苹果作为我国的主要种植水果,其成熟期较集中,这给目前采用传统人工采摘方式的果农带来了高强度的劳动。随着信息技术和计算机视觉技术的发展,苹果采摘机器人的研究使得果农从繁重的人工采摘任务中解放出来成为可能。而苹果目标的精准分割与定位是苹果采摘机器人研究中的关键一步,引起了国内外学者的广泛关注,取得了较显著的成果。但是由于自然环境下苹果图像背景复杂,表现在天空干扰、光照不均、枝叶遮挡和果实遮挡等方面,还有必要对本课题继续进行深入研究。在这种背景下,本文以自然环境下成熟红苹果为研究对象,对自然环境下采集到的苹果目标分割及定位算法展开研究。主要研究内容如下:(1)在苹果特征提取方面,成熟红苹果目标具有较显著的颜色特征。在深入研究RGB、HSI和Lab等不同颜色空间中各分量的基础上,分析了自然环境下成熟红苹果图像在各颜色分量上的特性。大量实验结果表明,选用Lab颜色空间中的a分量可以有效刻画苹果目标特征,同时克服不同颜色分量之间计算所导致的颜色特征提取算法运行效率低下的问题。(2)在苹果目标分割方面,由于自然环境下苹果图像背景复杂,传统分割算法对天空干扰、枝叶遮挡和阴影遮挡等问题比较敏感,分割效果并不理想。本文在Lab空间提取a分量的基础上,针对传统K-means聚类算法对孤立点比较敏感的缺点,在迭代过程中融入膨胀和腐蚀等数学形态学操作,以去除由于天空干扰、枝叶遮挡和阴影遮挡所引起的孤立点的干扰。实验结果表明,与传统K-means聚类算法相比,融入数学形态学后的K-means聚类算法具有较高的分割精度。(3)在苹果目标定位方面,由于定位过程中边缘点的无效累加而引起定位效率不高,同时在重叠苹果目标边缘信息较少的情况下,传统方法容易丢失苹果目标进而导致定位精度不高。针对这两个问题,通过利用苹果边缘点的梯度信息(方向和模)进行累加,以求取苹果目标的定位中心点;通过构建特征方程计算圆的半径,以避免数组的二次累加。在此基础上,采用改进梯度Hough变换算法对苹果目标进行定位。实验结果表明,该算法具有较高的定位精度,同时具有较低的运算时间复杂度。