学位论文 > 优秀研究生学位论文题录展示

二维水果形状检测与分类算法研究

作　者: 桂江生
导　师: 应义斌
学　校: 浙江大学
专　业: 农业机械化工程
关键词: 机器视觉水果分级形状检测形状分类水平集形状描述
分类号: S226.5
类　型: 博士论文
年　份: 2007年
下　载: 566次
引　用: 3次
阅　读: 论文下载

内容摘要

在水果品质检测和分级中，形状是一个非常重要的指标，在国家标准中有严格的规定。本文在大量实验研究的基础上，通过对多种算法的对比分析，设计了具有统一架构的水果形状检测算法；从数学角度提出了形状的定义，并针对正常果形、轻度畸形、严重畸形三种类别研究了不同的形状描述方法；讨论了常用的分类器对形状分类结果的影响；最后针对基于形状描述的分类精度不是很高的情况，定义了新的测度并建立了基于配准技术的形状分类框架，达到了预期的研究目标。主要研究内容和研究结果如下：1．解决了如何从众多的去噪方法中选择适合水果形状检测的方法的难题。对于高斯噪声和随机噪声类型图像，在原始图像信噪比大于8时，选择全变差(Total Variation，TV)方法恢复可以达到最好效果；信噪比小于8时，选择维纳滤波才可以达到最好的恢复效果；而对于椒盐噪声类型图像，选用中值滤波时恢复效果最好。2．提出了运用矩阵广义逆和奇异值分解的方法恢复运动模糊图像，并用已知大小的标准球做实验，检测恢复后图像中球的大小，实验结果表明，提出的方法恢复后的图像质量要高于传统的盲去卷积等方法，速度要比差分递推法快6倍，比投影迭代方法快60倍。3．提出了多尺度水平集形状检测方法，解决了传统的方法无论是检测算子还是梯度向量流无法检测表面含有丰富颜色特征的水果形状的问题。实验结果表明该方法具有一系列的优点：无需任何形状预处理操作；具有一定的光照适应性；能够平滑地检测表面含有丰富颜色特征的水果，非常适合水果形状检测。4．提出了多尺度能量分布形状描述方法，将形状轮廓序列看作一周期信号，从多分辨率分析角度来说，代表形状全局信息的主要能量分布在粗尺度上，而表示形状局部信息的次要能量分布在细尺度上，该方法对严重畸形的水果分类比较有效，实验结果表明其分类精度可以达到81.20％。该方法中基于最大期望方法确定起始点的方法，可以唯一确定起始点，这对解决形状描述中旋转不变性问题非常有效。5．系统地分析和比较了目前常用形状描述方法，提出了将小波矩方法用于水果形状描述，得出结论：在水果形状分类中，用具有对称性的小波基(如Morlet小波)和最近邻法分类准则时，正常果形、轻度畸形及严重畸形的分类准确率可以达到69.42％、80.47％及72.62％。6．分析了分类器对水果形状分类结果的影响，集中研究了线性判别函数、聚类分析、BP神经网络和支持向量机等四种分类器分别对三种不同的输入特征模式(傅立叶描述子特征、Zernike矩特征和小波矩特征)时的分类性能。得出结论：无论用什么分类器，小波矩特征模式作为输入模式时，都能得到最好的分类结果；其次对小波矩特征模式而言，三个聚类中心的聚类分析方法和支持向量机作为分类器都能得到尚为满意的分类精度。采用三个聚类中心的聚类分析方法时，正常果形、轻度畸形及严重畸形的分类正确率为86.21％、65.78％和85.71％；而采用支持向量机作为分类器时，分类正确率分别为：70％、83.56％和75％。7．建立了基于配准技术的水果形状分类框架。定义了新的测度，该测度基于面积差水平集表示原理，将待分类的形状与已知类别的形状进行配准以使得它们的不重合面积最小。并从基于最小测度配准和运动估计配准两个方面进行实验，实验结果表明基于配准的方法能达到更高的分类精度和令人满意的结果，正常果形的分类正确率91.20％，轻度畸形的分类正确率为85.88％，严重畸形分类正确率为83.34％。

全文目录

摘要  7-9
Abstract  9-19
第一章绪论  19-35
  1.1 研究目的与意义  19-22
    1.1.1 水果生产的现状  19-21
    1.1.2 水果产后处理技术  21-22
    1.1.3 我国水果分选技术现状  22
    1.1.4 水果形状分级必要性  22
  1.2 国内外研究概况  22-32
  1.3 主要研究内容  32-34
  1.4 本章小结  34-35
第二章实验材料及形状分析中基本数学方法  35-47
  2.1 本课题中计算机视觉系统的硬件组成  35-38
    2.1.1 光照系统  35-36
    2.1.2 摄像机  36
    2.1.3 图像采集卡  36-37
    2.1.4 计算机系统  37-38
  2.2 本课题的研究材料  38-39
  2.3 形状分析中基本数学方法  39-46
    2.3.1 偏微分方程数值解  39-40
    2.3.2 变分法和梯度下降流  40-42
    2.3.3 符号距离函数  42-44
    2.3.4 小波变换  44-45
    2.3.5 主成分分析  45-46
  2.4 本章小结  46-47
第三章形状预处理算法研究  47-70
  3.1 含噪声图像的传统恢复方法研究  47-56
    3.1.1 邻域平均法  47-49
    3.1.2 选择式掩模平滑法  49-51
    3.1.3 中值滤波法  51-52
    3.1.4 频域滤波法  52-54
    3.1.5 小波变换法  54-56
  3.2 运用振荡滤波和扩散方程恢复图像  56-59
    3.2.1 方法介绍  56-58
    3.2.2 实验结果及分析  58-59
  3.3 运用 Total Variation(TV)恢复图像  59-62
    3.3.1 方法介绍  59-61
    3.3.2 实验结果及分析  61-62
  3.4 运动模糊图像的恢复  62-68
    3.4.1 盲去卷积方法恢复图像  63-65
    3.4.2 基于 GMI-SVD方法恢复图像  65-66
    3.4.3 实验结果及分析  66-68
  3.5 本章小结  68-70
第四章形状检测算法研究  70-88
  4.1 传统检测方法  70-72
    4.1.1 检测算子  70-71
    4.1.2 零交叉检测算法  71-72
    4.1.3 实验结果及分析  72
  4.2 梯度向量流  72-76
    4.2.1 方法介绍  73-74
    4.2.2 实验结果及分析  74-76
  4.3 水平集方法  76-80
    4.3.1 水平集理论  76-78
    4.3.2 Chan-Vese模型描述  78
    4.3.3 改进的Chan-Vese模型  78-79
    4.3.4 实验结果及分析  79-80
  4.4 多尺度水平集方法  80-87
    4.4.1 多尺度理论  80-81
    4.4.2 利用小波分析构造多尺度图像系列  81-83
    4.4.3 多尺度上的水平集方法  83-84
    4.4.4 实验结果及分析  84-87
  4.5 本章小结  87-88
第五章形状表示及描述方法研究  88-121
  5.1 形状概念  88-89
    5.1.1 形状定义  88-89
    5.1.2 形状表示和描述的准则  89
    5.1.3 形状类别  89
  5.2 形状表示方法  89-93
    5.2.1 链码  90
    5.2.2 半径序列表示  90-91
    5.2.3 骨架表示  91-92
    5.2.4 四叉树表示  92
    5.2.5 水平集表示  92-93
  5.3 传统形状描述方法及其局限  93-99
    5.3.1 简单几何特征  93
    5.3.2 形状数  93-94
    5.3.3 傅立叶描述方法  94-95
    5.3.4 不变矩方法  95-96
    5.3.5 其它形状描述方法  96
    5.3.6 实验结果及分析  96-99
  5.4 基于自回归模型的形状描述  99-102
    5.4.1 序列的时基建模  100
    5.4.2 基于自回归模型的特征提取  100-101
    5.4.3 实验结果及分析  101-102
  5.5 基于多尺度能量形状描述  102-107
    5.5.1 基于最大期望的起点选择  102-103
    5.5.2 多尺度能量构造  103-104
    5.5.3 实验结果及分析  104-107
  5.6 基于地形地貌特征的形状描述  107-111
    5.6.1 小面模型基本理论  108-109
    5.6.2 地形地貌特征的提取  109-110
    5.6.3 实验结果及分析  110-111
  5.7 基于 Zernike矩的形状描述  111-114
    5.7.1 Zernike矩理论  111-112
    5.7.2 平移和尺度的归一化  112-113
    5.7.3 实验结果及分析  113-114
  5.8 基于小波矩的形状描述  114-119
    5.8.1 图像的广义矩及广义不变矩  114-116
    5.8.2 图像的小波不变矩  116
    5.8.3 实验结果及分析  116-119
  5.9 本章小结  119-121
第六章分类器对形状分类结果的影响研究  121-138
  6.1 线性判别函数  121-123
  6.2 聚类分析  123-127
    6.2.1 C均值算法  123-124
    6.2.2 实验结果与分析  124-127
  6.3 人工神经网络  127-132
    6.3.1 反向传播网络(BP)  127-128
    6.3.2 实验结果与分析  128-132
  6.4 支持向量机  132-136
    6.4.1 支持向量机理论  132-134
    6.4.2 实验结果与分析  134-136
  6.5 本章小结  136-138
第七章基于配准技术的形状分类方法研究  138-148
  7.1 标准库的建立  138-139
  7.2 测度的设计  139-140
  7.3 配准技术的选择  140-144
    7.3.1 基于最小测度的配准  140-141
    7.3.2 基于运动估计的配准  141-144
  7.4 实验结果及分析  144-147
  7.5 本章小结  147-148
第八章结论与展望  148-151
  8.1 主要结论  148-149
  8.2 主要创新点  149
  8.3 今后的研究与设想  149-151
参考文献  151-162
致谢  162-163
作者简介及博士研究生期间主要成果  163-164

二维水果形状检测与分类算法研究

内容摘要

全文目录

相似论文