图像处理基本方法
图像处理的基本步骤
针对不同的目的，图像处理的方法不经相同。大体包括图像预处理和图像识别两大模块。
一、图像预处理：
结合识别复杂环境下的成熟黄瓜进行阐述，具体步骤如下：
·
图像预处理阶段的流程图
对以上的图像流程进行详细的补充说明:
图像预处理的概念:
将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。 图像装换和图像分割以及区域形态学处理都是属于图像处理的基本内容之一。 图像转换：方法：对原图像进行灰度化处理生成灰度矩阵——降低运算速度（有具体的公式和方程），中值滤波去噪声——去除色彩和光照的影响等等。 图像分割：传统方法：基于阈值分割、基于梯度分割、基于边缘检测分割和基于区域图像割等方法。脉冲耦合神经网络 （ＰＣＮＮ）是针对复杂环境下
的有效分割方法，分割的时候如果将一个数字图像输入 ＰＣＮＮ，则能基于空间邻近性和亮度相似性将图像像素分组，在基于窗口的图像处理应用中具有很好的性能。
区域形态学处理：对ＰＣＮＮ分割结果后还存在噪声的情况下，对剩余的噪声进行分析，归类属于哪一种噪声。是孤立噪声还是黏连噪声。采用区域面积统计法可以消除孤立噪声。对于黏连噪声，可以采用先腐蚀切断黏连部分，再膨胀复原目标对象，在进行面积阙值去噪，通过前景空洞填充目标，最后通过形态学运算，二值图像形成众多独立的区域，进行各连通区域标识，利于区域几何特征的提取。
二、图像识别：
图像识别流程图
提取目标特征：目标特征就是的研究对象的典型特点，可以包括几何特征和纹理特征。
对于几何特征采用的方法：采用LS-SVM 支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。
纹理特征方法：纹理特征中的几个参数可以作为最小二乘支持向量机的辅助特征参数，提高模型的精准度。
最小二乘支持向量机介绍：首先选择非线性映射将样本从原空间映射到特征空间，以解决原空间中线性不可分问题，在此高维空间中把最优决策问题转化为等式约束条件，构造最优决策函数，并引入拉格朗日乘子求解最优化问题，对各个变量求偏微分。
LS SVM分类器：对于p 种特征选择q 个图像连通区域，作为训练样本。依
次经过预处理、特征提取，得到p*q个特征参数，分别根据其类别，指定q 个图像连通区域的类别序号0或 1，作为两类别LS-SVM 预测模型的输入，训练得到 LS-SVM 分类器。
备注:1、图像处理流程过程十分复杂，程序千变万化。但是总体思路基本相同。
2、根据研究的不同目的和目标对象的不同，图像处理的方法和步骤也不尽相同。例如，有的是目标图像重叠，这就需要另外的方法，神经网络识别。也主要分为两个步骤：一个是获取图像，第二个就是研究重叠部分。支持向量机来识别目标，具有较高的精度。也是分类识别的主要工具。以前的研究主要是识别目标，现在要通过边缘检测确定目标的外形，通过提取的特征参数输入支持向量机，预测橄榄最好的收获时期。（英文是硬伤啊，有些专业的东西需要时间和基础去了解）