海参生活在水底,主要靠人工捕捞,强度大,甚至危及生命。使用水下机器人替代人工捕捞海参是未来发展趋势,海参实时识别技术是海参捕捞机器人能否研制成功的关键,而水下环境复杂多变,给海参实时识别带来不少困难。本文以海参为研究对象,采集其实时水下图像,利用水下机器视觉技术和图像处理技术对水下海参的实时识别方法进行了研究,具体研究内容如下:(1)水下海参图像预处理方法研究。针对水下图像质量受光照和水浑浊度的影响较大,造成图像对比度低、噪声高、且重要信息丢失的问题,提出了基于受限对比度自适应直方图均衡化和小波变换的图像增强方法。首先采用受限对比度自适应直方图均衡化法提高海参目标与背景的对比度,且对噪声有一定抑制;然后采用小波变换进一步消除噪声,对高斯噪声的消除效果明显。实验结果表明,本文所提出的预处理方法在视觉效果和定量评价指标上均好于其他对比方法,均方差、信噪比和熵的平均值分别达到49.21、13.39和6.68,且平均运算时间为0.25 s,可以实时快速提升水下图像质量。(2)水下海参图像分割方法研究。针对自然水域环境下的海参图像背景复杂、先验知识不足,而且海参形状不规则,位置未知,颜色和沙底背景比较接近的问题,提出了基于C-V主动轮廓的自适应海参位置分割方法。该方法首先采用颜色空间单通道相互融合法使海参目标从相似背景物中突显,其中G-B + R突出海参主体部分,R + B-G突出海参刺部分;Canny边缘检测技术定位海参在图像中的位置,以此位置建立海参主体分割的初始轮廓,另以边缘检测出的海参刺边缘作为海参刺分割的初始轮廓;采用C-V主动轮廓法分别分割出海参主体部分和海参刺部分并融合,结果与Otsu法和原始C-V主动轮廓法进行对比,表明本文所采用的分割方法在视觉效果和定量评价指标上均优于其他两种方法,欧氏距离、灵敏度、特异性和准确度的平均值分别达到12.70 px、84.51%、96.97%和96.54%,且平均运算时间为4.27 s,能快速实现水下海参图像的精确分割。(3)水下海参图像特征提取方法研究。为全面表达海参目标特征,通过对比分析海参与背景物图像,颜色特征提取了海参和背景图像RGB、HSV和Lab各空间分量的均值共9个特征;纹理特征提取了图像灰度共生矩阵0°、45°、90°和135°四个方向上的能量、熵、惯性矩、相关性和逆差矩,共20个特征;Tamura纹理特征中的粗糙度、对比度、方向度和线性度,共4个特征;图像基于 Gabor 小波变换五尺度(2,3,4,5,6)、六方向(0°、30°、60°、90°、120°、150°)的均值,共30个特征;形状特征提取了矩形度、周长比、伸长度、圆形度、Hu不变矩M1～M7和前8个傅里叶描述子,共19个特征。以上共82个特征元素构成识别算法的输入。然后对特征集进行标准差标准化,消除各特征间的量纲影响,并对各特征的海参识别能力进行初步判断,为下一步的目标识别提供足够数据和参考。每张图像的平均特征提取时间为2.86 s。(4)水下海参图像识别方法研究。针对识别准确度、稳定性和速度难以兼顾的问题,提出了基于排序主成分分析和支持向量机的水下海参目标识别算法,单特征根据识别率排序后,再进行主成分分析降维,提升了海参目标识别算法稳定性,与ACO-SVM和GA-SVM算法对比,虽然特征子集的元素最多,但本文识别算法平均准确率最高,为98.55%,而且平均运行时间最短,仅0.73 s,满足海参实时识别要求。(5)水下海参图像软件识别系统的设计与开发。该软件系统主要包括数据存储、图像预处理、目标分割和目标识别4个模块和2个显示窗口,水下海参图像识别过程中关键步骤的结果能实时显示并储存,可作为水下海参图像识别算法验证平台,为水下海参捕捞机器人的研制提供软件平台。