苹果目标识别新方法：基于显著性轮廓的图像处理技术

“基于显著性轮廓的苹果目标识别方法”是一篇关于使用计算机视觉技术进行苹果目标识别的研究论文。该论文提出了一个创新的苹果识别方法，它依赖于图像分割、特征匹配、轮廓检测和动态阈值处理等技术，旨在提高苹果在复杂环境下的识别精度和鲁棒性。 首先，论文中提到的图像分割是整个识别过程的基础。通过运用K-means无监督聚类算法，可以将图像分割为背景和目标区域，即苹果所在的区域。这种分割方法有助于从复杂的背景中分离出苹果，但光照变化可能会导致目标区域内出现空洞。 针对光照引起的空洞问题，论文引入了ASIFT（Affine Scale-Invariant Feature Transform）特征。ASIFT是一种稳健的特征描述符，即使在光照、尺度和角度变化下也能保持稳定。通过匹配完整苹果与存在空洞的苹果的ASIFT特征，可以找到与空洞对应的特征，并用这些特征恢复像素，填充空洞，确保苹果目标的完整性。 接下来，为了进一步精确地检测苹果轮廓，论文采用了gPb轮廓检测器。gPb（gradient-based probability of boundary）是一种有效的轮廓检测方法，能生成较长且明显的灰度轮廓图像，这对于后续的边缘处理至关重要。 在轮廓检测后，通过动态阈值Otsu法对灰度轮廓图像进行自动阈值处理。动态阈值Otsu方法可以根据图像局部特性自适应地确定阈值，从而有效地去除目标周围的边缘噪声，确保识别出的是连续且显著的苹果轮廓。 实验结果显示，这种方法在苹果目标识别上的正确率超过了98%，表现出良好的准确性和鲁棒性。这表明，该方法对于苹果采摘机器人实现自动采摘具有重要的实际应用价值。 该研究得到了国家自然科学基金、江苏省自然科学青年基金和常州市科技计划项目的资助，由顾苏杭、马正华和吕继东等人合作完成。其中，顾苏杭为助教，主要研究方向为计算机应用技术和模式识别与智能系统；马正华和吕继东分别是教授和讲师，他们的主要研究方向涉及计算机应用技术和机器人视觉测量与控制。