Matlab水果分类识别系统：从图像预处理到GUI完整实现

在实际课程设计或毕业设计中基于 Matlab 的水果分类识别系统是一个非常典型的数字图像处理综合任务。它把图像采集、预处理、目标分割、特征提取、分类器训练和人机交互界面串联在同一个项目里既考察图像处理基础也考察机器学习基本流程。很多同学拿到源码包后第一反应是“能跑就行”但这恰恰是容易出问题的地方换一张图片、换一个环境、换一组类别结果就可能完全不同。本文围绕一个可复现的水果分类识别系统完整演示从图像预处理到 GUI 识别的实现过程并重点解释每步为什么要这样做。这套系统适合以下读者正在完成数字图像处理课程设计的学生需要把传统图像处理方法和分类器结合起来的人以及希望把 Matlab 图像处理代码整理成工程化项目的人。学习完本文后你应该能独立完成水果图像数据集的组织、图像分割与特征提取、分类器训练和保存以及一个简单的可视化识别界面。1. 先理解传统数字图像处理方案为什么仍然值得做水果分类识别在深度学习出现之前长期依赖传统数字图像处理路线。这一路线的核心思路是先通过颜色或边缘信息把水果从背景中分离出来再计算颜色、形状、纹理等可量化特征最后交给 KNN、决策树或 SVM 等分类器完成类别判断。1.1 传统方案解决的问题和使用场景水果分类系统看起来简单实际难点不在“分类”而在“怎么把水果区域准确地从画面中抠出来”。不同水果的颜色差异大、形状差异大拍摄环境的光照和背景又各不相同。传统图像处理方法的价值在于它把“分割”和“特征设计”变成显式步骤每个环节都能单独检查、调参和解释。适合使用传统方案的场景有三个特征数据集规模不大通常每类几十到几百张图片就够了。目标与背景在颜色、纹理或位置上存在明显区分。项目需要可解释性比如课程设计要现场讲解每个模块的原理。如果任务变成自然场景下拍摄的任意水果图片背景复杂、光照变化剧烈、遮挡较多传统方法的分割稳定性会明显下降这时深度学习目标检测模型才更有优势。1.2 与深度学习方案的对比很多新接触图像处理的人会问为什么不直接用 CNN这里需要先看项目约束条件。对比维度传统数字图像处理方案深度学习方案数据集要求每类几十张即可通常需要数百到数千张硬件要求CPU 即可运行训练阶段一般需要 GPU可解释性分割、特征、分类均可解释特征自动学习解释困难开发周期短算法原理清晰依赖模型和数据质量背景适配对稳定背景效果较好复杂背景鲁棒性更强Matlab 实现难度依赖图像处理工具箱即可需要 Deep Learning Toolbox 或外部框架对高校课程设计来说传统方案更容易在一周内完成也更容易通过答辩。对工业应用来说复杂场景下可以优先考虑深度学习但传统方案的思路仍然值得保留因为语义分割、颜色特征、形态学处理这些概念不会过时。1.3 系统整体架构本文实现的水果分类识别系统按以下流程工作读取水果图片。将 RGB 图像转换到 HSV 颜色空间。使用饱和度通道的 Otsu 阈值获取水果区域掩膜。通过形态学开运算、闭运算和填充孔洞去除噪声。提取最大连通域作为最终目标区域。计算颜色特征、形状特征和纹理特征。使用 KNN、决策树或 SVM 对特征向量分类。在 GUI 中展示原图、分割结果和识别结果。这个流程的优点是每个环节都是独立的函数后续替换分割算法或分类器时不需要改动整条链路。2. 环境准备与数据集组织方式开始写代码之前先确认 Matlab 版本和工具箱齐全再整理数据集目录。很多运行失败不是因为算法写错而是图片路径不对、工具箱缺失或图片格式不统一。2.1 检查 Matlab 环境和工具箱本文示例代码主要依赖 Image Processing Toolbox 和 Statistics and Machine Learning Toolbox。如果使用 svmtrain 这类函数还需要额外的 SVM 工具箱但 Matlab 自带的 fitcsvm 已足够。在命令行窗口执行以下命令检查工具箱是否可用% 输出已安装工具箱列表 ver % 单独检查图像处理工具箱 which imread which rgb2hsv which grayconnected如果imread或rgb2hsv返回 “not found”说明 Image Processing Toolbox 未安装。如果fitcknn或fitcsvm不可用说明 Statistics and Machine Learning Toolbox 缺失。推荐环境如下表所示。这不是硬性版本要求但建议使用较新版本避免兼容问题。项目推荐配置操作系统Windows 10/11 或 Ubuntu 20.04Matlab 版本R2021a 及以上图像处理工具箱Image Processing Toolbox统计与机器学习工具箱Statistics and Machine Learning ToolboxCPU普通 i5 或以上即可内存8GB 及以上2.2 数据集目录结构建议把图片按“训练集”和“测试集”分开测试集内部再按类别分子目录。这样可以直接使用imageDatastore自动读取标签。目录结构示例fruit_classifier/ ├── data/ │ ├── train/ │ │ ├── apple/ │ │ │ ├── apple_001.jpg │ │ │ ├── apple_002.jpg │ │ │ └── ... │ │ ├── banana/ │ │ │ ├── banana_001.jpg │ │ │ └── ... │ │ └── orange/ │ │ ├── orange_001.jpg │ │ └── ... │ └── test/ │ ├── apple/ │ ├── banana/ │ └── orange/ ├── src/ │ ├── preprocessFruitImage.m │ ├── extractFruitFeatures.m │ ├── trainFruitClassifier.m │ └── classifyFruitImage.m └── models/ └── fruit_model_knn.mat所有目录和文件名尽量使用英文。Matlab 对中文路径的支持虽然比早期版本好但遇到imageDatastore或fullfile拼接路径时仍可能出现编码问题。2.3 图片采集与标注建议如果自己采集图片要注意以下几点每类水果至少准备 30 到 50 张训练图5 到 10 张独立测试图。图片背景尽量统一白色或浅色背景最容易分割。苹果、香蕉、橙子等类别颜色差异大适合颜色特征。拍摄角度可以是正面或俯视但训练集和测试集要覆盖相近角度。图片分辨率不需要太高统一缩放到 300×300 或 400×400 左右即可。如果使用网上下载的数据集需要先检查图片是否被压缩、是否带水印、是否需要裁剪。原始图像质量决定了后续分割的效果数据集杂乱时不要指望分类器自动纠错。注意训练集和测试集要严格分离不能用训练图片同时验证模型。否则测试准确率会虚高答辩时换新图片就容易露馅。3. 图像预处理与目标分割实现图像预处理的目标很明确把水果和背景分离得到一个只包含水果区域的掩膜。这个步骤的稳定性直接决定后面特征提取的准确性。3.1 为什么使用 HSV 颜色空间而不是 RGBRGB 颜色空间对人眼不友好红色分量、绿色分量和蓝色分量对光照变化非常敏感。同一个苹果在偏黄灯光下RGB 数值可能发生较大变化。HSV 空间把色调Hue、饱和度Saturation和亮度Value分开。对多数水果来说饱和度通道能够很好地区分“有颜色的水果区域”和“偏灰白的背景区域”。因此本文使用饱和度通道做阈值分割。当然如果水果和背景的饱和度差异不大可以考虑 H 通道或手工设定的 RGB 阈值。具体选择要在实验后决定不要盲目相信某个通道一定有效。3.2 预处理函数完整代码在src目录下新建preprocessFruitImage.mfunction imgOut preprocessFruitImage(img) % 输入原图输出分割后的目标区域图像 % 思路饱和度通道 - Otsu 阈值 - 形态学处理 - 最大连通域 % 转为 double统一到 [0,1] 范围 I im2double(img); % 转换为 HSV取饱和度通道 hsvImg rgb2hsv(I); S hsvImg(:, :, 2); % 对饱和度使用 Otsu 自适应阈值 T graythresh(S); mask S T; % 形态学处理先开运算去小颗粒噪声再闭运算填补水果表面小孔 mask imopen(mask, strel(disk, 5)); mask imclose(mask, strel(disk, 10)); % 填补内部孔洞 mask imfill(mask, holes); % 只保留最大连通域排除背景小面积误检 cc bwconncomp(mask); if cc.NumObjects 0 imgOut I; return; end numPixels cellfun(numel, cc.PixelIdxList); [~, idxMax] max(numPixels); mask false(size(mask)); mask(cc.PixelIdxList{idxMax}) true; % 用掩膜提取彩色水果区域 imgOut bsxfun(times, I, cast(mask, like, I)); end这段代码有几个关键点graythresh使用 Otsu 方法计算阈值输入需要是double且范围在 [0,1]所以先进行了im2double。开运算imopen能去除背景中的细小白色噪点闭运算imclose能填补水果表面高光造成的黑色空洞。最大连通域选择是为了防止背景中饱和度高的物体被误分割进来。如果bwconncomp发现没有连通域说明阈值分割失败直接返回原图。实际项目中应该增加错误提示和日志输出。3.3 分割效果的验证方式完成分割函数后先不要急着提取特征。写一段快速验证脚本查看中间环节的掩膜效果img imread(data/train/apple/apple_001.jpg); subplot(1, 3, 1); imshow(img); title(原图); hsvImg rgb2hsv(img); subplot(1, 3, 2); imshow(hsvImg(:, :, 2), []); title(饱和度通道); mask hsvImg(:, :, 2) graythresh(hsvImg(:, :, 2)); subplot(1, 3, 3); imshow(mask); title(阈值掩膜);预期结果为饱和度通道中水果区域明显亮于背景阈值掩膜中水果区域是白色背景是黑色。如果掩膜包含了大量背景说明当前图片饱和度差异不明显需要调整strel(disk, 5)的半径或者改用手动阈值。3.4 这个步骤最容易犯的错分割阶段最常见的错误是只对灰度图做 Otsu。以红苹果和白背景为例苹果的灰度可能接近背景的灰度直接阈值分割效果很差。使用饱和度通道能明显提升分割稳定性。另一个问题是把所有小的连通域全部去掉。某些水果例如香蕉表面有反射高光可能被分割成多个区域只保留最大连通域时会把香蕉的一部分丢掉。解决方式是先做闭运算再使用imfill填充孔洞。% 错误示例不做闭运算直接取最大连通域 mask imopen(mask, strel(disk, 5)); cc bwconncomp(mask); % 香蕉可能被分裂成多块% 推荐示例先闭运算和填充再取最大连通域 mask imopen(mask, strel(disk, 5)); mask imclose(mask, strel(disk, 10)); mask imfill(mask, holes); cc bwconncomp(mask); % 目标区域更完整4. 特征提取的设计与代码实现分割完成后下一步是把“水果图像”变成“特征向量”。特征需要具备两个能力在同类水果内部保持稳定在不同类水果之间有区分度。本文使用颜色特征、形状特征和纹理特征的组合。4.1 三类特征的含义颜色特征反映水果的色调和饱和度。苹果偏红、香蕉偏黄、橙子偏橙这三类在 HSV 空间的 H 分量上有明显差异。颜色特征实现简单但对光照敏感所以通常同时计算均值和标准差。形状特征反映水果的整体轮廓。苹果和橙子都接近圆形但橙子的圆度通常更高香蕉细长偏心率大圆度低。常用形状特征包括面积、周长、偏心率和等效直径。纹理特征反映水果表面的局部变化。苹果表面较光滑橙子表面有颗粒感通过灰度共生矩阵计算的对比度、能量、相关性、同质性可以量化这种差异。4.2 特征提取函数完整代码在src目录下新建extractFruitFeatures.mfunction feat extractFruitFeatures(img) % 输入水果原图 % 输出1 x N 的特征向量 % 包含颜色特征、形状特征、纹理特征 % 预处理得到分割后的目标区域 imgSeg preprocessFruitImage(img); gray rgb2gray(imgSeg); % 由分割结果生成掩膜 mask gray 0; mask imfill(mask, holes); % 防止掩膜为空时导致的错误 if ~any(mask(:)) feat zeros(1, 21); return; end % 颜色特征RGB 均值与标准差 R imgSeg(:, :, 1); G imgSeg(:, :, 2); B imgSeg(:, :, 3); colorFeat [ mean(R(mask)), mean(G(mask)), mean(B(mask)), ... std(R(mask)), std(G(mask)), std(B(mask))]; % 颜色特征HSV 均值 hsvImg rgb2hsv(imgSeg); H hsvImg(:, :, 1); S hsvImg(:, :, 2); V hsvImg(:, :, 3); hsvFeat [mean(H(mask)), mean(S(mask)), mean(V(mask))]; % 形状特征 props regionprops(mask, Area, Perimeter, Eccentricity, EquivDiameter); area props.Area; perimeter props.Perimeter; circularity 4 * pi * area / perimeter^2; shapeFeat [area, perimeter, props.Eccentricity, props.EquivDiameter, circularity]; % 纹理特征灰度共生矩阵 glcm graycomatrix(gray, Offset, [0 1; -1 1; -1 0; -1 -1], Symmetric, true); stats graycoprops(glcm, {Contrast, Correlation, Energy, Homogeneity}); textureFeat [ mean(stats.Contrast), mean(stats.Correlation), ... mean(stats.Energy), mean(stats.Homogeneity)]; % 组合所有特征 feat [colorFeat, hsvFeat, shapeFeat, textureFeat]; feat double(feat(:)); end特征向量的长度是 6 3 5 4 18。可以在末尾追加更多特征例如颜色直方图、HOG 特征等。追加后需要同步修改训练脚本中的维度说明否则容易混淆。4.3 特征归一化为什么必须做不同特征的数值范围差异很大。面积可能是几千到几万圆度只有 0 到 1颜色均值只有 0 到 1。不归一化时KNN 的距离计算会被面积这类大数值主导导致颜色和纹理特征完全失效。训练脚本中会使用zscore完成标准化保存标准化参数mu和sigma并在预测时对新特征做相同的变换。% 训练阶段 [featNorm, mu, sigma] zscore(featureTable); % 预测阶段 featNorm (featNew - mu) ./ sigma;注意zscore是对每一列独立计算均值与标准差。如果某些特征的标准差为 0需要先删除该列或加上很小的常数否则会出现 NaN。4.4 如何验证特征是否有区分度在训练分类器之前可以用gscatter快速观察特征分布。例如把 HSV 的 H 分量和圆度画成二维散点按类别着色h1 hsvFeat(:, 1); % 色调均值 c1 shapeFeat(:, 5); % 圆度 gscatter(h1, c1, labels); xlabel(Hue Mean); ylabel(Circularity);如果不同类别在图上大致聚成不同区域说明特征选择是有效的。如果完全混在一起应该先检查分割是不是失败再考虑增加新特征。5. 分类器训练与模型保存特征矩阵准备好后分类器训练就有固定套路划分训练集和测试集训练模型评估准确率保存模型文件。本文以 KNN 为主同时给出决策树和 SVM 的切换方式。5.1 训练脚本完整代码新建trainFruitClassifier.mclc; clear; close all; % 类别列表注意顺序要与文件夹名一致 categories {apple, banana, orange}; % 遍历训练集目录提取所有图片特征 trainDir fullfile(pwd, data, train); featureTable []; labels {}; for ci 1:length(categories) catPath fullfile(trainDir, categories{ci}); imds imageDatastore(catPath); fprintf(正在处理类别: %s图片数量: %d\n, categories{ci}, numel(imds.Files)); while hasdata(imds) img read(imds); feat extractFruitFeatures(img); featureTable [featureTable; feat]; labels [labels; categories{ci}]; end end % 标签转为 categorical labels categorical(labels); % 特征归一化 [featureTableNorm, mu, sigma] zscore(featureTable); % 划分训练集和验证集 rng(42); cv cvpartition(labels, HoldOut, 0.2); trainIdx training(cv); testIdx test(cv); % 训练 KNN 分类器 mdl fitcknn(featureTableNorm(trainIdx, :), labels(trainIdx), ... NumNeighbors, 5, Standardize, false); % 验证集预测 pred predict(mdl, featureTableNorm(testIdx, :)); acc mean(pred labels(testIdx)); fprintf(验证集准确率: %.2f%%\n, acc * 100); % 显示混淆矩阵 confusionchart(labels(testIdx), pred); % 保存模型和归一化参数 save(fullfile(models, fruit_model_knn.mat), mdl, mu, sigma, categories);这段代码的关键点包括使用imageDatastore遍历文件夹自动读取目录下所有支持的图片格式。每读取一张图片就提取一次特征训练集规模不大时速度可接受。如果图片数量很大应改用批量内存预分配来避免featureTable不断增长。cvpartition的HoldOut表示从数据集中留出 20% 作为验证集。confusionchart能直观反映每一类被分错的情况。5.2 如何切换不同分类器如果希望对比不同分类器可以把训练部分拆成几个独立函数或者直接替换模型训练语句% KNN mdl fitcknn(featureTableNorm(trainIdx, :), labels(trainIdx), ... NumNeighbors, 5); % 决策树 mdl fitctree(featureTableNorm(trainIdx, :), labels(trainIdx), ... MaxNumSplits, 10); % SVM多分类使用一对多或一对一策略 mdl fitcsvm(featureTableNorm(trainIdx, :), labels(trainIdx), ... KernelFunction, linear, BoxConstraint, 1);SVM 本身是二分类器Matlab 的fitcsvm在遇到多分类标签时会自动使用一对一方案但速度较慢。类别更多时可以切换为fitcecoc。5.3 模型保存和加载训练完成后模型、归一化参数和类别列表一起保存为.mat文件。预测时只需要加载这一份文件不再需要重新访问训练数据。% 保存 save(models/fruit_model_knn.mat, mdl, mu, sigma, categories); % 加载 S load(models/fruit_model_knn.mat); mdl S.mdl; mu S.mu; sigma S.sigma; categories S.categories;保存时建议把categories也存进去否则预测时不知道标签的原始顺序。后续如果要增加新类别只需重新运行训练脚本模型文件会自动覆盖。5.4 分类结果评估不能只看准确率准确率在类别均衡时比较直观但一旦某一类图片特别多模型可能偏向多数类。此时要观察混淆矩阵。例如苹果图片全部预测正确橙子图片大量预测成苹果说明形状或颜色特征没有把这两类分开。对于课程设计推荐至少输出两样东西验证集准确率和混淆矩阵。如果准确率低于 90%优先回看分割阶段而不是盲目换分类器参数。6. 编写可交互的 GUI 识别界面模型训练完成后需要一个入口让用户可以选图、看到分割结果、得到预测结果。Matlab 的uifigure和uibutton可以快速搭建简单界面不推荐在新项目中继续使用老旧的 GUIDE。6.1 GUI 布局与回调逻辑新建脚本fruitClassifierGUI.m创建主界面的基本控件function fruitClassifierGUI() % 加载模型 S load(models/fruit_model_knn.mat); mdl S.mdl; mu S.mu; sigma S.sigma; categories S.categories; % 创建主窗口 fig uifigure(Name, 水果分类识别系统, Position, [100 100 700 520]); % 显示原图区域 axOriginal uiaxes(fig, Position, [30 220 300 260]); title(axOriginal, 原图); % 显示分割结果区域 axSegmented uiaxes(fig, Position, [370 220 300 260]); title(axSegmented, 分割结果); % 选择图片按钮 btnSelect uibutton(fig, push, ... Text, 选择图片, ... Position, [30 150 120 35], ... ButtonPushedFcn, (btn, event) selectImage()); % 结果显示区域 lblResult uilabel(fig, ... Text, 识别结果: , ... Position, [180 150 300 35], ... FontSize, 16, ... FontWeight, bold); % 回调函数选择图片并识别 function selectImage() [file, path] uigetfile({*.jpg;*.png;*.bmp, 图像文件}, 选择水果图片); if isequal(file, 0) return; end img imread(fullfile(path, file)); imshow(img, Parent, axOriginal); % 预处理 imgSeg preprocessFruitImage(img); imshow(imgSeg, Parent, axSegmented); % 特征提取与归一化 feat extractFruitFeatures(img); featNorm (feat - mu) ./ sigma; % 预测 predLabel predict(mdl, featNorm); lblResult.Text [识别结果: , char(predLabel)]; end end这段代码里最值得注意的是变量作用域。在嵌套函数selectImage中直接使用外层函数定义的文件名这是合法的因为它们是嵌套函数。如果使用单独的回调函数文件就需要通过guidata或结构体传递数据。6.2 GUI 运行效果验证运行fruitClassifierGUI后界面会弹出。点击“选择图片”从测试集中任选一张不属于训练集的图片程序会依次显示原图、分割结果和识别结果。正常情况下分割结果中的水果区域应该完整保留背景变成黑色。识别结果应与真实类别一致。如果识别错误先不要急着换分类器可以在界面上观察分割结果是否准确。很多时候分割失败会导致特征错误最终分类错误。6.3 批量测试脚本为了评估模型在测试集上的真实效果写一个独立的批处理脚本testDir fullfile(pwd, data, test); imds imageDatastore(testDir, IncludeSubfolders, true, LabelSource, foldernames); S load(models/fruit_model_knn.mat); mdl S.mdl; mu S.mu; sigma S.sigma; predList []; for i 1:numel(imds.Files) img read(imds); feat extractFruitFeatures(img); featNorm (feat - mu) ./ sigma; pred predict(mdl, featNorm); predList [predList; pred]; end predList categorical(predList); accuracy mean(predList imds.Labels); fprintf(测试集准确率: %.2f%%\n, accuracy * 100); confusionchart(imds.Labels, predList);测试集准确率比训练时的验证集准确率更关键因为测试集图片完全不参与训练更能反映模型的泛化能力。注意GUI 运行时不要反复调用load(models/fruit_model_knn.mat)。一次性加载到变量里在回调中复用即可。如果每点击一次图片就加载一次模型界面会明显卡顿。7. 常见问题排查与调参路径这个项目代码量不大但运行失败时现象往往集中在几个固定位置。按“输入数据 - 分割 - 特征 - 分类器”的顺序排查效率最高。7.1 常见错误现象和处理方案问题现象可能原因检查方式处理建议找不到函数或变量缺少对应工具箱which rgb2hsv、which fitcknn安装 Image Processing Toolbox 或 Statistics and Machine Learning Toolbox图片读取失败路径存在中文或特殊字符检查imread路径将数据集移动到英文路径分割结果为空水果与背景饱和度差异小显示饱和度通道图像改用 H 通道或手动设定阈值分割结果不完整开运算半径过大查看掩膜形态减小strel(disk, 5)半径特征值出现 NaN标准差为 0 或掩膜为空any(isnan(featureTable))删除无效特征列或处理空掩膜KNN 准确率低特征量纲差异大打印特征最大值和最小值使用zscore归一化并保存参数GUI 点击无响应回调函数变量作用域错误检查是否在嵌套函数内使用完整嵌套函数或guidata传参验证集准确率高但测试集低训练集和测试集分布不一致检查两类图片背景差异统一采集条件重新整理数据集7.2 分割效果不佳时的调参路径分割是整个系统的地基。如果掩膜不对后续特征全部失真。优先查看饱和度通道图像确认水果区域是否明显亮于背景。如果差异不明显尝试使用 Lab 颜色空间的 a 通道或 b 通道lab rgb2lab(I); % a 通道表示红绿方向 aChannel lab(:, :, 2); T graythresh(aChannel); mask aChannel T;如果背景中有大面积高饱和度物体可以在形态学处理后增加“只保留最大连通域”的步骤。如果水果表面高光太强闭运算半径可以从小到大依次测试3、5、10、15。7.3 分类器效果不佳时应该改什么很多初学者遇到准确率低就换更强的分类器但真实原因常常是特征没有区分度。建议按以下顺序调整检查分割掩膜是否准确。用gscatter画特征散点图看类别是否分离。增加特征例如颜色直方图、面积占比、灰度方差。调整 KNN 的 K 值遍历 3 到 15。对比决策树和 SVM 的结果。如果仍无法提升再考虑采集更多样化的训练图片。调参本质上是在“偏差”和“方差”之间做取舍。K 值过小容易过拟合K 值过大容易欠拟合。决策树深度过大也容易过拟合训练集。7.4 从课程设计到可部署系统的差距课程设计中所有图片放在本地文件夹模型训练和识别都在这台电脑上完成。真实项目还需要考虑以下问题图片可能通过网络上传需要处理不同分辨率和不同压缩格式。训练集和测试集可能来自不同设备存在设备差异和光照差异。模型需要定期更新新类别的加入需要重新标注和训练。系统需要记录预测日志便于回溯错误样本。分类器输出需要附带置信度而不是只给一个标签。数据、算法、部署三者缺一不可。课程设计阶段先把数据组织好、特征解释清楚已经比单纯“调通代码”高一个层次。8. 可复用清单与扩展方向最后一个部分从工程实践角度给出检查清单。这个清单可以直接用于课程设计答辩前的最终验证也可以用于后续项目开发。8.1 系统上线前检查清单[ ] 训练集和测试集完全分离测试集图片没有参与训练。[ ] 每类图片数量均衡至少 30 张以上。[ ] 分割函数在随机抽样的 10 张图上都能得到合理掩膜。[ ] 特征向量长度固定且没有 NaN。[ ] 训练脚本保存了模型、归一化参数和类别列表。[ ] GUI 能从任意路径选择图片并完成识别。[ ] 测试集准确率计算使用独立脚本并输出混淆矩阵。[ ] 模型文件路径没有硬编码绝对路径。8.2 特征扩展方向当前实现使用 18 维特征已经能支撑苹果、香蕉、橙子这类颜色差异大的任务。如果想提高鲁棒性可以继续增加颜色直方图把 RGB 或 HSV 各通道分成 16 个区间拼成直方图特征。HOG 特征描述边缘方向分布对形状识别很有帮助需要使用 Computer Vision Toolbox 的extractHOGFeatures。LBP 纹理特征对光照变化有较好鲁棒性适合水果表面纹理差异明显的任务。面积占比水果面积与整图面积的比例可以在一定程度上反映近大远小问题。特征维度上升后分类器需要更多训练样本否则会出现维度灾难。8.3 分割算法替换方向Otsu 阈值适合单目标和简单背景。如果场景复杂可以升级为K-means 聚类把像素分成目标和背景两类再取目标类。GrabCut 算法交互式前景提取适合背景相对复杂但物体边界清晰的场景。区域生长算法需要手动或自动选择种子点适合边缘不明显的图像。这些算法大多在 Matlab 图像处理工具箱中有对应函数替换preprocessFruitImage内部实现即可不会影响上层特征提取和分类器代码。8.4 从传统特征分类走向深度学习如果后续想把系统扩展到任意场景可以逐步引入深度学习。保留当前项目的目录结构和工程思路把extractFruitFeatures替换为卷积神经网络的特征层输出或者直接把整张图片输入到预训练模型完成分类。在 Matlab 中可以使用 Deep Learning Toolbox 加载预训练网络net resnet50; deepFeat activations(net, img, fc1000);但要注意深度学习需要更多数据、更长训练时间和更强硬件。课程设计阶段传统数字图像处理方案的价值不在于“不落后”而在于能让你把从分割到分类的每一步都讲清楚。有了这套基础后续无论转向深度特征还是目标检测技术迁移成本都会低很多。