基于K-means聚类的苹果图像处理与分级设计*

张婧婧 程芸涛 达新民

（新疆农业大学计算机与信息工程学院 乌鲁木齐 830052）

1 引言

K-means聚类是一种迭代求解的聚类分析算法，它根据样本距离（相似性）将样本聚成一类，使得同一簇内的样本相似度高，反之则差异性大。该算法以其易于实现、收敛速度快且聚类效果好的优势运用于图像缺陷检测［1］、遥感信息监测［2］、等值建模［3］、物流中心选址［4］、案件预测［5］甚至肿瘤基因变异［6］等领域。本设计中针对红富士苹果分级过程中各类指标的处理要求，采用K-means聚类算法进行苹果图像分割及缺陷检测，旨在为其它果类的自动分级设计提供参考。

《新疆阿克苏苹果质量标准体系》中，红富士苹果分级主要针对红色着色比、表面缺陷、果径大小指标进行筛选。目前静态的苹果检测方法虽较为精准［7～9］，但难以满足实时性要求。采用神经网络的方法建立苹果等级模型，仍面临学习速度慢、训练成本高、分级效率低的风险［10］。此外，不同的机器学习方法中训练参数较为固定，不易根据不同种类苹果而灵活改变评价标准。本设计基于K-means聚类算法对苹果图像进行分类，结合Gamma变换、OTSU算法，对苹果大小、颜色、缺陷等特征建立模型，重点探讨果类分级的快速方法与高效策略。

2 苹果图像分级原理

苹果分级的主要指标为红色着色比、表面缺陷、果径大小，这三项指标的分级筛选在苹果图像处理过程中都需要进行果体区域与背景的分割，之后建立相应的模型，由此产生了本设计中苹果的快速分级策略，如图1所示。……