簡(jiǎn)介這是一份面向MATLAB初學(xué)者與圖像識(shí)別入門者的水果識(shí)別程序源碼包通過(guò)圖像處理與機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)對(duì)不同種類水果的自動(dòng)分類可應(yīng)用于課程設(shè)計(jì)、學(xué)術(shù)研究及農(nóng)業(yè)自動(dòng)化、超市果蔬分類等場(chǎng)景。壓縮包共11個(gè)文件包含5張jpg水果樣本圖、4個(gè)m腳本文件、1個(gè)txt說(shuō)明文檔和1個(gè)fig圖形文件整體約77KB其中m文件承載預(yù)處理、特征提取與分類識(shí)別的核心流程jpg提供青椒、西紅柿、香蕉、梨等測(cè)試樣本txt為運(yùn)行指引fig保存界面或結(jié)果圖形。程序覆蓋灰度化、二值化、邊緣檢測(cè)等預(yù)處理步驟并涉及顏色直方圖、LBP、HOG等特征提取方法以及SVM、決策樹等分類器訓(xùn)練與測(cè)試評(píng)估思路。目前已有2679人學(xué)習(xí)下載適合希望理解圖像識(shí)別基本流程、提升MATLAB編程技巧的讀者參考借鑒。1. 從一堆爛水果照片到能跑的識(shí)別程序這個(gè) MATLAB 項(xiàng)目到底能干什么實(shí)驗(yàn)室的桌子上堆著三十多張用手機(jī)拍的水果照片蘋果、香蕉、橘子混在一起光照忽明忽暗有的還帶著陰影。帶我的師兄丟過(guò)來(lái)一句“你試試用 MATLAB 把這些分出來(lái)別用深度學(xué)習(xí)就傳統(tǒng)圖像處理。”我當(dāng)時(shí)的第一反應(yīng)是——這能行嗎后來(lái)翻到這個(gè) MATLAB 水果識(shí)別程序才發(fā)現(xiàn)它正好就是為這種場(chǎng)景寫的不依賴任何深度學(xué)習(xí)工具箱純靠顏色空間轉(zhuǎn)換、形態(tài)學(xué)操作和區(qū)域特征做分類把一張隨手拍的水果圖變成帶標(biāo)簽的識(shí)別結(jié)果。它適合誰(shuí)如果你正在上數(shù)字圖像處理、模式識(shí)別這類課需要交一份能演示、能改參數(shù)的課程設(shè)計(jì)或者你手頭有工業(yè)分揀、農(nóng)產(chǎn)品初篩的小需求想先用輕量方案驗(yàn)證可行性這個(gè)項(xiàng)目就是很好的起點(diǎn)。整個(gè)程序圍繞 MATLAB 的 Image Processing Toolbox 展開核心文件不多但把“讀圖—預(yù)處理—分割—特征提取—分類—可視化”這條鏈路走得很完整拿來(lái)當(dāng)骨架改比從零寫要省太多事。2. 技術(shù)選型與整體架構(gòu)為什么用傳統(tǒng)圖像處理而不是深度學(xué)習(xí)2.1 選型邏輯輕量、可解釋、不挑機(jī)器這個(gè)項(xiàng)目最核心的決策就是放棄深度學(xué)習(xí)路線。原因很實(shí)際水果識(shí)別在顏色和形狀上的區(qū)分度本來(lái)就高蘋果偏紅、香蕉偏黃、橘子偏橙用 HSV 顏色空間做閾值分割就能拿到相當(dāng)干凈的區(qū)域沒(méi)必要上卷積網(wǎng)絡(luò)。傳統(tǒng)方法的另一個(gè)好處是可解釋——每一步處理完你都能 imshow 出來(lái)看哪一步翻車了一眼就知道不像神經(jīng)網(wǎng)絡(luò)那樣是個(gè)黑匣子。從依賴上看整個(gè)項(xiàng)目只要求 MATLAB 基礎(chǔ)環(huán)境加 Image Processing Toolbox不需要 Deep Learning Toolbox也不需要 GPU。這意味著在普通辦公電腦甚至老舊的實(shí)驗(yàn)室機(jī)器上都能跑起來(lái)對(duì)課程設(shè)計(jì)這種交付場(chǎng)景非常友好。常見做法是配合 App Designer 做一個(gè)簡(jiǎn)單的 GUI把圖片加載、識(shí)別按鈕和結(jié)果顯示框拼在一起演示的時(shí)候點(diǎn)兩下就行。2.2 模塊劃分六個(gè)函數(shù)各管一段項(xiàng)目按處理流程拆成了幾個(gè)獨(dú)立函數(shù)主腳本負(fù)責(zé)串聯(lián)。典型的目錄結(jié)構(gòu)長(zhǎng)這樣fruit_recognition/ ├── main.m % 主入口串聯(lián)整個(gè)流程 ├── load_image.m % 讀圖與尺寸歸一化 ├── preprocess.m % 濾波、增強(qiáng)、去噪 ├── segment_fruit.m % 顏色空間分割 形態(tài)學(xué) ├── extract_features.m % 提取顏色/形狀/紋理特征 ├── classify_fruit.m % 基于規(guī)則的分類器 ├── show_result.m % 結(jié)果可視化與標(biāo)注 └── dataset/ % 存放測(cè)試圖片 ├── apple_01.jpg ├── banana_01.jpg └── orange_01.jpg這種拆法的好處是每個(gè)環(huán)節(jié)可以單獨(dú)調(diào)試。比如分割效果不好你只需要改 segment_fruit.m不用動(dòng)分類邏輯想換分類器也只影響 classify_fruit.m 一個(gè)文件。我一般會(huì)在每個(gè)函數(shù)開頭加一段參數(shù)注釋寫清楚輸入輸出和可調(diào)閾值后面改起來(lái)不用來(lái)回翻。2.3 數(shù)據(jù)流一張圖從進(jìn)入到出結(jié)果主流程的數(shù)據(jù)流很清晰讀入 RGB 圖像后先統(tǒng)一縮放到固定尺寸常見是 256×256避免大圖拖慢處理接著做中值濾波去噪再轉(zhuǎn) HSV 空間在 HSV 上用閾值把水果區(qū)域和背景分開得到二值掩膜對(duì)掩膜做開閉運(yùn)算去掉小噪點(diǎn)和填補(bǔ)空洞然后用掩膜摳出原圖里的水果區(qū)域提取顏色直方圖、面積、圓度、長(zhǎng)寬比等特征最后送進(jìn)規(guī)則分類器判斷類別把結(jié)果和置信度畫回原圖上。提示尺寸歸一化這一步別省。不同手機(jī)拍出來(lái)的分辨率差異很大不統(tǒng)一尺寸的話后面基于像素?cái)?shù)的面積特征會(huì)完全失去可比性。3. 核心模塊拆解分割、特征提取與分類的代碼實(shí)現(xiàn)3.1 圖像預(yù)處理濾波和顏色空間轉(zhuǎn)換預(yù)處理的目標(biāo)是把噪聲壓下去、把顏色信息整理成更容易分割的形式。代碼大致是這樣function img_hsv preprocess(img_rgb) % 統(tǒng)一尺寸兼顧速度和細(xì)節(jié) img_rgb imresize(img_rgb, [256, 256]); % 中值濾波去椒鹽噪聲窗口別開太大否則邊緣糊 img_filt medfilt2(img_rgb(:,:,1), [3 3]); img_filt(:,:,2) medfilt2(img_rgb(:,:,2), [3 3]); img_filt(:,:,3) medfilt2(img_rgb(:,:,3), [3 3]); % 轉(zhuǎn) HSVH 通道對(duì)光照變化更魯棒 img_hsv rgb2hsv(img_filt); end這里有幾個(gè)參數(shù)值得說(shuō)。imresize 的目標(biāo)尺寸 256×256 是速度和精度的折中如果你要識(shí)別的水果在畫面里占比很小可以提到 512×512但處理時(shí)間會(huì)明顯上升。medfilt2 的窗口用 [3 3] 是常規(guī)選擇窗口越大去噪越狠但邊緣也越糊水果輪廓本來(lái)就不算復(fù)雜3×3 夠用。轉(zhuǎn) HSV 是關(guān)鍵一步RGB 三個(gè)通道都和亮度耦合光照一變閾值就失效而 HSV 的 H 通道基本只反映顏色種類對(duì)陰影和反光容忍度高得多。3.2 顏色分割與形態(tài)學(xué)處理分割是整個(gè)項(xiàng)目里最需要調(diào)參的環(huán)節(jié)。思路是在 H 通道上給每個(gè)水果設(shè)一個(gè)色相區(qū)間落在區(qū)間內(nèi)的判為水果function mask segment_fruit(img_hsv, fruit_type) H img_hsv(:,:,1); S img_hsv(:,:,2); V img_hsv(:,:,3); % 按水果類型設(shè)定色相范圍H 取值 0~1 switch fruit_type case apple % 紅色系H 在 0 附近或接近 1 mask (H 0.05 | H 0.95) (S 0.4) (V 0.2); case banana % 黃色系 mask (H 0.12 H 0.18) (S 0.4) (V 0.4); case orange % 橙色系 mask (H 0.05 H 0.12) (S 0.5) (V 0.4); end % 形態(tài)學(xué)開運(yùn)算去小噪點(diǎn)閉運(yùn)算填內(nèi)部空洞 se strel(disk, 5); mask imopen(mask, se); mask imclose(mask, se); % 只保留最大連通區(qū)域去掉背景干擾 mask bwareafilt(mask, 1); end色相閾值是這套方法的核心參數(shù)。蘋果的紅色在 H 上跨越 0 邊界所以要寫成H 0.05 | H 0.95這種雙區(qū)間香蕉和橘子的區(qū)間相對(duì)集中。S 和 V 的下限用來(lái)排除灰白背景和過(guò)暗區(qū)域。形態(tài)學(xué)那兩行的順序不能反——先開后閉開運(yùn)算先把零星噪點(diǎn)清掉閉運(yùn)算再把水果內(nèi)部因?yàn)榉垂庠斐傻目斩囱a(bǔ)上。bwareafilt 保留最大連通域是個(gè)實(shí)用技巧能自動(dòng)丟掉畫面邊緣的雜物。注意如果你的測(cè)試圖背景是純白或純黑這套閾值很好用但背景里有其他暖色物體時(shí)分割會(huì)誤判這時(shí)候要么換背景要么加一步基于位置或形狀的二次篩選。3.3 特征提取顏色、形狀、紋理三路并進(jìn)分割出掩膜后就可以在水果區(qū)域上算特征了。項(xiàng)目里主要用了三類function feats extract_features(img_rgb, mask) % 顏色特征H 通道均值反映主色調(diào) img_hsv rgb2hsv(img_rgb); feats.hue_mean mean(img_hsv(:,:,1), all, omitnan); % 形狀特征面積、圓度、長(zhǎng)寬比 stats regionprops(mask, Area, Perimeter, ... BoundingBox, Centroid); feats.area stats.Area; feats.circularity 4 * pi * stats.Area / (stats.Perimeter^2); bbox stats.BoundingBox; feats.aspect_ratio bbox(3) / bbox(4); % 紋理特征灰度共生矩陣的對(duì)比度 gray rgb2gray(img_rgb); glcm graycomatrix(gray, NumLevels, 8); props graycoprops(glcm, Contrast); feats.contrast props.Contrast; end顏色特征用 H 均值最直接蘋果、香蕉、橘子的 H 均值天然分得開。形狀特征里圓度4πA/P2對(duì)蘋果和橘子這種接近圓形的物體取值高香蕉因?yàn)榧?xì)長(zhǎng)會(huì)明顯偏低長(zhǎng)寬比進(jìn)一步強(qiáng)化這個(gè)區(qū)分。紋理特征用灰度共生矩陣的對(duì)比度香蕉表面的紋理比蘋果光滑表皮要豐富一些可以作為輔助判據(jù)。regionprops 返回的 stats 是結(jié)構(gòu)體字段名要和調(diào)用時(shí)寫的一致寫錯(cuò)了 MATLAB 會(huì)直接報(bào)錯(cuò)這點(diǎn)新手容易踩。3.4 規(guī)則分類器用 if-else 也能分得準(zhǔn)分類部分沒(méi)有用任何機(jī)器學(xué)習(xí)工具箱就是基于閾值的規(guī)則判斷function [label, score] classify_fruit(feats) % 按優(yōu)先級(jí)依次判斷命中即返回 if feats.circularity 0.75 feats.hue_mean 0.1 label apple; score feats.circularity; elseif feats.aspect_ratio 1.8 label banana; score feats.aspect_ratio / 3; elseif feats.hue_mean 0.05 feats.hue_mean 0.15 label orange; score 1 - abs(feats.hue_mean - 0.1) * 10; else label unknown; score 0; end end規(guī)則順序有講究。圓度加色相先判蘋果因?yàn)樘O果的圓形特征最穩(wěn)定長(zhǎng)寬比判香蕉細(xì)長(zhǎng)形狀幾乎不會(huì)誤判剩下的橙色系歸橘子。score 是個(gè)粗略的置信度用特征值離閾值的距離估算方便在界面上顯示“像不像”。這套規(guī)則在背景干凈、光照均勻的圖片上準(zhǔn)確率不錯(cuò)但閾值是硬編碼的換一批數(shù)據(jù)可能就要重新調(diào)。4. 跑起來(lái)環(huán)境準(zhǔn)備、運(yùn)行步驟與參數(shù)調(diào)試4.1 環(huán)境要求和啟動(dòng)方式跑這個(gè)項(xiàng)目需要 MATLAB R2018b 或更高版本以及 Image Processing Toolbox。檢查工具箱是否安裝在命令行敲ver看列表里有沒(méi)有 Image Processing Toolbox 就行。沒(méi)有的話通過(guò)附加功能管理器裝一下。啟動(dòng)方式有兩種。命令行方式最直接% 在 MATLAB 命令行里執(zhí)行 cd(fruit_recognition); % 進(jìn)入項(xiàng)目目錄 img imread(dataset/apple_01.jpg); result main(img); % 主函數(shù)返回識(shí)別結(jié)果 disp(result.label);如果項(xiàng)目帶了 GUI直接運(yùn)行main.m或者對(duì)應(yīng)的 App 文件界面上會(huì)有“加載圖片”和“開始識(shí)別”兩個(gè)按鈕點(diǎn)完結(jié)果會(huì)標(biāo)注在原圖上。第一次跑建議先用 dataset 里自帶的圖確認(rèn)流程通了再換自己的照片。4.2 關(guān)鍵參數(shù)怎么調(diào)調(diào)參是這個(gè)項(xiàng)目繞不開的環(huán)節(jié)幾個(gè)最常動(dòng)的參數(shù)和它們的調(diào)整方向參數(shù)位置作用調(diào)大效果調(diào)小效果目標(biāo)尺寸preprocess.m歸一化分辨率細(xì)節(jié)多、速度慢速度快、細(xì)節(jié)少濾波窗口preprocess.m去噪強(qiáng)度更平滑、邊緣糊保邊緣、噪點(diǎn)多色相區(qū)間segment_fruit.m分割范圍納入更多像素分割更嚴(yán)格形態(tài)學(xué)半徑segment_fruit.m開閉運(yùn)算核去噪強(qiáng)、可能吞細(xì)節(jié)保留細(xì)節(jié)、噪點(diǎn)多圓度閾值classify_fruit.m蘋果判據(jù)更嚴(yán)格更寬松調(diào)參的順序建議從分割開始。先把 mask 用 imshow 顯示出來(lái)看水果區(qū)域是不是完整、背景有沒(méi)有殘留分割對(duì)了再去看分類結(jié)果。分割不對(duì)的情況下調(diào)分類閾值是白費(fèi)功夫。4.3 用自帶數(shù)據(jù)驗(yàn)證流程驗(yàn)證流程是否正常可以寫個(gè)小腳本批量跑一遍 dataset% 批量測(cè)試統(tǒng)計(jì)識(shí)別情況 files dir(dataset/*.jpg); for i 1:length(files) img imread(fullfile(dataset, files(i).name)); result main(img); fprintf(%s - %s (score: %.2f)\n, ... files(i).name, result.label, result.score); end跑完看輸出如果大部分圖片都能給出合理標(biāo)簽說(shuō)明流程沒(méi)問(wèn)題。有個(gè)別識(shí)別錯(cuò)的先別急著改代碼把那張圖的中間結(jié)果mask、特征值打出來(lái)看看是哪一步出的問(wèn)題定位清楚再動(dòng)手。5. 避坑與常見問(wèn)題那些讓我重跑好幾遍的坑5.1 分割結(jié)果全是噪點(diǎn)現(xiàn)象mask 顯示出來(lái)是一片散點(diǎn)完全看不出水果輪廓。原因通常是色相閾值設(shè)得太寬把背景里的雜色也納入了。解決方法是先把原圖轉(zhuǎn) HSV用impixelinfo在圖上點(diǎn)幾個(gè)水果像素和背景像素看它們的 H 值分別是多少據(jù)此收窄區(qū)間。另外 S 和 V 的下限也要檢查背景如果是淺色S 值低加個(gè) S 下限就能濾掉。5.2 蘋果被識(shí)別成橘子現(xiàn)象紅色蘋果的識(shí)別結(jié)果偶爾跳到 orange。原因是蘋果的 H 值在 0 附近而橘子的區(qū)間從 0.05 開始邊界處有重疊。解決辦法是在分類規(guī)則里把蘋果的判斷放在前面并且給蘋果的色相條件加上H 0.95這個(gè)分支確?？?0 邊界的紅色被蘋果先接住。規(guī)則分類器的順序本質(zhì)上就是優(yōu)先級(jí)把最不容易混淆的判據(jù)放前面。5.3 換一批圖片后準(zhǔn)確率暴跌現(xiàn)象自帶數(shù)據(jù)跑得好好的換成自己拍的照片就大面積識(shí)別錯(cuò)誤。這幾乎都是光照和背景差異導(dǎo)致的。傳統(tǒng)閾值方法對(duì)成像條件敏感這是它的固有短板。應(yīng)對(duì)辦法有兩個(gè)方向一是拍攝時(shí)盡量用純色背景、均勻光照從源頭減少變量二是在預(yù)處理里加一步白平衡或直方圖均衡把不同圖片的亮度和對(duì)比度拉到相近水平減小域偏移。5.4 處理大圖時(shí)卡到懷疑人生現(xiàn)象用幾千萬(wàn)像素的手機(jī)原圖跑每一步都要等好幾秒。原因是所有操作都是逐像素的圖越大越慢。解決很簡(jiǎn)單在 preprocess 第一步就 imresize 到 256×256后面所有計(jì)算都在小圖上做。如果確實(shí)需要高分辨率輸出可以只在小圖上算 mask 和特征最后把 mask 放大回原尺寸再疊加顯示。5.5 regionprops 報(bào)字段錯(cuò)誤現(xiàn)象調(diào)用 regionprops 后取 stats.Circularity 報(bào)錯(cuò)說(shuō)字段不存在。原因是 regionprops 的屬性名要用它支持的字符串圓度對(duì)應(yīng)的屬性名是 Circularity 沒(méi)錯(cuò)但如果你在調(diào)用時(shí)沒(méi)把它寫進(jìn)參數(shù)列表返回的結(jié)構(gòu)體里就不會(huì)有這個(gè)字段。檢查regionprops(mask, Area, Perimeter)這行需要哪些屬性就顯式列哪些別指望它全返回。6. 二次開發(fā)從規(guī)則分類器升級(jí)到可訓(xùn)練的分類流程規(guī)則分類器跑通之后最自然的改造方向就是把它換成可訓(xùn)練的分類器讓閾值從數(shù)據(jù)里學(xué)出來(lái)而不是手調(diào)。這一步不需要?jiǎng)忧懊娴姆指詈吞卣魈崛≈惶鎿Q classify_fruit.m 就行接口保持不變——輸入特征結(jié)構(gòu)體輸出標(biāo)簽和分?jǐn)?shù)。具體做法是先用 extract_features 把 dataset 里所有圖片的特征批量算出來(lái)存成一個(gè)特征矩陣標(biāo)簽單獨(dú)存一列。然后用 MATLAB 自帶的分類器應(yīng)用或者 fitcknn、fitcsvm 這類函數(shù)訓(xùn)練一個(gè)模型% 批量提取特征構(gòu)建訓(xùn)練集 files dir(dataset/*.jpg); X []; Y {}; for i 1:length(files) img imread(fullfile(dataset, files(i).name)); mask segment_fruit(preprocess(img), apple); % 分割邏輯復(fù)用 feats extract_features(img, mask); X [X; feats.hue_mean, feats.circularity, ... feats.aspect_ratio, feats.contrast]; Y{end1} extract_label(files(i).name); % 從文件名解析標(biāo)簽 end % 訓(xùn)練 KNN 分類器并做交叉驗(yàn)證 mdl fitcknn(X, Y, NumNeighbors, 3); cvmdl crossval(mdl, KFold, 5); fprintf(交叉驗(yàn)證準(zhǔn)確率: %.2f%%\n, ... (1 - kfoldLoss(cvmdl)) * 100);這樣改的好處是分類邊界由數(shù)據(jù)決定換一批圖片時(shí)只要重新標(biāo)注、重新訓(xùn)練不用再手動(dòng)調(diào)那一堆 if-else 閾值。特征維度也可以擴(kuò)展比如把 H 通道的直方圖分箱后拼進(jìn)去或者加上 Hu 矩這類形狀不變量。驗(yàn)證方法上交叉驗(yàn)證的準(zhǔn)確率比單次劃分更可靠樣本少的時(shí)候尤其明顯。我自己的習(xí)慣是每次改完分類器都先把混淆矩陣打出來(lái)看哪個(gè)類別容易被誤判一目了然。有一次蘋果和橘子互相誤判得厲害查了半天發(fā)現(xiàn)是特征里 hue_mean 的區(qū)分度不夠加了一維 H 直方圖特征之后就分開了。從那以后我每次動(dòng)特征或分類器都強(qiáng)制走一遍混淆矩陣加交叉驗(yàn)證不再只看總準(zhǔn)確率那個(gè)數(shù)。希望這個(gè)項(xiàng)目能幫到你把傳統(tǒng)圖像處理這條鏈路真正跑通、改順。本文還有配套的精品資源點(diǎn)擊獲取