龔鼎盛1，陳其松2，陳宜1，吳鴻川1

　　（1.貴州大學 大數據與信息工程學院， 貴州 貴陽 550025; 2.貴州財經大學 信息學院， 貴州 貴陽 550003）

　　摘要：在材積檢測系統中,對木材切面輪廓精確檢測是一大難點,該文采用首先局部二值化圖像,并且尋找切面最大內接圓初步確定切面中心以及類圓半徑,然后將類圓切面歸一化為矩形,在矩形上根據灰度信息尋找切面輪廓邊緣點,通過歸一化后的邊緣計算原圖木材切面邊緣。實驗結果表明，該方法能夠精確檢測木材切面任意輪廓,在實時性要求不高的情況下相比用圓或橢圓檢測的傳統算法在精度上有顯著提高。

　　關鍵詞：輪廓檢測；歸一化；局部二值化；目標定位

0引言

　　傳統的材積檢測方法需要耗費大量的人力、財力、物力，而在工業、農業等領域都存在著很多關于類圓目標的檢測，單純地依靠人力去測量，不但會耗費較多的成本，而且在精度以及效率上也存在相當大的差異。而現在，依靠先進的科學技術，可以更加高效、精準地測量。材積檢測一般不要求實時性，而對精確度有較高要求，使用圖像處理技術對原木材積檢測進行研究，通過圖像處理可以實現對目標物體的識別、分割、特征提取、面積計算等。針對堆積原木的切面特征，設計出一套廉價且高效精準的測量算法非常重要，堆積原木切面絕大部分呈現出類圓的形狀，目前已有研究者根據使用hough圓或橢圓對切面進行擬合檢測［13］，效果基本符合要求，但在精度上還是存在不足。本文根據原木切面特征，設計出一種算法，可以檢測任意形狀的輪廓邊緣，很好地解決了木頭切面檢測精度問題。

1圖像預處理及局部二值化

　　1.1圖像預處理

　　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，根據這一特性，本文設計的算法首先需對原圖像進行預處理，預處理包括噪聲的去除，以及非木材區域人工去除。

　　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）在邊緣保護性方面有著更大的優勢，在輪廓檢測中，木材邊緣是非常重要的一個信息，所以處理過程必須在保留邊緣特征的基礎之上進行。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個元素中，當前像素位于a5上，然后在a1~a9中，找出9個元素位置所對應的像素中值，以該值作為當前像素a5的值，這樣遍歷整個圖片，即可以實現中值濾波。

　　對于非木材區域，包括圖像拍攝時外部其他雜物，需要在處理之前將這些區域去除，以排除對檢測的干擾，根據算法需要，為了與背景顏色保持接近，人工將大部分區域涂成黑色。

　　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分，根據這一重要特性，算法選取局部二值化分離背景與目標。

　　目前學者對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，這些方法應用在不同的場景中都能取得較好的效果。針對堆積原木的特點，拍攝環境一般在戶外，受光照的影響較大，而且原木參差不齊也會影響原木之間的光照，對于這種情況，如果采用全圖一個閾值全局二值化，必然會導致目標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到此方框內，以該框內的灰度信息確定一個屬于該范圍的閾值，從而實現局部二值化。Otsu二值化和局部閾值二值化比較效果如圖2、圖3所示。

　　Hough變換是檢測圓的常用方法［89］，其優點是檢測準確率非常高，但速度較慢，考慮到材積檢測系統不需要具有很高的實時性，這里可以使用。

　　通常，Hough檢測圓都是根據目標物的邊緣點進行檢測，而本文算法同樣遵循此規則，根據Hough變換檢測圓的理論，在局部二值化圖像上，以白色像素點作為檢測對象，此時加上約束條件，即檢測出的圓，圓周上的點必須全部為白色，并且進行篩選，去掉圓內部的圓以及圓周靠近圖像邊界的圓，因為邊界處木頭切面并不完整，所圖4最大內接圓定位以排除，從而可以較好地找到每個木材端面輪廓的大致位置及大小，最大內接圓定位如圖4所示。

3歸一化尋找邊緣

　　歸一化是將不同個體通過同一方法變換成所熟悉并且容易處理的另一類圖形的過程。

　　3.1圓環歸一化原理

　　對于類圓目標，在尋找邊緣輪廓時并不好處理，此時，通過歸一化將對應的區域一一映射，轉換到矩形中，目標區域是圖5中的環形區域［10］，其具體的原理如下：

　　以最大內接圓的圓心作為極坐標原點，從極坐標系中的（x,y）變換映射到直角坐標系中的（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時射線與內輪廓邊界相交的點，(xo(θ),yo(θ))是角度為θ時與外輪廓邊界相交的點。

　　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接圓一定區域內灰度填充為128，并且利用canny邊緣檢測，將邊緣信息合并到即將歸一化的原圖上。

　　根據公式(1)、(2)可以將環形區域歸一化成矩形，從而為輪廓尋找做準備，如圖6。

　　在歸一化圖中采用自動閾值二值化，二值化后利用形態學腐蝕以及膨脹得到最終邊緣二值化圖，如圖7。

　　根據二值圖，尋找出交界的邊緣點，去除跳躍較大的點，如圖8。

　　最終，根據歸一化矩形區域的邊緣點所在位置對應的歸一化矩形長寬比例以及公式(1)、(2)反推原圖邊界點，將邊界信息畫在原圖中，如圖9。

　　在檢測出輪廓后，便可以計算閉合輪廓的面積，從而求出該面積所對應圓的半徑，以滿足材積檢測需要。

　　4實驗結果

　　利用本文所提出的算法對木材任意形狀邊緣檢測與圓形檢測進行比較，結果如圖10、圖11所示，部分檢測半徑比較如表1所示。

　　比較可見，本文檢測算法相比用圓或橢圓進行定位具有更高的精度。

5結論

　　針對類圓形木材切面，其形狀并不是規則的圓或橢圓，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行檢測具有更高的檢測精度，對后期材積的計算更加準確。但該算法也存在一些不足，對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行改進。

　　參考文獻

　　［1］ 杜葉挺,陳廣華,李建偉,等.基于雙目視覺的原木材積自動檢測系統［J］.北京交通大學學報,2014，38(4):7882

　　［2］ 陳登釗.計算機視覺技術在林木材積測算中的應用研究［D］．福州：福州大學,2011.

　　［3］ 李建偉.基于機器視覺的原木材積自動檢測系統研究［D］．北京：北京交通大學,2011.

　　［4］ 唐寧,呂洋.基于噪點檢測的中值濾波圖像去噪方法［J］.微型機與應用,2015,34(5):3538.

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

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

　　［7］ 陳濱,田啟川.改進的快速Otsu自適應分割算法及其應用［J］.計算機應用研究,2012,29(4):15721574.

　　［8］ 蔣丹丹,馮曉毅.改進的Hough與梯度直方圖的人眼定位算法［J］.電子設計工程,2014,22(21):127130.

　　［9］ 張林,王保強.一種改進的基于Hough變換的虹膜定位算法［J］.電子技術應用,2014,40(4):6669.

　　［10］ 穆偉斌,金成,陳大同.虹膜紋理歸一化算法研究［J］.網絡安全技術與應用,2014(2):5354.