技术的国内发展状况 2
1.3 特征提取技术存在的难点 2
1.4 常用方法简介 2
1.4.1 基于颜色特征提取 2
1.4.2 基于纹理特征提取 3
1.4.3 基于图像变换系数特征提取 3
1.4.4 基于形状特征提取 3
1.5 本文的研究方法及全文的结构安排 3
2 图像预处理 4
2.1 灰度化 4
2.1.1 普通灰度化 4
2.1.2 B通道灰度化 5
2.2 图像分割 5
2.2.1 阈值分割法 5
/> 2.2.2 边缘检测法 5
2.2.3 区域生长法 6
2.2.4 活动轮廓法 6
3 特征提取方法 6
3.1 图像的特征 6
3.2 基于颜色或灰度的特征提取 7
3.2.1 灰度特征 7
3.2.2 颜色特征 7
3.3 纹理特征提取 7
3.4 图像变换系数特征提取 8
3.5 形特征状提取 9
3.6 图像特征提取方法比较 9
4 基于RGB色彩空间和欧式距离算法的方法 10
4.1 RGB色彩空间 11
4.2 图像特征的选取 11
4.3 基于欧氏距离对绿皮马铃薯特征提取 11
4.3.1 欧氏距离的马铃薯检测算法原理 12
4.3.2 欧氏距离检测流程图 12
5.1 HSI彩色空间 12
5.2 Bwlabel函数介绍 13
5.3 基于HIS颜色空间和Bwlabel函数的损伤特征提取步骤 14
5.4 实验结果与分析 14
6 Ubuntu的安装及硬件实现基础 16
6.1 ubuntu的安装 16
6.1.1 VMware软件的安装 17
6.1.2 ubuntu的安装 18
6.2 ubuntu的调试 21
6.3 本章小结 22
结 论 23
致 谢 24
参考文献 25
1 绪论
伴随着经济的飞速发展，资源匮乏的问题也日渐暴露出来，人们开始寻找可食用并且可以广泛种植的作物来缓解人口急剧上涨带来的压力。马铃薯，位于玉米和小麦之后，成为了全球第三大重要的粮食作物。自其17世纪由荷兰传入我国开始，至今有四百多年的栽培历史。现如今，中国已成为马铃薯最大生产国。据报道，中国将于2015年开始启动马铃薯战略，其旨于将马铃薯推动成为继面粉，馒头后又一大主食[1]。马铃薯在我们生活中扮演着越来越重要的地位，因而对于马铃薯的学术性研究也越来越多，但由于起步较晚，存在着缺少优良品种、种植技术推广不足、加工与销售技术落后等问题，造成我国马铃薯产业发展并不如人意，马铃薯产业并没有计划中那样得到推广，现在，仅仅以数量上的优势已经无法在国际市场竞争中占据主动。我们此刻该做的应该是大力发展我国马铃薯深加工产业以及快速选取优良可食用马铃薯技术，那么问题就来了，如何快速有效的找到辨别马铃薯的好坏的关键点？如何快速对马铃薯进行品质上的划分？
1.1 特征提取技术的国外研究现状
在信息飞速产生与交流的今天，信息的种类千变万化，图像的存在则可以帮助我们快速获得信息。图像一方面是直观性很强的重要信息表示方式，另一方面也是处理与了解的信息，并且由于图像的其直观性与快捷性导致很难用被其他形式代替。因此，图像的处理技术在科学研究、生产生活、医疗卫生、交通管理等领域中都有普遍应用。
在国外，上世纪，Kanada等人提出了用目标图像各个区域灰度分布不同的差别作为特征的特征提取方法，但是该方法仅仅利用灰度的差别来进行特征提取，由于其对于光照的变化的强弱特别敏感，因此其系统的健壮性受到较大限制。1987年，Kass等人提出了一种能量极小化模型，在进行特征定位时，先将该模型设定在待测点空间位置附近，通过迭代的方法使能量函数最小化，当内外能量得到均衡时即可获取到待测点的边界性质与特征[2]。在1992，Yuille等人提出了一种利用能量函数来评价匹配程度的特征提取技术，此方法也是根据外形特征的直观感觉来设定参数。首先通过图像的边缘、峰谷值来设定合适的能量函数，让设定的参数向能量函数递减的方向靠拢，当能量函数的值达到最小时，所设定的参数即被提取的特征。1995年，Cootes等人提出了主动形状模型，这是一种基于统计的可变化模型，把相类似的目标图像进行统计并且建模，建立起能体现目标形状变化的形状统计模型和体现目标灰度值变化的局部纹理轮廓模型[3-4]。
1.2 特征提取技术的国内发展状况
在国内，对图像特征提取和分类的研究也随之得到了相应的发展，处理技术也日渐成熟。2004年，范立南，徐心和等提出基于不变矩特征的图像识别模型，利用不变矩方法提取出图像的矢量特征，有效的检测出平移、旋转图像；2006 年，吴楠，李晓曦等提出将图像挖掘技术应用于图像分类，2007年，吴霜，张一飞等在此基础上提出了一种基于兴趣点的特征提取算法并使用向量机进行分类；2009年，高立群等结合了 Canny 算子与 Contourlet 变换，并将其用来提取医学图像的边缘形状与纹理特征，证明了其有效性等[5]；2010 年，周涛，蒋芸等充分利用小波变换的多尺度性，利用图像进行平移后和尺度伸缩的信息改变，提出了一种基于小波的图像分类方式；雷赟，龚葵花等提出了结合线性矩和小波变换的特征提取方法，使用小波矩来构造具有旋转不变性和矩的稳定性的特征；2011 年，高峰等使用仿射几何的放射不变性提取出稳健性好的仿射不变特性的矢量，其在计算速度和分类精度上都得到比较满意的效果[6]。
2.1 灰度化
由于工业摄像机采集的图像是彩色图像，其中每一个彩色像素点都由红(R)、绿(G)、蓝(B)三个分量组成，每个分量有256种取值，若直接进行处理，信息计算量大。所以将彩色图像转化为灰度图像减少信息量，提取有用信息。
2.1.1 普通灰度化
普通灰度化，在国际规定上有统一的转换方法，通用的转换方程为：
对图像进行各种数学变换如傅里叶变换、小波变换等，变换的系数也可以作为目标图像的一种可识别提取特征。但是通常情况下用于图像判别的特征并非所有的数学变换中的系数，而是从进行的所有的系数中提取最强的最具有表示能力的一部分系数，当然也可以是各种函数的组合，如主成份提取、小波提取等。因此变换系数特征通常情况下表达能力较强、特征维数较低，然而特征的语义不明显，首先需要对分类判别的图像进行一种或多种变换[13]。1984年，法国物理学家Morlet提出了小波分析，也是我们现在用到最为广泛的，后经众多学者的研究和改善，现如今成为了功能较为全面的变换系数特征。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2037.html
