ubuntu及DM3730的苹果图像分割设计软件开发
目 录
1 绪论 1
1.1 图像分割在水果中的应用 1
1.2 图像分割技术的研究现状 1
1.2.1图像分割方法 1
1.2.2 图像分割技术的分类 3
1.2.3 图像分割技术存在的问题 3
1.3 本文拟采用的研究手段和方法 4
1.4 本课题研究的内容及全文的结构安排 4
1.4.1本课题研究内容 4
1.4.2全文结构安排 4
2 Ubuntu与DM3730概述 4
2.1 Ubuntu简介 4
2.2 Ubuntu安装 5
2.2.1 VMware虚拟机的安装 5
2.2.2 Ubuntu12.04的安装 7
2.2.3 Ubuntu12.04的移植 12
2.3 DM3730开发板简介 13
2.4 Ubuntu与DM3730程序编译调试 13
2.4.1 Ubuntu12.04下的编译环境搭建 13
2.4.2 Ubuntu12.04下的程序编译 18
2.4.3 Secure CRT调试程序 19
2.5 软件流程图 22
3 颜色空间模型 24
3.1 颜色空间模型 24
3.1.1 YCbCr、RGB、HSI概述 24
3.1.2 YCbCr、RGB、HSI转化 25
3.2 色度二值化 26
3.2.1 极小值点阈值选取方法 27
3.2.2 最佳阈值搜寻方法 27
3.2.3 *好棒文|www.hbsrm.com +Q: *351916072*
迭代阈值选取法 28
4 连通域标记算法 29
4.1 基于游程编码的标记算法 29
4.2 基于区域生长法的标记算法 29
4.3 轮廓跟踪标记算法 29
4.4 连通域算法的改进 30
4.4.1 基于游程与轮廓跟踪技术的连通域标记算法 30
5 实验结果及分析 31
5.1 实验图像 31
5.1.1 原始图像 31
5.1.2 二值化图像 31
5.1.3 连通域标记的图像 32
5.1.4 分割出的苹果图像 32
5.2 实验分析 32
5.2.1 存在的问题及对策 32
结 论 33
致 谢 34
参 考 文 献 35
1 绪论
图像分割是把图像分成若干具有独特性质的区域并取出感兴趣目标的过程。目前主要有四类图像分割技术：基于阈值、基于区域、基于边缘和基于特定理论的分割方法[1]。然而，到目前为止并没有一种通用的图像分割方法可以适用于所有的图像，这就需要我们具体图像具体分析，选择合适的分割方法。
1.1 图像分割在水果中的应用
现在图像分割应用在水果的伤痕及缺陷检测，水果等级自动识别与划分中比较多。例如利用遥感图像分析水果成熟情况，考察果蔬光照情况等。图像分割作为图像识别、分析的基础，首先需要在整幅图片中选取出我们为之感兴趣、想要研究的部分。例如水果等级自动识别系统，过去需要将采摘来的水果置于相对隔离的空间中，并采用特殊气味传感器件采集数据，但是它容易受到外部环境的影响，此时若采用图像的形式来进行分割、识别，以至于分类和评级，就可以在对水果无损的情况下进行快速准确的自动分类。
1.2 图像分割技术的研究现状
1.2.1图像分割方法
1.基于灰度直方图的分割方法
先在图像的灰度取值中选择一个作为阈值，再将图像各像素的灰度值与之比较，比阈值大的作为一类，小的作为另一类。经由此阈值分割的两部分像素点分属于不同区域，此方法称为单阈值分割法。经阈值处理后的图像：
1， f(i,j)> T 标记为1的像素对应于目标,
0, f(i,j) T 标记为0的像素对应于背景。由此产生的图像称之为二值图像[2]。
阈值处理可以被看做一种涉及测试下列形式函数T的一种操做，
T=T[x,y,p(x,y),f(x,y)]，其中f(x,y)是点(x,y)的灰度级，p(x,y)是点(x,y)的局部性质。当T仅取决于f(x,y)即灰度值时，阈值称为全局阈值。如果T取决于f(x,y)和p(x,y),则称为局部阈值。而当T取决于空间坐标x和y，那么称为自适应或动态阈值[3]。
全局阈值T的选择方法：先选择一个估计值T0；接着就用T分割图像，用G1表示灰度大于T的像素；用G2表示灰度小于T的像素；然后取G1和G2的平均像素灰度值u1和u2；再计算新的阈值 ；重复上述步骤，直到逐次所得的T值之差小于之前估计值T0。
下面介绍自适应阈值法，该方法主要针对将图像继续进行细分以及子图像的阈 *好棒文|www.hbsrm.com +Q: *351916072*
值确定。由于每个点的阈值取决于像素在子图像中的位置，所以是不固定的。基本步骤为：首先将图像分为互相之间有50%重叠的子图像；接着做出每个图像的直方图；然互检测出波峰波谷，采用阈值法进行分割。
2.基于边缘的分割方法
主要思想是利用不同区域像素灰度值不连续的特点检测出边缘，从而实现图像分割。分为并行边缘检测和串行边缘检测。前者主要用到的算子有Sobel算子、Roberts算子、拉普拉斯算子、Prewit算子、Kirsch算子；串行检测主要先检测到边缘再连接成闭合边界，其受到起始点的选择影响较大[4]。
3.基于区域的分割方法
主要方法有区域生长法、区域增长法、分裂合并法。按图像的区域属性一致决定每个像素的属性称之为区域生长；按图像的区域属性一致，将属性相近的像素聚集为区域，称之为区域增长，不同在于，一个是针对整体的图像，一个是针对单个的像素点[5]。
4.最大熵阈值法
主要思想是选择适当的阈值，将图像分为两类，两类熵和最大时，可获得较大信息量，从而确定阈值。检测出来的区域多属于目标[6]。
5.P参数阈值法
文献[7]提出了P参数阈值法。基本算法为选择一个阈值T，一定可以使前景目标物占比为p，背景占比为1-p。
做法：先获得目标物占画面的比例p； ， 为目标物像素点， 为总像素点；再计算灰度分布 ， ， 为灰度值为i的像素个数；计算累计分布 ， ；计算阈值
6.均值阈值法
该法是以类内相似性和间距最大为目标，经过迭代获得图像最佳阈值。先给定两个类别的中心C1和C2的灰度值 和 ，方差 和 ，接着通过判断 ，确定是属于C1还是C2根据公式
和 重新计算 和 。
7.遗传算法图像分割
该法使用自然机制搜索。优点是在多个参数信息融合的情况下，寻找出最优值，并且大大缩短计算时间[8]。
1.2.2 图像分割技术的分类
1 绪论 1
1.1 图像分割在水果中的应用 1
1.2 图像分割技术的研究现状 1
1.2.1图像分割方法 1
1.2.2 图像分割技术的分类 3
1.2.3 图像分割技术存在的问题 3
1.3 本文拟采用的研究手段和方法 4
1.4 本课题研究的内容及全文的结构安排 4
1.4.1本课题研究内容 4
1.4.2全文结构安排 4
2 Ubuntu与DM3730概述 4
2.1 Ubuntu简介 4
2.2 Ubuntu安装 5
2.2.1 VMware虚拟机的安装 5
2.2.2 Ubuntu12.04的安装 7
2.2.3 Ubuntu12.04的移植 12
2.3 DM3730开发板简介 13
2.4 Ubuntu与DM3730程序编译调试 13
2.4.1 Ubuntu12.04下的编译环境搭建 13
2.4.2 Ubuntu12.04下的程序编译 18
2.4.3 Secure CRT调试程序 19
2.5 软件流程图 22
3 颜色空间模型 24
3.1 颜色空间模型 24
3.1.1 YCbCr、RGB、HSI概述 24
3.1.2 YCbCr、RGB、HSI转化 25
3.2 色度二值化 26
3.2.1 极小值点阈值选取方法 27
3.2.2 最佳阈值搜寻方法 27
3.2.3 *好棒文|www.hbsrm.com +Q: *351916072*
迭代阈值选取法 28
4 连通域标记算法 29
4.1 基于游程编码的标记算法 29
4.2 基于区域生长法的标记算法 29
4.3 轮廓跟踪标记算法 29
4.4 连通域算法的改进 30
4.4.1 基于游程与轮廓跟踪技术的连通域标记算法 30
5 实验结果及分析 31
5.1 实验图像 31
5.1.1 原始图像 31
5.1.2 二值化图像 31
5.1.3 连通域标记的图像 32
5.1.4 分割出的苹果图像 32
5.2 实验分析 32
5.2.1 存在的问题及对策 32
结 论 33
致 谢 34
参 考 文 献 35
1 绪论
图像分割是把图像分成若干具有独特性质的区域并取出感兴趣目标的过程。目前主要有四类图像分割技术：基于阈值、基于区域、基于边缘和基于特定理论的分割方法[1]。然而，到目前为止并没有一种通用的图像分割方法可以适用于所有的图像，这就需要我们具体图像具体分析，选择合适的分割方法。
1.1 图像分割在水果中的应用
现在图像分割应用在水果的伤痕及缺陷检测，水果等级自动识别与划分中比较多。例如利用遥感图像分析水果成熟情况，考察果蔬光照情况等。图像分割作为图像识别、分析的基础，首先需要在整幅图片中选取出我们为之感兴趣、想要研究的部分。例如水果等级自动识别系统，过去需要将采摘来的水果置于相对隔离的空间中，并采用特殊气味传感器件采集数据，但是它容易受到外部环境的影响，此时若采用图像的形式来进行分割、识别，以至于分类和评级，就可以在对水果无损的情况下进行快速准确的自动分类。
1.2 图像分割技术的研究现状
1.2.1图像分割方法
1.基于灰度直方图的分割方法
先在图像的灰度取值中选择一个作为阈值，再将图像各像素的灰度值与之比较，比阈值大的作为一类，小的作为另一类。经由此阈值分割的两部分像素点分属于不同区域，此方法称为单阈值分割法。经阈值处理后的图像：
1， f(i,j)> T 标记为1的像素对应于目标,
0, f(i,j) T 标记为0的像素对应于背景。由此产生的图像称之为二值图像[2]。
阈值处理可以被看做一种涉及测试下列形式函数T的一种操做，
T=T[x,y,p(x,y),f(x,y)]，其中f(x,y)是点(x,y)的灰度级，p(x,y)是点(x,y)的局部性质。当T仅取决于f(x,y)即灰度值时，阈值称为全局阈值。如果T取决于f(x,y)和p(x,y),则称为局部阈值。而当T取决于空间坐标x和y，那么称为自适应或动态阈值[3]。
全局阈值T的选择方法：先选择一个估计值T0；接着就用T分割图像，用G1表示灰度大于T的像素；用G2表示灰度小于T的像素；然后取G1和G2的平均像素灰度值u1和u2；再计算新的阈值 ；重复上述步骤，直到逐次所得的T值之差小于之前估计值T0。
下面介绍自适应阈值法，该方法主要针对将图像继续进行细分以及子图像的阈 *好棒文|www.hbsrm.com +Q: *351916072*
值确定。由于每个点的阈值取决于像素在子图像中的位置，所以是不固定的。基本步骤为：首先将图像分为互相之间有50%重叠的子图像；接着做出每个图像的直方图；然互检测出波峰波谷，采用阈值法进行分割。
2.基于边缘的分割方法
主要思想是利用不同区域像素灰度值不连续的特点检测出边缘，从而实现图像分割。分为并行边缘检测和串行边缘检测。前者主要用到的算子有Sobel算子、Roberts算子、拉普拉斯算子、Prewit算子、Kirsch算子；串行检测主要先检测到边缘再连接成闭合边界，其受到起始点的选择影响较大[4]。
3.基于区域的分割方法
主要方法有区域生长法、区域增长法、分裂合并法。按图像的区域属性一致决定每个像素的属性称之为区域生长；按图像的区域属性一致，将属性相近的像素聚集为区域，称之为区域增长，不同在于，一个是针对整体的图像，一个是针对单个的像素点[5]。
4.最大熵阈值法
主要思想是选择适当的阈值，将图像分为两类，两类熵和最大时，可获得较大信息量，从而确定阈值。检测出来的区域多属于目标[6]。
5.P参数阈值法
文献[7]提出了P参数阈值法。基本算法为选择一个阈值T，一定可以使前景目标物占比为p，背景占比为1-p。
做法：先获得目标物占画面的比例p； ， 为目标物像素点， 为总像素点；再计算灰度分布 ， ， 为灰度值为i的像素个数；计算累计分布 ， ；计算阈值
6.均值阈值法
该法是以类内相似性和间距最大为目标，经过迭代获得图像最佳阈值。先给定两个类别的中心C1和C2的灰度值 和 ，方差 和 ，接着通过判断 ，确定是属于C1还是C2根据公式
和 重新计算 和 。
7.遗传算法图像分割
该法使用自然机制搜索。优点是在多个参数信息融合的情况下，寻找出最优值，并且大大缩短计算时间[8]。
1.2.2 图像分割技术的分类
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2242.html
