基于机器视觉的葡萄树枝骨架提取算法研究
第３０卷第４期 ２０１３年４月 机 电 工 程 Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ＆Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．３０ Ｎｏ．４ Ａｐｒ．２０１３
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—４５５１．２０１３．０４．０２８
基于机器视觉的葡萄树枝骨架提取算法研究串
贾挺猛，苟 一，鲍官军，董 茂，杨庆华
（浙江工业大学特种装备制造与先进加工技术教育部／浙江省重点实验室，浙江杭州３１００１４）
摘要：针对葡萄树枝上各个芽的粗细不均匀、形状不规则造成芽点位置难以检测的问题，将骨架提取方法应用到葡萄树特征检测
中。在室内环境下采集了葡萄树枝彩色图像，选择对比度较明显的Ｂ分量图像进行了预处理。通过均值滤波，消除了噪声；通过阈
值分割，去除了铁丝和阴影，并获取了葡萄树枝二值图像。在此基础上，分别采用形态学细化、Ｚｈａｎｇ细化、Ｒｏｓｅｎｆｅｌｄ细化算法提取了 二值图像中葡萄树枝的骨架，并对比分析了处理结果。研究结果表明，Ｒｏｓｅｎｆｅｌｄ细化算法能够较好地维持骨架的连通性、中心性，所 提取的葡萄树枝骨架最贴近原形状，为进一步检测葡萄树枝的芽点奠定了基础。
关键词：机器视觉；图像细化；葡萄树枝；骨架提取算法；Ｒｏｓｅｎｆｅｌｄ 中图分类号：￥４９；ＴＰ２４２；ＴＰ２９；ＴＨ６９ 文献标志码：Ａ 文章编号：１００１—４５５１（２０１３）０４—０５０１—０４
Ｓｋｅｌｅｔｏｎ ｅｘｔｒａｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｎ ｇｒａｐｅｖｉｎｅ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ
ＪＩＡ Ｔｉｎｇ—ｍｅｎｇ，ＸＵＮ Ｙｉ，ＢＡＯ Ｇｕａｎ－ｊＵＩ１，ＤＯＮＧ Ｍａｏ，ＹＡＮＧ Ｑｉｎｇ—ｈｕａ
（Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｅ＆Ｍ，Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ＆Ｚｈｅｊｉａｎｇ Ｐｒｏｖｉｎｃｅ，Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，
Ｈａｎｇｚｈｏｕ ３ １００１４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｔｈａｔ ｔｈｅ ｂｕｄ ｐｏｉｎｔ ｐｏｓｉｔｉｏｎ ｉｓ ｈａｒｄ ｔｏ ｄｅｔｅｃｔ ｂｅｃａｕｓｅ ｏｆ ｔｈｅ ｕｎｅｖｅｎ ｔｈｉｃｋｎｅｓｓ ａｎｄ ｔｈｅ ｉｒｒｅｇｕｌａｒ
ｓｈａｐｅ ｏｆ ｔｈｅ ｂｕｄ，ｔｈｅ ｓｋｅｌｅｔｏｎ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｖｉｎｅｓ ｆｅａｔｕｒｅ ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ ｃｏｌｏｒ ｉｍａｇｅ ｏｆ ｇｒａｐｅｖｉｎｅ ｗａｓ ｃａｐｔｕｒｅｄ ｉｎｄｏｏｒ．Ｔｈｅ ｂｌｕｅ ｃｏｍｐｏｎｅｎｔ ｏｆ ｔｈｅ ｃｏｌｏｒ ｉｍａｇｅ ｗａｓ ｓｅｌｅｃｔｅｄ ｆｏｒ ｔｈｅ ｉｍａｇｅ ｐｒｅｐｒｏｃｅｓｓｉｎｇ．Ｍｅａｎ ｆｉｌｔｅｒ ｗａｓ ｕｓｅｄ ｔｏ ｒｅｍｏｖｅ ｔｈｅ ｎｏｉｓｅ．
Ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｗａｓ ｕｓｅｄ ｔｏ ｅｌｉｍｉｎａｔｅ ｔｈｅ ｗｉｒｅ ａｎｄ ｓｈａｄｏｗ ａｎｄ ｇｅｔ ｔｈｅ ｂｉｎａｒｙ ｉｍａｇｅ ｏｆ ｔｈｅ ｇｒａｐｅｖｉｎｅ．Ｔｈｅｎ ｍｏｒｐｈｏｌｏｇｉｅ ｔｈｉｎｎｉｎｇ， Ｚｈａｎｇ ｔｈｉｎｎｉｎｇ，Ｒｏｓｅｎｆｅｌｄ ｔｈｉｎｎｉｎｇ ｗｅｒｅ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｓｋｅｌｅｔｏｎ ｏｆ ｖｉｎｅｓ ｂｉｎａｒｙ ｉｍａｇｅ．Ｔｈｅ ｔｈｉｎｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｗｅｒｅ ｃｏｍｐａｒｅｄ ｔｏ
ａｎａｌｙｚｅ ｔｈｅ ｅｆｆｅｃｔ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｓｋｅｌｅｔｏｎ ｅｘｔｒａｃｔｅｄ ｂｙ Ｒｏｓｅｎｆｅｌｄ ｔｈｉｎｎｉｎｇ ｇｅｔｓ ｃｌｏｓｅ ｔｏ ｔｈｅ ｏｒｉｇｉｎａｌ ｓｈａｐｅ ｗｉｔｈ ｗｅｌｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ａｎｄ ｃｅｎｔｒａｌｉｔｙ．Ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｌａｙｓ ｔｈｅ ｆｏｕｎｄａｔｉｏｎ ｏｆ ｇｒａｐｅｖｉｎｅ ｂｕｄ ｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｍａｃｈｉｎｅ ｖｉｓｉｏｎ；ｉｍａｇｅ ｔｈｉｎｎｉｎｇ；ｇｒａｐｅｖｉｎｅ；ｓｋｅｌｅｔｏｎ ｅｘｔｒａｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ；Ｒｏｓｅｎｆｅｌｄ
０引 言
在葡萄生产作业中，为了提高果实品质，增加产量，
果农需要对葡萄树进行整枝修剪。葡萄树修剪作业劳动
强度较大，而目前机械化水平非常低，果农迫切需要高效
省力的设备 ，将他们从繁重的手工劳动中解救出来。因
此，开展剪枝机器人的研究具有重要的实用价值 。
将机器视觉技术应用于工程中可以实现农业生
产与管理的自动化和智能化。鉴于葡萄树枝上的各 个芽粗细不均匀、形状不规则，直接从形态上检测并
确定芽点位置具有一定的难度。
本研究采用机器视觉技术识别葡萄树枝干并提
取葡萄树枝骨架，作为进一步确立葡萄树的芽点以及
剪枝点的基础口 。树枝骨架提取的优劣直接影响葡萄
树枝芽点的识别。
１葡萄树枝图像采集
实验研究的对象是葡萄冬剪之前的树枝，品种采
收稿日期：２０１２—０９—２９ 基金项目：浙江省特种装备制造与先进加工技术重点实验室开放基金资助项目（２０１１ＥＭ００２） 作者简介：贾挺猛（１９８８－），男，浙江瑞安人，主要从事机器视觉及图像处理方面的研究．Ｅｍａｉｌ：ｊｔｍ１９８８＠１６３．ｃｏｒｎ 通信联系人：杨庆华，男，教授，博士生导师．Ｅｍａｉｌ：ｚｊｕｔｍｅ＠１６３．ｃｏ
ｍ 机 电 工 程 第３０卷
用我国栽种面积最广的巨峰葡萄树，实验样本取自于
杭州市萧山区海棠葡萄园，样本采用Ｙ型种植方式，
树龄为３年。
本研究以室内白色墙为背景采集葡萄树枝图像，
在主动光源下，通过ＣＣＤ工业摄像机采集巨峰葡萄树
图像。
２葡萄树枝图像预处理
本研究采集到的图像是２４位的彩色图像。为了
减少图像数据计算量，笔者将彩色图像中的３种基本
颜色分量的亮度作为３个灰度图像的灰度值，输出 、
Ｇ、Ｂ ３个分量的直方图，对目标图像树枝和背景图像
的灰度值分布情况进行了对比分析，发现Ｂ分量图中
目标图像树枝的灰度值较为集中，与背景图像的灰度
值区分最明显，相对较适合提取树枝对象。
因此，本研究选用Ｂ分量图作为后续处理图像，
葡萄树８分量图像如图１所示。
图１葡萄树Ｂ分量图像
本研究根据图像中背景与目标像素灰度值的分
布特点，采用领域加权平均去除图像中的污点和部分
背影，选择合理的阈值进行图像分割，即可消除铁丝、
阴影，并得到葡萄树枝二值图像。鉴于葡萄树枝二值
图像提取不够完整，且出现空洞的现象，本研究运用
闭运算，以填充空白区域。
经过以上处理后得到的葡萄树二值图像如图２所示。
图２预处理后的葡萄树二值图像
３葡萄树骨架提取
骨架的提取一般采用细化算法。已有的细化算
法按迭代方式不同分为串行算法和并行算法。串行
细化即是一边检测满足细化条件的点一边删除细化 点，并行细化即是检测细化点的时候不进行点的删除
只进行标记，而在检测完整幅图像后一次性去除要细
化的点。由于串行细化算法的处理结果依赖于对像
素处理的先后顺序，像素点的消除或保留不可预测；
而并行细化算法在对图像进行细化时利用相同的条
件同时检测所有像素点，其结果具有各向同性，因此
从算法原理上看，并行方法优于串行方法 。目前应
用比较广泛的并行细化算法有形态学细化算法 ］、
Ｚｈａｎｇ细化算法［６］、Ｒｏｓｅｎｆｅｌｄ细化算法 。
３．１ 形态学细化算法
数学形态学的基本运算有膨胀（或扩张）、腐蚀
（或侵蚀）、开启和闭合４种。研究者通过基本运算还
可推导和组合成各种数学形态学实用算法，进行图像
形状和结构的分析及处理。击中／击不中变换是在腐
蚀和膨胀的基础上提出的 。
本研究设Ａ为目标图像， 为图像４的补集，结
构元素Ｓ由不相交的两部分Ｓ，和Ｓ：组成，即
Ｓ＝Ｓ。Ｕ Ｓ：，且ｓ ｎ ｓ ＝ ，而ｓ： 表示关于原点的反
射集，则 被５击中的结果可表示为：
Ａ・Ｓ：（Ａ ｅ Ｓ ）ｎ（Ａ。（ ５ ）＝
ｅ ５ ）ｎ Ｓ，”） ＝
（ ｅｓ。）一（ ｏ５ ） 由此可看出，Ａ被Ｓ的击中结果可以理解为Ａ中
具有ｓ 几何特征的部分除去Ａ中具有５：几何特征的
部分的差集，另外，击中／击不中运算也可以利用腐蚀
和膨胀操作来实现。借助于腐蚀、膨胀两个基本运算
来理解， 被ｓ击中的结果相当于Ａ被５ 腐蚀的结果
与Ａ被ｓ 的反射集．ｓ 膨胀的结果之差。
击中／击不中运算可以用于保持拓扑结构的形状
细化，以及形状的识别和定位。
数学形态学细化算法便是一种常见的使用击中／
击不中变换的形态学算法。其基本思想是：在给定系
列具有一定形状的结构元素后，顺序循环地删除满足
击中变换的像素，具体描述如下：
对于结构元素对Ｓ＝（ ，ｃ），利用ｓ细化Ａ定义
为：Ａ ＯＳ：Ａ一（ ・Ｓ）。即Ａ ｏｓ为在Ａ中去掉Ａ被ｓ
击中的结果。
更一般地，利用结构元素对序列ｓ ，５ ，…Ｊｓ ，迭
代地产生输出序列：
： ｏｓ，…， ＝Ａ ｏｓ 或｛Ａ ｝＝Ａ ｛Ｓ‘｝
换而言之，该过程是先用５ 细化一遍，然后再用
Ｊｓ 对前面结果细化一遍，如此继续直到用Ｓ 细化一
遍，整个过程可再重复，直到没有变化产生为止。假
设输人集合是有限的，最终得到一个细化的对象。结
构对的选择仅受结构元素不相交的限制。事实上，每 第４期 贾挺猛，等：基于机器视觉的葡萄树枝骨架提取算法研究 ・５０３・
一个Ｊｓ‘都可以是相同的结构对，即在不断重复的迭代
细化过程中使用同一个结构对。如果在对图像细化
的过程中，仅使用一个结构对，则细化是有方向的。
如果循环使用８个方向的结构元素对，则细化可以以
更对称的方式完成。
３．２ Ｚｈａｎｇ细化算法
Ｚｈａｎｇ快速并行细化算法是Ｚｈａｎｇ在１９８４年提出
的。设已知目标点标记为１，背景点标记为０。定义边
界点是本身标记为１而其８连通邻域中至少有１个点
标记为０的点。
（１）考虑以边界点为中心的８邻域，设Ｐ。为中心
点，对其邻域的８个点逆时针绕中心点分别标记为
Ｐ ，Ｐ，，…，Ｐ ，其中Ｐ 位于Ｐ。的上方。如果Ｐ ＝１
（即黑色像素），若同时满足下面４个条件：
①２≤ （Ｐ１）≤６；
②Ａ（Ｐ ）＝１；
③Ｐ：‘Ｐ ‘Ｐ８＝０；
④Ｐ２・Ｐ４・Ｐ６＝０；
则删除Ｐ ，Ｐ ＝０。
其中，Ｂ（Ｐ ）是Ｐ。的非零领点的个数；Ａ（Ｐ ）是以
Ｐ ， ，…，Ｐ 为序时这些点的值从０～１变化的次
数。对所有边界点检验完毕后，将所有标记点去除。
（２）第２步与第１步类似，仅需将条件③和④替换
为条件⑤和⑥。如果Ｐ ＝１（即黑色像素），同时满足
下面４个条件：
①２≤日（Ｐ１）≤６；
②Ａ（Ｐ ）＝１；
⑤Ｐ６・Ｐ ・Ｐ８＝０；
⑥Ｐ６・Ｐ８・Ｐ２＝０；
则删除Ｐ ，Ｐ ＝０。
同样对所有边界点都检验完毕后，将所有标记点
去除。
（３）以上两步操作构成一次迭代，多次迭代运算
直至没有点再满足条件，算法结束，这时剩下的点组
成区域的骨架ｎ 。
３．３ Ｒｏｓｅｎｆｅｌｄ细化算法
基于机器视觉的水果分类技术研究
基于机器视觉的水果分类技术研究
近年来，随着机器视觉技术的不断发展，基于机器视觉的水果分类技术也得到了越来越广泛的应用和研究。水果分类技术的目的是将水果按照品种、等级、大小等分类，以便进行自动化种植、采摘、运输等。本文将对基于机器视觉的水果分类技术进行深入研究。
一 基本原理
基于机器视觉的水果分类技术是利用计算机对水果图像进行处理和分析，从而实现水果的自动分类。其基本原理是：通过摄像机将水果的图像信息捕捉下来，经过图像预处理、特征提取和分类等步骤，最终实现水果的分类。
图像预处理是将采集到的水果图像进行降噪、增强、色彩调整等处理，以便更好地提取水果的特征信息。特征提取是从预处理后的图像中提取出代表水果本质特征的信息，如颜色、形状、纹理等。分类是将特征进行分类和判别，以便实现水果的分类。
二 水果识别的关键技术
2.1 特征提取技术
特征提取是实现水果识别的关键技术之一，其目的是从水果图像中提取出代表水果本质特征的信息。目前，常用的特征提取方法有基于形状和基于颜色的两种。基于形状的特征提取方法适用于水果形状比较规则的情况，如香蕉、苹果等；而基于颜色的特征提取方法适用于水果颜色鲜艳突出的情况，如柠檬、草莓等。
2.2 分类算法
分类算法是将水果图像根据其特征进行分类的核心技术。目前，常用的分类算法有支持向量机、神经网络、决策树等。这些算法在水果分类技术中具有不同的优缺点，选择适合应用场景的算法可以提高水果识别的准确率和效率。
2.3 数据集构建
数据集构建是实现水果识别的前提，它对水果分类技术的准确性和可靠性有着重要的影响。构建数据集需要采集各种不同品种、不同成熟度、不同形状的水果图像，以及对这些图像进行标注。构建完善的数据集是实现水果分类技术的关键之一。
三 水果分类技术的应用
基于机器视觉的水果分类技术在农业、食品加工、水果零售等领域都有广泛的应用。在农业生产中，水果分类技术可以实现自动化种植、采摘、捡拾等操作，提高生产效率，降低人工成本；在食品加工中，水果分类技术可以实现对水果的自动检测、分选、去皮、切片等工序，提高加工效率，提高产品质量；在水果零售中，水果分类技术可以实现对水果品种、成熟度、大小等要素的准确判别，方便顾客选购和商家管理。
matlab骨架提取
- 1 - matlab骨架提取
Matlab骨架提取是一种图像处理技术，它可以将图像中的线条或曲线的中心线提取出来，从而得到图像的骨架结构。这种技术可以应用于医学图像分析、机器视觉和计算机辅助设计等领域。
在Matlab中，常用的骨架提取算法有细化算法、距离变换算法和基于拓扑结构的骨架提取算法。其中，细化算法是最常用的一种，它通过迭代将图像中的像素点逐渐变细，直到形成线条或曲线的中心线。
Matlab中有许多骨架提取函数，如bwmorph函数、skeleton函数和medialaxis函数等。这些函数可以帮助我们快速、准确地提取图像的骨架结构，并进行后续的分析和处理。
需要注意的是，骨架提取算法对图像的质量和分辨率有较高的要求，因此在进行骨架提取前，我们需要对图像进行预处理，如去噪、二值化和边缘检测等。此外，不同的骨架提取算法适用于不同的图像类型和应用场景，我们需要根据实际情况选择合适的算法。
基于机器视觉的瓜科砧木苗参数提取
2021年8月Aug.2021第45卷第4期Vol.45,No.4热带农业工程TROPICALAGRICULTURALENCINEERING
基于机器视觉的瓜科砧木苗参数提取①
周磊②龚征绛费焕强陈武查杨喻擎苍③
（浙江理工大学浙江杭州310018）
摘要为解决半自动嫁接机嫁接过程中需人工取苗问题，通过机器视觉方法对目标进行HSV多值化操作，分
析光照强度对轮廓提取的影响，最后提取目标轮廓，对轮廓使用优化后的最小外接圆方法计算出砧木苗张开角度参数，并以此为基础计算砧木苗的最长截线宽度。结果显示，优化后最小外接圆方法处理速度是传统方法7倍，准确率为99.2%，砧木苗张开角度准确率为99.58%，采用“垂直法”求解的最长截线宽度平均误差为3.6个像素。因此，基于机器视觉可以准确地确定砧木苗的张开角度，保证了砧木苗抬升后均可保持相同姿态，为后续嫁接操作提供广阔空间。关键词机器视觉；最小外接圆；嫁接；参数提取中图分类号S224
ExtractionofParametersofCucurbitaceaeRootstockSeedlings
BasedonMachineVision
ZHOULeiGONGZhengjiangFEIHuanqiangCHENWuZHAYangYUQingcang
(ZhejiangSci-techUniversity,Hangzhou,Zhejiang310018)
AbstractInordertosolvetheproblemthatthesemi-automaticgraftingmachinestillrequiresmanualseed‐
lingduringthegraftingprocess,thedegreeofautomationoftheautomaticgraftingmachineisimproved.
PerformHSVmulti-valueoperationonthetargetbymachinevisionmethod,analyzedtheinfluenceoflight
基于点云数据的树木骨架线提取研究
应用技
文章编号：１６７４—９１４６（２０１７）０６—００５３—０３
基于点云数据的
树木骨架线提取研究
李杨，李秀峰
（安徽理工大学测绘学院，安徽淮南２３２００１）
摘要：为了构建树木骨架线，利用三维激光扫描仪对树木扫描得到点云数据，以此为数据源，利用Ｇｅｏｍａｇｉｃ软件
去噪配准后构建树木三维模型≯对树木主干 枝干分割后，利用Ｅｘｃｅｌ对点云数据进行微分后计算出每一小段的重 心即骨架点， 最后基于单源最短路径算法来构建出树木的骨架线，实验证明该方法简单可行，对树木三维建模以及
林业研究有重要的意义。 一 关键词 ．Ｙ－维激光扫描 点云数据；骨架线；单源最短路径算法 中图分类号：ＴＦ３９１．４１；ＴＮ２４９；￥７５８ 文献标志码：Ａ ＤＯＩ：１０．３９６９￣．ｉｓｓｎ．１６７４－９１４６．２０１７．０６．０５３
树木骨架在树木研究中发挥着重要作用，它不
仅是树木三维几何造型构建的基础，而且对计算机
图形学、景观设计、精准林业等领域研究具有重要
意义ｌｌ】。目前，树木骨架线的构建通常是从图像处
理的角度出发，只是片面地考虑点云数据，提取出
来的骨架线也只是单纯地反映树木某一侧的形状，
难以描述树木真正的参数［２１。笔者利用三维激光扫
描仪对树木进行扫描，得到树木的点云数据，去噪
配准后建立树木的点云模型，将树木主干、枝干分
割分块，利用Ｅｘｃｅｌ软件对分块的点云数据微分，
计算微分后每一小区间的重心坐标。借以代替该小
区域内树木的骨架点，最后利用单源最短路径算法
将各个骨架点连接．构成该树木的骨架线。
１树木的三维建模
针对树木建模的研究已经有几十年的历史。早
期，研究者们根据植物生长特性，通过研究植物生
长规则和形态特征，用计算机近似模拟出各种植物
的三维模型，其中比较有代表陛的方法有基于分形
的方法、粒子系统、基于二维枝干草图等。这些方
法只是模拟出了与现实形状相似的三维模型，并利
用相应的计算机软件通过调整大量的参数生成需要
葡萄穗机器视觉分级机中葡萄传送和分级机构设计
优秀完整毕业设计资料，欢迎下载借鉴！！！
葡萄穗机器视觉分级机中葡萄传送和分级机构设计
摘要：针对葡萄分级，本文介绍了机器视觉应用于葡萄的研究现状，并对其进行了分析。在此基础上，提出了自己的设计方案，同时对其进行了方案论证。还有完成了葡萄传送机构和分级机构的设计与计算。
关键词：葡萄穗分级；机器视觉；传送机构；分级机构 优秀完整毕业设计资料，欢迎下载借鉴！！！
Grape spike machine vision grader in
transport and sorting mechanism design
Abstract: For grape grading，this paper introduces the research status of
machine vision is applied to the grape classification at home and abroad，and analyzes its。 On this basis，put forward own design，at the same time
on the project demonstration。And completed the design and calculation
of the transmission mechanism and the classification mechanism。
Key words:grape grading；machine vision；the transmission mechanism；the classification mechanism 优秀完整毕业设计资料，欢迎下载借鉴！！！
前言
机器视觉的概念于20世纪50年代在外国被提出，20世纪70年代真正开始发展，20世纪80年代进入发展正轨，20世纪90年代发展趋于成熟，20世纪90年代后高速发展。而国内机器视觉发展的起步是20世纪80年代，20世纪90年代进入发展期，近几年才加速发展。而将机器视觉应用于水果检测，是对水果产业的发展起到了重要的作用，尤其是在水果的无损检测和分类方面。现在这一类的研究大多都是以桔子、苹果、番茄等形状规则的单果目标为对象进行研究，对于葡萄，由于其形状不规则，图像分割和处理难度大，所以在这一方面的研究很少。然而我国是葡萄生产大国，葡萄总产量已持续多年位居世界第一位，2006年，中国葡萄总产量达634.37万吨，2008年，葡萄产量达715.15万吨，位居世界排名第5位。我国葡萄总产量呈大幅度增长趋势，但是葡萄出口量却一路下跌，2006年出口量仅占世界总出口量的1%，随着经济发展和市场的扩大，消费者对葡萄品质的要求不断提高，这就要求我国葡萄产业加快从数量型向质量型转变。故对于葡萄的分级的研究，已经很重要。 优秀完整毕业设计资料，欢迎下载借鉴！！！
基于数码相机的果树枝干三维重建关键技术研究
基于数码相机的果树枝干三维重建关键技术研究
么炜;蔡金金;滕桂法
【摘 要】基于图像的三维重建是计算机视觉的一个重要分支,是虚拟现实和科学可视化领域的基础.本文针对果树枝干三维重建的关键技术进行了研究,改进了枝干提取、特征点匹配、三维点云计算等算法.真实图像实验表明,本文所提出基于分型与颜色特征相结合的图像分割算法、改进的SIFT特征匹配算法在果树枝干三维重建中都优于文中提到的传统算法;基于最小二乘法的三维点云数据的计算方法匹配准确率达到85.16％,验证该方法的可行性.
【期刊名称】《河北农业大学学报》
【年(卷),期】2013(036)006
【总页数】4页(P120-123)
【关键词】三维重建;枝干提取;图像匹配;果树枝干
【作 者】么炜;蔡金金;滕桂法
【作者单位】河北农业大学信息科学与技术学院,河北保定071001;河北农业大学机电工程学院,河北保定071001;河北农业大学研究生学院,河北保定071001
【正文语种】中 文
【中图分类】TP391.41
果树植株三维模型的建模国内外已展开多年的研究，几何模型的精确性，实时性，自适应拓扑形变方面取得了较大的进展，但仍有很多问题亟待解决：树木结构的复杂性，各种成像模式下反应的树木结构信息具有一定的局限性，不同数据获取方式得到的图像在清晰度、对比度和完整性方面存在一定的差异；建立果树植株三维模型的实时性有待提高，影响实时性最关键的因素是几何信息快速有效的提取，现有算法还不够完善，尚未很好的解决快速、完整、准确、自动提取的问题[1－2]。本文研究的是应用普通的数码相机这类简单设备进行三维重构，其流程通常可分为图像获取、相机标定、特征点匹配、三维坐标的计算和后处理等5大部分。本文重点解决图像获取、特征点匹配和三维点云的计算这3方面的问题[3]。
1 图像获取
1.1 基于图像的信息
该图像信息的获取是应用数码相机在距离树木相同距离处，从4个角度拍摄树木（4个角度之间的夹角为90°），获得4副图像，如图1所示。
基于机器视觉的葡萄自动识别技术
第３６卷第１１期 ２００８年１１月 东北林业大学学报 ＪＯＵＲＮＡＬ ＯＦ ＮＯＲＴＨＥＡＳＴ ＦＯＲＥＳＴＲＹ ＵＮＩＶＥＲＳＩＴＹ Ｖ０１．３６ Ｎｏ．１ｌ ＮＯＶ．２０ｏ８
基于机器视觉的葡萄自动识别技术
田 锐 郭艳玲
（东北林业大学，哈尔滨，１５００４０）
摘要为了应用计算机对自然场景下的葡萄进行自动识别，根据机器视觉原理，进行图像采集。将葡萄的 图像进行平滑、锐化等预处理后，在ＲＧＢ颜色空间内计算葡萄颜色样本值，并根据样本值进行图像分割，最后利用 分割的结果进行特征提取。仿真试验证明，这种方法对葡萄的识另ｑ效果较好，紫色、红色葡萄的准确率接近９０％。 关键词颜色空间；图像分割；机器视觉（计算机视觉）；图像处理 分类号ＴＰ３９１．４１ Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ｏｆ Ｇｒａｐｅ Ｂａｓｅｄ Ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ／Ｔｉａｌｌ Ｒｎｉ。Ｇｎｏ Ｙａｎｌｉｎｇ（Ｓｃｈｏｏｌ ｏｆ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ．Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ．Ｈａｒｂｉｎ １５Ｏｏ４Ｏ，Ｐ．Ｒ．Ｃｈｉｎａ）／／Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅａｓｔ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ．一 ２００８，３６（１１）．一９５～９７ Ｔｈｅ ｉｍａｇｅｓ ｏｆ ｇｒａｐｅ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ ｂａｓｅｄ Ｏｉｌ ｔｈｅ ｔｅｃｈｎｉｑｕｅ ｏｆ ｍａｃｈｉＲｅ ｖｉｓｉｏｎ ｉｎ ｏｒｄｅｒ ｔｏ ｉｄｅｎｔｉｆｙ ｏｕｔｄｏｏｒ￣ａｐｅｓ ａｕｔｏ－ ｍａｔｉｅａｌｌｙ ｂｙ ｃｏｍｐｕｔｅｒ．Ｔｈｅ ＲＧＢ ｖａｌｕｅ ｏｆ ｇｒａｐｅ ｗａｓ ｃａｌｃｕｌａｔｅｄ ａｎｄ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｇｒａｐｅ ｗａｓ ｏｂｔａｉｎｅｄ ａｆｔｅｒ ｔｈｅ ｉｍａｇｅｓ ｏｆ ｇｒａｐｅｓ ｗｅｒｅ ｓｍｏｏｔｈｅｄ ａｎｄ ｓｈａｒｐｅｎｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅ ｆｅａｔｕｒｅ ｗａｓ ｅｘｔｒａｃｔｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｉｍａｇｅ ｓｅｇｍｅｎｔ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｐｒｏｖｅｄ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉＯｉｌ ｗａｓ ｖｅｒｙ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｉｄｅｎｔｉｌｙｉｎｇ ｄｉｆｅｒｅｎｔ ｇｒａｐｅｓ． Ｔｈｅ ｃｏｒｒｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐｕｒｐｌｅ ａｎｄ ｒｅｄ ｇｒａｐｅｓ ｒｅａｃｈｅｄ ９０％． Ｋｅｙ ｗｏｒｄｓ Ｃｏｌｏｒ ｓｐａｃｅ；Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ；Ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ；Ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ
基于机器视觉的树木种类识别方法及装置
文章标题：探索基于机器视觉的树木种类识别方法及装置
一、引言
在当今社会，随着科技的迅猛发展，机器视觉技术的应用越来越广泛，其中包括了树木种类识别。树木种类识别在城市规划、生态环境保护、园林景观设计等领域都具有重要意义。本文将深入探讨基于机器视觉的树木种类识别方法及装置。
二、机器视觉技术在树木种类识别中的应用
1. 图像采集
在进行树木种类识别时，首先需要进行图像采集。可以利用无人机等设备在不同角度和距离下对树木进行拍摄，以获取多样化的树木图像。
2. 图像处理
接下来，对采集到的图像进行处理，包括图像去噪、灰度化、边缘检测等。这些处理可以有效地提取出图像中的树木特征，为后续的识别提供基础。
3. 特征提取
对处理后的图像进行特征提取是树木种类识别的核心步骤。可以利用机器学习算法，从图像中提取出树木的形状、叶片、树干等特征，并将其转化为可供计算机处理的数据。
4. 样本训练
在得到了丰富的树木特征数据后，需要进行样本训练。通过将已知种类的树木图像数据输入到机器学习模型中，让模型学习并建立起各种树木特征与种类的映射关系。
5. 树木种类识别
最后一步是利用训练好的模型对新的树木图像进行识别。模型将根据图像的特征对树木进行分类，并输出相应的种类信息。
三、基于机器视觉的树木种类识别装置
在树木种类识别装置的设计中，需要考虑图像采集设备、图像处理算法、机器学习模型等多个方面。一种可能的装置设计是以无人机为评台，装配高清摄像头进行图像采集，然后通过搭载的处理器对图像进行实时处理和识别，最终输出识别结果。
四、个人观点和理解
基于机器视觉的树木种类识别方法及装置具有重要的应用前景，但在实际应用中还存在一些挑战。对于复杂的自然环境下的树木图像，如何提高识别的准确性和鲁棒性是一个值得探讨的问题。如何设计出便于操作和推广的识别装置也是需要考虑的。
总结
通过本文的探讨，我们了解了基于机器视觉的树木种类识别方法及装置的基本流程和应用前景。这一技术的不断发展将有助于我们更好地了解和保护自然环境中的树木资源，为城市规划和生态保护提供更多的数据支持。
基于双目视觉的树木高度测量方法研究
摘 要
随着人工智能时代的到来，计算机视觉领域被广泛应用到各个行业中。同样的，人工智能改变着传统林业的研究方法，林业信息工程技术日渐成熟。针对传统树高测量方法中存在的结果准确性不高、操作困难、专业知识转化为规则困难等问题，采用了一种基于双目立体视觉理论计算树高的方法，实现了树木高度的无接触测量。以双目相机作为采集设备，基于MATLAB、VS2015开发平台，采用张正友单平面棋盘格相机标定方法进行单目标定和双目标定，从而获取双目相机2个镜头的参数。通过SGBM算法和BM算法立体匹配后获得视差深度图像，进而获取树木关键点的三维坐标信息并以此来计算树木高度。将深度学习与双目视觉相结合可以实现树木同时在二维和三维空间的信息提取。在VS2015上的试验结果表明，该方法操作相对简单，并且能够较为准确地测量树木高度，SGBM算法树高测量结果的相对误差范围为0.76%~3.93%，BM算法相对误差范围为0.29%~3.41%。结果表明：采用双目视觉技术测量树木高度可以满足林业工程中对于树高测量的精度需要。
随着现代科学技术的迅速发展，林业管理工作效率需要不断提高，精准林业成为林业领域的发展趋势。
树木参数
树木参数是林业调查的重要指标，其中树高是森林调查的重要指标，对于树木生长具有一定参考价值。
机器视觉可代替人眼对物体进行检测和识别，较为常见的是利用单目摄像头。若要获取物体的深度信息，仅凭单目摄像头是不完善的，通常情况下需选择双目摄像头来获取物体三维信息。
目前，智能手机后置镜头数大多不少于2个，已达到双目视觉测量的物理环境，未来将双目视觉技术应用在智能手机上可以达到成本低、操作便捷的效果。
同样的，可以将双目视觉技术应用在无人机上，实现对地势复杂、不易拍摄的树木进行树高测量。此外，双目视觉技术对倾斜树木的树高测量具有一定价值和意义。
目前，大多采用传统的望远测树仪来测量树木高度。
邱梓轩等利用PDA模块、远程EDM模块、长焦CCD镜头模块和云台组成望远测树仪测量立木高度。有研究人员选择手持智能手机通过内置传感器获取参数，从而计算测得立木高度信息。
枝干骨架提取关键算法的研究
枝干骨架提取关键算法的研究
摘 要 骨架反映了物体的拓扑信息，因而是描述物体和压缩数据的有力工具，在图形学和图像处理中，骨架也很好地保持了网格模型和图像中物体的“骨干”信息，得到了较好的骨架就可以重构物体或模型的原有形态。本文针对传统的骨架提取算法虽然可以获得物体的中轴，但是存在计算复杂，提取的骨架有很多多余分支或者骨架断裂等缺点，提出了基于高斯混合模型和交互式图像分割技术的用户手绘的草图来辅助识别骨架提取算法。
关键词 骨架提取；高斯混合模型；交互式图像分割
0 引言
骨架提取作为识别物体的一种方法，最初只针对于二维图像，后来也应用于三维模型，但两者的目的是相通的：将二维轮廓或三维面片浓缩为若干曲线的集合，即骨架。图像物体骨架提取的方法通常分为基于对称轴分析的骨架提取算法、细化算法和形状分解算法。
1 高斯混合模型
高斯混合模型（Gaussian Mixture Model）是若干个高斯分布的线性组合，因为单个高斯分布所具有的性质在实际应用中无法完美地与数据契合，但是多个高斯分布通过一定的线性组合的系数组合在一起就可以很好地描述任何分布的实际数据。高斯混合模型采用高斯概率密度函数精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型，学术界认为任何一个概率分布都可以由多个正态分布或高斯分布逼近和近似。同时高斯混合模型是若干个单一高斯分布的加权组合，模型中每个高斯分布占据一定的权重并且分别表示数据集在某一方面的聚集分布特征，因而整个高斯混合模型就描述了数据集在全局上的特征分布情况。
2骨架的识别
2.1枝干骨架的定义
骨架是描述物体主要拓扑结构的有力工具，同样，对于树木来说，枝干结构反映了树木的基本拓扑信息和几何形态，所以枝干骨架很好地表示了枝干分支结构的拓扑以及几何信息。
孙若曦等人利用图像分割、距离变换和最大值抑制的综合方法尽管得到了枝干的中轴，但是其方法需要将图像转化为二值图像，且基于细化的骨架提取会造成骨架断开，失去连通性，这不利于我们寻找枝干的父子关系。