确定使用MATLAB图像处理的番茄质量

R.Kalaivani¹,博士。Muruganand²和Dr.Azha.Periasamy²

M。菲尔学者,部门的电子和仪器仪表、Bharathiar大学,哥印拜陀,TN、印度
助理教授,电子和仪器称,Bharathiar大学印度哥印拜陀

文摘

西红柿的识别能力,基于质量的食品工业中最重要的技术实现自动番茄分拣机为了减少人类也耗费时间的工作。这项工作提出了一种分层分级法应用于番茄。在这个工作的识别好与坏西红柿集中在使用MATLAB的方法。首先我们从输入番茄中提取某些特征图像,使用不同的方法如阈值之后,k -均值聚类和分割,从而得到相关数据库。比较多个培训数据库,我们得到一个特定范围的好的和坏的西红柿。从该范围我们可以识别出好的和坏的西红柿。因此本文分析了好的和坏的西红柿成功使用图像处理具有非常高的精度。

关键字

图像采集、预处理、分割、特征提取、特征训练,特征匹配。

介绍

番茄种植的食用水果有许多维生素和有益的营养物质。西红柿,一般消费在日常饮食中,是一种抗氧化剂的主要来源(sgherri et al ., 2008)。他们是一个季节性农作物和可用性是有限的在特定的季节里(Rodriguez-Lafuente et al ., 2010)。西红柿找到许多使用新鲜和加工形式。加工形式包括双桅纵帆船、酱汁、酱和果汁。出口加工产品的西红柿为国家带来更多的收入。为了得到高质量的加工产品质量的西红柿应该是好的。此外高劳动力成本对于识别行业的好的和坏的番茄是主要的障碍,也费时间。因此它是非常重要的识别番茄的品质为目的使用的自动分类机用于各种行业的必需品。为了克服这个问题,图像处理方法在工业近年来已成为一个主要问题。使用MATLAB软件作为一种工具在图像处理中,我们可以发现西红柿使用各种算法的质量。 Finally after collecting lot of trained data bases, we have proposed certain range. With these ranges we can identify the quality of tomatoes, whether it is good or bad.

提出的方法

阶段提出的方法如下所示。

识别所涉及的步骤的好的和坏的西红柿是图像采集质量、预处理、分割、特征提取、特征训练和特征匹配。最终西红柿的质量确认。

图像采集

使用数码相机进行图像采集和使用MIL软件加载和保存。MIL与图像从任何类型的彩色或单色源。MIL支持图片的保存和加载。它支持文件格式如TIF (TIFF), JPG (JPEG), BMP(位图),以及原始格式。在这里输入图像RGB图像。

前加工

通常获得的图像在图像采集过程中可能不适合直接用于识别和分类,因为某些因素,如噪声、气候条件和低分辨率的图像和不需要的背景等希望采用成熟的技术和研究它们的性能。

预处理所涉及的步骤

答:输入图像

b .背景减法

c将RGB转换为灰色

将灰色转换为二进制

e .过滤

答:RGB图像

RGB彩色图像的格式之一。这里体现了输入图像的三个矩阵大小匹配的图像格式。在每幅图像的三个矩阵对应的颜色红色、绿色和蓝色,还说,这些颜色的多少一定像素应该使用。这是以下步骤的输入图像处理。这里fig1.1显示输入图像的好的和坏的西红柿。

B。背景减法

背景减法提取前景对象的过程在一个特定的场景。一个前景对象可以被描述为一个对象的关注有助于减少需要处理的数据量。这里fig1.2显示图像背景减法后的好的和坏的西红柿。

c .灰色的图片:

灰度图像的唯一色彩之间只有灰色的阴影。单色是灰度图像的另一个名字,表示的存在只有一个颜色(单色)(铬)。转换成任何颜色的灰度表示其亮度,我们必须获得值的红,绿,蓝(RGB)初选在线性强度编码,由伽马扩张。这里Fig1.3展示了好的和坏的灰色图像西红柿。

e .过滤:

平滑的目的是减少噪声,提高图像的视觉质量。通常,平滑称为过滤。这里过滤进行中值滤波,因为它是非常有用的在保持边缘。

f .中值滤波:

最著名的次序统计滤波器是中值滤波器,它取代了像素的中值价值灰色像素的水平附近

像素的原始值包含在计算中位数。中位数过滤器是非常受欢迎的,因为他们对于某些类型的随机噪声提供优秀的降噪功能,减少了许多比线性平滑滤波器的模糊相似的大小。中位数的值不受噪声的实际价值影响细胞。中值滤波是特别擅长去除孤立的随机噪声,如这个例子[4][5][6]。它还保留了边缘和线特性比低通/平均滤波器,但又产生一些模糊。这里Fig1.5显示过滤后的好的和坏的番茄使用中值滤波的图像。

分割

图像分割的目的是将一幅图像划分成有意义的地区对一个特定的应用程序。分割是基于测量的图像和灰度级,颜色,纹理,深度和运动给您edge-based分割是最适合的。边缘检测是图像处理的基本步骤,有必要指出真正的边缘匹配过程中得到最好的结果。这就是为什么重要的是要选择适合的边缘探测器最好的应用程序。选择这样精明的边缘检测器。

精明的边缘检测器:

精明的边缘检测算法也被称为最优边缘检测器。精明的意图是提高许多图像中边缘检测器。

1)第一个标准应该低错误率和过滤掉不必要的信息而保留有用信息。

2)第二个标准是保持尽可能低的变异在原始图像和图像处理。

3)第三个准则删除多个反应的优势。

根据这些标准,精明的边缘检测器首先消除消除噪声的图像。然后发现图像梯度强调空间衍生品高的地区。然后算法追踪沿着这些地区和抑制任何像素不使用non-maximum抑制最大。梯度数组现在进一步减少滞后移除裸奔,薄边。[7]。这里fig1.6展示了好的和坏的边缘检测番茄用精明的边缘检测器。

特征提取

特征提取是指将输入数据分组为一组特性。特征提取仔细将从输入数据中提取相关信息以执行功能匹配使用这种减少的表示而不是全尺寸的输入。在聚类的过程被用来提取特征形成好的和坏的西红柿。

聚类基础知识:

聚类分组相似物体产生的组织的过程被称为集群。根据不同的标准聚类算法组数据点。与大多数分类方法,聚类处理的数据没有标签,或忽略了标签,而集群。在图1.7展示了好的和坏的聚类值西红柿。

b .聚类算法:

k - means聚类算法

功能训练

功能训练方法包括收集大量聚集的训练特征值的好的和坏的西红柿。更多数量的收集培训功能给更多的准确性。在这种方法中,最亲密的代码的数量为每个训练向量向量识别和存储为相应的集群密度。所有培训的集群密度向量计算和按降序排序。从排序的列表中,M集群密度较高的训练向量识别和分组密码本。这个密码本保存和装载在MATLAB功能匹配。

特征匹配

图像特征匹配方法本质上是由检测特性,可以与相应功能的其他图像变换模型可以估计。特征匹配是图像处理领域的一项重要任务就是相关法用于特征匹配. .这里的聚集值好的和坏的西红柿被更多的数量。与提取的特征每个值与另一个得到好的和坏的番茄的特定值。与这些值我们可以确定好的和坏的西红柿。

结论

本文识别基于质量的好的和坏的西红柿在使用MATLAB图像处理是成功完成了80%的准确率。使用图像处理识别质量不仅西红柿也可以适用于其他水果如橘子、苹果、西瓜等,蔬菜也有更多的准确性。因此,这将使技术被应用在许多产品。

确认

我们感谢专家对模板的发展做出了贡献,特别是我Amma,奈。

引用

a . k . Jain,“数字图像处理原理”印度Prentice Hall,第一版,1989年。
拉斐尔·C。冈萨雷斯和理查德·e·伍兹,“数字图像处理”,培生教育,第二版,2005年版。
德洛丽丝。埃特尔,“介绍Matlab”, 2010。
林r, l, m . Gabbouj j . Astola和Y。Neuvo”结构约束条件下的最优加权中值滤波器”,IEEE反式。信号处理、43卷,第604 - 591页,1995年3月。
Pei-Eng Ng和Kai-Kuang马”,一个开关中值滤波与BDND极其损坏图像”,IEEE反式图像处理,15卷,6号,第1516 - 1506页。2006年6月。
Gajanand Gupta”,使用改进的中值滤波和图像处理算法的比较的意思是,中位数和改进中值滤波”,国际期刊的软计算和工程(IJSCE) ISSN: 2231 - 2307,第一卷,第五期,2011年11月。
Sonam Saluja et al .,“边缘检测方法的研究”,国际先进的研究在计算机和通信EngineeringVol杂志》上。2,问题1,2013年1月。
Ms.Chinki Chandhok et al .,“一个图像分割方法使用k - means聚类算法”,国际期刊信息技术(IJIT),体积- 1,- 1,2012年8月。
Gastelum-Barrios et al .,“番茄与图像处理质量评价:回顾”,非洲农业研究杂志》第六卷(14),页。3333 - 3339年,2011年7月18日。
阿曼Arefi et al .,“识别和定位基于机器视觉的成熟番茄”,澳大利亚作物科学学报,ajc 5 (10): 1144 - 1149 (2010)。