图像处理在大米品质检测中的应用研究

, ,

(1.西安工业大学电子信息工程学院，陕西 西安 710021；2.咸阳职业技术学院，陕西 咸阳 712000)

0 引言

大米外观品质是其价格和用途的重要决定因素，传统中主要依靠人对粮食外观的主观判断，再对照行业标准得出粮食的等级。这种方法简单、快速，但是缺乏客观性，存在精度不高、费时费力等缺点。我国作为农业大国，每年的进出口大米总量较大，研究一种能快速有效检测大米外观质量的方法具有实际意义。大米颗粒的颜色、大小以及颗粒表面粗糙程度都是判断大米质量的物理指标，在实际中由于虫害、变质等原因会造成大米颜色暗淡、外观变形。为了提高鉴别大米外观品质的有效性和高效性，利用图像传感器来代替人眼获取粮食图像，进而利用图像处理与分析的方法对大米籽粒进行分析并依据图像参数给出判断标准[1-6]。在此，主要研究大米图像的处理和分析，将基于感官检测的大米质量判别定量化、标准化，克服传统感官检测的主观性和随意性。

1 大米品质检测系统功能设计

1.1 硬件平台

硬件平台主要由4部分组成：籽粒进料输送机构、摄像机、拍摄平台和PC机，如图1所示。大米籽粒通过籽粒进料输送机构到达拍摄平台上，拍摄平台上方的摄像机对大米籽粒进行拍摄。PC机为整个硬件平台运行的控制中心，控制进料速度和籽粒在拍摄平台上的移动，并且储存拍摄到的籽粒图片，然后通过系统的检测软件判断大米品质。

图1 大米籽粒拍摄平台

1.2 软件功能设计

检测系统的软件功能模块框图如图2所示，基于图像处理技术对大米籽粒品质进行感官评价，大米图像由硬件平台拍摄，模板库图像根据评价标准提供，模板库可更换，以便满足不同的籽粒品质评价标准。系统软件首先对待检测图像进行预处理，增强图像的同时去除噪声；然后从大米籽粒的颜色、大小以及纹理3个方面对待测大米图像进行品质评价[7-9]。通过算法计算出待测籽粒与标准模板库图像的差别参数，从而衡量待测籽粒图像的降质程度，实现大米品质的外观检测。

图2 软件功能结构框图

2 基于图像处理的大米品质判别

2.1 图像预处理

图像预处理是图像处理系统的重要环节，该环节会影响后续的图像特征提取、识别分析。在实际拍摄时，获取的图像信息中通常含有各种各样的噪声与畸变，而光照度不够均匀也会造成图像灰度过于集中，因此需要对图像质量进行改善。图像预处理的关键是提高灰度图像的对比度，增强图像的视觉效果，本系统采用直方图均衡化来增强灰度。

直方图均衡化是将原图像的直方图经过变换函数修正为均匀直方图，然后按均衡后的直方图修正原图像，增加图像灰度值的动态范围。拍摄的粮食图片中，单位面积内米粒分布集中，每粒大米的所占空间较小，重叠粘连米粒较多，这样不容易提取米粒颜色、大小和纹理特征。系统尝试采用直方图均衡化增强整个图像的对比度，对图像整体和局部特征进行有效改善。具体方法是：

a. 列出原始图像的灰度级SK，K=0,1,…,L-1，其中L是灰度级的个数。

b. 统计原始图像各灰度级的像素数目NK。

c. 计算原始图像直方图各灰度级的频率数。

d. 计算原始图像的累计直方图。

e. 取整计算。

tK=INT[(N-1)tK+K/N]

(1)

f. 确定映像关系。

SK→tK

(2)

g. 统计新直方图各个灰度级的像素nK。

h. 计算新的直方图。

Pt(tK)=nK/N

(3)

原始图像和均衡化后图像的直方图对比，如图3所示。横坐标表示的是图像的像素值，纵坐标为数据点数目，每一个柱条代表了处于该像素的数据点数目。经过直方图均衡化后，原始图像的直方图变换成均匀分布的形式，增加了灰度值的动态范围。原始图片中米粒比较聚集，不容易分割出每粒大米，经过直方图均衡化后，堆积在上层的米粒明显地与其他米粒分离，一些看不清或者被遮挡的籽粒消失了，处理后灰度相同的区域之间有明显的边界，如图4所示。处理前后的图像对比中可以看出，许多在原图像上看得不是很清楚的细节在直方图均衡化以后变得十分清晰。

图3 均衡化前后图像直方图

图4 大米图像直方图均衡化前后对比

2.2 边缘检测

边缘是图像中灰度发生急剧变化的区域边界，进行图像分析时可以通过检测图像中不同区域的边缘来分割图像。通常，边缘检测是采用某种算法来提取图像中对象与背景间的交界线。采用不同的边缘检测算子对大米图像进行边缘检测，比较优劣，确定最优的边缘检测算子。该环节实际上就是寻取具有最佳边缘响应的滤波器，让其具有最大的边缘信号输出信噪比，并对边缘具有精确的定位。

Sobel算子、LOG算子、Roberts算子和Canny算子是几种常见的边缘检测算子[10]，其中，Sobel算子是加强中心像素的四周像素权重，从不同的方向检测边缘，通常用于灰度渐变和噪声较多的图像；LOG算子是拉普拉斯算子的改进，引入了平滑滤波，能去除服从正态分布的噪声；Roberts算子则是通过计算代表边缘强度的梯度来判断边缘，其中梯度方向与边缘垂直，该算法定位精度高，但对噪声敏感；Canny算子是一种最优的边缘提取算子，已经广泛应用于实际中，包含用高斯滤波器进行平滑，使用差分模板来近似计算梯度值与方向，应用局部极大模法和双门限法来获取、连接边缘[11]。

大米图像中存在一定的噪声，噪声主要来源于拍摄时光照不均匀、图像传感器等。根据各边缘提取算子的优缺点分析，系统尝试利用Canny算子作为大米图像边缘检测算子。如图5所示，分别是Sobel算子、LOG算子、Roberts算子和Canny算子采用自动选择阈值的方式对大米图像进行边缘检测。其中，Sobel算子和Roberts算子检测的大米图像边缘连续性较差，边缘特征不显著，这可能与图像的灰度变化和噪声特点有关。LOG算子和Canny算子的边缘检测效果相对较好，但是LOG算子检测的结果忽略了图像中的某些细节，不利于后续的图像分析。所以，系统采用Canny算子检测大米图像边缘。

图5 多种算子对大米图像边缘检测效果

2.3 图像RGB分析

三基色(红、绿、蓝)是大多数彩色图像和图像传感器采用的色彩表达与储存方式，RGB色彩空间是一个三维空间，将3种基本彩色按适当比例混合可组成不同的颜色。所以，对彩色图像的颜色分析可转化为图像的RGB直方图分析。把每幅彩色图像的直方图统计结果看成矢量，则对矢量空间中2个点空间距离的计算就能得到2幅图像的颜色相似性。

实际中，还可以使用色调、饱和度及亮度来描述颜色。除了RGB色彩空间外，还有其他的色彩空间可表示彩色，例如NTSC色彩空间、YCbCr色彩空间。但是，系统主要研究的是大米图像，拍摄到的图像在色调、亮度等方面相差较小，不适宜描述图像的颜色。因此，本系统使用RGB的值来代表颜色值，分析每幅彩色图像的RGB直方图来确定图像之间的颜色相似性。

2.4 图像像素面积分析

对大米图像进行像素面积分析分为2个部分：目标颗粒的提取和像素面积的计算。通过自动阈值分割法提取目标颗粒，该方法是以目标和背景的类间方差最大为阈值选取准则，当目标和背景的类间方差越大时，说明它们的差异越大，分割时错分率越小。将前面预处理过的大米图像进行自动阈值分割，得到图像分割效果，如图6所示。分割后得到的二值图像很好地呈现了目标颗粒，说明该分割方法有效，便于之后的像素面积计算。

图6 自动阈值法分割效果

计算像素面积粗略地讲，就是计算二值图像中非零像素的数目。但是，简单地计算非零像素的数目，可能会造成固有失真，若根据不同的像素进行不同的加权，然后进行计算则可以补偿失真。所以，利用MATLAB中的bwarea函数计算二值图像的面积。

2.5 图像纹理特征分析

物体纹理特征通常指的是颜色模式或者表面光滑程度，纹理分析描述的是图像的区域特征，可定量分析图像的光滑度、质地等参数。系统研究的大米图像中，米粒会因为虫害、变质等原因引起颗粒表面粗糙。本系统采用基于不变矩的纹理统计算法：首先将原始图像分块，通过滤波去除各频率处的噪声，增强图像的纹理结构信息；然后提取特征点，将增强的图像中曲率最大的点作为特征点提取；最后以特征点为中心进行图像局部网格化处理，将单元格各自的不变矩求和得到特征向量。分析2幅图像的纹理差异性，可以分析2特征向量间的距离[12]。

3 实验结果与讨论

选取3种颜色的米粒，白色大米、黄色小米及黑米样品图像进行实验，样品购自各大超市，具体名称及产地如表1所示。系统标准模板库图像为福临门水晶米(产自吉林，白色)样品图像，测试样品共选取了6种白色大米、3种黄色小米和3种黑米，系统分别测试了样品图像与标准图像的RGB距离、像素面积差及纹理差异，测试结果如表2所示。

样品1～6是白色大米，7～9是黄色小米，10～12是黑米，白色大米的平均RGB距离为0.085，像素面积差的平均值为2 516.333；黄色小米和黑米的平均RGB距离分别为0.158和0.251， 像素面积差的平均值分别为9 875.833和4 668.542。RGB距离代表了测试样品图像与模板库图像之间的颜色差异。由表2可知，黑米的RGB距离最大，其次是黄色小米，测试结果符合实际情况，黑米与白色米粒的颜色对比度最大。其中，在白色大米中，样品1和样品4的RGB距离相对于其他白色大米样品较大，这是因为这2种样品虽然牌子不同，但是都属于东北地区的大米，这类大米呈圆粒形，颜色有点暗沉。从表2中可以看出，黄色小米的像素面积差最大，说明黄色小米图像与标准图像上颗粒面积差异最大，测试结果符合实际。另外，相对于其他白色大米图像，样品2和样品5的像素面积差较大，并且和黑米的像素面积差相近，这与样品的颗粒形状有关，丝苗米和香粘米都属于细长粒的籼米，形状与长椭圆形的黑米有点相似，而其他白色大米的米粒形状相对饱满。纹理是观察到的图像像素的灰度变化规律，差异大小与颗粒表皮的特征有关，样品都是未变质的粮食，样品图像之间的纹理特征距离不同，但是整体差异不大。

表1 米粒样品

表2 样品图像测试结果

4 结束语

通过对大米外观品质检测系统的研究，验证了图像处理技术用于粮食外观检测的可行性。不同于传统主观评价的方法，图像处理技术避免了客观性不强、精度低的问题，能满足不同品质评判标准的检测。实验中对大米图像进行了RGB分析、像素面积分析及纹理特征分析。结果表明，利用图像处理技术可有效判别各种米粒之间的差异，从图像的颜色、像素面积和纹理特征实现对大米的品质检测。

参考文献：

[1] 张玉荣,陈赛赛,姜忠丽,等.基于图像处理的小麦容重检测方法研究[J].中国粮油学报,2015,30(3):116-121.

[2] 任景英,谢泽会.基于图像处理的大米粒形检测技术研究[J].农机化研究,2011,33(3):198-200.

[3] 马浚诚,温皓杰,李鑫星,等.基于图像处理的温室黄瓜霜霉病诊断系统[J].农业机械学报,2017,48(2):195-202.

[4] 冼鼎翔,姚青,杨保军,等.基于图像的水稻灯诱害虫自动识别技术的研究[J].中国水稻科学,2015,29(3):299-304.

[5] Courtois F, Faessel M, Bonazzi C. Assessing breakage and cracks of parboiled rice kernels by image analysis techniques[J]. Food Control,2010,21(4):567-572.

[6] 毋桂萍,沈二波,杨红卫.图像处理法在大米碎米率检测中的精度分析[J].中国粮油学报,2009,24(10):94-97.

[7] 曾奇波.基于图像处理技术的大米质量实时检测系统研究[D].湘潭:湖南科技大学,2009.

[8] 阙玲丽.基于计算机视觉技术的玉米植株高度检测的研究[J].农机化研究,2017,39(12):219-223.

[9] 贺强,晏立.基于LOG和Canny算子的边缘检测算法[J]. 计算机工程,2011,37(3):210-212.

[10] 张滢,齐美彬,周云，等.基于特征提取和多示例学习的图像区域标注[J].电子测量与仪器学报,2014,28(8):909-914.

[11] 朱奇光,张朋珍,李昊立，等.基于全局和局部特征融合的图像匹配算法研究[J].仪器仪表学报,2016,37(1):170-176.

[12] 熊建平.基于计算机视觉的墙地砖表面缺陷检测[J].电子测量技术,2015,38(5):53-55.