龔鼎盛1，陳其松2，陳宜1，吳鴻川1

　?。?.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院， 貴州 貴陽(yáng) 550025; 2.貴州財(cái)經(jīng)大學(xué) 信息學(xué)院， 貴州 貴陽(yáng) 550003）

　　摘要：在材積檢測(cè)系統(tǒng)中,對(duì)木材切面輪廓精確檢測(cè)是一大難點(diǎn),該文采用首先局部二值化圖像,并且尋找切面最大內(nèi)接圓初步確定切面中心以及類(lèi)圓半徑,然后將類(lèi)圓切面歸一化為矩形,在矩形上根據(jù)灰度信息尋找切面輪廓邊緣點(diǎn),通過(guò)歸一化后的邊緣計(jì)算原圖木材切面邊緣。實(shí)驗(yàn)結(jié)果表明，該方法能夠精確檢測(cè)木材切面任意輪廓,在實(shí)時(shí)性要求不高的情況下相比用圓或橢圓檢測(cè)的傳統(tǒng)算法在精度上有顯著提高。

　　關(guān)鍵詞：輪廓檢測(cè)；歸一化；局部二值化；目標(biāo)定位

0引言

　　傳統(tǒng)的材積檢測(cè)方法需要耗費(fèi)大量的人力、財(cái)力、物力，而在工業(yè)、農(nóng)業(yè)等領(lǐng)域都存在著很多關(guān)于類(lèi)圓目標(biāo)的檢測(cè)，單純地依靠人力去測(cè)量，不但會(huì)耗費(fèi)較多的成本，而且在精度以及效率上也存在相當(dāng)大的差異。而現(xiàn)在，依靠先進(jìn)的科學(xué)技術(shù)，可以更加高效、精準(zhǔn)地測(cè)量。材積檢測(cè)一般不要求實(shí)時(shí)性，而對(duì)精確度有較高要求，使用圖像處理技術(shù)對(duì)原木材積檢測(cè)進(jìn)行研究，通過(guò)圖像處理可以實(shí)現(xiàn)對(duì)目標(biāo)物體的識(shí)別、分割、特征提取、面積計(jì)算等。針對(duì)堆積原木的切面特征，設(shè)計(jì)出一套廉價(jià)且高效精準(zhǔn)的測(cè)量算法非常重要，堆積原木切面絕大部分呈現(xiàn)出類(lèi)圓的形狀，目前已有研究者根據(jù)使用hough圓或橢圓對(duì)切面進(jìn)行擬合檢測(cè)［13］，效果基本符合要求，但在精度上還是存在不足。本文根據(jù)原木切面特征，設(shè)計(jì)出一種算法，可以檢測(cè)任意形狀的輪廓邊緣，很好地解決了木頭切面檢測(cè)精度問(wèn)題。

1圖像預(yù)處理及局部二值化

　　1.1圖像預(yù)處理

　　在堆積木材切面圖像中，切面的灰度和背景灰度存在較大的差異，根據(jù)這一特性，本文設(shè)計(jì)的算法首先需對(duì)原圖像進(jìn)行預(yù)處理，預(yù)處理包括噪聲的去除，以及非木材區(qū)域人工去除。

　　噪聲的去除，這里選取中值濾波［4］，中值濾波相比其他濾波方式（例如：高斯濾波、均值濾波、卡爾曼濾波等）在邊緣保護(hù)性方面有著更大的優(yōu)勢(shì)，在輪廓檢測(cè)中，木材邊緣是非常重要的一個(gè)信息，所以處理過(guò)程必須在保留邊緣特征的基礎(chǔ)之上進(jìn)行。中值濾波的原理如下:a1a2a3a4a5a6a7a8a9圖1中值濾波模板如圖1所示，本文選取的模板大小是3×3,在9個(gè)元素中，當(dāng)前像素位于a5上，然后在a1~a9中，找出9個(gè)元素位置所對(duì)應(yīng)的像素中值，以該值作為當(dāng)前像素a5的值，這樣遍歷整個(gè)圖片，即可以實(shí)現(xiàn)中值濾波。

　　對(duì)于非木材區(qū)域，包括圖像拍攝時(shí)外部其他雜物，需要在處理之前將這些區(qū)域去除，以排除對(duì)檢測(cè)的干擾，根據(jù)算法需要，為了與背景顏色保持接近，人工將大部分區(qū)域涂成黑色。

　　1.2局部二值化

　　由于堆積原木切面的灰度與背景灰度有著較大的區(qū)分，根據(jù)這一重要特性，算法選取局部二值化分離背景與目標(biāo)。

　　目前學(xué)者對(duì)于二值化閾值的選取方法有較多的研究［56］，例如Otsu（大津法）［7］、迭代法、最大熵法、局部閾值法等，這些方法應(yīng)用在不同的場(chǎng)景中都能取得較好的效果。針對(duì)堆積原木的特點(diǎn)，拍攝環(huán)境一般在戶(hù)外，受光照的影響較大，而且原木參差不齊也會(huì)影響原木之間的光照，對(duì)于這種情況，如果采用全圖一個(gè)閾值全局二值化，必然會(huì)導(dǎo)致目標(biāo)與背景不能很好地分離。因此，本文采用局部閾值二值化。局部閾值二值化首先需要確定閾值選取的范圍大小block_size，該大小表示像素移動(dòng)到此方框內(nèi)，以該框內(nèi)的灰度信息確定一個(gè)屬于該范圍的閾值，從而實(shí)現(xiàn)局部二值化。Otsu二值化和局部閾值二值化比較效果如圖2、圖3所示。

　　Hough變換是檢測(cè)圓的常用方法［89］，其優(yōu)點(diǎn)是檢測(cè)準(zhǔn)確率非常高，但速度較慢，考慮到材積檢測(cè)系統(tǒng)不需要具有很高的實(shí)時(shí)性，這里可以使用。

　　通常，Hough檢測(cè)圓都是根據(jù)目標(biāo)物的邊緣點(diǎn)進(jìn)行檢測(cè)，而本文算法同樣遵循此規(guī)則，根據(jù)Hough變換檢測(cè)圓的理論，在局部二值化圖像上，以白色像素點(diǎn)作為檢測(cè)對(duì)象，此時(shí)加上約束條件，即檢測(cè)出的圓，圓周上的點(diǎn)必須全部為白色，并且進(jìn)行篩選，去掉圓內(nèi)部的圓以及圓周靠近圖像邊界的圓，因?yàn)檫吔缣幠绢^切面并不完整，所圖4最大內(nèi)接圓定位以排除，從而可以較好地找到每個(gè)木材端面輪廓的大致位置及大小，最大內(nèi)接圓定位如圖4所示。

3歸一化尋找邊緣

　　歸一化是將不同個(gè)體通過(guò)同一方法變換成所熟悉并且容易處理的另一類(lèi)圖形的過(guò)程。

　　3.1圓環(huán)歸一化原理

　　對(duì)于類(lèi)圓目標(biāo)，在尋找邊緣輪廓時(shí)并不好處理，此時(shí)，通過(guò)歸一化將對(duì)應(yīng)的區(qū)域一一映射，轉(zhuǎn)換到矩形中，目標(biāo)區(qū)域是圖5中的環(huán)形區(qū)域［10］，其具體的原理如下：

　　以最大內(nèi)接圓的圓心作為極坐標(biāo)原點(diǎn)，從極坐標(biāo)系中的（x,y）變換映射到直角坐標(biāo)系中的（r,θ）,公式如下：

　　I(x(r,θ),y(r,θ))→I(r,θ)(1)

　　x(r,θ)=(1－r)·xi(θ)+r·xo(θ)

　　y(r,θ)=(1－r)·yi(θ)+r·yo(θ)

　　r∈［0,1］ ,θ∈［0,2π］(2)

　　其中，(xi(θ),yi(θ))是角度為θ時(shí)射線與內(nèi)輪廓邊界相交的點(diǎn)，(xo(θ),yo(θ))是角度為θ時(shí)與外輪廓邊界相交的點(diǎn)。

　　3.2歸一化后尋找邊緣

　　在歸一化之前為了減少切面噪聲的干擾，故首先將原圖最大內(nèi)接圓一定區(qū)域內(nèi)灰度填充為128，并且利用canny邊緣檢測(cè)，將邊緣信息合并到即將歸一化的原圖上。

　　根據(jù)公式(1)、(2)可以將環(huán)形區(qū)域歸一化成矩形，從而為輪廓尋找做準(zhǔn)備，如圖6。

　　在歸一化圖中采用自動(dòng)閾值二值化，二值化后利用形態(tài)學(xué)腐蝕以及膨脹得到最終邊緣二值化圖，如圖7。

　　根據(jù)二值圖，尋找出交界的邊緣點(diǎn)，去除跳躍較大的點(diǎn)，如圖8。

　　最終，根據(jù)歸一化矩形區(qū)域的邊緣點(diǎn)所在位置對(duì)應(yīng)的歸一化矩形長(zhǎng)寬比例以及公式(1)、(2)反推原圖邊界點(diǎn)，將邊界信息畫(huà)在原圖中，如圖9。

　　在檢測(cè)出輪廓后，便可以計(jì)算閉合輪廓的面積，從而求出該面積所對(duì)應(yīng)圓的半徑，以滿足材積檢測(cè)需要。

　　4實(shí)驗(yàn)結(jié)果

　　利用本文所提出的算法對(duì)木材任意形狀邊緣檢測(cè)與圓形檢測(cè)進(jìn)行比較，結(jié)果如圖10、圖11所示，部分檢測(cè)半徑比較如表1所示。

　　比較可見(jiàn)，本文檢測(cè)算法相比用圓或橢圓進(jìn)行定位具有更高的精度。

5結(jié)論

　　針對(duì)類(lèi)圓形木材切面，其形狀并不是規(guī)則的圓或橢圓，本文算法在木材切面較完整、灰度較均勻的條件下相比用圓或橢圓進(jìn)行檢測(cè)具有更高的檢測(cè)精度，對(duì)后期材積的計(jì)算更加準(zhǔn)確。但該算法也存在一些不足，對(duì)于切面灰度混亂不均勻的木材抗干擾性有待提高，下一步可以從這方面進(jìn)行改進(jìn)。

　　參考文獻(xiàn)

　?。?］ 杜葉挺,陳廣華,李建偉,等.基于雙目視覺(jué)的原木材積自動(dòng)檢測(cè)系統(tǒng)［J］.北京交通大學(xué)學(xué)報(bào),2014，38(4):7882

　?。?］ 陳登釗.計(jì)算機(jī)視覺(jué)技術(shù)在林木材積測(cè)算中的應(yīng)用研究［D］．福州：福州大學(xué),2011.

　　［3］ 李建偉.基于機(jī)器視覺(jué)的原木材積自動(dòng)檢測(cè)系統(tǒng)研究［D］．北京：北京交通大學(xué),2011.

　?。?］ 唐寧,呂洋.基于噪點(diǎn)檢測(cè)的中值濾波圖像去噪方法［J］.微型機(jī)與應(yīng)用,2015,34(5):3538.

　?。?］ 王啟亮,田啟川.基于多尺度分塊的指紋圖像二值化算法［J］.微型機(jī)與應(yīng)用,2013,32(4):3336.

　　［6］ 杜雯超,陳其松,周瑩.基于分段自適應(yīng)遺傳算法的圖像閾值分割［J］.微型機(jī)與應(yīng)用,2015,34(3):5859，62.

　　［7］ 陳濱,田啟川.改進(jìn)的快速Otsu自適應(yīng)分割算法及其應(yīng)用［J］.計(jì)算機(jī)應(yīng)用研究,2012,29(4):15721574.

　?。?］ 蔣丹丹,馮曉毅.改進(jìn)的Hough與梯度直方圖的人眼定位算法［J］.電子設(shè)計(jì)工程,2014,22(21):127130.

　?。?］ 張林,王保強(qiáng).一種改進(jìn)的基于Hough變換的虹膜定位算法［J］.電子技術(shù)應(yīng)用,2014,40(4):6669.

　?。?0］ 穆偉斌,金成,陳大同.虹膜紋理歸一化算法研究［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2014(2):5354.