摘 要：本文設(shè)計(jì)了一套針對(duì)煙葉自動(dòng)化烤制過程中圖像處理與特征圖樣識(shí)別的算法，并給出了其中一些步驟的C語言和MATLAB程序以作模擬。以期為煙葉生產(chǎn)廠商自動(dòng)化生產(chǎn)流程中關(guān)鍵階段準(zhǔn)確識(shí)別提供思路。
　　關(guān)鍵詞：煙葉烤制；圖像處理；圖像識(shí)別；自動(dòng)化
　　1 烤煙制作全過程中各狀態(tài)圖像的特征分析
　　1.1 鮮煙狀態(tài)（烘烤前）：煙葉呈現(xiàn)鮮綠色，葉片明顯舒展文理較為平整、圖中的“溝壑”較少，葉片過渡平整。
　　1.2 葉片變軟狀態(tài)（失水20%）：煙葉明顯變黃，呈現(xiàn)黃綠色，葉片開始蜷縮但“溝壑”仍較少，葉片較為平整。
　　1.3 主脈變軟狀態(tài)（失水30%）：葉片基本全部變黃，只有葉片中部尚存在零星綠色（應(yīng)為煙葉的輸水管部分），葉片蜷縮現(xiàn)象更加明顯。
　　1.4 勾尖卷邊狀態(tài)（失水40%）：葉片黃色繼續(xù)加深，蜷縮明顯，出現(xiàn)“溝壑”現(xiàn)象。
　　1.5 小打筒狀態(tài)（失水55%）：黃色略微加深，“溝壑”繼續(xù)加深。
　　1.6 大打筒狀態(tài)（失水75%）：葉片最黃，“溝壑”最為明顯。
　　1.7 干筋狀態(tài)（烘烤結(jié)束）：葉片黃色略微回淺（即更鮮亮），綠色含量最少，“溝壑”現(xiàn)象依舊比較明顯但比較前一狀態(tài)有所舒展，葉片色澤均勻。
　　2 本文設(shè)計(jì)的工作流程
　　2.1 CCD數(shù)碼相機(jī)定時(shí)拍攝圖像直接傳至計(jì)算機(jī)端，每次圖像保存兩份；
　　2.2 對(duì)一份圖片分別進(jìn)入RGB通道處理，處理前先進(jìn)行巴特沃斯低通濾波或中值濾波（普遍認(rèn)為巴特沃斯低通濾波效果更好，如采用中值濾波經(jīng)重慶大學(xué)楊陽[3]等人反復(fù)試驗(yàn)測(cè)試得出采用5 X 5鄰域的中值濾波效果較好），再分別求出其紅綠藍(lán)分量特征值。紅綠藍(lán)三色特征值分別達(dá)到146、115、43時(shí)可以認(rèn)為煙葉是烤制完成的干筋狀態(tài)。三色中有一色不符合即為未完成，刪除舊圖像后從新提取新的圖像進(jìn)行檢測(cè)。顏色識(shí)別還可以利用二值化，當(dāng)三色中不符合要求的點(diǎn)數(shù)少到一定值后，可以認(rèn)為煙葉烤制完成。
　　2.3 當(dāng)煙葉的顏色達(dá)標(biāo)后，對(duì)所保存的另一張相同圖像只使用其R分量做下述處理，提取其形態(tài)學(xué)特征（煙葉顏色不能達(dá)標(biāo)時(shí)此步驟直接略去）：
　　①在配置OpenCV庫函數(shù)的C語言編輯器中使用Sobel 算子或Canny 算子等提取圖像邊緣，如需使用C語言編程，可以考慮在配置好OpenCV庫函數(shù)的C語言編輯器下運(yùn)行Sobel算子函數(shù)，鄭州大學(xué)郭明儒[4]曾給出如下計(jì)算方法：cvSobel（const CvArr* src， CvArr* dst， int xorder， int yorder， int aperyure_size=3）； src：輸入圖像；dst：輸出圖像； xorder：x方 向上的差分階數(shù)； yorder：y方向上的差分階數(shù)； aperyure_size：擴(kuò)展Sobel核的窗口階數(shù)，必須是1，3，5，7。
　�、谔崛『蟮膱D像需要經(jīng)過1～2次開運(yùn)算腐蝕膨脹消除噪聲后提取主筋，再利用Hough變換提取出煙葉的主脈部分。提取后的紋理與上文表格中提到的紋理熵等進(jìn)行比較，如果其取值在合理范圍內(nèi)，就說明烤制完成。
　　3 針對(duì)所使用的算法編制相應(yīng)的處理程序
　　3.1 MATLAB編程
　�。�1） 圖像讀取與存儲(chǔ)：
　　讀取f=imread（‘C：＼Users＼Administrator＼1.jpg’）；
　　存儲(chǔ)imwrite（f，’C：＼Users＼Administrator＼Desktop’）
　　for i=1：10
　　str=[‘C：＼Users＼Administrator＼Desktop＼img’，num2str（i），’.tif’]；
　　f=imread（str）；
　　end
　�。�2） 濾波：
　　>> w=ones（2）；
　　>> g1=imfilter（f，w，’replicate’）；
　　>> subplot（2，2，1）；imshow（f）；title（‘origin image’）；
　　>> subplot（2，2，2）；imshow（g1）；title（‘smooth image’）；
　　>> g2=medfilt2（f（：，：，1），[4，4]）；
　　>> subplot（2，2，3）；imshow（g2，[]）；title（‘med filter’）；
　　>> se=strel（‘square’，4）；
　　>> g3=imclose（f（：，：，1），se）；
　　>> subplot（2，2，4）；imshow（g3，[]）；title（‘imclose’）；
　�。�3） 形態(tài)學(xué)分析：條紋間距
　　>> f4=f2（50：350，200：300）；
　　>> figure，imshow（f4）；
　　>> [r，c]=find（f4==1）；
　�。�4） 閾值化：
　　>> f=im2double（f（：，：，1））；
　　>> subplot（2，2，1）；imshow（f）；title（‘origin iamge’）；
　　>> [gv t]=edge（f，’sobel’）；
　　>> subplot（2，2，2）；imshow（gv，[]）；title（‘sobel’）；
　　>> [gf t]=edge（f，’log’）；
　　>> subplot（2，2，3）；imshow（gf，[]）；title（‘log’）；
　　>> [gc t]=edge（f，’canny’）；

相關(guān)熱詞搜索：煙葉 算法 過程中 識(shí)別 圖像