田昊　王維新　畢新勝　馬本學(xué)　王玉剛

摘要：針對國產(chǎn)采棉機采收含雜率高、雜質(zhì)分布復(fù)雜、難以快速檢測等問題，提出了一種基于圖像處理的機采棉雜質(zhì)圖像提取算法。該算法在HSI顏色模型、Lab顏色模型下設(shè)計試驗采集圖像，利用中值濾波處理圖像，然后對圖像進行自適應(yīng)閾值分割，分割棉花和雜質(zhì)圖像，通過連通域分析繪制棉花輪廓和雜質(zhì)輪廓，在此基礎(chǔ)上計算其像素面積，得到雜質(zhì)面積百分比。結(jié)果表明，該算法可有效分割機采棉中的常見雜質(zhì)，為機采棉含雜率的快速評估奠定基礎(chǔ)。

關(guān)鍵詞：顏色模型；圖像處理；機采棉；雜質(zhì)；自適應(yīng)閾值；特征提?。凰惴?/p>

中圖分類號： S126；TN911.73文獻標志碼： A文章編號：1002-1302（2014）01-0366-03

收稿日期：2013-05-16

項目資助：新疆生產(chǎn)建設(shè)兵團高新技術(shù)企業(yè)創(chuàng)新專項（編號：2012AC001）。

作者簡介：田昊（1988—），男，山東德州人，碩士研究生，從事智能化檢測技術(shù)與分級裝備研究。E-mal：th5828@163.com。

通信作者：王維新，教授，從事精確農(nóng)業(yè)及其智能機械設(shè)計與環(huán)境控制研究。Tel：（0993）2058039；E-mal：weixin_wang@126.com。機采棉含雜率是衡量采棉機工作質(zhì)量的重要標準之一，根據(jù)國家農(nóng)業(yè)行業(yè)標準NY/T 1133—2006《采棉機作業(yè)質(zhì)量》可知，機采棉含雜率應(yīng)≤12%。近年來，隨著精細農(nóng)業(yè)的不斷發(fā)展和機采棉質(zhì)量要求的不斷提高，降低機采棉含雜率成為國產(chǎn)采棉機研制及優(yōu)化改進的一項重要任務(wù)。而如何快速準確地檢測機采棉的含雜率并為采棉機的研制和優(yōu)化提供數(shù)據(jù)支持，成為一項亟待解決的問題。

隨著機器視覺技術(shù)和圖像處理技術(shù)的不斷發(fā)展，基于圖像的棉花雜質(zhì)檢測技術(shù)和皮棉異纖檢測技術(shù)已展開了一定的研究。郭俊先等采用高光譜成像技術(shù)對表層棉花雜質(zhì)進行表層棉花雜質(zhì)檢測[1-2]。丁名曉等針對工業(yè)環(huán)境中非均勻光照條件下的棉花圖像，利用Gabor濾波器提取圖像的紋理特征，結(jié)合形態(tài)學(xué)濾波和連通域分析檢測出棉花中的雜質(zhì)[3]。王偉等提出了一種實用的棉花雜質(zhì)高速檢測方法，該方法采用3D-LUT技術(shù)、HSI色彩空間、彩色運動補償技術(shù)等[4]。李國輝等采用 Gabor算子提取多個方向的特征向量，融合成特征圖，由此增大背景與目標之間的對比度，提取雜質(zhì)特征[5]。Siddaiah等計算軋花后雜質(zhì)占棉花樣本面積的比例，對比自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）和其他識別算法[6]。Tae等將原棉彩色圖像轉(zhuǎn)化成灰度圖像，采用 8 領(lǐng)域方法，選擇閾值分離出植物性雜質(zhì)，計算雜質(zhì)數(shù)量、含量和分布[7]。

上述研究的算法較復(fù)雜，多適用于棉紡加工中的皮棉和梳棉等，不適宜機采棉雜質(zhì)的檢測研究。本研究旨在運用VS2010開發(fā)平臺和OpenCV開源機器視覺庫，設(shè)計開發(fā)機采棉雜質(zhì)檢測算法，為機采棉含雜率快速、準確地檢測與估算奠定基礎(chǔ)。

1圖像獲取與試驗設(shè)備

本試驗針對國有自主產(chǎn)權(quán)梳齒式統(tǒng)收采棉機，隨機采集樣本。樣本雜質(zhì)含量較高，且分布復(fù)雜，雜質(zhì)以棉鈴殼、枝稈、碎葉為主。試驗選取雜質(zhì)分布均勻且具有代表性的棉花樣本100 mm×120 mm，將其平鋪在綠色背景板上，厚度約10 mm。

圖像采集設(shè)備主要由Matrox/Meteor-Ⅱ圖像采集卡、TMC-7DSP數(shù)字彩色攝像機、4支F40BX/480熒光燈光源等組成。圖像處理硬件平臺為Inter CoreTM Duo，CPU E8400 3.00 GHz，1 G內(nèi)存，Windows XP 操作系統(tǒng)。開發(fā)平臺為VS2010環(huán)境下加載的OpenCV 2.3.1開源視覺數(shù)據(jù)庫。

OpenCV是一個開源的計算機視覺庫，采用C/C++語言編程，提供了豐富的圖像及計算機視覺處理函數(shù)，為數(shù)字圖像處理、計算機視覺技術(shù)應(yīng)用提供了極大的方便[8]。

2機采棉雜質(zhì)圖像分割

本算法先將原圖像（圖1）轉(zhuǎn)換為HSI和Lab顏色模型，分別提取HSI模型的色飽和度（S）分量和Lab模型的b分量；然后進行形態(tài)學(xué)濾波降噪處理，采用自適應(yīng)閾值分割圖像，提取棉花圖像和雜質(zhì)圖像，再運用邊緣檢測、連通區(qū)域分析計算各自像素面積。具體算法流程如圖2所示。

2.1顏色模型

2.1.1HSI顏色模型HSI模型完全反映了人感知顏色的基本屬性，與人感知顏色的結(jié)果一一對應(yīng)，因此，HSI模型被廣泛應(yīng)用于人的視覺系統(tǒng)感知演的的圖像表示和處理系統(tǒng)中。

RGB轉(zhuǎn)換為HSI顏色模型：

H=θ，G≥B

2π-θ，G

S=1-31R+G+B[min（R，G，B）]，（2）

I=R+G+B13；（3）

其中：

θ=cos-1（R-G）+（R-B）12（R-G）2+（R-B）（G-B）。（4）

2.1.2Lab顏色模型由于人類視覺系統(tǒng)的響應(yīng)是粗略的對數(shù)關(guān)系（可以感知約1%的相對亮度變化），國際照明協(xié)會（CIE）定義了XYZ空間的一個非線性重映射稱作L*a*b*或CIELAB[9]，其亮度或色度上的差別在感覺更一致。

2.1.3顏色模型在本研究中的應(yīng)用顏色特征是應(yīng)用最廣泛的視覺特征，提取簡單，容易描述。與其他特征相比，顏色特征對圖像尺寸、方向和視角的依賴性小，表現(xiàn)出較強的魯棒性[10]。不同的顏色模型涵蓋不同的顏色特征，通過顏色模型的轉(zhuǎn)換可對圖像的某些特征進行提取分離，從而為圖像處理提供方便。

本研究結(jié)合HIS、Lab等2種顏色模型的優(yōu)點：（1）都將亮度單獨從圖像中提出，且不影響圖像的彩色信息，可以有效地消除光照不均給圖像帶來的影響；（2）2種顏色模型所提取的分量都與人類的視覺感知緊密相連，可以更容易、更有效地模擬人的色彩感知，從而對圖像進行分割。

2.2顏色分量提取

顏色分量提取可將顏色模型中不同分量的信息進行分離，以灰度級的方式描述顏色信息的強弱，實現(xiàn)三維顏色空間的二維表達。

2.2.1HSI顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為HSI模型圖像，提取HSI模型圖像的3個分量H（色調(diào)）、S（飽和度）、I（亮度），分量灰度圖提取效果圖3所示。

2.2.2Lab顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為Lab模型圖像，提取Lab模型圖像的3個分量L（亮度）、a（洋紅色至綠色）、b（黃色至藍色），分量灰度提取效果見圖4。

飽和度（S）形容顏色的鮮艷程度，棉花顏色接近白色，飽和度最高且易于分割。機采棉雜質(zhì)以紅棕色和褐色為主，b分量下雜質(zhì)灰度較高，而背景板（綠色）灰度較低。因此，b分量下雜質(zhì)提取快而準確。

結(jié)合棉花雜質(zhì)顏色與棉花及背景板顏色的差異，選取飽和度（S）和黃藍色軸（b）可快速有效地分割圖像。

2.3平滑濾波消噪

在獲取棉花圖像時，由于種種原因如光照、相機結(jié)構(gòu)、對象特性等因素，往往會引入噪聲。圖像處理過程中，顏色模型的轉(zhuǎn)換、分量的提取都會產(chǎn)生影響圖像處理效果的噪聲，有效消除噪聲可以降低圖像處理難度，提高圖像的處理質(zhì)量。

中值濾波器可較好地保留圖像細節(jié)，處理迅速，應(yīng)用廣泛。二維中值濾波輸出為：

g（x，y）=med{f（x-k，y-l），（k，l∈W）}（10）

其中：W為二維模板，為盡量減少因濾波降噪而造成的目標對象面積差異，經(jīng)試驗表明，選取的二維模板W為3×3的區(qū)域時，效果最佳。

2.4自適應(yīng)閾值分割

圖像閾值化是通過設(shè)定特定的閾值，將圖像或圖像特征提取出來，達到分割圖像的目的。閾值化的方法很多，經(jīng)典算法有分水嶺法、區(qū)分式聚類法、凝聚式聚類法等。

本研究用到的OpenCV中的自適應(yīng)閾值是通過計算像素點（m，n）周圍b×b區(qū)域的加權(quán)平均，然后減去一個常數(shù)c來得到自適應(yīng)閾值。加權(quán)方法分為平均加權(quán)和高斯加權(quán)，本研究使用平均加權(quán)方法。

閾值T計算如下：

T=11b2∑b1i=-b-112∑b1j=-b-112F（m+i，n+j）-c。（11）

圖像分割效果如圖5、圖6所示。

2.5圖像輪廓特征提取

對圖像輪廓的提取，本研究用到的是OpenCV中的cvFindContours和cvDrawContours 2個函數(shù)。cvFindContours函數(shù)可以從二值圖像和Canny邊緣檢測圖像中獲取輪廓信息，以序列和數(shù)組的形式儲存，并將多個輪廓聚合成輪廓樹。根據(jù)圖像輪廓周圍灰度值的不同將輪廓分為外部輪廓和孔。cvDrawContours函數(shù)通過cvFindContours函數(shù)檢測到的輪廓繪制輪廓特征。根據(jù)輸入?yún)?shù)的不同，可繪制所需輪廓（圖7）。

對棉花特征內(nèi)的雜質(zhì)孔洞行進內(nèi)部填充，計算面積；對雜質(zhì)面積進行計算并求和。棉花像素面積為586 157，雜質(zhì)像素總面積為54 608。機采棉雜質(zhì)面積占棉花總面積的比率為9.32%。

3小結(jié)

針對機采棉雜質(zhì)成分特征及分布狀況，結(jié)合圖像處理顏色空間理論，設(shè)計機采棉雜質(zhì)提取試驗。根據(jù)飽和度（S）與黃藍色軸（b）分量，選取可區(qū)分棉花與雜質(zhì)的綠色背景板進行試驗。試驗結(jié)果表明，綠色背景板在S分量中與棉花灰度差異明顯，在b分量中與雜質(zhì)灰度差異明顯。因此，選取綠色背景板可容易地進行圖像分割、特征提取。

利用OpenCV開源數(shù)據(jù)庫，通過顏色模型轉(zhuǎn)換、分量提取、中值濾波消噪、自適應(yīng)閾值分割、輪廓繪制等處理，得到了較理想的棉花面積和雜質(zhì)總面積。棉花像素面積為 586 157，雜質(zhì)像素總面積為54 608，雜質(zhì)面積比率9.32%。經(jīng)過圖像處理后獲得了機采棉雜質(zhì)特征圖，處理過程沒有進行形態(tài)學(xué)變換，圖像細節(jié)保留完整，面積計算精確，誤差較小。采用自適應(yīng)閾值對棉花圖像進行分割，算法魯棒性高。同時提出了一種基于顏色模型的機采棉雜質(zhì)檢測方法，該算法較為簡單，易于實現(xiàn)，設(shè)備要求不高。結(jié)合OpenCV圖像處理算法的高效性，可以快速地進行圖像處理，也為雜質(zhì)在線檢測打下了基礎(chǔ)。

參考文獻：

[1]郭俊先. 基于高光譜成像技術(shù)的棉花雜質(zhì)檢測方法的研究[D]. 杭州：浙江大學(xué)，2011.

[2]郭俊先，應(yīng)義斌，饒秀勤，等. 梳棉內(nèi)層雜質(zhì)高光譜圖像檢測[J]. 農(nóng)業(yè)機械學(xué)報，2012，43（12）：197-203.

[3]丁名曉，王云寬，黃為. 基于Gabor濾波器的棉花雜質(zhì)檢測算法[J]. 中國圖象圖形學(xué)報，2011，16（4）：586-592.

[4]王偉，王志衡，趙訓(xùn)坡，等. 基于HSI顏色空間的棉花雜質(zhì)高速實時檢測方法[J]. 自動化學(xué)報，2008，34（7）：729-735.

[5]李國輝，蘇真?zhèn)?，夏心? 基于不規(guī)則成像機器視覺的棉花白色異纖檢測算法[J]. 農(nóng)業(yè)機械學(xué)報，2010，41（5）：164-167.

[6]Siddaiah M，Prasad N R，Lieberman M A，et al. Identification of trash types and computation of trash content in ginned cotton using soft computing techniques[C]//Midwest Symposium on Circuits and Systems，Las Cruces，NM：1999.

[7]Tae J K，Kim S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal，2002，72（9）：776-782.

[8]Bradski G，Kaehler A. 學(xué)習OpenCV[M]. 于仕琪，劉瑞禎，譯.北京：清華大學(xué)出版社，2009.

[9]Szeliski R. 計算機視覺——算法與應(yīng)用[M]. 艾海舟，興軍亮，譯.北京：清華大學(xué)出版社，2012：63-66.

[10]龐曉敏，閔子建，闞江明. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學(xué)學(xué)報：自然科學(xué)版，2011，36（6）：976-980.范郁爾，鄭金生，張正球，等. 基于物聯(lián)網(wǎng)技術(shù)的蝴蝶蘭生產(chǎn)測控系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：369-371.endprint

2.2顏色分量提取

顏色分量提取可將顏色模型中不同分量的信息進行分離，以灰度級的方式描述顏色信息的強弱，實現(xiàn)三維顏色空間的二維表達。

2.2.1HSI顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為HSI模型圖像，提取HSI模型圖像的3個分量H（色調(diào)）、S（飽和度）、I（亮度），分量灰度圖提取效果圖3所示。

2.2.2Lab顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為Lab模型圖像，提取Lab模型圖像的3個分量L（亮度）、a（洋紅色至綠色）、b（黃色至藍色），分量灰度提取效果見圖4。

飽和度（S）形容顏色的鮮艷程度，棉花顏色接近白色，飽和度最高且易于分割。機采棉雜質(zhì)以紅棕色和褐色為主，b分量下雜質(zhì)灰度較高，而背景板（綠色）灰度較低。因此，b分量下雜質(zhì)提取快而準確。

結(jié)合棉花雜質(zhì)顏色與棉花及背景板顏色的差異，選取飽和度（S）和黃藍色軸（b）可快速有效地分割圖像。

2.3平滑濾波消噪

在獲取棉花圖像時，由于種種原因如光照、相機結(jié)構(gòu)、對象特性等因素，往往會引入噪聲。圖像處理過程中，顏色模型的轉(zhuǎn)換、分量的提取都會產(chǎn)生影響圖像處理效果的噪聲，有效消除噪聲可以降低圖像處理難度，提高圖像的處理質(zhì)量。

中值濾波器可較好地保留圖像細節(jié)，處理迅速，應(yīng)用廣泛。二維中值濾波輸出為：

g（x，y）=med{f（x-k，y-l），（k，l∈W）}（10）

其中：W為二維模板，為盡量減少因濾波降噪而造成的目標對象面積差異，經(jīng)試驗表明，選取的二維模板W為3×3的區(qū)域時，效果最佳。

2.4自適應(yīng)閾值分割

圖像閾值化是通過設(shè)定特定的閾值，將圖像或圖像特征提取出來，達到分割圖像的目的。閾值化的方法很多，經(jīng)典算法有分水嶺法、區(qū)分式聚類法、凝聚式聚類法等。

本研究用到的OpenCV中的自適應(yīng)閾值是通過計算像素點（m，n）周圍b×b區(qū)域的加權(quán)平均，然后減去一個常數(shù)c來得到自適應(yīng)閾值。加權(quán)方法分為平均加權(quán)和高斯加權(quán)，本研究使用平均加權(quán)方法。

閾值T計算如下：

T=11b2∑b1i=-b-112∑b1j=-b-112F（m+i，n+j）-c。（11）

圖像分割效果如圖5、圖6所示。

2.5圖像輪廓特征提取

對圖像輪廓的提取，本研究用到的是OpenCV中的cvFindContours和cvDrawContours 2個函數(shù)。cvFindContours函數(shù)可以從二值圖像和Canny邊緣檢測圖像中獲取輪廓信息，以序列和數(shù)組的形式儲存，并將多個輪廓聚合成輪廓樹。根據(jù)圖像輪廓周圍灰度值的不同將輪廓分為外部輪廓和孔。cvDrawContours函數(shù)通過cvFindContours函數(shù)檢測到的輪廓繪制輪廓特征。根據(jù)輸入?yún)?shù)的不同，可繪制所需輪廓（圖7）。

對棉花特征內(nèi)的雜質(zhì)孔洞行進內(nèi)部填充，計算面積；對雜質(zhì)面積進行計算并求和。棉花像素面積為586 157，雜質(zhì)像素總面積為54 608。機采棉雜質(zhì)面積占棉花總面積的比率為9.32%。

3小結(jié)

針對機采棉雜質(zhì)成分特征及分布狀況，結(jié)合圖像處理顏色空間理論，設(shè)計機采棉雜質(zhì)提取試驗。根據(jù)飽和度（S）與黃藍色軸（b）分量，選取可區(qū)分棉花與雜質(zhì)的綠色背景板進行試驗。試驗結(jié)果表明，綠色背景板在S分量中與棉花灰度差異明顯，在b分量中與雜質(zhì)灰度差異明顯。因此，選取綠色背景板可容易地進行圖像分割、特征提取。

利用OpenCV開源數(shù)據(jù)庫，通過顏色模型轉(zhuǎn)換、分量提取、中值濾波消噪、自適應(yīng)閾值分割、輪廓繪制等處理，得到了較理想的棉花面積和雜質(zhì)總面積。棉花像素面積為 586 157，雜質(zhì)像素總面積為54 608，雜質(zhì)面積比率9.32%。經(jīng)過圖像處理后獲得了機采棉雜質(zhì)特征圖，處理過程沒有進行形態(tài)學(xué)變換，圖像細節(jié)保留完整，面積計算精確，誤差較小。采用自適應(yīng)閾值對棉花圖像進行分割，算法魯棒性高。同時提出了一種基于顏色模型的機采棉雜質(zhì)檢測方法，該算法較為簡單，易于實現(xiàn)，設(shè)備要求不高。結(jié)合OpenCV圖像處理算法的高效性，可以快速地進行圖像處理，也為雜質(zhì)在線檢測打下了基礎(chǔ)。

參考文獻：

[1]郭俊先. 基于高光譜成像技術(shù)的棉花雜質(zhì)檢測方法的研究[D]. 杭州：浙江大學(xué)，2011.

[2]郭俊先，應(yīng)義斌，饒秀勤，等. 梳棉內(nèi)層雜質(zhì)高光譜圖像檢測[J]. 農(nóng)業(yè)機械學(xué)報，2012，43（12）：197-203.

[3]丁名曉，王云寬，黃為. 基于Gabor濾波器的棉花雜質(zhì)檢測算法[J]. 中國圖象圖形學(xué)報，2011，16（4）：586-592.

[4]王偉，王志衡，趙訓(xùn)坡，等. 基于HSI顏色空間的棉花雜質(zhì)高速實時檢測方法[J]. 自動化學(xué)報，2008，34（7）：729-735.

[5]李國輝，蘇真?zhèn)?，夏心? 基于不規(guī)則成像機器視覺的棉花白色異纖檢測算法[J]. 農(nóng)業(yè)機械學(xué)報，2010，41（5）：164-167.

[6]Siddaiah M，Prasad N R，Lieberman M A，et al. Identification of trash types and computation of trash content in ginned cotton using soft computing techniques[C]//Midwest Symposium on Circuits and Systems，Las Cruces，NM：1999.

[7]Tae J K，Kim S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal，2002，72（9）：776-782.

[8]Bradski G，Kaehler A. 學(xué)習OpenCV[M]. 于仕琪，劉瑞禎，譯.北京：清華大學(xué)出版社，2009.

[9]Szeliski R. 計算機視覺——算法與應(yīng)用[M]. 艾海舟，興軍亮，譯.北京：清華大學(xué)出版社，2012：63-66.

[10]龐曉敏，閔子建，闞江明. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學(xué)學(xué)報：自然科學(xué)版，2011，36（6）：976-980.范郁爾，鄭金生，張正球，等. 基于物聯(lián)網(wǎng)技術(shù)的蝴蝶蘭生產(chǎn)測控系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：369-371.endprint

2.2顏色分量提取

顏色分量提取可將顏色模型中不同分量的信息進行分離，以灰度級的方式描述顏色信息的強弱，實現(xiàn)三維顏色空間的二維表達。

2.2.1HSI顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為HSI模型圖像，提取HSI模型圖像的3個分量H（色調(diào)）、S（飽和度）、I（亮度），分量灰度圖提取效果圖3所示。

2.2.2Lab顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為Lab模型圖像，提取Lab模型圖像的3個分量L（亮度）、a（洋紅色至綠色）、b（黃色至藍色），分量灰度提取效果見圖4。

飽和度（S）形容顏色的鮮艷程度，棉花顏色接近白色，飽和度最高且易于分割。機采棉雜質(zhì)以紅棕色和褐色為主，b分量下雜質(zhì)灰度較高，而背景板（綠色）灰度較低。因此，b分量下雜質(zhì)提取快而準確。

結(jié)合棉花雜質(zhì)顏色與棉花及背景板顏色的差異，選取飽和度（S）和黃藍色軸（b）可快速有效地分割圖像。

2.3平滑濾波消噪

在獲取棉花圖像時，由于種種原因如光照、相機結(jié)構(gòu)、對象特性等因素，往往會引入噪聲。圖像處理過程中，顏色模型的轉(zhuǎn)換、分量的提取都會產(chǎn)生影響圖像處理效果的噪聲，有效消除噪聲可以降低圖像處理難度，提高圖像的處理質(zhì)量。

中值濾波器可較好地保留圖像細節(jié)，處理迅速，應(yīng)用廣泛。二維中值濾波輸出為：

g（x，y）=med{f（x-k，y-l），（k，l∈W）}（10）

其中：W為二維模板，為盡量減少因濾波降噪而造成的目標對象面積差異，經(jīng)試驗表明，選取的二維模板W為3×3的區(qū)域時，效果最佳。

2.4自適應(yīng)閾值分割

圖像閾值化是通過設(shè)定特定的閾值，將圖像或圖像特征提取出來，達到分割圖像的目的。閾值化的方法很多，經(jīng)典算法有分水嶺法、區(qū)分式聚類法、凝聚式聚類法等。

本研究用到的OpenCV中的自適應(yīng)閾值是通過計算像素點（m，n）周圍b×b區(qū)域的加權(quán)平均，然后減去一個常數(shù)c來得到自適應(yīng)閾值。加權(quán)方法分為平均加權(quán)和高斯加權(quán)，本研究使用平均加權(quán)方法。

閾值T計算如下：

T=11b2∑b1i=-b-112∑b1j=-b-112F（m+i，n+j）-c。（11）

圖像分割效果如圖5、圖6所示。

2.5圖像輪廓特征提取

對圖像輪廓的提取，本研究用到的是OpenCV中的cvFindContours和cvDrawContours 2個函數(shù)。cvFindContours函數(shù)可以從二值圖像和Canny邊緣檢測圖像中獲取輪廓信息，以序列和數(shù)組的形式儲存，并將多個輪廓聚合成輪廓樹。根據(jù)圖像輪廓周圍灰度值的不同將輪廓分為外部輪廓和孔。cvDrawContours函數(shù)通過cvFindContours函數(shù)檢測到的輪廓繪制輪廓特征。根據(jù)輸入?yún)?shù)的不同，可繪制所需輪廓（圖7）。

對棉花特征內(nèi)的雜質(zhì)孔洞行進內(nèi)部填充，計算面積；對雜質(zhì)面積進行計算并求和。棉花像素面積為586 157，雜質(zhì)像素總面積為54 608。機采棉雜質(zhì)面積占棉花總面積的比率為9.32%。

3小結(jié)

針對機采棉雜質(zhì)成分特征及分布狀況，結(jié)合圖像處理顏色空間理論，設(shè)計機采棉雜質(zhì)提取試驗。根據(jù)飽和度（S）與黃藍色軸（b）分量，選取可區(qū)分棉花與雜質(zhì)的綠色背景板進行試驗。試驗結(jié)果表明，綠色背景板在S分量中與棉花灰度差異明顯，在b分量中與雜質(zhì)灰度差異明顯。因此，選取綠色背景板可容易地進行圖像分割、特征提取。

利用OpenCV開源數(shù)據(jù)庫，通過顏色模型轉(zhuǎn)換、分量提取、中值濾波消噪、自適應(yīng)閾值分割、輪廓繪制等處理，得到了較理想的棉花面積和雜質(zhì)總面積。棉花像素面積為 586 157，雜質(zhì)像素總面積為54 608，雜質(zhì)面積比率9.32%。經(jīng)過圖像處理后獲得了機采棉雜質(zhì)特征圖，處理過程沒有進行形態(tài)學(xué)變換，圖像細節(jié)保留完整，面積計算精確，誤差較小。采用自適應(yīng)閾值對棉花圖像進行分割，算法魯棒性高。同時提出了一種基于顏色模型的機采棉雜質(zhì)檢測方法，該算法較為簡單，易于實現(xiàn)，設(shè)備要求不高。結(jié)合OpenCV圖像處理算法的高效性，可以快速地進行圖像處理，也為雜質(zhì)在線檢測打下了基礎(chǔ)。

參考文獻：

[1]郭俊先. 基于高光譜成像技術(shù)的棉花雜質(zhì)檢測方法的研究[D]. 杭州：浙江大學(xué)，2011.

[2]郭俊先，應(yīng)義斌，饒秀勤，等. 梳棉內(nèi)層雜質(zhì)高光譜圖像檢測[J]. 農(nóng)業(yè)機械學(xué)報，2012，43（12）：197-203.

[3]丁名曉，王云寬，黃為. 基于Gabor濾波器的棉花雜質(zhì)檢測算法[J]. 中國圖象圖形學(xué)報，2011，16（4）：586-592.

[4]王偉，王志衡，趙訓(xùn)坡，等. 基于HSI顏色空間的棉花雜質(zhì)高速實時檢測方法[J]. 自動化學(xué)報，2008，34（7）：729-735.

[5]李國輝，蘇真?zhèn)?，夏心? 基于不規(guī)則成像機器視覺的棉花白色異纖檢測算法[J]. 農(nóng)業(yè)機械學(xué)報，2010，41（5）：164-167.

[6]Siddaiah M，Prasad N R，Lieberman M A，et al. Identification of trash types and computation of trash content in ginned cotton using soft computing techniques[C]//Midwest Symposium on Circuits and Systems，Las Cruces，NM：1999.

[7]Tae J K，Kim S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal，2002，72（9）：776-782.

[8]Bradski G，Kaehler A. 學(xué)習OpenCV[M]. 于仕琪，劉瑞禎，譯.北京：清華大學(xué)出版社，2009.

[9]Szeliski R. 計算機視覺——算法與應(yīng)用[M]. 艾海舟，興軍亮，譯.北京：清華大學(xué)出版社，2012：63-66.

[10]龐曉敏，閔子建，闞江明. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學(xué)學(xué)報：自然科學(xué)版，2011，36（6）：976-980.范郁爾，鄭金生，張正球，等. 基于物聯(lián)網(wǎng)技術(shù)的蝴蝶蘭生產(chǎn)測控系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：369-371.endprint