基于二型模糊的番石榴果实图像增强

### 基于二型模糊的番石榴果实图像增强 #### 1. 引言 番石榴是一种热带水果，生长于多种热带和亚热带气候环境中。2018 年，印度是全球最大的番石榴生产国，产量占世界总产量的 45%。番石榴富含多种营养物质，如矿物质、维生素、抗氧化剂和可溶性纤维，还含有健康的碳水化合物、蛋白质、脂肪酸和水分。它具有诸多健康益处，例如有助于降低血糖水平、促进心脏健康、缓解经期疼痛、辅助减肥、增强免疫力以及对皮肤有益。 目前，大部分番石榴采摘工作依靠人工完成，这需要大量劳动力，耗时久，效率低，甚至存在一定风险。近年来，番石榴采摘机器人受到了广泛关注，且发展迅速。然而，随着市场需求的增长和种植面积的扩大，为了及时采摘成熟的番石榴，需要提升采摘机器人的性能。作为一种高度自动化的操作机器，采摘机器人若要进行夜间作业，首先必须获取准确的图像数据。但不良的环境和恶劣的天气等因素，使得图像采集和处理变得更加困难。 番石榴有不同的品种，在墨西哥、印度、东南亚和美国等地均有种植。每个品种都有其独特的口味、颜色和大小。常见的番石榴品种如下： - **红印度番石榴**：果实较大，呈圆形或梨形，直径 6 - 10 厘米。光滑的果皮从深绿色变为浅绿色和黄色，底部有沟纹。成熟时，坚硬且芳香的果皮会变软。富含维生素 A 和 C、硫胺素和核黄素，还含有大量具有抗氧化、增强免疫和促进消化作用的番茄红素。在印度，红番石榴是第五大重要的商业水果。 - **热带白番石榴**：通常根据果肉颜色分类，果肉呈白色，果皮黄色，香气宜人。 - **墨西哥奶油番石榴**：口感细腻香甜，在甜点领域非常受欢迎。通常树木直立生长，树冠不太展开。 - **草莓番石榴**：以其独特的草莓口味而闻名，是极佳的食用水果。 - **柠檬番石榴**：与草莓番石榴相似，果皮呈黄色，兼具柠檬和番石榴的味道。相较于其他品种，这种果树较小。 - **德特维勒番石榴**：较为罕见，仅在特定地区种植。果实比普通番石榴大，果皮呈黄色。 番石榴树多为多干或单干植株，可长至约 20 英尺高，与苹果树和梨树类似。果实通常为圆形或椭圆形，部分直径约 1 - 3 厘米。果皮颜色有绿色、淡粉色、红色或黄色，果实内有小而硬的种子，部分品种的种子较软。果肉颜色从乳白色、金黄色、红色、粉色到白色不等。有些果实香气扑鼻、味道甜美，而有些品种则偏酸或略带酸味。此外，根据品种不同，果肉可能紧实或柔软，且有许多种子贯穿其中。 由于果实的多样性，图像增强是一项具有挑战性的任务。果实图像的质量受多种因素影响，如恶劣的环境条件、采集设备的视野限制等。水果分类已成为计算机视觉研究的一个有前景的领域，分类系统的准确性和效率取决于所获取果实图像的质量、特征数量和特征选择。低分辨率照片可能会降低可见度，掩盖关键特征。因此，提高图像质量对于准确分类水果至关重要。 在恶劣天气或环境中拍摄的图像可能会出现对比度下降、边缘保留和修复问题。这可能是由于天气不佳、拍摄位置不当、快门速度不合适、相机镜头等因素造成的。因此，拍摄图像的质量限制了图像处理、分割、特征提取和分类活动的性能。图像增强策略是一个难以解决的问题，因为图像的退化程度完全取决于具体情况。详细的文献综述表明，现有的方法存在过度增强和增强不足的问题。 研究人员到目前为止采用了多种图像增强方法。一种对医学图像有效的方法，可能对地球科学或去雾处理效果不佳。首先想到的是图像增强的低成本，但早期的方法如直方图均衡化（HE）、自适应直方图均衡化（CLAHE）、自适应动态直方图均衡化（ADHE）、自适应神经模糊推理系统（ANFIS）和模糊推理系统（FIS）在实际应用中难以取得令人满意的结果。由于缺乏兼容性和灵活性，大多数图像增强技术都存在局限性。由于天气和温度条件的不确定性和模糊性，提高果实图像的对比度是一项艰巨的任务。 #### 2. 文献综述 图像增强在高效图像分类中起着至关重要的作用。使用模糊确定熵结合模糊 - 2 分区和阈值来增强图像，已证明可以有效改善低质量图像，并且该方法在从广泛的可能性中选择阈值方面相当稳健。 在空间域中，模糊高斯隶属函数可用于增强彩色图像。GNIT 是一种彩色图像增强工具，它利用交叉点、模糊器和增强设置来改善彩色图像，能有效解决过曝和欠曝问题，提升视觉效果。 基于 CLAHE 的直觉模糊方法可用于提高乳腺 X 光图像的对比度，通过 MIAS 数据库进行视觉、主观和定量评估，使用模糊方法能获得更好的视觉效果。直方图均衡化是最广泛使用的视觉对比度增强技术。 Raju 等人使用模糊逻辑和直方图来增强彩色图像，但忽略了像素边界和饱和度的信息。有研究使用基于 Z 和 S 隶属函数的模糊 - 2 分区进行阈值选择。还有研究证明二型模糊比蚁群优化（ACO）、遗传算法（GA）、模拟退火（SA）和粒子群优化（PSO）更有效。 模糊规则滤波器可用于减少超声图像中的斑点噪声，通过模糊推理将区域划分为有噪声和无噪声结构，使用模糊相似性标准为像素分配权重，但在准确保留边缘方面存在不足。Sahu 等人采用 CLAHE 方法对图像进行去噪和增强。 大多数图像增强系统存在以下缺陷： - 现有的图像增强方法存在过度增强和增强不足的问题。 - 局部和全局的图像增强过程都无法改善整个区域。 - 由于计算复杂度高，算法执行可能具有挑战性。 - 必须谨慎选择图像增强参数，否则无法实现增强目标。 为了增强番石榴果实图像，本文提出了一种基于二型模糊的可见性改进策略。模糊逻辑是开发图像处理应用中稳健技术的绝佳解决方案，采用模糊方法进行图像增强的原因在于它能有效处理不确定性。使用模糊分区方法将图像分为暗区和亮区，并使用模糊阈值结合正参数 ϵ 来评估性能。将该方法的结果与 ACO、PSO、GC 和 CLAHE 进行了比较，在图像增强过程中，所提出的方法在模拟和实验中表现出更优的效果。 #### 3. 二型模糊逻辑 模糊逻辑相对容易理解，能适应不可预见的情况。在处理模糊性和歧义方面，模糊逻辑表现出色，但在处理不确定性方面存在不足。二型模糊能够成功管理数据和信息中的歧义，其效果取决于隶属函数。本文提出的技术使用 S 形和 Z 形隶属函数将图像分为暗级和亮级，并使用二型模糊增强番石榴果实图像。 基于以下规则计算隶属函数（MF）： \[ MF(a, b) = \begin{cases} C(a, b) & \text{if } |C(a, b)| > 0.01 \times C(0, 0) \\ \epsilon \times C(a, b) & \text{otherwise} \end{cases} \] 其中，\(\epsilon = 1\) 用于调整局部细节改进的程度，\(\epsilon\) 按以下公式计算： \[ \epsilon = \sqrt{\frac{SD - (T_{global}) - SD(I)}{2F - 1}} \] #### 4. 提出的方法 考虑一个大小为 \(R \times S\) 的番石榴果实图像 \(I\)，其范围为 \([\mu_{min}, \mu_{max}]\)。为了选择暗像素和亮像素，采用模糊分区方法，并使用参数 \(\epsilon\) 获取正阈值。为了消除过度增强和饱和度伪影的问题，使用了 sigmoid 和平滑特性。 ##### 4.1 用于图像增强的二型模糊 待增强的果实图像的分配函数定义为： \[ g(m) = r(m) + (1 + h(m)) \] 其中，\(h\) 是图像的均匀直方图，\(m = 1, 2, 3, \cdots, L\)，\(L\) 是图像 \(I\) 的灰度级整数值。 sigmoid 函数（Sig）更新为： \[ Sig(m) = \frac{1}{1 + e^{-(m - 1)}} - \frac{1}{2} \] 这个自调整函数确保增强后的果实图像的最小值为 0。分配函数 \(f\) 归一化为： \[ g(m) \leftarrow \frac{g(m)}{