基于形态学开运算的燕麦籽粒识别中的孔洞填充研究

燕红文，崔清亮

（山西农业大学信息科学与工程学院，山西 太谷 030801）

燕麦是中国传统保健食品，膳食纤维丰富，土壤适应能力强，是贫瘠之地的良好作物。燕麦加工时的清选是一道必要的工序，该过程中会产生部分损失[1-2]，籽粒的损失量是机器性能的衡量指标[3-4]，目前的计算方式较为落后[5-6]，文中采用计算机视觉技术首先对该工序的籽粒做了识别，并基于形态学开运算对识别中出现“孔洞”问题做了处理，为燕麦清选时的籽粒损失的计算机视觉监测提供了一定支持。

1 试验材料与方法

1.1 样品采集

文中使用的晋燕8号采集于山西省五寨县，清选机工作时主要是将燕麦中的茎秆、枝翘、燕麦叶子等杂质去除，并去除一部分干瘪燕麦，将样品按照质量分为3组，图1分别是8g、12g、18g的样品展示，图2展示的是其中包含的部分杂质。

1.2 仪器设备

研究中在山西农业大学自行研制的清选机上进行试验，将晋燕8号样品通过本清选机清选，试验中设定风机转速为70 rpm。

计算机视觉系统使用M3514-MP2型镜头（Computar，2/3″C 接口，f=35 mm，F1.4），Marlin F-046C 型 CCD（AVT Color，C CD1/2"），RL-32-75-R/G/B/W环形光源（CST康视达，1.2 W），BSA224S电子分析天平（赛多利斯公司，感量0.1 g）和MKELEB5CF-BH三脚架（曼富图，工作高度410～1 640 mm）

1.3 图像采集

试验中，晋燕8号样品从筛体被吹落到地面缓冲接装置上，为减少清选机的影子对燕麦图像采集的影响，在保证从清选机中落下的燕麦样品的初始形态的条件下将缓冲装置缓慢从作业机器下部移出，做好图像采集准备。

①将RL-32-75-R/G/B/W环形光源和Marlin F-046C型CCD相机固定到三脚架。

②把电子分析天平置零，托盘清理干净。③标定图像数据，使数据获取标准统一。

1.4 数据分析软件

本试验中对燕麦图像的分析和处理选择使用Matlab 7.0软件。

2 基于形态学开运算的孔洞填充

2.1 图像预处理

采集其籽粒图像时由于光强不同、背景差异等因素，会对试验图像产生一些干扰，去除其影响，会使试验效果更加精确，文中使用多种方法进行了对比试验。图3（a）是采用55的中值滤波进行去噪声处理，最终得到的去噪声效果图。研究表明，该去噪声方式可以保留图像的轮廓特征，并对边缘信息有较好的处理。燕麦图像经去噪声处理以后，需要进一步将籽粒与图像背景分割。Otsu是进行分割时使用频率较高的方法，试验中确定的分割阈值为85，可分性测度0.797 2，取得较好分割效果。如图3（b）所示。

2.2 孔洞填充

在对燕麦图像进行处理时，受图像采集环境的影响或算法不足的影响，在进行“二值化”时产生的二值图会出现孔洞，这对检测效果会产生不良影响，并且对其图像完整性有所破坏，这对其籽粒数目的分析有不利影响。

而形态学方法可以通过结构元素对原始图像进行卷积运算，达到去除图像噪声、消除物体边界点等目的[7]。分为两种基本操作，腐蚀与膨胀。腐蚀可缩小目标范围，由公式1来表达，该公式表示B对A的腐蚀，而膨胀则可使待处理区域扩张，该操作由公式2来表达，表达了B对A的膨胀操作。

式中：A——形态学中一个结构；B——形态学中一个结构。

式中：A——形态学中一个结构；B——形态学中一个结构。

将上述运算进行复合：第一步对燕麦籽粒图像进行腐蚀操作，再对其结果进行膨胀操作。本试验中采用形态学方法的开运算对图像进行孔洞填充，即对图像进行先腐蚀后膨胀操作，去除细小杂物并使轻微粘连的燕麦分开。通过多次试验，当腐蚀操作的结构元素设置为55时，由于原始图中存在细小杂质，无法消除短茎秆，当结构元素设置为99时，可以去除短茎秆，消除细小杂质对处理结果的影响。图4为腐蚀操作和膨胀操作的结果。孔洞的填充由公式3实现。试验结果表明，采用形态学开运算可较好的处理燕麦籽粒分割时出现的孔洞问题，为燕麦籽粒的统计分析提供了一定的支持。

式中：A——集合，元素是8连通的边界；X0——由0组成的阵列，即边界的初始点；B——已知对称结构元；AC——A的补集。

3 结论

（1）将采集的燕麦籽粒图使用Otsu进行预分割可得到二指图像，该图中存在数量不等的“孔洞”，干扰了籽粒识别，试验中使用开运算对其填充效果良好，试验表明，结构元素设置为99时，可以去除短茎秆，消除细小杂质对处理结果的影响。

（2）当杂质的形态与晋燕8号较相似时，很难从算法角度将其去除，而这部分杂质对燕麦籽粒的统计分析会造成干扰，如何识别出外观相似的杂质，提高籽粒识别的效果则有待深入研究。