1.一种用于采摘机器人的莲蓬目标图像识别方法，其特征在于，包括以下步骤：步骤1，采用图像高斯滤波与超绿色指标法相结合的方法，设计超绿色高斯滤波器，去除复杂背景；

超绿色指标法公式如下：

二维离散高斯函数为：

其中x＝0,1,2,...,M-1；y＝0,1,2,...,N-1，x，y轴垂直；

在与x，y相互正交的z轴上加入一维离散信号，其中x，y，z轴符合右手定则，利用卷积定理，构造超绿色高斯滤波器；

步骤2，采用距离变换与空间模式聚类算法相结合的分水岭算法，对有重叠现象的图像实现重叠部分的分离和分割；

步骤3，利用改进Hu不变矩算法，计算莲蓬、荷叶、荷花、茎的不变矩an，对所计算的n阶不变矩进行线性组合，得到能够表征莲蓬、荷叶、荷花、茎不同形状特征的不变矩主成分zm，m≤n；

步骤4，图像目标识别，利用K-Means聚类算法对莲蓬、荷花、荷叶、茎图像的不变矩主成分zm分类，主成分离莲蓬聚类中心最近的连通分量即为莲蓬。

2.根据权利要求1所述的用于采摘机器人的莲蓬目标图像识别方法，其特征在于，所述步骤2具体过程为：步骤2.1，通过bwdist函数实现二值图像中的每个像素值的距离变换；

步骤2.2，经过距离变换后，再进行分水岭分割算法，为每个分水岭定义特征值，根据特征量计算相似区域之间的欧氏距离和空间距离，从而确定像素聚类中心的距离，然后对产生过分割现象的图像区域采用基于空间模式聚类方案进行合并，实现相似小区域的合并，从而避免过分割现象，这里的欧氏距离计算公式如下：其中，(x1,y1)和(x2,y2)为图像中的相似区域中任意两点。

3.根据权利要求1所述的用于采摘机器人的莲蓬目标图像识别方法，其特征在于，所述步骤4具体过程为：步骤4.1，以莲蓬、荷叶、荷花、茎为对象，且他们的形状特征差异较大，取K＝4，从N＝80组不变矩主成分样本{zm1,zm2,...,zm80}中选取K＝4个样本值，作为初始聚类中心；

步骤4.2，计算各样本到各聚类中心的欧式距离并获取其类别标号；

步骤4.3，计算每个聚类的样本均值，作为新的聚类中心；

步骤4.4，重复步骤4.2～4.3，直到聚类中心不再变化，即得K＝4个聚类中心。

4.根据权利要求3所述的用于采摘机器人的莲蓬目标图像识别方法，其特征在于，所述步骤4.4具体过程为：通过K-Means聚类算法将样本不变矩主成分分为四个聚类中心{c1,c2,c3,c4}，分别代表莲蓬、荷叶、荷花、茎，然后对采集的目标图像进行连通分量提取，计算每个连通域的不变矩主成分zm，主成分分量离莲蓬聚类中心最近的连通分量即为莲蓬，并用“+”标记，同时在原始图像相应位置处用“+”标记，标记完所有连通域后，显示二值图像以及标记后的原始图像。