基于图像处理技术的自动化处理技术随着计算机技术的不断成熟,越加广泛地应用于不同研究领域。然而,目前我国对于稻米的外观品质检测仍停留在人工肉眼检测阶段,既缺乏效率,同时又因主观性过强使得检测结果有所误差,这样不仅导致消费者的健康极大受损,也导致我国稻米的竞争力水平降低。因此,稻米外观品质检测自动化已成为社会发展的必然趋势,对国家发展和社会粮食安全维护来说意义非凡。由于所采集的数据样品之间存在粘连的情况;同时对于人工检测来说,垩白以及黄粒米的检测结果均有所误差。所以本文将主要围绕粘连稻米分割、垩白检测以及黄粒米检测这三个问题展开研究。在粘连稻米分割方面,本文通过提出的基于密度峰聚类的高斯混合模型分割方法来实现粘连稻米之间的分割。该方法分为以下三个步骤:首先通过传统的密度峰聚类算法计算出当前各个数据点的局部密度值以及其距离值,并利用改进的排序图替换原有的决策图从而确定出潜在的聚类中心,然后将潜在聚类中心依次作为高斯混合模型的初始聚类中心代入其中进行计算,并计算出对应的轮廓系数值;最后以最佳轮廓系数值所对应的高斯混合模型结果作为最终的分割结果。通过实验分析表明,该算法相较于传统的分水岭算法、凹点检测算法以及K均值算法来说具有更加有效的实现稻米粘连的分割效果。在解决垩白检测问题时,本文提出了一种基于颜色量化的空间协同垩白检测方法,该方法充分考虑了垩白部分的颜色信息和空间结构特征。该算法首先对分割所得的每粒稻米进行颜色量化,然后计算“垩白”部分与其它颜色部分的颜色相似性,同时对该部分进行椭圆拟合从而计算出反映该部分空间结构性的两个相关参数,最后根据上述两个条件进行垩白检测。通过实验分析,证明了本文算法在垩白检测过程中具有可行性。对于黄粒米检测的问题,本文在HSI颜色空间的检测方法的基础上,结合了颜色量化的概念。通过比较其量化后的颜色直方图发现正常稻米与黄粒米之间的区别更加明显。通过实验证明,本文改进后的黄粒米检测方法在一定程度上能够更加有效的实现黄粒米检测。