基于Sobel改進算子的海參圖像識別研究

崔尚 段志威 李國平 張航

摘要：海參生活在水下，其復(fù)雜的生活環(huán)境為水下機器人對海參的自動識別、捕撈造成很大困難。針對海參的識別問題，研究并設(shè)計了圖像處理與識別的方法。首先將圖像進行直方圖均衡化處理用于改善原始灰度級動態(tài)范圍較窄的圖像的視覺效果，利用sobel改進算子將增強后的圖像進行分割處理，得到了含有干擾噪聲的二值化圖像，經(jīng)過多次膨脹、腐蝕處理和小目標(biāo)移除算法處理，可得到只含有海參目標(biāo)的二值化圖像，有利于水下機器人對海參進行識別和捕撈。

關(guān)鍵詞：海參；自動識別；Sobel改進算子；邊緣檢測

中圖分類號：TP391.4 文獻標(biāo)識碼：A 文章編號：1009-3044（2018）22-0145-02

水下機器人代替人工水下作業(yè)有著很大前景，目前國內(nèi)外的水下機器人都是通過機器視覺技術(shù)利用機器模擬人眼來做測量和判斷[1]。機器視覺技術(shù)涉及計算機科學(xué)、圖像處理、模式識別等諸多領(lǐng)域，是計算機技術(shù)的分支之一，計算機軟硬件與圖像處理技術(shù)的發(fā)展與突破，也帶動了機器視覺技術(shù)在理論上和實踐上的發(fā)展[2]。但是對于農(nóng)業(yè)生產(chǎn)來說，其環(huán)境復(fù)雜多變，待識別目標(biāo)與周圍干擾因素有較高相似度，這使得機器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用阻礙重重，有待進一步發(fā)展[3]。

水的密度與空氣密度差距懸殊，相差 800 倍左右，能見度、透明度均較低。由于光在水中傳輸時會被水吸收和散射，造成嚴(yán)重的圖像信號衰減[4]。海草、貝殼、人類垃圾等干擾因素也會對海參圖片的識別處理造成不小的困難。為了提高捕撈的效率，實現(xiàn)海參捕撈自動化，迫切需要解決真實水環(huán)境下的海參圖像目標(biāo)檢測和分割難題。

圖像邊緣檢測的實質(zhì)是設(shè)計一種方法，通過計算出圖像中的目標(biāo)對象與非目標(biāo)因素之間的差異，從而確定兩者之間的分界線[5]。邊緣檢測技術(shù)主要有基于灰度直方圖的邊緣檢測，基于梯度的邊緣檢測[6]以及包括Sobel算子在內(nèi)的幾種邊緣檢測算子等。Sobel算子在抑制噪聲的前提下能夠很好地檢測出邊緣點，嘗試將其用于海參識別有很大的研究意義。

1 材料與方法

1.1 圖像樣本

本研究所用的圖片來自水下相機拍攝，照片中海參主體多為深灰色，海參的邊緣和海參刺顏色偏白，海參周圍的環(huán)境主要有與海參顏色相近的海底沙地、綠色海草、白色貝殼及各種生活垃圾等雜物。由于海水不清澈、能見度低、圖片含有噪聲，較為模糊，如圖1所示。

1.2 海參圖像處理方法

1.2.1 圖像增強處理

灰度直方圖是數(shù)字圖像處理中一個簡單、有效和常用的工具之一。直方圖概括地表示了一幅圖像的灰度級信息，將一幅圖灰度值劃分為256個灰度級[0-255]，隨著灰度值遞增，圖像的顏色從黑變白，任何一幅圖像的直方圖都包括了該圖像的許多特征信息。如圖2（c）所示，原始灰度直方圖中有兩個峰值，分別是94和170，大部分灰度集中分布于區(qū)間[75-115]和[145-190]，灰度分布范圍過窄，不利于圖像的后續(xù)處理。通過直方圖均衡化處理，將原始圖像中較窄的圖像灰度范圍以一定規(guī)則拉伸至較大范圍，得到了在整個灰度級范圍內(nèi)均勻分布的圖像[7]。經(jīng)過拉伸后的灰度直方圖，如圖2（d）所示。

經(jīng)過均衡化處理后，直方圖灰度分布均勻，圖像在亮度和對比度等方面有明顯改善，更利于對灰度圖的后續(xù)操作。

1.2.2 圖像分割與識別處理

Sobel算子是將圖像中亮度變化較大的像素點的鄰域內(nèi)像素灰度值超過閾值的像素點作為邊緣。Sobel算子銳化的邊緣信息較強，在檢測邊緣點的同時具有抑制噪聲的能力。

由于實際圖像的輪廓大多較為復(fù)雜，以斜向邊緣為主[8]，因此本文中采用的Sobel改進算子使用了8個方向模板，提高了斜向邊緣方向的權(quán)值。處理結(jié)果如圖3所示。

由圖3（b）中可以看出，圖像含有部分干擾信息，則采用多次膨脹和腐蝕算法，消除干擾因素對海參識別的負(fù)面影響。通過多次實驗發(fā)現(xiàn)，在膨脹處理中，以[B=010111010]為結(jié)構(gòu)元素，處理效果較為理想。在腐蝕處理中，以半徑為5的平坦型圓盤結(jié)構(gòu)元素處理效果較為理想，處理結(jié)果如圖4所示。

經(jīng)過多次膨脹和腐蝕處理后，可以看到圖4（f）中仍然含有部分噪聲，則采用小目標(biāo)移除算法對圖像進行小目標(biāo)移除處理，得到了較為理想的僅含有海參目標(biāo)的二值化圖像。處理結(jié)果如圖5所示。

2 結(jié)果與分析

為了實現(xiàn)對海參圖像的識別及分割，采用了直方圖均衡化、Sobel改進算子分割圖像、膨脹腐蝕處理和小目標(biāo)移除等方法對圖像進行處理，得到了只含海參目標(biāo)的二值圖像，圖中黑色海參與白色背景對比鮮明。

通過將處理后的圖像與原圖像對比可知，該方法將海參和其他干擾因素分離效果較為理想，海參的形態(tài)特征稍有失真，但不影響對海參的識別。這為水下機器人實現(xiàn)海參水下識別并實施捕撈打下了良好的基礎(chǔ)。

參考文獻：

[1] 劉波. 機器視覺水中圖像特征提取與對象辨識研究[D].遼寧：大連理工大學(xué)，2013.

[2] 邢士元. 基于形態(tài)特征的海參外觀品質(zhì)機器視覺檢測方法研究[D].遼寧：大連工業(yè)大學(xué)，2016.

[3] 刁智華，王會丹，魏偉.機器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J].農(nóng)機化研究，2014，36（3）：206-211.

[4] 楊衛(wèi)中，徐銀麗，喬曦，饒偉，李道亮，李振波.基于對比度受限直方圖均衡化的水下海參圖像增強方法[J].農(nóng)業(yè)工程學(xué)報，2016，32（6）：197-203.

[5] 段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述[J].光學(xué)技術(shù)，2005（3）：415-419.

[6] 李海華，范娟.一種改進的基于梯度的自適應(yīng)邊緣檢測算法[J].科學(xué)技術(shù)與工程，2013，13（1）：90-93.

[7] 陳天華.數(shù)字圖像處理[M].2版.北京：清華大學(xué)出版社，2014.

[8] 沈德海，侯建，鄂旭.基于改進的Sobel算子邊緣檢測算法[J].計算機技術(shù)與發(fā)展，2013，23（11）：22-25.

【通聯(lián)編輯：唐一東】