机器视觉系统的色度校正模型及其在西柚分级中的应用
|
摘要
在机器视觉技术对水果表面颜色检测和自动分级过程中，水果图像质量直接影响最终的检测与分级结果。由于机器视觉系统硬件设备的局限性及光照环境引起的图像色度失真不可避免，应采用适当的校正模型予以校正。本文主要针对图像的色度失真，研究了机器视觉系统的色度失真规律，建立了色度失真校正模型，并应用于水果颜色分级，验证了色度失真校正模型的有效性。主要研究内容和研究结果如下：
1、综述了利用机器视觉技术进行水果品质无损检测和自动分级的国内外研究进展，并指出了国内外同类研究中所存在的问题。
2、建立并完善了适合本研究的机器视觉系统。该系统由MeterⅡ／MC(Matrox．Inc．)图像采集卡、TMC-7DSP(PULNIX)CCD及6支F40BX／840(GE)荧光灯组成。
3、以平面色卡为研究对象，通过比较机器视觉系统与色差计测量所得色度值，分析了机器视觉系统的图像色度失真规律，并建立了色度失真校正模型。
4、对27个平面色卡在3个不同位置作对比研究，建立了平面色卡色度失真校正模型：0位置：y_0=1.0318x_0-3.3828，模型相关系数R~2=0.9817；1位置：y_1=1.0336x_1-2.8485，模型相关系数R~2=0.9859；2位置：y_2=1.0304x_2-2.2285，模型相关系数R~2=0.9890。其中，y_0、y_1、y_2和x_0、x_1、x_2分别是三个位置校正后与校正前的色度。
5、分别在上述三个位置采集10种颜色的球面图像，验证了在本研究所用机器视觉系统内，物体表面曲率对色度失真基本没有影响，因此，对于球面物体的色度失真，可直接应用相应位置的平面色卡色度失真校正模型进行校正。此研究结论对于其它机器视觉系统的色度校正有一定的借鉴意义。
6、以HSV颜色模型中色度值为指标，研究了水果表面的色度分布范围在35°-80°之间，把色度按10°划分成五个区域。分别以[35°，45°]、[34°，44°]和[36°，46°]区间内色度累计频度作为着色依据进行颜色分级，发现[36°，46°]色度区间计算机分级与人工分级的结果一致度最好。
7、用与水果相应位置的色度失真校正模型对水果表面色度进行校正后，在[36°，46°]区间内，校正后水果一、二、三等及等外品颜色分级的正确率分别为100％、75.00％、75.00％、100％，而校正前分别为71.43％、73.33％、46.67％和100％。从而验证了机器视觉系统色度失真校正模型和方法的有效性。
In the process of color inspection and automatic grading of fruits with machine vision, the quality of fruit image captured by cameras would influences the accuracy of inspection and grading directly. It is impossible to completely avoid the color distortion caused by the hardware of machine vision system and the illumination of lighting chamber, so if should be corrected with proper correction model. The laws of color distortion of the machine vision system were studied, the color distortion and correction model is set up, and the validity of model in fruit color grading is proved. Main contents and results were as follows:
The research advancements and achievements in the area of nondestructive inspection of fruit quality and automatic grading with machine vision were reviewed, and the existing problems were put forward.
Machine vision system suitable for this research was Set up . This system is composed of Meter II / MC ( Matrox.Inc. ) image grabber, TMC-7DSP (PULNIX) CCD and 6 F40BX/840 (GE) fluorescent lamps.
Hue of flat cards got form machine vision system and color meter was compared. Law of hue distortion with machine vision system was analysed and hue correction model was set up.
hue of 27 flat card with different colors captured at 3 different positions was compared and hue correction model was set up. Position 0: y0 =1.0318x0-3.3828 , position 1: y1 =1.0336x1 -2.8485 , positions 2: y2 =1.0304x2 -2.2285 . Model correlation coefficient R2 was 0.9817,0.9859 and 0.9890 respectively. Here, y0 , y1 , y2 and x0 , x1 , x2 were the hue value after and before correction at three position respectively.
The sphere images of 10 balls were captured at 3 different positions as the flat cards. It is proved that curvature of object have no influence on hue distortion in this machine vision system, basically. So distorted hue of balls can be corrected by the model of corresponding position flat cards directly. This conclusion can be referenced by other machine vision system.
Regarding hue value in HSV color model as index, hue of fruit surface ranges from 35° to 80°, which was divided into five areas with 10° intervals. Fruits were graded according to hue frequencies of [35°, 45°] [34°, 44°] and [36°, 46°] respectively .The best Result was got at area [36°, 46°].
After correcting with hue distortion model at the corresponding position, the grading accuracies of grade 1, grade 2, grade 3 and substandard fruit were 100%, 75.00%, 75.00% and 100% respectively while 71.43%, 73.33%,46.67% and 100% respectively before correction.
It was proved that the hue correction model and way with machine vision system were effective.
1、综述了利用机器视觉技术进行水果品质无损检测和自动分级的国内外研究进展，并指出了国内外同类研究中所存在的问题。
2、建立并完善了适合本研究的机器视觉系统。该系统由MeterⅡ／MC(Matrox．Inc．)图像采集卡、TMC-7DSP(PULNIX)CCD及6支F40BX／840(GE)荧光灯组成。
3、以平面色卡为研究对象，通过比较机器视觉系统与色差计测量所得色度值，分析了机器视觉系统的图像色度失真规律，并建立了色度失真校正模型。
4、对27个平面色卡在3个不同位置作对比研究，建立了平面色卡色度失真校正模型：0位置：y_0=1.0318x_0-3.3828，模型相关系数R~2=0.9817；1位置：y_1=1.0336x_1-2.8485，模型相关系数R~2=0.9859；2位置：y_2=1.0304x_2-2.2285，模型相关系数R~2=0.9890。其中，y_0、y_1、y_2和x_0、x_1、x_2分别是三个位置校正后与校正前的色度。
5、分别在上述三个位置采集10种颜色的球面图像，验证了在本研究所用机器视觉系统内，物体表面曲率对色度失真基本没有影响，因此，对于球面物体的色度失真，可直接应用相应位置的平面色卡色度失真校正模型进行校正。此研究结论对于其它机器视觉系统的色度校正有一定的借鉴意义。
6、以HSV颜色模型中色度值为指标，研究了水果表面的色度分布范围在35°-80°之间，把色度按10°划分成五个区域。分别以[35°，45°]、[34°，44°]和[36°，46°]区间内色度累计频度作为着色依据进行颜色分级，发现[36°，46°]色度区间计算机分级与人工分级的结果一致度最好。
7、用与水果相应位置的色度失真校正模型对水果表面色度进行校正后，在[36°，46°]区间内，校正后水果一、二、三等及等外品颜色分级的正确率分别为100％、75.00％、75.00％、100％，而校正前分别为71.43％、73.33％、46.67％和100％。从而验证了机器视觉系统色度失真校正模型和方法的有效性。
In the process of color inspection and automatic grading of fruits with machine vision, the quality of fruit image captured by cameras would influences the accuracy of inspection and grading directly. It is impossible to completely avoid the color distortion caused by the hardware of machine vision system and the illumination of lighting chamber, so if should be corrected with proper correction model. The laws of color distortion of the machine vision system were studied, the color distortion and correction model is set up, and the validity of model in fruit color grading is proved. Main contents and results were as follows:
The research advancements and achievements in the area of nondestructive inspection of fruit quality and automatic grading with machine vision were reviewed, and the existing problems were put forward.
Machine vision system suitable for this research was Set up . This system is composed of Meter II / MC ( Matrox.Inc. ) image grabber, TMC-7DSP (PULNIX) CCD and 6 F40BX/840 (GE) fluorescent lamps.
Hue of flat cards got form machine vision system and color meter was compared. Law of hue distortion with machine vision system was analysed and hue correction model was set up.
hue of 27 flat card with different colors captured at 3 different positions was compared and hue correction model was set up. Position 0: y0 =1.0318x0-3.3828 , position 1: y1 =1.0336x1 -2.8485 , positions 2: y2 =1.0304x2 -2.2285 . Model correlation coefficient R2 was 0.9817,0.9859 and 0.9890 respectively. Here, y0 , y1 , y2 and x0 , x1 , x2 were the hue value after and before correction at three position respectively.
The sphere images of 10 balls were captured at 3 different positions as the flat cards. It is proved that curvature of object have no influence on hue distortion in this machine vision system, basically. So distorted hue of balls can be corrected by the model of corresponding position flat cards directly. This conclusion can be referenced by other machine vision system.
Regarding hue value in HSV color model as index, hue of fruit surface ranges from 35° to 80°, which was divided into five areas with 10° intervals. Fruits were graded according to hue frequencies of [35°, 45°] [34°, 44°] and [36°, 46°] respectively .The best Result was got at area [36°, 46°].
After correcting with hue distortion model at the corresponding position, the grading accuracies of grade 1, grade 2, grade 3 and substandard fruit were 100%, 75.00%, 75.00% and 100% respectively while 71.43%, 73.33%,46.67% and 100% respectively before correction.
It was proved that the hue correction model and way with machine vision system were effective.
引文
1．汪懋华．精细农业的实践与农业科技创新．中国软件学，1999，4：21-25
2．黄永林，应义斌．用于水果实时分级系统的同步跟踪自动控制装置的研究．农业工程学报，2002，18(4)：163-166
3．韩东海．日本的柑橘分级新技术．食品工业科技，1998，6：21-23
4. Hollingum J. Robots in agriculture. Industrialrobot, 1999, 26 (6): 438-445
5．应以斌，饶秀勤，赵匀等．机器视觉技术在农产品品质自动识别中的应用(Ⅰ)．农业工程学报，2000，16(1)：103-108
6．刘会杰，王学孝．计算机视觉的理论框架研究．计算机科学，1999，26(3)：34-37
7. Sarker N, Wolfe R. Computer Vision Based System for Quality Separation of Fresh Marker Tomatoes. ASAE, 1985, 25 (5): 1714-1718
8. Davenel A C, Guizard T, Labarre, Sevila. Automatic Detection of Surface Defects on Fruit by Using a Vision System. Journal of Agricultural Engineering Research, 1988, 41(1):1-9
9. Byron K. Miller, Michael J. Delwiche. A Color Vision System for Peach Grading. Transactions of the ASAE, 1989, 32 (4): 1484-1490
10. Yang Q S. Classification of Apples Surface Features Using Machine Vision and Neural Networks. Computer and Electronics in Agriculture, 1993b, (9): 1-12
11. Yang Q S. Finding Stalk and Calyx of Apples Using Structured Lighting. Computer and Electronics in Agriculture, 1993a, (8): 31-34
12. Yang Q S. The Potential for Applying Machine Vision to Defect Detection in Fruit and Vegetable Grading. Agricultural Engineering, 1992, 47(3): 74-79
13. Yang Q S. An Approach to Surface Feature Detection by Machine Vision. Computer and Electronics in Agriculture, 1994, 11: 249-264
14. Yang Q S. Apple Stem and Calyx Identification with Machine Vision System. Journal of Agricultural Engineering Research, 1996, 63(3): 229-236
15. Yoshitaka MOTONAGA, Takaharu KAMEOKA, Atsushi HASHIMOTO(元永佳孝，龟冈孝治，桥本 笃). Constructing Color Image Processing System for Managing the Surface Color of Agricultural Products. Trans of the JSAE(农业机械学会志), 1997, 59(3):13～21
16. K. Choi, G. Lee, Y. J. Han et al. Tomato maturity evaluation using color image analysis, Trans of the ASAE, 1995, 38 (1): 171～176
17. Wen Z. and Tao Y. Adaptive Spherical Transform of Fruit Images for High-speed Defect Recognition. ASAE, 1997, 973076
18. Tao Y. Spherical transform of fruit images for on line defect extraction of mass objects. Optical Engineering, 1996, 35(2): 344-350
19. Tao Y. Closed-loop Search Method for On-line Automatic Calibrations of Multi-camera Inspection systems. Transactions of the ASAE, 1998, 41(5): 1549-1555
20. Tao Y. and Wen Z. Adaptive Spherical Image Transform for High-speed Fruit Defect Detection. Transaction of ASAE, 1999, 42(1): 241-246
21. Tao Y., B. Liu, L. Chance. On Line Vision Recognition System for Apple Defects and Stem/Calyx Distinction. ASAE paper No. 96-3039
22. Tao Y., P. Heinemann, Z. Verghese, C. T. Morrow. Machine Vision for Color Inspection of Potatoes and Apples . Transaction of ASAE, 1995, 38(5):1555-1561
23．永田雅辉，木下统，浅野克典，曹其新，日吉健二．自动选别关研究(第3报)----画像处理自动选别开发．农业机械学会志，1997，59(1)：43-48
24. Muhammad A Shahin, Canadian Grain Commission, Winnipeg, MB Canada(MA Shahin, S Symons). A Computer Vision System for Color Classification of Lentils. 1999 ASAE Annual International Meeting Technical Papers 2-993202
25. Pepito M Bato, Miyazaki Univ, Miyazaki Japan(PM Bato, M Nagata). Strawberry Sorting Using Machine Vision. 1999 ASAE Annual International Meeting Technical Papers 2-993162
26. Paolo Gay, Remigio Berruto, ,Pietro Piccarolo. Fruit Color Assessment for Quality Grading Purposes. 2002 ASAE Annual Meeting , Paper No. 026097
27．刘禾，汪懋华．用计算机图象处理技术判别苹果果形的对称性．北京农业工程大学学报，1995，15(3)：101-106
28．刘禾，汪懋华．水果果形判别人工神经网络专家系统的研究．农业工程学报，1996，12(1)：171-176
29．刘禾，汪懋华．用计算机图像技术进行苹是坏损自动检测的研究。农业机械学报，1998，29(4)：81-86
30．徐娟，汪懋华．苹果分选图象信息并行处理算法的实现．农业机械学报，1997，28(2)：101-106
31．徐娟，汪懋华。用于图象处理的小波变换并行算法．小型微型计算机系统，1999，20(1)：29-32
32．徐娟，汪懋华．图像形态学在苹果自动分级视觉信息处理中果梗判别与边缘检测中的应用．农业工程学报，1999，15(2)：177-180
33．应义斌，景寒松．用计算机视觉进行黄花梨果梗识别的新方法。农业工程学报，1998，14(2)：221-225
34．应义斌，景寒松．机器视觉技术在黄花梨尺寸和果面缺陷检测中的应用．农业工程学报．1999，15(1)：197-200
35．应义斌，景寒松．黄花梨果形的机器视觉识别方法研究．农业工程学报．1999，15(1)：192-196
36．何东健，杨青．果实表面颜色计算机视觉分级技术研究．农业工程学报，1998，14(3)：202-205
37．李庆中，汪懋华．基于分形特征的水果缺陷快速识别方法．中国图象图形学报，2000，05A(2)：144-148
38．李庆中，汪懋华．基于遗传神经网络的 苹果颜色实时分级方法。中国图象图形
学报，2000，9：779-784
39．李庆中，汪懋华．基于计算机视觉的苹果自动分级系统硬件开发．农业机械学报，2000，31(2)：56-59
40．徐正冈．基于图像信息的柑桔成熟度无损检测方法的研究。[硕士学位论文]，浙江大学，2001，5：48-53
41．黄永林．水果动态图像实时采集与分级自动控制系统的研究．[硕士学位论文]，浙江大学，2002，5：62-63
42．黄永林，应义斌．用于水果实时分级系统的同步跟踪自动控制装置．农业工程学报，2002，18(4)：163-166
43．冯斌，汪懋华．计算机视觉技术识别水果缺陷的一种新方法．中国农业大学学报，2002，7(4)：73-76
44．冯斌，汪懋华．计算机视觉系统中图像外边缘检测的新方法．中国农业大学学报，2002，7(2)：72-75
45．冯斌．计算机视觉信息处理方法与水果分级检测技术研究．[博士学位论文]，中国农业大学，2002，5：90-93
46．付峰．球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究．[硕士学位论文]，浙江大学，2003
47．A．斯廷森．工程光度学与辐射度学．科学出版社，1987
48．郝允祥，陈遐举，张保洲．光度学．北京：北京师范大学出版社，1988
49．周孝宽，周付根，朱晓宇．彩色图象光斑的识别及分割．北京航空航天大学学报，1996，22(4)：495-499
50．陶霖密，徐光佑．机器视觉中的颜色问题及应用．科学通报，2001，46(3)：178-189
51．海因维希．朗格著．色度学与彩色电视．北京：中国电影出版社，1985
52．汤顺青，(色度学，北京：北京科技大学出版社，1990
53．荆其诚等，色度学，科学出版社，1979
54．杨卫平，彭兵，余鸿飞等．基于人工神经网络的彩色摄像系统颜色信号失真的校正方法．云南师范大学学报，2000，20(1)：22-26
55．ISO／DIS 12640-2印刷技术—印前数据交换—XYZ／sRGB标准彩色图像数据(XYZ／SCID)．印刷标准化，1997，5：30-35
56．赵忠旭，沈兰荪，卫保国等．基于人工神经网络的彩色校正方法研究．中国图象图形学报，2000，5(9)：785-789
57．清源计算机工作室．MATLAB6．0高级应用——图形图像处理．机械工业出版社，2001
58．孙兆林．MATLAB 6.x图像处理．清华大学出版社，2002
59．飞思科技产品研发中心．MATLAB 6.5辅助图像处理．电子工业出版社，2003
60．应义斌．水果图像的背景分割和边缘检测技术研究．浙江大学学报(农业与生命科学版)，2000，26(1)：35-38
61．刘忠伟，章毓晋．利用局部累加直方图进行彩色图像检索．中国图形图像学报，1998，3(7)：533-537
62．付峰，应义斌．农产品品质检测中常用的图像背景分割方法．农机化研究，2003(2)：
85-86
63．付峰，应义斌．生物图像阈值分割方法的研究．浙江大学学报(农业与生命科学版)，2003，29(1)：108-112
64．周水琴，应义斌．颜色模型在农产品颜色检测与分级中的应用．浙江大学学报(农业与生命科学版)，2003，29(6)：684-688
65．王坤明，朱双东，张超．自动选取阈值方法比较研究．抚顺石油学院学报．2002，22(2)：70-73
2．黄永林，应义斌．用于水果实时分级系统的同步跟踪自动控制装置的研究．农业工程学报，2002，18(4)：163-166
3．韩东海．日本的柑橘分级新技术．食品工业科技，1998，6：21-23
4. Hollingum J. Robots in agriculture. Industrialrobot, 1999, 26 (6): 438-445
5．应以斌，饶秀勤，赵匀等．机器视觉技术在农产品品质自动识别中的应用(Ⅰ)．农业工程学报，2000，16(1)：103-108
6．刘会杰，王学孝．计算机视觉的理论框架研究．计算机科学，1999，26(3)：34-37
7. Sarker N, Wolfe R. Computer Vision Based System for Quality Separation of Fresh Marker Tomatoes. ASAE, 1985, 25 (5): 1714-1718
8. Davenel A C, Guizard T, Labarre, Sevila. Automatic Detection of Surface Defects on Fruit by Using a Vision System. Journal of Agricultural Engineering Research, 1988, 41(1):1-9
9. Byron K. Miller, Michael J. Delwiche. A Color Vision System for Peach Grading. Transactions of the ASAE, 1989, 32 (4): 1484-1490
10. Yang Q S. Classification of Apples Surface Features Using Machine Vision and Neural Networks. Computer and Electronics in Agriculture, 1993b, (9): 1-12
11. Yang Q S. Finding Stalk and Calyx of Apples Using Structured Lighting. Computer and Electronics in Agriculture, 1993a, (8): 31-34
12. Yang Q S. The Potential for Applying Machine Vision to Defect Detection in Fruit and Vegetable Grading. Agricultural Engineering, 1992, 47(3): 74-79
13. Yang Q S. An Approach to Surface Feature Detection by Machine Vision. Computer and Electronics in Agriculture, 1994, 11: 249-264
14. Yang Q S. Apple Stem and Calyx Identification with Machine Vision System. Journal of Agricultural Engineering Research, 1996, 63(3): 229-236
15. Yoshitaka MOTONAGA, Takaharu KAMEOKA, Atsushi HASHIMOTO(元永佳孝，龟冈孝治，桥本 笃). Constructing Color Image Processing System for Managing the Surface Color of Agricultural Products. Trans of the JSAE(农业机械学会志), 1997, 59(3):13～21
16. K. Choi, G. Lee, Y. J. Han et al. Tomato maturity evaluation using color image analysis, Trans of the ASAE, 1995, 38 (1): 171～176
17. Wen Z. and Tao Y. Adaptive Spherical Transform of Fruit Images for High-speed Defect Recognition. ASAE, 1997, 973076
18. Tao Y. Spherical transform of fruit images for on line defect extraction of mass objects. Optical Engineering, 1996, 35(2): 344-350
19. Tao Y. Closed-loop Search Method for On-line Automatic Calibrations of Multi-camera Inspection systems. Transactions of the ASAE, 1998, 41(5): 1549-1555
20. Tao Y. and Wen Z. Adaptive Spherical Image Transform for High-speed Fruit Defect Detection. Transaction of ASAE, 1999, 42(1): 241-246
21. Tao Y., B. Liu, L. Chance. On Line Vision Recognition System for Apple Defects and Stem/Calyx Distinction. ASAE paper No. 96-3039
22. Tao Y., P. Heinemann, Z. Verghese, C. T. Morrow. Machine Vision for Color Inspection of Potatoes and Apples . Transaction of ASAE, 1995, 38(5):1555-1561
23．永田雅辉，木下统，浅野克典，曹其新，日吉健二．自动选别关研究(第3报)----画像处理自动选别开发．农业机械学会志，1997，59(1)：43-48
24. Muhammad A Shahin, Canadian Grain Commission, Winnipeg, MB Canada(MA Shahin, S Symons). A Computer Vision System for Color Classification of Lentils. 1999 ASAE Annual International Meeting Technical Papers 2-993202
25. Pepito M Bato, Miyazaki Univ, Miyazaki Japan(PM Bato, M Nagata). Strawberry Sorting Using Machine Vision. 1999 ASAE Annual International Meeting Technical Papers 2-993162
26. Paolo Gay, Remigio Berruto, ,Pietro Piccarolo. Fruit Color Assessment for Quality Grading Purposes. 2002 ASAE Annual Meeting , Paper No. 026097
27．刘禾，汪懋华．用计算机图象处理技术判别苹果果形的对称性．北京农业工程大学学报，1995，15(3)：101-106
28．刘禾，汪懋华．水果果形判别人工神经网络专家系统的研究．农业工程学报，1996，12(1)：171-176
29．刘禾，汪懋华．用计算机图像技术进行苹是坏损自动检测的研究。农业机械学报，1998，29(4)：81-86
30．徐娟，汪懋华．苹果分选图象信息并行处理算法的实现．农业机械学报，1997，28(2)：101-106
31．徐娟，汪懋华。用于图象处理的小波变换并行算法．小型微型计算机系统，1999，20(1)：29-32
32．徐娟，汪懋华．图像形态学在苹果自动分级视觉信息处理中果梗判别与边缘检测中的应用．农业工程学报，1999，15(2)：177-180
33．应义斌，景寒松．用计算机视觉进行黄花梨果梗识别的新方法。农业工程学报，1998，14(2)：221-225
34．应义斌，景寒松．机器视觉技术在黄花梨尺寸和果面缺陷检测中的应用．农业工程学报．1999，15(1)：197-200
35．应义斌，景寒松．黄花梨果形的机器视觉识别方法研究．农业工程学报．1999，15(1)：192-196
36．何东健，杨青．果实表面颜色计算机视觉分级技术研究．农业工程学报，1998，14(3)：202-205
37．李庆中，汪懋华．基于分形特征的水果缺陷快速识别方法．中国图象图形学报，2000，05A(2)：144-148
38．李庆中，汪懋华．基于遗传神经网络的 苹果颜色实时分级方法。中国图象图形
学报，2000，9：779-784
39．李庆中，汪懋华．基于计算机视觉的苹果自动分级系统硬件开发．农业机械学报，2000，31(2)：56-59
40．徐正冈．基于图像信息的柑桔成熟度无损检测方法的研究。[硕士学位论文]，浙江大学，2001，5：48-53
41．黄永林．水果动态图像实时采集与分级自动控制系统的研究．[硕士学位论文]，浙江大学，2002，5：62-63
42．黄永林，应义斌．用于水果实时分级系统的同步跟踪自动控制装置．农业工程学报，2002，18(4)：163-166
43．冯斌，汪懋华．计算机视觉技术识别水果缺陷的一种新方法．中国农业大学学报，2002，7(4)：73-76
44．冯斌，汪懋华．计算机视觉系统中图像外边缘检测的新方法．中国农业大学学报，2002，7(2)：72-75
45．冯斌．计算机视觉信息处理方法与水果分级检测技术研究．[博士学位论文]，中国农业大学，2002，5：90-93
46．付峰．球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究．[硕士学位论文]，浙江大学，2003
47．A．斯廷森．工程光度学与辐射度学．科学出版社，1987
48．郝允祥，陈遐举，张保洲．光度学．北京：北京师范大学出版社，1988
49．周孝宽，周付根，朱晓宇．彩色图象光斑的识别及分割．北京航空航天大学学报，1996，22(4)：495-499
50．陶霖密，徐光佑．机器视觉中的颜色问题及应用．科学通报，2001，46(3)：178-189
51．海因维希．朗格著．色度学与彩色电视．北京：中国电影出版社，1985
52．汤顺青，(色度学，北京：北京科技大学出版社，1990
53．荆其诚等，色度学，科学出版社，1979
54．杨卫平，彭兵，余鸿飞等．基于人工神经网络的彩色摄像系统颜色信号失真的校正方法．云南师范大学学报，2000，20(1)：22-26
55．ISO／DIS 12640-2印刷技术—印前数据交换—XYZ／sRGB标准彩色图像数据(XYZ／SCID)．印刷标准化，1997，5：30-35
56．赵忠旭，沈兰荪，卫保国等．基于人工神经网络的彩色校正方法研究．中国图象图形学报，2000，5(9)：785-789
57．清源计算机工作室．MATLAB6．0高级应用——图形图像处理．机械工业出版社，2001
58．孙兆林．MATLAB 6.x图像处理．清华大学出版社，2002
59．飞思科技产品研发中心．MATLAB 6.5辅助图像处理．电子工业出版社，2003
60．应义斌．水果图像的背景分割和边缘检测技术研究．浙江大学学报(农业与生命科学版)，2000，26(1)：35-38
61．刘忠伟，章毓晋．利用局部累加直方图进行彩色图像检索．中国图形图像学报，1998，3(7)：533-537
62．付峰，应义斌．农产品品质检测中常用的图像背景分割方法．农机化研究，2003(2)：
85-86
63．付峰，应义斌．生物图像阈值分割方法的研究．浙江大学学报(农业与生命科学版)，2003，29(1)：108-112
64．周水琴，应义斌．颜色模型在农产品颜色检测与分级中的应用．浙江大学学报(农业与生命科学版)，2003，29(6)：684-688
65．王坤明，朱双东，张超．自动选取阈值方法比较研究．抚顺石油学院学报．2002，22(2)：70-73