人工采摘脐橙存在劳动强度大、效率低、成本高等问题，建立自动化、智能化、现代化的采摘作业体系对保证农产品适时采收、降低采摘作业费、实现农业增收具有非常重要的意义。

机器人实现采摘功能，主要在于其能够在复杂的农业环境中准确识别到水果。基于视觉的水果识别主要通过对颜色模型或者灰度直方图等特征的处理来实现[1]。陈科尹等[2]基于视觉显著性和模糊聚类算法提出了水果图像识别方法。Peng等[3]基于机器视觉和SVM提出了多类水果识别研究方法，利用Otsu分割算法对水果图像进行分割并利用SVM分类器对目标进行分类识别。有研究基于K-means算法对原图像进行聚类分割，实现目标识别[4-5]。另外包含 SSD[6-8]、Faster-RCNN[9-10]和 AlexNet[11]的深度 学习算法在水果识别中也有广泛应用，但深度学习算法需要较高的硬件配置，不适用于性能受限的移动机器人。针对农业环境特别是光照、遮挡和表皮颜色等多种情况，多数算法存在对脐橙识别率不佳、背景噪声干扰严重的问题。

针对以上不足，本文统计分析农业环境下脐橙图像的特征信息，提出一种基于小波变换与Otsu阈值去噪的脐橙识别方法，通过YCbCr颜色模型分析与处理，采用基于小波变换的图像分割算法，并设计基于Otsu阈值的去噪算法针对已分割区域进行去噪处理，最后确定脐橙在图像中的位置并通过Matlab软件验证算法的有效性。

1 材料与方法

1.1 脐橙图像YCbCr颜色模型的建立

对颜色的感知，是基于颜色的饱和度、亮度、显著性、对比度和色调等基本属性的。为更有效地处理图像所包含的信息，需要选择合适的颜色模型。颜色模型通常包括RGB模型、HSV模型[12]、LAB模型[13]和YCbCr模型[14]等。相对其他模型，YCbCr模型有更好的对比度，当采集的脐橙图像亮度发生变化时，YCbCr模型色度的变化范围很小，更有利于农业环境中脐橙图像的后续处理。YCbCr模型中Y指色彩亮度分量，Cb指蓝色分量与亮度值之间的差异，Cr指红色分量与亮度值之间的差异。根据公式(1)将RGB模型转化为YCbCr模型。

式中，将RGB格式的原始脐橙图像转化为YCbCr模型，并提取各颜色模型的分量。通过对比分析，Cr分量的直方图有明显的波峰和波谷形态，有利于图像分割。图1为基于原始图像的YCbCr模型的分析图。

图1 原始图像的YCbCr模型分析图Fig.1 Analysis of the YCbCr model of the original image

1.2 基于小波变换的图像分割算法设计

本文利用小波变换提取脐橙的主要特征，参考李月娥等[15]的方法。首先对脐橙原始图像的Cr分量图像进行小波变换得到一系列分辨率逐次降低的子图像，每一级子图像均包含低频子图像和高频子图像，选取最低级的低频子图像并利用模糊C均值聚类算法 (Fuzzy C-means algorithm，FCM)进行分割，将低一级的分割结果扩展后应用于上一级图像，一直到最高级图像为止，得到图像的分割结果。

1.2.1 基于小波变换的脐橙特征提取方法 小波变换在时域和频域同时拥有多尺度分辨性的分析特性，有利于图像分割[16]。长(M)宽(N)尺寸的脐橙图像f(x,y)的离散小波变换原理如公式(2)和(3)所示：

式中，i代表水平（H）、垂直（V）和对角线（D）方向；m为水平平移；n为垂直平移；WL(j,m,n)为分解尺度j下脐橙图像的低频系数；WH(i)(j,m,n)为分解尺度j下脐橙图像在3个方向上的高频系数；Lj,m,n(x,y)表示对缩放函数进行缩放、平移变换；H(i)j,m,n(x,y)表示对3个方向上的小波函数进行缩放、平移变换。

利用小波变换将低通滤波器和高通滤波器同时作用于脐橙图像水平和垂直2个方向，产生频带子图像。低频子图像WL包含脐橙原始图像主要特征，而其他3个高频子图像包含脐橙图像次要特征，当继续对WL重复上述过程时可得到4个次一级的子图像，如图2所示。

图2 小波变换结构示意图Fig.2 Schematic diagram of wavelet transform structure

经过小波变换后，选择包含脐橙图像主要特征的低频子图像WL并利用FCM算法进行图像分割。

1.2.2 基于FCM算法的图像分割方法 FCM算法会计算每个像素点对所有类的隶属度，有效避免背景对目标脐橙的干扰，适合处理存在不确定性特点的图像。试验利用FCM算法将脐橙的低频子图像WL中n个像素点xi(i=1,2,···,n)分为c个模糊类，当各个像素点与聚类中心的误差平方和J(U,V)满足设定的阈值并计算得到像素点对聚类中心最小隶属度uik时 ，得到脐橙图像的聚类中心vi及分类特性。误差平方和J(U,V)的表达式如公式(4)所示。