✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、引言
在农业生产和粮食研究领域，准确地对稻米进行计数具有重要意义。它有助于评估产量、监测作物生长状况以及进行品质分析等。基于形态学的图像处理方法为稻米计数提供了一种有效的途径。形态学操作通过对图像中物体的形状和结构进行分析和处理，能够突出稻米的特征，从而实现准确计数。
二、图像形态学基础
（一）基本概念
图像形态学是基于形状的图像处理方法，其核心思想是使用一种被称为结构元素的 “探针” 来探测图像，从而揭示图像的结构特征。结构元素通常是一个具有特定形状（如矩形、圆形、十字形等）和大小的小图像模板。
（二）基本运算
腐蚀：腐蚀运算的作用是 “收缩” 或 “细化” 图像中的物体。对于二值图像，它通过将结构元素在图像上滑动，只有当结构元素完全包含在物体内时，对应位置的像素才被保留为前景像素，否则被设置为背景像素。例如，若结构元素为一个 3×3 的正方形，在图像上滑动时，如果某个 3×3 的区域内存在背景像素，那么该区域中心的像素在腐蚀后的图像中就会变为背景像素。腐蚀运算可以去除图像中的小噪声点和孤立的像素，使物体的边界向内收缩。
膨胀：与腐蚀相反，膨胀运算用于 “扩张” 或 “加粗” 图像中的物体。在二值图像中，当结构元素在图像上滑动时，只要结构元素与物体有任何重叠，对应位置的像素就被设置为前景像素。例如，同样以 3×3 的正方形结构元素为例，当它滑过一个物体时，即使只有一个角与物体重叠，该结构元素中心对应的像素在膨胀后的图像中也会变为前景像素。膨胀运算可以填补物体内部的空洞和连接相邻的物体。
开运算：开运算是先进行腐蚀运算，然后再进行膨胀运算。它能够平滑物体的轮廓，去除小的噪声物体，断开狭窄的连接。例如，对于一幅含有一些小噪声点和连接在一起的稻米图像，开运算可以去除噪声点，并将连接紧密的稻米适当分开，便于后续的计数。
闭运算：闭运算是先膨胀后腐蚀。它主要用于平滑物体的轮廓，弥合狭窄的间断和细长的沟壑，填补小孔洞。在处理稻米图像时，如果稻米之间存在一些小的间隙或者部分稻米有小的破损空洞，闭运算可以在一定程度上修复这些不完整的部分，使稻米的形状更完整，有利于准确计数。
三、基于形态学的稻米计数流程
（一）图像预处理
灰度化：将彩色的稻米图像转换为灰度图像。这是因为形态学操作通常在灰度图像或二值图像上进行，灰度化可以简化计算且保留图像的亮度信息。常见的灰度化方法有加权平均法，即将彩色图像的每个像素的 R（红）、G（绿）、B（蓝）分量按照一定的权重进行加权求和得到灰度值，例如 Gray=0.299R+0.587G+0.114B。
降噪：使用滤波方法去除图像中的噪声，避免噪声干扰后续的形态学操作和计数。常用的滤波方法有高斯滤波，它通过一个高斯核与图像进行卷积运算，能够有效地平滑图像，减少噪声的影响。高斯核的大小和标准差决定了滤波的强度，一般需要根据图像的噪声情况进行调整。
二值化：将灰度图像转换为二值图像，使得稻米与背景能够明显区分开来。可以采用阈值分割的方法，如 Otsu 法，它能够自动计算出一个最优的阈值，将图像分为前景（稻米）和背景两部分。对于一幅灰度图像，Otsu 法通过计算不同阈值下前景和背景的类间方差，选择使类间方差最大的阈值作为分割阈值。
（二）形态学处理
选择结构元素：根据稻米的形状和大小，选择合适的结构元素。如果稻米形状近似圆形，可以选择圆形结构元素；若稻米呈现出一定的长条形特征，椭圆形或矩形结构元素可能更为合适。结构元素的大小也需要根据图像中稻米的实际大小进行调整，一般从小尺寸开始尝试，逐步增大，观察形态学操作的效果。例如，对于较小的稻米图像，可以先尝试使用半径为 2 - 3 像素的圆形结构元素。
开运算处理：对二值化后的图像进行开运算，去除图像中的小噪声点，并分离粘连的稻米。通过腐蚀操作，小的噪声点会被去除，然后膨胀操作可以在一定程度上恢复稻米的大小和形状，但又不会使粘连的稻米重新连接。例如，在处理一些由于成像问题导致部分稻米粘连的图像时，开运算能够将它们适当分开，便于后续准确识别每个稻米。
闭运算优化：接着进行闭运算，填补稻米内部可能存在的小空洞，以及弥合因开运算可能造成的小裂缝，使稻米的形状更加完整。这一步骤可以提高后续计数的准确性，避免因为稻米形状不完整而导致计数错误。
（三）稻米计数
连通区域标记：经过形态学处理后，使用连通区域标记算法（如四连通或八连通算法）对图像中的稻米进行标记。这些算法通过遍历图像中的每个像素，判断相邻像素是否属于同一物体（即是否连通），如果连通则赋予相同的标记值。例如，八连通算法会检查一个像素的八个邻域像素，若邻域像素与当前像素同属于前景（即都是稻米部分），则将它们标记为同一区域。
计数实现：统计标记后的不同连通区域的数量，即为稻米的数量。在大多数图像处理软件或编程语言中，都有相应的函数可以直接实现连通区域标记和计数功能。例如，在 Python 的 OpenCV 库中，可以使用
cv2.connectedComponentsWithStats函数来完成这一操作，该函数不仅可以返回连通区域的数量，还能提供每个连通区域的统计信息，如面积、重心等，这些信息可以进一步用于筛选和验证计数结果。
⛳️ 运行结果
📣 部分代码
Gray_image = rgb2gray(Oring_image);n = n+1;subplot(Y, X, n);imshow(Gray_image);title('Grayimage');Bin_image = imbinarize(Gray_image);n = n+1;subplot(Y, X, n);imshow(Bin_image);title('Binimage');%开运算 运算半径15 先腐蚀 再膨胀%第一步，使用形态学开运算删除所有前景（米粒）。%开运算会删除无法完全包含结构元素的小对象。定义半径为 15 的盘形结构元素，%它完全可放入一粒米内 实际为顶帽操作SE = strel('disk',15);background = imopen(Gray_image,SE);n = n+1;subplot(Y, X, n);imshow(background);title('background');fore_image = Gray_image - background;n = n+1;subplot(Y, X, n);
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
