式中：
[0065] Q-分割閾值；
[0066] j-終點限定位置元素索引號；
[0067] 對量化梯度圖像pG的每一個像素進(jìn)行掃描，如果該像素的梯度值大于分割閾值 Q，將該像素點的賦值1，否則賦值〇,得到改進(jìn)型梯度二值化圖像。
[0068] 所述步驟5)中用改進(jìn)型梯度二值化圖像減去步驟3)中輪廓邊緣膨脹圖像，得到 差值圖像，用1像素半徑圓形的結(jié)構(gòu)元來通過公式（1)完成膨脹，然后通過公式（10)完成 填洞，
[0069] Fk= (FklE)nDc,Fk=Fkl (10)
[0070] 式中：
[0071] F-圖像處理結(jié)果；
[0072] D-差值圖像完成形態(tài)學(xué)膨脹的數(shù)據(jù)；
[0073] E-四連通域；
[0074] k-次數(shù)，k= 1，2, 3…；
[0075] Dc-D的補集；
[0076] 通過公式（11)完成腐蝕，得到差值圖像腐蝕圖；
[0077]
(11)
[0078] 式中：
[0079] R廠處理結(jié)果；
[0080] V-差值圖像完成膨脹和填洞的數(shù)據(jù)；
[0081] v-V中一個像素；
[0082] W-半徑為2像素圓形結(jié)構(gòu)元；
[0083] 對差值圖像腐蝕圖進(jìn)行6X6中值濾波，得到表面缺陷圖像。
[0084] 本發(fā)明具有的有益效果是：
[0085] 本發(fā)明對于檢測水果表面缺陷具有很好的準(zhǔn)確性和實用性，有效避免了對水果及 農(nóng)產(chǎn)品形狀、大小的依賴以及避免了亮度矯正帶來較復(fù)雜的計算方法，也避免了依賴高光 譜以及多光譜成像硬件帶來的高成本性問題。能夠有效檢測不同亮度特征表面缺陷，譬如 能檢測臍橙10種表面缺陷（蟲傷果、風(fēng)傷果、薊馬果、介殼蟲果、潰瘍果、裂果、炭疽病、藥害 果、表皮破裂型腐爛果、梗傷果）。方法應(yīng)用對象較廣，方法算法簡便易于程序?qū)崿F(xiàn)，在水果 及農(nóng)產(chǎn)品品質(zhì)計算機視覺在線檢測方面具有較大的應(yīng)用潛力。
【附圖說明】
[0086] 圖1是本發(fā)明方法的流程圖。
[0087] 圖2是本發(fā)明實施例1中原始彩色圖像。
[0088] 圖3是本發(fā)明實施例1中二值化圖像。
[0089] 圖4是本發(fā)明實施例1中輪廓邊緣膨脹圖像。
[0090] 圖5是本發(fā)明實施例1中半徑3像素半徑圓形結(jié)構(gòu)元。
[0091] 圖6是本發(fā)明實施例1中歸一化梯度圖像。
[0092] 圖7是本發(fā)明實施例1中改進(jìn)型梯度圖二值化圖像。
[0093] 圖8是本發(fā)明實施例1中差值圖像。
[0094] 圖9是本發(fā)明實施例1中半徑1像素半徑圓形結(jié)構(gòu)元。
[0095] 圖10是本發(fā)明實施例1中四連通域。
[0096] 圖11是本發(fā)明實施例1中半徑2像素半徑圓形結(jié)構(gòu)元。
[0097] 圖12是本發(fā)明實施例1中提取表面缺陷圖像。
[0098] 圖13是臍橙蟲傷果原始圖。
[0099] 圖14是臍橙蟲傷果表面缺陷檢測結(jié)果圖。
[0100] 圖15是臍橙風(fēng)傷果原始圖。
[0101] 圖16是臍橙風(fēng)傷果表面缺陷檢測結(jié)果圖。
[0102] 圖17是臍橙薊馬果原始圖。
[0103] 圖18是臍橙薊馬果表面缺陷檢測結(jié)果圖。
[0104] 圖19是臍橙介殼蟲果原始圖。
[0105] 圖20是臍橙介殼蟲果表面缺陷檢測結(jié)果圖。
[0106] 圖21是臍橙潰瘍果原始圖。
[0107] 圖22是臍橙潰瘍果表面缺陷檢測結(jié)果圖。
[0108] 圖23是臍橙裂果原始圖。
[0109] 圖24是臍橙裂果表面缺陷檢測結(jié)果圖。
[0110] 圖25是臍橙炭疽病果原始圖。
[0111] 圖26是臍橙炭疽病果表面缺陷檢測結(jié)果圖。
[0112] 圖27是臍橙藥害果原始圖。
[0113] 圖28是臍橙藥害果表面缺陷檢測結(jié)果圖。
[0114] 圖29是臍橙表皮破裂腐爛果原始圖。
[0115] 圖30是臍橙表皮破裂腐爛果表面缺陷檢測結(jié)果圖。
[0116] 圖31是臍橙梗傷果原始圖。
[0117] 圖32是臍橙梗傷果表面缺陷檢測結(jié)果圖。
【具體實施方式】
[0118] 下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步的說明。
[0119] 如圖1所示，本實施例包括以下步驟：
[0120] 1)拍攝樣本水果RGB彩色圖像，如圖2所示。
[0121] 2)對水果RGB彩色圖像進(jìn)行去除背景二值化，獲得如圖3所示的二值化圖像。
[0122] 3)對二值化圖像提取輪廓邊緣，然后通過公式（1)完成形態(tài)學(xué)膨脹得到如圖4所 示的輪廓邊緣膨脹圖像。
[0123]
[0124] 式中：
[0125] 札一處理結(jié)果；
[0126] A-輪廓邊緣膨脹圖像；
[0127] a-A中一個像素；
[0128] S-如圖5所示的3像素半徑圓形的結(jié)構(gòu)元；
[0129] S' -S的對稱集；
[0130] 巾一空集。
[0131] 4)將原始彩色圖像轉(zhuǎn)換為灰度圖像，然后用公式⑵進(jìn)行計算，
[0132] (2) V ,v -u i.-v
[0133] 式中：
[0134] x(i,j)-水平方向梯度值；
[0135] y(i,j)-垂直方向梯度值；
[0136] 匕一索貝爾算子，
[0137] h2-索貝爾算子，為比的轉(zhuǎn)置
[0138] f(i，j) 一像素（i，j)的灰度值；
[0139] 再通過公式（3)進(jìn)行計算梯度值。
[0140]
(3)
[0141] 式中：
[0142] n(i, j) 一一當(dāng)前像素值計算結(jié)果；
[0143] x(i, j)--像素的水平方向梯度值；
[0144] y(i, j)--像素的垂直方向梯度值；
[0145] 再通過公式（4)進(jìn)行所有像素數(shù)據(jù)歸一化；
[0146]
(4) :
[0147] 式中：
[0148] z(i, j) 一一像素的歸一化梯度值；
[0149] n(i, j)一一像素的梯度值；
[0150] max--整個圖像所有像素梯度值中最大梯度值。
[0151] 獲得如圖6所示的歸一化梯度圖像。
[0152] 5)將歸一化梯度圖像的所有像素值用公式（5)量化為0至255之間的整數(shù)，得到 量化梯度圖像PG，然后用公式（6)計算量化梯度圖像pG的直方圖統(tǒng)計，得到梯度直方圖 pGH〇
[0153]
(5)
[0154] 式中：
[0155] 歸一化梯度圖像所有像素梯度值中最小梯度值；
[0156] 歸一化梯度圖像所有像素梯度值中最大梯度值；
[0157] G-歸一化梯度圖像像素量化后的整數(shù)梯度級。 rni印"1
倒
[0159] 式中：
[0160] 量化梯度圖像pG中梯度級為i的像素的頻度，i= 0, 1，. . . 255 ;
[0161] birii-量化梯度圖像pG中梯度級為i的像素數(shù)量。
[0162] 然后將梯度直方圖用公式（7)轉(zhuǎn)化為累積直方圖，
[0163] (7)
[0164]式中：
[0165] 量化梯度圖像pG中梯度級不大小i的像素的頻度，i= 0,1，... 255 ;
[0166] 量化梯度圖像pG中梯度級為i的像素的頻度，i= 0,1，. . . 255 ;
[0167] 對累積直方圖pGC直方圖統(tǒng)計，得到梯度直方圖pGCH，并用數(shù)組TC表示。
[0168] 從梯度直方圖pGCH的數(shù)組TC的第1個元素開始，比較數(shù)組TC的元素與限定值 x(在本例中，x= 2)的大小，當(dāng)找到數(shù)組TC中的第一個大于限定值x的元素時，記錄為初 始限定位置元素索引號i，用公式（8)并計算獲得閾值I。
[0169]
(H)
[0170]式中：
[0171] I--閾值；
[0172] i一一初始限定位置元素索引號；
[0173] 從梯度直方圖pGCH的數(shù)組TC的第1個元素開始，比較數(shù)組TC的元素與限定值閾 值I的大小，當(dāng)找到數(shù)組TC中的第一個大于閾值I的元素時，記錄為初始限定位置元素索 引號j，用公式（9)并計算獲得分割閾值Q。 「01741
(9)
[0175]式中：
[0176]Q-分