【缺陷检测】基于matlab形态学水果蔬菜缺陷检测【含Matlab源码 820期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源： 【缺陷检测】基于matlab形态学水果蔬菜缺陷检测【含Matlab源码 820期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、形态学缺陷检测简介

1 图像分析及预处理
拍摄图像会产生随机的扰动，图像有一定的噪声，为消除掉图像中的无关信息，对图像进行预处理。

1.1 灰度化
为降低运算量，需要将拍摄的三通道的RGB图像转化为单通道的灰度图像。采用加权平均法的灰度化方法，其中心理学灰度公式根据人眼对RGB三色的敏感程度选择不同的权重：

式（1）中，R、G、B分别为RGB三通道灰度值，灰度化结果如图1 (a）所示。

1.2 平滑处理
为了尽可能避免将背景当作缺陷，需要对图像进行平滑处理，这样虽然会使缺陷的边界模糊，但是有利于减少背景的干扰。注意所采用的去噪处理为均值滤波，均值滤波公式为：

式（2）中，m、n分别为所选择的滤波核的长和宽，Sxy是以(x,y)为中心的滤波核对应像素的位置集合，平滑处理结果如图1 (b）所示。均值滤波的缺点是会使一些细节如边缘等信息丢失，因此在找到种子点后，对没有经过平滑处理的图像进行区域生长，找到缺陷边界。

2 算法原理
2.1 阈值分割
阈值分割是图像分割中最简单、基础的方法，性能比较稳定，计算量较小，运算速度快；它主要有全局阈值分割、局部阈值分割、自适应阈值分割等方法。阈值算法基于阈值T，将像素灰度值大于阈值T和小于阈值T的部分分别叫做前景和背景。变换函数表达式：

图1 均值滤波处理

式（3）中，T为阈值，g (x,y)为原图像像素点(x,y)的灰度值，f (x,y)为分割后图像像素点(x,y)的灰度值，阈值分割结果如图2所示。

图2 阈值分割结果

2.2 形态学开运算降噪
数学形态学简称形态学，其处理方式为领域运算，即把领域结构元素与图像对应位置像素进行逻辑运算，这种运算的影响因素主要有结构元素大小、形状和逻辑运算的规则。形态学操作主要有膨胀、腐蚀、梯度运算、礼帽运算、黑帽运算、开运算和闭运算等，但其基础为腐蚀和膨胀，利用膨胀和腐蚀就能完成不同形式的运算。

腐蚀运算能消除轮廓边界点，使边界向内缩小，主要用于细化二值图像目标轮廓、去除噪声等。

式（4）中，A为原图像，B为结构元素。首先给结构元素B定义一个原点，当结构元素B的原点移动到图像A的(x,y)上时，如果结构元素B上等于1的像素点对应图像A也等于1，则将图像A的(x,y)的灰度值置为1，否则置为0，腐蚀示意图如图3所示。

图3 腐蚀示意图
膨胀运算则与腐蚀运算相反，使边界向外扩张，主要用于填补图像分割后的空白，使相近的不相连的轮廓相连。其公式为：

式（5）中，A为原图像，B为结构元素。首先给结构元素B定义一个原点，当结构元素B的原点移动到图像A的(x,y)上时，如果结构元素B上等于1的像素点对应图像A中至少有一个等于1，则将图像A的(x,y)的灰度值置为1，否则置为0。

先进行腐蚀操作，然后在腐蚀的基础上进行膨胀操作，主要用于去噪和计数等。其公式为：

式（6）中，A为原图像，B、C为结构元素。开运算效果如图4所示，图5为开运算处理的结果。

图4 开运算效果
2.3 区域生长法
区域生长的思想就是把领域（四领域、八领域等）相同的化为一个区域。首先需要一个种子点作为生长的开始，然后将种子点领域内满足相似准则要求的像素点合并到种子的区域，将这个区域的像素做为种子点，继续进行生长，直到没有符合要求的点，生长结束，所有种子点像素作为生长的区域。分割的好坏由初始种子点和相似准则决定。

图5 形态学开运算结果
2.3.1 种子点选择与检测
经过阈值分割和形态学处理后，将二值图像各轮廓中心作为待定种子点。如果选择的种子点位于缺陷的绝对区域，那么种子点总有一个方向各像素的深度值呈现高-低-高的形态。设计检测模板如图6所示，计算出种子点在0°、45°、90°、135°方向上的深度变化，判断其变化是否呈高低高形态。

图6 检测模板
种子点左右两侧r个像素的灰度平均值分别为：

各方向的灰度变化为：

深度形Si态变化判定：

式（10）中，I (u)为检测模板中第u个像素的灰度值，w=1,2,3,4，分别代表0°，45°，90°，135°方向，mwm为w方向两侧的最小灰度值，T1为形态变化阈值。如果种子点不满足深度形态变化判定，则去除该待定种子点。

2.3.2 生长过程
区域生长的具体流程如下：
(1）将种子点坐标放入种子点集seeds。
(2）顶出种子点集中的一个种子点，对种子点八邻域的像素点进行相似准则判断；满足相似准则条件的点，视为种子点放入种子点集seeds。
(3）将顶出的种子点存入种子集S。
(4）如果种子点集内没有元素，则跳到步骤（4）；如果种子点集中还有元素，则跳到步骤（2）。
(5）生成一张和输入图像长宽一致，像素值全为0的图像I。
(6）将图像I中对应种子集S坐标的像素值置为255，得到分割图像I’。
其中生长的相似准则为：

式（11）中，gray (seed)为当轮种子点的灰度值，gray (8＿n)为其八邻域各点的像素值，Thresh为设置的阈值。区域生长结果如图7所示。

图7 区域生长结果
3 实验过程
图像分割就是按照预先设定的规则，将图像分割为有意义的前景和背景的过程。区域生长是一个分割效果比较好的算法，但前提是需要找到适合的种子点。单一的分割算法就容易遇到这种不足的情况，结合使用形态学和阈值分割的方法来找到合适的种子点，帮助区域生长算法完成分割任务，达到满足要求的分割效果，分割方法流程如图8所示。

图8 分割流程图
首先对输入的图片进行灰度化处理，变成单通道的灰度图片，然后滤波去除噪声，使图像更平滑，选择合适的阈值进行阈值分割，在利用开运算去除掉分割后较小的前景，以各前景区域的中心点为起始种子点，进行区域生长，得到最终所满足要求的前景。

三、部分源代码

ai = imread('a5.jpg');
mi=imread('mango_infected.png');
m4=imread('m4.PNG');

img = imread('potato.png');
type = 'a'; 
[L, Centers] = imsegkmeans(img, 3);
B = labeloverlay(img,L);
rgbImage = B;
% Display the original image.
subplot(4, 5, 1);
imshow(rgbImage);
title('Original Image(Potato)');
% Split the original image into color bands.
redBand = rgbImage(:,:, 1);
greenBand = rgbImage(:,:, 2);
blueBand = rgbImage(:,:, 3);
% Threshold each color band.
redthreshold = 100;
greenThreshold = 140;
blueThreshold = 170;
redMask = (redBand < redthreshold);
greenMask = (greenBand > greenThreshold);
blueMask = (blueBand < blueThreshold);
% Combine the masks to find where all 3 are 'true.'
damagedAreasMask = uint8(redMask & greenMask & blueMask);
subplot(4, 5, 2);
imshow(damagedAreasMask, []);
title('Damaged Areas Mask');
maskedrgbImage = uint8(zeros(size(damagedAreasMask))); % Initialize
maskedrgbImage(:,:,1) = rgbImage(:,:,1) .* damagedAreasMask;
maskedrgbImage(:,:,2) = rgbImage(:,:,2) .* damagedAreasMask;
maskedrgbImage(:,:,3) = rgbImage(:,:,3) .* damagedAreasMask;
reqInfo = maskedrgbImage(:, :, 1) > 0 & maskedrgbImage(:, :, 2) > 0 & maskedrgbImage(:, :, 3) > 0;
res = sum(reqInfo(:));
disp(res)
t = 10000;
if type=='b'
    t = 5000;
end
if res>t
    subplot(4, 5, 3);
    imshow(maskedrgbImage);
    title('Result: Infected');
else
    subplot(4, 5, 3);
    imshow(maskedrgbImage);
    title('Result: Good');
end  

%=================================================================================%

img = imread('good_potato.jpg');
[L, Centers] = imsegkmeans(img, 3);
B = labeloverlay(img,L);
rgbImage = B;
% Display the original image.
subplot(4, 5, 4);
imshow(rgbImage);
title('Original Image(Potato)');
% Split the original image into color bands.
redBand = rgbImage(:,:, 1);
greenBand = rgbImage(:,:, 2);
blueBand = rgbImage(:,:, 3);
% Threshold each color band.
redthreshold = 100;
greenThreshold = 140;
blueThreshold = 170;
redMask = (redBand < redthreshold);
greenMask = (greenBand > greenThreshold);
blueMask = (blueBand < blueThreshold);
% Combine the masks to find where all 3 are 'true.'
damagedAreasMask = uint8(redMask & greenMask & blueMask);
maskedrgbImage = uint8(zeros(size(damagedAreasMask))); % Initialize
maskedrgbImage(:,:,1) = rgbImage(:,:,1) .* damagedAreasMask;
maskedrgbImage(:,:,2) = rgbImage(:,:,2) .* damagedAreasMask;
maskedrgbImage(:,:,3) = rgbImage(:,:,3) .* damagedAreasMask;
%imtool(maskedrgbImage);
reqInfo = maskedrgbImage(:, :, 1) > 0 & maskedrgbImage(:, :, 2) > 0 & maskedrgbImage(:, :, 3) > 0;
res = sum(reqInfo(:));
disp(res)
t = 10000;
if type=='b'
    t = 5000;
end
if res>t
    subplot(4, 5, 5);
    imshow(maskedrgbImage);
    title('Result: Infected');
else
    subplot(4, 5, 5);
    imshow(maskedrgbImage);
    title('Result: Good');
end  

%===============================================================================%
img = imread('banana.png');
%img = imread('b1.jpg');
%img = imread('b2.jpg');
type = 'b'; 

[L, Centers] = imsegkmeans(img, 3);
B = labeloverlay(img,L);
rgbImage = B;
% Display the original image.
subplot(4, 5, 6);
imshow(rgbImage);
title('Original Image(Banana)');
% Split the original image into color bands.
redBand = rgbImage(:,:, 1);
greenBand = rgbImage(:,:, 2);
blueBand = rgbImage(:,:, 3);
% Threshold each color band.
redthreshold = 100;
greenThreshold = 140;
blueThreshold = 170;
redMask = (redBand < redthreshold);
greenMask = (greenBand > greenThreshold);
blueMask = (blueBand < blueThreshold);
% Combine the masks to find where all 3 are 'true.'
damagedAreasMask = uint8(redMask & greenMask & blueMask);
subplot(4, 5, 7);
imshow(damagedAreasMask, []);
title('Damaged Areas Mask');
maskedrgbImage = uint8(zeros(size(damagedAreasMask))); % Initialize
maskedrgbImage(:,:,1) = rgbImage(:,:,1) .* damagedAreasMask;
maskedrgbImage(:,:,2) = rgbImage(:,:,2) .* damagedAreasMask;
maskedrgbImage(:,:,3) = rgbImage(:,:,3) .* damagedAreasMask;
%imtool(maskedrgbImage);
reqInfo = maskedrgbImage(:, :, 1) > 0 & maskedrgbImage(:, :, 2) > 0 & maskedrgbImage(:, :, 3) > 0;
res = sum(reqInfo(:));
disp(res)
t = 10000;
if type=='b'
    t = 5000;
end
if res>t
    subplot(4, 5, 8);
    imshow(maskedrgbImage);
    title('Result: Infected');
else
    subplot(4, 5, 8);
    imshow(maskedrgbImage);
    title('Result: Good');
end  

%=================================================================================%

%img = imread('b1.jpg');
img = imread('b2.jpg');
[L, Centers] = imsegkmeans(img, 3);
B = labeloverlay(img,L);
rgbImage = B;
% Display the original image.
subplot(4, 5, 9);
imshow(rgbImage);
title('Original Image(Banana)');
% Split the original image into color bands.
redBand = rgbImage(:,:, 1);
greenBand = rgbImage(:,:, 2);
blueBand = rgbImage(:,:, 3);
% Threshold each color band.
redthreshold = 100;
greenThreshold = 140;
blueThreshold = 170;
redMask = (redBand < redthreshold);
greenMask = (greenBand > greenThreshold);
blueMask = (blueBand < blueThreshold);
% Combine the masks to find where all 3 are 'true.'
damagedAreasMask = uint8(redMask & greenMask & blueMask);
maskedrgbImage = uint8(zeros(size(damagedAreasMask))); % Initialize
maskedrgbImage(:,:,1) = rgbImage(:,:,1) .* damagedAreasMask;
maskedrgbImage(:,:,2) = rgbImage(:,:,2) .* damagedAreasMask;
maskedrgbImage(:,:,3) = rgbImage(:,:,3) .* damagedAreasMask;
%imtool(maskedrgbImage);
reqInfo = maskedrgbImage(:, :, 1) > 0 & maskedrgbImage(:, :, 2) > 0 & maskedrgbImage(:, :, 3) > 0;
res = sum(reqInfo(:));
disp(res)
t = 10000;
if type=='b'
    t = 5000;
end
if res>t
    subplot(4, 5, 10);
    imshow(maskedrgbImage);
    title('Result: Infected');
else
    subplot(4, 5, 10);
    imshow(maskedrgbImage);
    title('Result: Good');
end  

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
  
142
  
143
  
144
  
145
  
146
  
147
  
148
  
149
  
150
  
151
  
152
  
153
  
154
  
155
  
156
  
157
  
158
  
159
  
160
  
161
  
162
  
163
  
164
  
165
  
166
  
167
  
168
  
169
  
170
  
171
  
172
  
173
  
174
  
175
  
176
  
177
  
178
  
179
  
180
  
181
  
182
  
183
  
184
  
185
  
186
  
187
  
188
  
189
  
190
  
191
 

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2019版

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/116104058