（控制理论与控制工程专业论文）捆扎线材图像识别的研究.pdf

武汉理工大学硕士学位论文 摘要 随着工业的发展，线材数量的识别在木材加工业和钢铁工业生产中得到了 广泛的应用。但是目前对线材数量的识别只是局限在对类圆形状的识别，因此， 如何针对线材截面不规则时，实现线材自动计数的研究显得迫不及待。目前， 线材自动识别研究成为该领域的一个研究热点，具有实用价值和广泛的应用前 景。 本文研究的重点是针对光线不均匀或者不规则时线材数量识别的实现。 文中首先介绍线材识别的发展动态，对模板匹配，三点法等进行比较，并 就文中方案的选择进行论证。 然后，对线材进行预处理的研究，在研究图像处理基础和数学形态学理论 的基础上，应用规格化对图像进行增强；紧接着实现图像的二值化：在此基础 上对图像进行分割，在比较腐蚀和分水岭分割去除线材之间的粘贴优越性后， 提出了一种分水岭分割去除粘贴的方案。在对滤除水线深入研究的基础上，提 出了利用模板分解滤除水线的方法，这也是本文中的一个创新点；最后，采用 改进的o p t a 保留模板，对线材截面进行细化处理，其作用主要是在不影响最 后识别数量的基础上，减少线材截面的像素个数，以提高识别速度。 本文研究的重点是线材数量自动识别方法，针对目前数量识别的方法对处 理后线材截面形状要求较严格方面的不足，本文提出了两种线材识别的方法， 一种是针对生产中线材的截面的图像采集时光线不均匀、线材截面模糊的情况， 采用模块识别线材数量的方法，该方法先使用点方向图的方法把线材截面分割 成若干块，然后通过识别模块的数量来得到线材的数量；另一种是利用双链表 实现线材个数识别的算法，该算法通过一次扫描来产生双链表，根据其值确定 线材的个数和确定线材截面的中心位置，达到对线材定位的目的。 在上述基础上，就提出的识别方法在p c 机上利用v c + + 平台进行实验，给 出了相关的实验数据并与其它的识别方案进行对比分析，实验表明：文中的识 别方法对线材数量的识别率较高。 最后对所做的工作进行了总结，对下一步工作进行展望。 关键字：线材自动计数，图像识别，模块，方向图，链表 武汉理工大学硕士学位论文 a b s t r a c t i d e n t i f y i n gt h en o o fb a r sa u t o m a t i c a l l yi sw i d e l yu s e di nl u m b e r i n ga n di i o n a n ds t e e li n d u s t r y h o w e v e r , i d e n t i 蛳n gt h en o o fb a r si sc o n f i n e dt oc i r c l e s e g m e n t a t i o nf o rc o u n t i n go fb o u n d e db a r s oh o wt oi d e n t i f yt h en o o ft h eb o u n d e d b a rw h e ni t ss e g m e n ti sn o tr e g u l a rc a nn o tw a i t n o wi d e n t i f y i n gt h en o o fb o u n d e d b a ra u t o m a t i c a l l yi sah o ts t u d y , i th a st h ew i d e s p r e a da p p l i c a t i o np r o s p e c ta n tt h e p r a c t i c a lv a l u ei nt h i sa s p e c tr e s e a r c h t i l i st h e s i sm a i n l yi n t r o d u c e st h er e a l i z a t i o no ft h es e c t i o no ft h eb o u n d e db a r w h e np i c k i n gu pi m a g eo fi to ni r r e g u l a ro ru n e v e nl i g h t i n g i nt h i sp a p e rw ef i r s tr e c o m m e n dt h ed e v e l o p e dt r e n do fi d e n t i f y i n gt h en o o f b a r s ，m a k ec o m p a r ew i t ht e m p l a t em a t c h i n g 、t h r e e p o i n tm e t h o d ，a n dt h e n d e m o n s t r a t et h ea l g o r i t h mb e i n gr a i s e di nt h i sp a p e r t h e ns t u d yt h ep r e t r e a t m e n to ft h eb o u n d e db a r , o nt h eb a s eo ft h er e s e a r c ho f t l l ef o u n d a t i o ni m a g e r yp r o c e s s i n ga n dt h e o r yo fm a t h e m a t i c sm o r p h o l o g y , t o ，w eu s e s t a n d a r d i z a t i o ne n h a n c et h ei m a g e ，i nt h ef o l l o ww em a k et h r e s h o l d o nt h eb a s eo f t h ea b o v ew ed od i v i s i o n c o m p a r i n gt h ew a t e r s h e dd i v i s i o na n dr o t ，w es e l e c t w a t e r s h e dt oe l i m i n a t et h es t i c kb e t w e e ne a c hb a r t l l i si sai n n o v a t i o ni nt h i st h e s i s a tl a s to ft h ep r e t r e a t m e n t t ot h i nt h es e c t i o no fe a c hb a r , u s i n gi m p r o v e d0 p t a r e t a i nt e m p l a t e i t sf u n c t i o ni st ol e s st h ep i x e lo ft h es e c t i o no fe a c hb a ra n dc a nl e s s t h et i m ew h e ni d e n t i f yt h en o o ft h eb o u n d e db a r i nt h i sp a p e rt h em a i n l ys t u d yw ed oi s i d e n t i f y i n ga l g o r i t h m i nv i e wo ft h e s h o r t c o m i n g so ft h ea l g o r i t h mt h a ti sr e s t r i c ti ns h a r po ni d e n t i f y i n gt h en o o ft h e b o u n d e db a r , w ep r o p o s et w oa l g o r i t h m s ，o n ei s ：i na l l u s i o nt ou n e v e nl i g h ts e c t i o n a n db l u r r ys e c t i o no ft h eb a r ,u t i l i z eb l o c ki m a g et oc o u n tt h en o o fb o u n d e db a r s a f t e rb l o c k i n gt h ei m a g et os e v e r a lb l o c k s w ec o u n tt h en o o ft h eb l o c k sa c c o r d i n g t h ec a t a c h r e s t i co ft h eb l o c k 1 1 1 eo t h e ra l g o r i t h mi si d e n t i f y i n gt h en o o fb a r sb a s e d o nt w oc h a i nl i s t s w h e ns c a n n i n gt h eb i n a r yi m a g ew ec r e a t et w oc h a i nl i s t s a tl a s t w ed e t e r m i n et h en o a n dt h ec e n t r a lp o s i t i o no ft h eb a rb a s e do nt h ec r e a t e dc h a i n l i s t s 、 o nt h eb a s ea b o v e w ed ot e s to np co nt h ep l a t f o r mo fv c + + ，e n u m e r a t et h en o w eo b t a i n e da n dd oa n a l y s i sw i t ho t h e ra l g o r i t h m t e s tr e s u l ts h o w ：t h ea l g o r i t h mw e p r o p o s e dh a sm u c hh i g h e rp e r c e n t a g ew h e ni d e n t i f y i n gt h en o o ft h eb o u n d e db a r s a ti a s to ft h i sp a p e r , w es u m m a r i z et h i st h e s i sa n dm a k ep r o s p e c to ft h ef u t u r e o ft h es t u d yo ft h ei d e n t i f i c a t i o no nb o u n d e db a r s k e yw o r d s ：a u t o m a t i c a l l yc o u n t i n go fb o u n d e db a r s ，i m a g er e c o g n i t i o n , b l o c k ， d i r e c t i o ni m a g e ，c h a i nl i s t i i 独创性声明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何 贡献均已在论文中作了明确的说明并表示了谢意。 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校有权 保留、送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部 或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：导师签名：日期： 第1 章绪论 1 1 引言 2 0 世纪9 0 年代以来，世界向着信息化社会发展的速度明显加快，电子设备 如电脑、a t m 提款机、蜂窝电话、门禁控制系统等等的普及，与此同时，工业 也朝着信息化发展的速度明显加快，通过以太网或现场总线把各种不同类型的 网络化仪器仪表与计算机连接在同一网络中，其优点是可以使有关部门的数据 实现共享，实现远距离监控、诊断和调整。传统的工业生产方式已经不适应现 代的需要，工业生产自动化更加追不及待，世界上较为先进的钢铁企业使用大 规模包括有分析模型的设备诊断网络和计算机系统。线材数量的自动识别计数 的研究受到很多生产部门的重视，是实现生产自动化的关键，特别是传统的钢 铁生产，能够对线材进行准确的自动计数是未来工业的发展方向，因此对线材 进行准确计数的研究显得更加急切，特别在目前情况下，国内大多大户钢材生 产厂家都采用人工计数方法来计量捆扎线材的数量，效率低下，劳动强度高， 计算误差大，而引进全自动生产线会凸显成本高的缺憾。因此，计数定支自动 化的实现是长期困扰企业的一个难题。 伴随着计算机处理速度的的显著提高、大规模存储器的出现，这些设备的 价格也不断下降，图像的采集和显示设备的发展共同为数字的处理奠定了坚实 的基础，计算机的视觉理论的发展和完善以及其它相关领域的进步为数字图像 处理应用于工业生产和其它领域提供了理论指导。近年来，由于图像处理的突 飞猛进，有学者提出了图像处理的理论背景，在运用图像处理技术的同时，结 合一个应用话题，进行图像处理和应用方法研究。 本文通过查阅大量文献，开发了对棒材进行计数的检测系统，可以有效地 提高生产率和识别率，改变传统的计数模式，使棒材的生产计数实现机械化和 自动化。 1 2 课题的研究背景 线材识别是集计算机、网络、光电技术、图像处理、模式识别、智能卡、 数据库等于一体的综合技术。目前钢材厂家都采用人工方法来计算捆扎线材的 根数，效率低下，劳动强度高，特别是直径为1 0 m m - 2 0 m m 的小规格的钢筋的计 酋握理兰占堂亟堂焦垃窑 数，更加需要投入大量的人力物力。因此，他们迫切需要低廉的自动计数仪。 从上世纪9 0 年代初，国内开始从事应用计算机视觉的方法进行线材的自动计数 研究，取得一定的效果，但是还处于理论研究阶段，没有出现成熟的产品。山 东莱芜钢厂与安徽工业大学合作也进行了诸如此类的研究，发表了采用数学形 态学方法进行精确计算的论文。第二工业大学与合肥工业大学也发表了这方面 的论文，前者采用极限腐蚀方法，后者采用信息融合和边缘检测的方法。总之， 从8 0 年代末期开始，国内开始了用数字图像处理进行钢筋在线技术研究，在一 定的限制条件下，试验了一些算法，但是距离大规模的工业应用尚有差距，还 需要进一步提高系统处理精度和速度。 图1 1 线材计数现场 人在现场对线材进行计数如图卜l 所示，图中工人一边用颜料标记已经数 过的线材，一边对线材进行计数，以防计数的过程中出现漏掉和多计的情况， 考虑到线材生产现场的环境和工作状况，如温度过高，人眼容易疲惫等，因此 对于打捆后棒材计数自动计数的研究迫不及待。目前，计算机视觉开始应用于 棒材生产中。国内外很多研究机构对此课题进行专门的研究在国外钢筋的计数 已经应用到生产中。在国内，大多数钢材生产厂家都采用人工方法来计量捆扎 线材的根数，这种方法效率低下，劳动强度高，计数误差大，而引进全自动生 产线，成本又较高。从上世纪9 0 年代初，国内开始从事应用计算机视觉的方法 进行线材的在线自动计数研究，取得了一定的成果，但还处于理论研究阶段， 没有出现成熟的产品。大部分棒材生产常采用人工计数实现标准捆交货。人工 计数虽然能够保证精度，但是消耗了大量的人力、财力。为了实现棒材以理论 数量交货，很多钢铁公司引进了自动计数设备。但是其计数精度仍然无法满足 生产要求。我国目前主要采用人工机械式和光电管检测两种方式【1 1 ，虽然在1 9 9 8 年上海第二工业大学的朱常青等提出了利用图像腐蚀和图像膨胀的方法，可以 使得钢筋数量的识别更加精确，但是一直没有使得线材的自动识别在各个钢材 生产厂家广泛的使用，所以至今线材的识别也只是一直应用于理论阶段。 1 3 线材识别研究的现状 由于线材自动识别具有广泛的应用前景和研究价值，很多文章和书籍介绍 了基本的识别方法，分析和讲述了一些线材数量的识别方法，这些方法有的针 对特定的线材截面的单个目标进行识别，有的抽取了线材的一些特征进行分割， 设计较为通用的识别方法。目前这些方法或多或少的存在一定的缺陷，以下介 绍一些论文中对线材进行自动计数的方法。 ( 1 ) 图像距离变换法 应用这种算法通过确定各个线材的中心，从而实现线材的自动计数。该方 法虽然取得很好的识别效果，但是二值化时选择阈值较小会造成线材的粘贴， 在最后识别时，有较大的误差。 ( 2 ) 腐蚀法1 2 i 由于计数的时候需要保留每一个计数物体的截面图像的至少一个像素点， 不要考虑被测物体的的真实情况，所以只要将技术物体图像进行多次收缩，使 得重叠的图像达到完全分离的目的，采用图像处理方法用数学形态学腐蚀膨胀 使得钢筋的截面的图像更加清晰。并使用扫描方法进一步剥离钢筋截面图像来 进行粗分离，然后根据粗分离的结果求出像素点的棋盘距离以判别分离的像素 点是否代表一个被检测的像素，否则删除该像素点，以达到精确分离的目的。 ( 3 ) 模板匹配法1 3 模板匹配识别方法是图像处理和计算机视觉领域中的一种图像分析的方 法，是将已知模板位图的数据和待搜索位图的数据进行匹配，然后根据匹配结 果来确定一幅代搜索位图是否存在一模板位图。其中包括模糊圆周模板匹配法 和模板覆盖法。模糊圆周模板匹配法运算量很大，模板的选取直接影响着线材 数量识别率，不能用于生产中。模板覆盖法在覆盖在剪贴的过程中，对图像进 3 行剪贴，使得图像的不规则性加大，对于粘贴严重的图像很难达到准确的目的。 ( 4 ) 中心点法1 4 利用横向扫描和纵向扫描图象的的方法，在一个点的周围如果是相邻像素 点的重点的个数超过三个，确定一个原点，通过统计圆点的个数来确定钢筋的 数量。该方法应用于圆的边界在粘贴在一起形成的图形是规则的多边形的时候， 容易造成线材数量的增加。 1 4 线材识别计数概述 1 4 1 线材识别系统 棒材的技术系统原理图如图1 - 2 所示，主要由c c d 摄像头、图像采集卡、 计算机、控制机构、计算显示以及处理算法组成【卯。 图1 2 棒材自动计数系统原理图 c c d 摄像头连续采集运输链上的棒材端面图像，图像采集卡主要完成如下 功能实现采集卡和计算机间数据交换；视频输入接口：实现采集卡与c c d 摄像机间的数据交换：高速的a d 转换：将视频喜好转换为数字图像； d a 转换：将计算机处理后的数字信号转换为模拟信号，然后在显示器上输出。 采样周期定期采集图像并传输给计算机，计算机进行实时处理，将处理结 果转换成棒材根数传输给显示器实时显示，并控制运输链和机械收的动作，实 现棒材的自动分量和准确计数。 1 4 2 线材识别系统的组成 一般来说，一个线材自动识别系统( a u t o m a t e dw i r el d e n t i f i c a t i o n s y s t e m ：a w i s ) 主要由线材的图像采集系统，线材的数量识别系统和显示系统几 个部分组成，其中线材的识别系统是整个系统的核心部分，它包括线材的预处 4 理和数量显示等部分，线材的识别系统的结构如图1 3 所示： 【兰竺兰垩竺h 竺翌竺兰兰h 竺型! 兰! 兰h 兰竺j 图1 3 线材识别系统 1 4 3 线材识别计数简介 根据图1 3 识别系统的框图，现逐一对线材识别涉及的主要的技术简述如 下： ( 1 ) 线材的输入 将一幅采集的线材的图像输入计算机是线材识别的首要步骤。目前线材的 识别设备有光学设备、和计算机识别两种，光学取样设备是根据光的全反射原 理来设计的，这种方法使用的光电管很容易老化，特别是在钢筋生产的现场， 温度很高，更加会加速光电设备的老化，因此随着图像处理和计算机的结合， 企业更加倾向于使用电脑结合外围设备来识别线材的数量。 ( 2 ) 线材图像预处理 无论采用哪种算法提取线材的图像，总会给线材图像带来各种噪声。预处 理是利用信号处理技术去除线材图像中的各种噪声干扰，把它变成一幅清晰的 可以识别数量的图像。预处理是线材识别的第一步，它的好坏直接影响着识别 的结果。常用的预处理主要是图像滤波，二值化，边缘检测等等。这些步骤根 据系统和应用的具体情况也会做出适当的变化。 ( 3 ) 图像分析 图像分析是根据处理后的图像确定使用的方法，总的来说识别线材的数量 的方法都是在研究预处理后图像的特征提出的，如三点法、中心点法和模板匹 配等识别线材的方法。 ( 4 ) 线材的识别方法的研究 线材的识别是线材识别的最后一步也是最重要的一步。线材的识别就是根 据处理后的没有粘贴的线材截面的特征来识别线材的数量，在以往的识别线材 的研究中尽可能的保留线材的边缘信息，利用线材截面的边缘特征来判断线材 的数量，如类圆特征，连通域等等。由于线材生产过程中需要剪切，高温处理 等可能造成线材的截面的不规则。处理后线材的截面形状不规则，所以给识别 增加难度。 1 5 本文主要工作 在很多情况下，由于光线不足和图像采集光线的映射，各种待识别目标并 非完全分离，而是存在粘贴现象。对于这种情况，基于二值化后连通域的识别 方法是没有办法达到识别目标的。一些论文提出了应用像素灰度方向图算法对 粘贴目标分割的算法，分割效果也比较好，但是由于处理方法单一，自适应不 强，并不具有普遍的意义。在处理一般的线材的时候，采用形态学滤波的方法 克服线材之间的粘贴，但是多次的腐蚀，可能会造成线材界面的丢失，从而使 得最后的识别数量比实际的少。 还需要指出的是，现实情况中待测线材截面目标，由于光线不足、图像采 集遮掩等多种因素的影响，往往呈现出，多种综合的特征，如：中心空、边缘 不连续和粘贴等等。由于上述原因造成图像在识别的时候有一定的难度。目前 所参考的资料显示，还没有哪一种算法，能够对各种线材的数量进行准确的识 别。 本文在前人的基础上。针对图像在粘贴时造成的边缘不连续，采用了边缘 方向图和分水岭分割的方法，该方法不需要把线材的各个边缘显示清楚的情况 下来识别线材的数量。只要把线材利用方向图把线材图像分成块，在对边缘进 行方向图变换，粘贴的线材的截面只要有零星的边缘可以检测到，就会在线材 截面所对应的块处出现毛刺现象，从而可以判断该处是否为线材截面的边缘。 去除毛刺后就可以看出截面部分对应的一个个模块。然后分析模块图像的特征， 提出了利用图像距离判断线材的方法。在克服粘贴的时候还采用分水岭分割， 然后用形态学模板分解去除水线从而实现线材截面之间分离。最后用改进的 o f r a 模板【6 】细化提取线材的骨架，这一步的目的是计算连通域数量来得到线材 的数量，为后来连通域的双链表识别做准备。 1 6 本文结构安排 论文全文分为五章，具体安排如下： 第一章绪论。包括课题的背景、意义以及国内外相关技术研究现状。 第二章线材的预处理。讲述了针对线材截面图像的预处理的基本原理和方 6 法，如线材图像的规格化、二值化、分水岭分割、分水岭分割后形态学滤除水 线和线材的骨架提取。 第三章线材截面图像预处理后识别方法的研究。针对边缘模糊截面较大的 线材利用分割模块，应用识别模块数量的方法识别线材数量，在对不规则的线 材的识别的时候，利用双链表来识别连通域的个数。 第四章的试验结果分析比较。在p c 机上用v c + + 做试验，在对试验效果进 行比较后，选择适合线材的方案，并把已经存在的识别方法与文中提出的识别 方法比较，验证文中算法的优越性。 第五章总结展望。并对未来研究工作的展望。 7 第2 章捆扎线材图像的预处理 2 1 图像的预处理概述 人们研究线材的识别，只是对最后的识别的数量感兴趣，通过线材截面特 征的分析来确定是不是一根线材，从而得到线材的数量。以前的线材都是通过 人工计数或者是用光电管大体确定线材的数量，随着数字图像处理和硬件技术 的发展，线材图像的获取是通过c c d 摄像头连续采集运输链上的棒材端面图像， 然后在计算机上处理，从而获取线材的数量。 图4 1 ( a ) 和4 2 ( a ) 是采集的线材截面图，通过观察图像可以发现，不同的线 材图片存在着不同的问题。线材区域存在以下3 个问题： ( 1 ) 棒材区域的形状并不是圆形，棒材端面尺寸也存在一定的差异； ( 2 ) 有的线材区域存在孔洞区域； ( 3 ) 线材端面之间出现严重的粘贴现象，光照的不均匀或者是传输链上面油 污造成的脏迹，使得线材截面之间的空隙不是很明显，这些噪声也会使得采集 的线材截面图像之间界限模糊，从而影响线材识别的数量。 预处理的好坏对线材最后数量识别的准确率具有很大的影响，它在大体上 决定了识别系统的有效性和准确率。预处理的目的就是利用图像处理技术去除 图像中的各种噪声干扰，把它变成一幅清晰的线材点线图，增强图像的可识别 性，以便可靠的识别线材的数量。 2 2 图像的增强 图像的增强是一种基本的图像预处理手段，它是按照特定的需要突出一幅 图像中的信息，同时削弱或者是去除某些不需要信息，其主要的目的是使处理 后的图像对某些特定的应用来说，比原始图像更加合适，因此，这类处理是为 了某种应用目的而去改变图像的质量，处理使得图像更加适合于人的视觉特征 或机器的识别系统。 目前，常用的图像增强根据其处理所进行的空间的不同，可以分为基于空 间域的方法和基于频域的方法，前者是直接对图形中像素进行处理，基本上是 以灰度映射变换为基础，而后者对图像进行处理是通过在图像的变换域而间接 进行的，基本上是以卷积定理为基础。 8 线材图像增强的主要目的是改善采集线材的质量，针对给定线材的图像， 突出显示线材截面的局部特征，以提高线材图像的视觉效果和识别特征。线材 图像增强基础主要采用图像平滑处理和图像阈值分割两种修正技术，以使线材 图像达到后期处理和应用的要求。 2 2 1 邻域平均法 邻域平均法是简单的空域处理方法，这种方法的基本思想是选中图像的邻 域，用邻域中像素灰度平均值来代替邻域中点( x ，y ) 的灰度值。其结果是对亮度突 变的点产生平滑效果。邻域一般选择3 * 3 、4 * 4 的邻域。但邻域平均处理的结果， 会使图像的模糊程度与邻域半径成正比。假定一幅n * n 的图像f i x ，y ) ，平滑处理 后一幅图像g ( x ，y ) 为： 1 g ( w ) = 玄( 用磊，厂( 聊，刀) ( 2 - - 1 ) 式中x , y - - - 0 ，1 ，2 ，3 ，n 1 ，s 是( x ，y ) 邻域中点的坐标集合，m 是集合内坐标 点的总数。选择邻域平均处理的方法，对抑制噪声是有效的，但是随着邻域的 加大，图像的模糊程度也愈加严重，特别是在边缘和细节部分。为了克服这一 缺点，可以采用阈值法减少由于邻域平均所产生的模糊效应，基本方法为： 1 g ( x ，y ) = m ，y ) 一玄( m 磊，厂( m ) ( 2 2 ) 其中g ( x ，y ) 表示各个方向上各个点的灰度值。 2 2 2 规格化 该步骤将原图规格化，目的是为了消除传感器本身的噪声和因为光线的不 均匀造成的图像的灰度的不均匀，使得图像的灰度调整在一个固定的灰度级上， 为后来的阈值分割提供一个较为统一的规格，尽可能少的造成信息的丢失。设 线材截面图像为f 【x ，y ) 。 1一1一l m = 軎厂( f ，歹)( 2 3 ) 一一- ，7 、_ ， 扛o j = 0 1 ，一lj v l v = 吉( 厂( f ，j ) - m ) 2( 2 4 ) 9 m ：图像灰度的均值 v ：图像灰度的方差 g ( i ，j ) = 眠+ c ( i ，j ) = 眠一 当坟i j ) m( 2 5 ) 当f ( i j ) m( 2 6 ) m o ：期望的灰度均值 g ( i j ) ：规格化后点( i j ) 对应的像素的灰度值 规格化后的线材截面图像如图4 1 ( b ) 和4 2 ( b ) 所示。 2 2 3 中值滤波 中值滤波是一种非线性信号的处理方法，与其对应的中值滤波器也就是非 线性滤波器。中值滤波器在1 9 7 1 年被j w j u k e y 首先提出并应用在一维信号处理 技术( 时间序列分析) 中，后来被二维图像信号处理技术所引用。中值滤波在 一定的条件下可以克服线性滤波器如最小均值滤波器及均值滤波器带来的图像 细节模糊，而且对滤除脉冲干扰及其图像扫描噪声最为有效。由于在实际的运 算过程中不需要图像的统计特征，因此这也带来不少方便。但是对于一些细节， 特别是点、线、尖顶细节多的图像不宜采用中值滤波。 中值滤波一般采用一个含有奇数个点的窗口，将窗口中各点灰度值的中值 来代替指定点( 一般是窗口的中心点) 的灰度值。对于奇数个元素，中值是指 按照大小排列后，中间的数值；对于偶数个元素，中值是指排列后中间两个元 素的平均值。 对于一维情况，它是用内含5 个元素( 1 毒5 ) 的窗口对离散的阶跃函数、斜 坡函数、脉冲函数以及三角形函数进行中值滤波。在一维的情况下，中值滤波 不影响阶跃函数和斜坡函数，并且可以有效的消除单双脉冲，使得三角形的顶 端变的平滑。 对于二维情况，中值滤波的窗口形状和尺寸对滤波器效果影响很大。不同 图像内容和不同应用要求选择不同的窗口形状和尺寸。常用的二维中值滤波窗 口形状有线状、方状、圆形、十字形，本文采用3 * 3 进行中值滤波。在对线材 进行消除孔洞时起有着明显的作用。 l o 2 2 4 方向图变换 利用计算机进行图像处理有两个目的：一是产生更加适合人观察和认识的 图像；另一个是希望能有计算机识别和理解图像。无论是什么目的，图像处理 中关键是对所包含有大量各式各样景象进行分解，分解的最终结果是图像被分 解成一些具有各种特征的最小成分，称为图像的基元。相对于整幅图像而言， 这些基元更容易被快速处理。 图像特征指图像中可用做标志的属性。它可以分为图像的统计特征和图像 的视觉特征。图像的统计特征是指一些人为定义的特征，通过变换才能够得到， 如图像的直方图、矩、频谱等等；图像视觉特征是指人的视觉可以直接感受到 的自然特征，如区域的亮度，纹理、轮廓等。利用这两种特征把图像分解成一 系列有意义的目标或区域的过程称为图像的分割。 ( 1 ) 边缘接侧算作介绍 图像的边缘是图像最基本特征，所谓边缘是指其周围像素灰度有阶跃变化 会屋顶的那些像素的集合。边缘广泛存在与物体和背景之间、物体和物体之间、 基元与基元之间，因此，它是图像分割所有的重要特征。物体的边缘是在灰度 不连续下反应的。景点的边缘提取方法是考察图像的每一个像素在某个邻域灰 度的变化，利用边缘临近一阶或二阶方向导数变化规律。用简单的方法检测边 缘。 边缘的种类可以分为两种：一种是阶跃性边缘，它两边的像素的灰度值有 着明显的不通；另一种称为屋顶状边缘，它位于灰度值从增加到减少的变化转 折点。对于阶跃性边缘，二阶方向导数在边缘处呈零交叉；对于屋顶状边缘， 二阶导数在边缘处取极值。如果一个像素落在图像中某一个物体的边界上，那 么它的邻域将称为一个灰度级的变化带。对这种变化最有用的两个特征是灰度 的变换率和方向，它们分别以梯度响亮的幅度和方向来表示。边缘检测算子检 查每一个像素领域并对灰度变化率进行量化，其中包括方向的确定。大多数使 用是基于导数掩模求卷积的方法。 方向图是对原始图像进行变换，对于线材的识别，在进行阈值分割以后可 能由于图像采集的原因造成边缘的模糊或者边缘的不连续，针对这种情况，进 行方向图变换可以克服这种情况。 在边沿检测中，常用的一种模板是s o b e l 算子。s o b e l 算子有两个，一个是 勋6 盯一x = ；享；勋6 盯一y = i 享； ( 2 ) 方向图的变换 q ( 材，d = o ( i ，) s o b e r x q ( 甜，1 ，) = g ( i ，_ ，) s o b e r y s o b e r x ，s o b e r y ：x 方向和y 方向的s o b e r 算子 ：卷积 g ( i j ) ：原图像的在点( i ，j ) 对应的像素的灰度值 q ( ，v ) ：像素点g ( i j ) 水平方向的导数 1 2 ( 2 7 ) ( 2 8 ) g ，( z ，v ) ：像素点g ( i j ) 垂直方向的导数 将g ( i j ) 划分为( w w ) 1 6 1 6 的块，采取下面的公式计算方向图： r + 了，+ 羊 圪= 2 g a a ，) q ( ，v ) ( 2 - - 9 ) ww i 。= , - - i ”7 1 l + 詈j + 0 ( f ，) = ( q 2 ( “，) 一q 2 ( “，v ) ) ( 2 一1 0 ) 婀1 叫1 能舻专断1 【嬲】( 嘶o 蹦”) o ) ( 2 _ 1 1 ) 0 ：局部方向角，从数学角度看，它代表傅立叶频谱中直角占有时的方向。 圪：分块后块在( 功) 水平方向的方向 圪：分块后块在( i j ) 垂直方向的方向 注：如果q ( 甜，1 ，) 和g ，( 材，力为o ，则0 为0 度或者9 0 度。 经过规格化和阂值分割的图像如图4 1 ( d ) 由于边缘的不连续，针对这种情 况，只有对图像进行像素方向图的处理，然后判断像素之间方向角大的作为线 材的边界，从而可以把紧密连接的线材分成若干个模块，然后对模块进行数量 统计，从而识别线材的数量。 本文是针对灰度为o 的像素点进行方向图的变换如图4 1 ( f ) 所示，可以看出 在灰度0 和2 5 5 的分界变换的地方，方向线指向是不断变换的，且有毛刺出现。 去除带有毛刺的直线，留下平滑的直线后把线材的个体和个体分割开来如图 4 - l ( g ) 所示。可以明显的看出把线材分成若干区域。根据图4 1 ( g ) 的特征对图像 做最后的识别。 2 3 二值化 阈值( t h r e s h o l d ) 分割算法是计算机视觉中常用算法，随灰度图像的阈值 分割就是先确定一个处于灰度取值范围内的灰度阈值，然后将图像中每个像素 的灰度值和这个阈值比较。并根据比较结果将对应的像素划分为两类，灰度值 大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可以任意 的划分两类中的任何一类，把图像变为仅用两个灰度值分别表示图像的前景和 背景颜色的二值图像。此过程中，确定阈值是分割的关键。 对于一般的图像进行分割处理通常对图像的灰度分布有一定的假设，或者 说是基于一种图像模型。最常用的模型可描述如下：假设图像是由具有单峰灰 度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相 关的，但是处于目标背景交界处两边的像素灰度值有较大差别，此时，图像的 直方图基本上看做是分别对应于目标和背景的两个单峰直方图混合构成。而且 这两个分布应大小接近，且均值足够远，方差足够小，这种情况下，直方图呈 现出较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图呈 现出较明显的多峰。 上述图像模型只是理想情况下，有时图像中目标和背景的灰度值有部分交 错。这时如果用全局阈值分割必然会产生一定的误差。因此，t 的选择有基于点 的灰度值单独决定的、有像素的局部特征决定的、也有基于全局像素决定的。 试验过程中针对不通的图像采用不同的二值化方法。 2 3 1 固定阈值法 固定阈值法即根据图像的先验知识，如文字图像中文字占据全图的百分比 例为p ，试取一系列的的t ，当使用某个t 磊时，其分割后的图像中文字所占的 比例等于或最接近p ，那么就可以选定瓦为阈值。再如图像中某个目标物体的 宽度接近d 。即可选定这个瓦为分割值。 由于图片的采集的时候由于光线的不均匀，在图片采集的过程中出现的灰度 也会不均匀。而我们感兴趣的是线材截面的边缘，所以把边缘作为前景，作为 目标物体，在二值化后变为“1 一，为白像素。二把截面的当成背景，其灰度值 变为“0 ，即白色像素。通过采集的图像，经过二值化分割以后图片只有黑白 像素点。我们主要的目标就是找到一个灰度值t ，以它作为阈值将采集的图片进 行二值化。设图片尺寸为m * n ，其灰度可取值厶，厶，瓦，用离散随机变量置， ( 0 i m 1 ，0 匀n 1 ) 来表示图像中任一像素的灰度。则厶，厶，“即 为x ，的n 个可能的值。设各灰度级在图像中出现的概率分别为： 暑= 尸( l 1 ) ，最= p ( l 2 ) ，足= 只l o 。最= p ( l n ) ( 2 一1 2 ) 1 4 则通过以下三步计算二值化阈值： ( 1 ) 计算规格化后灰度图的总像素数：对于mx n 的灰度图，其总像素数为n 七 ( 2 ) 如果磊5 0 ，则t = k ，其中k ( 1 ，n ) m = l ( 3 ) 将t 设置为阈值，将灰度值大于t 的像素点的灰度值设置为2 5 5 ，小于t 的灰度值设置为0 。 2 3 2 最优阈值 ( 1 ) 基本理论 最优阂值 7 1 分割是常用的一种阈值分割方法，这里所谓的最优阈值，就是指 能使得误分割概率最小的分割阈值。有图像的直方图看以看成是对灰度分布密 度函数的一种近似。如一幅图像中只包含目标和背景另类灰度区域，那么直方 图所代表的灰度值概率密度函数可以表示为目标和背景灰度值概率密度的加权 和。如果概率密度函数形式已知，就有可能算出使目标和背景两类误分割概率 最小的最优阈值。 假设目标和背景两类像素值服从正态分布且混有加性高斯噪声，上述分类 问题可以模式识别中最小错分概率贝页斯分类器来解决。以角与岛分别表示目 标和背景的灰度分布概率密度函数，a 与见分别表示两类先验概率，则图像的 混合概率密度函数可用下式表示 p ( x ) = 异p l ( x ) + 见( x ) ( 2 1 3 ) 式中a 与岛分别为 ! ! 二凸1 a ( x ) 2 丽g 212(2-14) i ! = 丝芏1 p 2 ( x ) 2 丽p2 砰(2-15) 日+ = 1 ( 2 1 6 ) q 、吼是针对背景和目标两类灰度均值鸬与鸬的标准差。若假定目标灰度 较亮，其灰度值为鸬，背景较暗，其灰度均值为4 ，因此有 麒 ( 2 - - 3 1 ) 计算区域墨和恐的灰度均值s 和最。 计算新的阈值瓦+ 。，其中 五十i - 毕( 2 - - 3 2 ) 如果l 瓦+ ，一瓦l 小于允许的误差，则结束，否则k = k + l ，转步骤。 利用叠代法求得最优阈值后，仍需要进行一些人工调整才能将此阈值用于 1 7 试验图像的分割，这时由于这种最优阈值仍然属于全局 自适应平滑阈值自适应算法首先利用固定阈值算法的思想，即根据图像中 每一部分的明暗来调节阈值。我们首先把图像分成若干个n * n 的方块，每一个 根据自己的闽值进行二值化。这种算法充分利用了图形中大致相同的特点，即 二值化后黑白图像的个数也应该大致相同，首先利用算法的特点对每一块确定 一个大致的阂值，然后再利用平滑的思想对阈值进行准确的调整，即阈值取合 适时图像是最平滑的，即没有”黑洞”( 阈值过大) ，也没有白点( 阈值过小) ，所 以l 一0 之间的转换次数便小。 2 3 3 方向二值化 经过上面规格化后的图像的每一个像素的方向后，在根据方向图来对图像 进行二值化。若该像素处的脊线防线为f ，先用估计方向图时用到的方法计算该 像素处在方向i 和垂直方向i v a r = ( i + 4 ) m o d 8 的灰度平方值g e a n i 】和g e a n i v a r ， 设图像为f ( x ，y ) 然后将该像素二值化为 似咖 苫5 蠹强 i 咖g e a 。n 。 翟 3 ， 2 5 5 表示二值图像中图像背景和谷线的灰度值，2 5 5 表示二值图像中图像脊线的 灰度值。 规格化可以消除传感器本身的噪声和因为光线的不均匀造成的图像的灰度 的不均匀。图4 1 ( b ) 和4 - 2 ( b ) 是经过规格化处理后的线材截面图，从图4 一l ( b ) 与 4 2 ( b ) 可以看出：通过规格化后再进行二值化的图像不会造成图像信息的丢失， 但是直接对图像进行二值化，会由于像素点的灰度的差异很大，而造成信息的 丢失，从而影响以后利用方向图处理图像，在识别数量的时候造成棒材数量的 减少。 2 4 数学形态学理论 2 4 1 引言 数学形态学( m a t h e m a t i c a lm o r o h o l o g y ) 是建立在集合论基础上的- i - j 新兴 学科，非常适合信号的集合形态分析和描述。其基本思想是利用结构元素对信 号进行“探测“，保留主要形状，删除不相干形状( 如噪声) 。数学形态学中做 为探针的结构元素，可以直接携带如方向、大小、速度等信息，来探测和研究 1 8 包含了主要信息的结构特征。不同的结构元素可以得到不同的效果。数学形态 学的“探测 思想对于信号处理理论和技术产生了重大影响，广泛应用于图像 处理与分析、生物工程、机器视觉、工业检测航空遥感、材料科学和军事科学 等领域，并且不断的发展扩大。 数学形态学诞生于1 9 6 4 年。当时，法国巴黎矿业学院的m a t h e r o n 和他的指 导博士生s e r r a 几乎同时奠定了数学形态学的基础。1 9 6 8 年4 月，两人做为核心 成员在巴黎共同建立了f m t a h e b l e a u 数学形态学研究中心。1 9 7 5 年m a t h e r o n 阐 述了拓扑学基础，随机集及其若干模型，递增映射和凸性分析等内容，奠定了 形态学的理论基础。1 9 8 2 年s e r r a 的i m a g ea n a l y s i sa n dm a t h e m a t i c a l m o r p h o l o g y 第一卷中详细介绍了形态学中心当时的成果，将形态学从 f m t a h e b l e a u 形态学研究中心介绍到国际新号和处理界，标志着数学形态学在理 论上的成熟。 数学形态学的理论与应用紧密结合，新的理论开拓了新的应用领域，在新 的领域中的成功应用反过来又不断的提高和完善理论，理论和应用相互作用， 极