苹果采摘机器人视觉系统的暗通道先验去雾方法

针对雾霾严重气候条件下苹果采摘机器人视觉定位困难的问题,提出一种把暗通道先验（dark channel prior,DCP）原理应用于苹果图像去雾的调参和改进方法。给出了一种获取大气光系数A的方法,首先把计算得到的暗通道图结果存入矩阵,求暗通道图中的前1/1 000个最大元素所在位置,并存储在与暗通道矩阵相同大小的新矩阵中;根据新矩阵中的位置信息获得R通道矩阵相应位置的值,最后求取这些值的平均值作为A的取值。根据工程需要,该研究取去雾强度ω恒为1。通过与多尺度Retinex（multiscale retinex,MSR）方法、自适应直方图均衡化（adaptive histogram equal...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 32; no. 16; pp. 151 - 158
Main Author 朱德利 陈兵旗 杨雨浓 梁习卉子 杨明 乔妍
Format Journal Article
LanguageChinese
Published 重庆师范大学计算机与信息科学学院，重庆 400047%中国农业大学工学院,北京,100083%重庆师范大学计算机与信息科学学院,重庆,400047 2016
中国农业大学工学院，北京 100083
Subjects
去雾
定位
收获
暗通道先验
机器人
机器视觉
苹果采摘
机器人
暗通道先验
dark channel prior
去雾
收获
机器视觉
苹果采摘
harvesting
computer vision
定位
haze-removal
position control
robots
apple harvest
Online AccessGet full text

Cover

More Information
Summary:针对雾霾严重气候条件下苹果采摘机器人视觉定位困难的问题,提出一种把暗通道先验（dark channel prior,DCP）原理应用于苹果图像去雾的调参和改进方法。给出了一种获取大气光系数A的方法,首先把计算得到的暗通道图结果存入矩阵,求暗通道图中的前1/1 000个最大元素所在位置,并存储在与暗通道矩阵相同大小的新矩阵中;根据新矩阵中的位置信息获得R通道矩阵相应位置的值,最后求取这些值的平均值作为A的取值。根据工程需要,该研究取去雾强度ω恒为1。通过与多尺度Retinex（multiscale retinex,MSR）方法、自适应直方图均衡化（adaptive histogram equalization,AHE）等常规方法以及其他文献的暗通道去雾使用方法进行对比试验,结论是该文的方法能获得更好的主观视觉效果。在结果图像的对比度方面,该研究使用的方法能得到平均对比度64.04,与计算速度较快的直方图均衡化方法的35.46相比,提升了81%;R通道对比度为68.525,与直方图均衡化方法得到的R通道对比度36.425相比提升了88%;该方法得到的图像直方图整体上呈现中间高两边低的形状特点,表明相对其他去雾方法,该文的方法能得到较好的去雾图像质量。时间复杂度方面,改进后的DCP方法计算640×480的图像耗时在33~37 ms之间,基本能满足实时要求。分割定位精确度方面,该文方法的综合定位精度为94.8%,高于其他方法。试验证明使用该文方法能在去雾的效率和性能方面得到较好的平衡,是一种可以用于实际采摘作业的可行方法。
Bibliography:robots; harvesting; position control; apple harvest; computer vision; dark channel prior; haze-removal
11-2047/S
It is difficult to locate the apple in fog and haze environment for apple harvest robot. This paper proposed a new method to apply the principle of DCP（dark channel prior） to remove fog and haze on images which were collected from apple orchard. We adopted a new route to achieve the value of atmospheric light coefficient. Scan the hazed image with a 15×15 window, and get the smallest value of the 225 pixels from every window. All the smallest values constituted a dark channel image. The values of dark channel were stored in a matrix at the first step, and then the 1/1000 largest elements and their locations were calculated and stored in a new matrix which had the same shape with the dark channel matrix. Extract the matrix of red（R） channel of the hazed image at the next step. At the third step, the corresponding values in the matrix of R channel were obtained according to the position information in
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2016.16.021