基于背景饱和度压缩与差异阈值分割融合的香蕉串识别

针对卷积神经网络识别香蕉串样本需求量大、训练时间长、硬件配置高,而传统图像处理方法易受光照、背景颜色影响导致识别的香蕉串不完整且噪声点多等问题,提出一种基于图像背景饱和度压缩与差异阈值分割融合的香蕉串识别方法。首先根据饱和度图像中灰度等级的像素比例自适应确定香蕉串区域的高、低饱和度阈值,然后对小于低饱和度阈值的图像背景做伽马变换;对大于高饱和度阈值的图像背景做半值压缩,进而增强香蕉串区域与环境背景的对比度。接着,采用大、小阈值范围分别对饱和度分量与色调分量的差值图像进行分割,并对分割结果进行孔洞填充和连通域提取,将获取的背景噪声与大、小阈值范围的分割结果做差值融合进一步去噪,从而得到噪声点少、准确度较高的香蕉串。试验结果表明,对自然香蕉园环境下采集的图像样本香蕉串识别的准确度高于0.85的占比39.29%,介于0.80~0.85的占比46.43%,低于0.80的占比14.28%。本文方法能较好地适应不同光照和环境颜色下香蕉串的识别。