matlab水果识别实验报告

目录

第一章 绪论......................................................... 1

第二章 数字图像处理基础............................................. 2

2.1图像采集..................................................... 2

2.1.1图像的采样 ............................................. 2

2.1.2图像的量化 ............................................. 5

2.2 图像处理的编程基础 .......................................... 9

2.3图像的基本操作............................................... 9

2.3.1图像读入方法 ........................................... 9

2.3.2 图像显示方法.......................................... 10

第三章 图像特征提取与分类.......................................... 10

3.1 总体设计思路 ............................................... 10

3.2 图像预处理 ................................................. 11

3.2.1图像数据获取 .......................................... 11

3.2.2 图像二值化处理........................................ 12

- 1 - 基于MATLAB的苹果外观特征检测

摘 要 本文根据苹果分级判定标准中的两个评定指标：果径和果面缺陷，探讨如何利用MATLAB技术进行苹果外观的特征检测，从而提高苹果品质检测的工作效率。

关键词 MATLAB；苹果分级；果径；果面缺陷

0 引言

近年来，随着人们生活水平的提高，对于水果的品质要求也不断提高，实行水果分级销售成为当前市场的一个趋势。传统的水果等级评判主要依靠工人手摸、眼看，评定指标不客观，且人工成本高、效率低，不利于产业的规模化、工业化发展。因此，利用计算机图像技术研究客观、方便、高效的水果品质检测方法具有较大的应用前景。在本文中，作者以苹果为例，探讨基于MATLAB的苹果外观特征检测方法。

根据国家质检总局2003年发布的《烟台苹果原产地域产品国家标准》（以下简称《标准》），对于苹果分级的评定指标分为：品质基本要求、色泽、果径（最大横切面直径）、果面缺陷等方面内容，每一项都有具体分级标准。其中，品质基本要求为概略性的总体要求，苹果色泽由于品种的不同，色泽不同。因此，本文着重从果径及果面缺陷两方面特征对苹果进行检测判定。主要采用单个苹果照片进行检测。检测前，首先固定图像采集设备和检测平台的位置，同时固定各项拍摄参数（焦距、像素等）不变，并确保用于分析的每张照片长度、宽度保持一致。

1 果径（最大横切面直径）检测

对果径的检测思路为：将图片灰度化、二值化后，利用regionprops函数计算二值化图像的最小外接矩形大小，外接矩形框长度和宽度中的最大值即为苹果最大横切面直径。不过，此时的数值为像素值，通过与照片的长、宽像素值进行比较，结合图片的实际长、宽值，即可求出果径的实际长度。

图1 设定苹果照片参数

在实验过程中，直接将图片灰度化、二值化后得到的苹果图像边缘不完整，因此考虑将图像转换到HSI颜色空间，利用S分量进行灰度化、二值化处理，较好的保留了苹果的边缘。

第 39 卷 数字技术与应用

900 引言

以往苹果分级多采用人工分级和机械分级,效率低、精度低。本文利用MATLAB图像处理技术设计了一个程序,能够高精度地识别苹果表面图像的大小、颜色、形状和缺陷程度数据,成功地实现了苹果的自动分级。Bhatt等[1]建立基于机器视觉和人工神经网络的苹果分级系统,其具有较好的性能。Sofu M等[2]依据苹果的颜色,大小及重量特征将苹果分成不同的等级,设计了苹果在线分拣系统,在对183个样本进行了测试之后,得到分级的准确率在73％到96％之间。杨小青等[3]利用像素点变换法计算苹果的表面积以及着色比,依据此来判断苹果等级。黄兆良等[4]经过在苹果RGB图像上进行阙值分割,之后采用超红—超绿阙值分割来计算苹果的着色面积,最后分级准确率达到90%以上。邱光应等[5]把果梗花萼以及缺陷的颜色、纹理及形状作为特征,使用决策向量机进行三者区分,最终识别正确率达到97.7%。黄辰等[6]利用苹果的果径、色泽和缺陷面积通过判别树进行了初步的分级,又使用果形、纹理和颜色分布特征通过了粒子群优化的支持向量机进行再次分级,最后把两种模型结果进行决策融合,得到最终的分级结果。郑羽纶等[7]在对苹果的分级中,首先利用支持向量机模型区分了缺陷果和完好果,然后在对完好果分级时,分别进行了单一特征下的分级,又利用了多特征组合下利用K－最近邻、BP神经网络和支持向量机算法的分级,为提高分级准确率,提出多特征多分类器融合的分级方法,最终分级准确率达到了90.2%。本文以红富士苹果为研究对象,设计了基于MATLAB图像处理的苹果分级检测系统。在总结国内外研究成果的基础上,选择了高速、高可靠性的方法。该系统包括图像采集、图像预处理、特征提取和苹果分级。在对苹果进行分级时,主要依据苹果的大小特征、红色着色率即颜色特性、苹果圆形度还有缺陷度进行分级。

1 苹果分级系统的框架

1.1 苹果分级系统基本框架

matlab水果识别课程设计

一、课程目标

知识目标：

1. 学生能够理解并掌握运用Matlab软件进行图像处理的基本原理和方法。

2. 学生能够学习并运用分类算法，实现对水果的自动识别。

3. 学生能够了解并掌握机器学习中常用的数据预处理、特征提取和模型训练等环节。

技能目标：

1. 学生能够运用Matlab软件进行图像读取、显示、预处理等基本操作。

2. 学生能够独立设计并实现基于特征提取和分类算法的水果识别程序。

3. 学生能够通过实践操作，提高编程能力和解决问题的能力。

情感态度价值观目标：

1. 学生通过学习水果识别课程，培养对人工智能和图像处理领域的兴趣和热情。

2. 学生在团队协作中，学会沟通交流、共同解决问题，培养合作精神和团队意识。

3. 学生能够认识到科技在生活中的应用，激发对科技创新的热情，提高社会责任感。

课程性质：本课程为实践性较强的选修课程，结合了计算机科学、人工智能和图像处理等多个领域的知识。

学生特点：学生具备一定的编程基础，对图像处理和机器学习有一定了解，具有较强的学习能力和动手能力。

教学要求：教师在教学过程中应注重理论与实践相结合，引导学生通过实际操作掌握课程内容，关注学生的学习进度和个体差异，鼓励学生积极参与讨论和思考。同时，注重培养学生的团队协作能力和创新精神。通过本课程的学习，使学生能够达到上述课程目标，为后续相关课程打下坚实基础。

二、教学内容

1. 图像处理基础：包括图像读取、显示、转换、滤波等基本操作，重点讲解直方图均衡化、图像增强、边缘检测等预处理方法。

相关教材章节：第一章 图像处理基础

2. 特征提取：介绍常用的特征提取方法，如颜色特征、纹理特征、形状特征等，并通过实例分析不同特征在水果识别中的应用。

相关教材章节：第二章 特征提取与表示

3. 分类算法：讲解机器学习中常用的分类算法，如支持向量机（SVM）、K最近邻（K-NN）、决策树等，以及如何在Matlab中实现和调用这些算法。