基于物體輪廓檢測和特征提取的木材圖像計數(shù)模型

摘要：木材在運輸前后都需要進行計數(shù)，傳統(tǒng)的人工計數(shù)的方法既耗時耗力而且難免出現(xiàn)由于計數(shù)員的疏忽大意而數(shù)錯的現(xiàn)象。隨著社會的發(fā)展和人工成本的逐年上升，迫切需要利用新技術(shù)采用新方法來改進傳統(tǒng)的計數(shù)方式?；诖耍疚睦糜嬎銠C圖像識別針對兩類圖像實現(xiàn)木材計數(shù)。

關(guān)鍵詞：輪廓檢測;特征提取;分水嶺算法;SIFT算法

針對圖像受背景影響大的圖片，對預(yù)處理的步驟進行了改進，并建立了基于SIFT算法的計數(shù)模型。經(jīng)過一系列的對比嘗試后選擇利用灰度處理、圖像降噪、邊緣增強、HSV變換、邊緣檢測、二值化、圖像分割的方法對原始圖像進行預(yù)處理，預(yù)處理圖像顯示該處理步驟效果較好。接著利用SIFT算法，選取木材堆截面的特征圖與預(yù)處理的圖片進行比對，進而計算得到圖片中的木材數(shù)為652，與實際的木材數(shù)634相比，相對誤差為2.8%。因此，這種方法對于處理背景影響大、存在邊界重合且大小一致的木材圖像具有較好的適用性。

一、模型建立與求解

基于SIFT算法的高噪聲背景木材堆計數(shù)

在實際的操作中，這種正面平攝由于工地條件的限制很難完全保證，因此實際能夠拍攝的圖片多為一定角度的仰視圖，這就造成背景值會對目標值產(chǎn)生較大的影響。下面將以所給圖片為例，分析在背景值影響較大的情況下，如何處理木材照片并通過算法實現(xiàn)對木材進行有效計數(shù)。

通過將此圖片與上一小節(jié)中木材端面圖片的對比得知，在這張圖片中有兩個突出的特點：

（一）背景值影響大，其中，背景包括天空、地面陰影和地面沙子;

（二）由于木材已經(jīng)過初步加工成方形，因此邊緣重合度較高，不易區(qū)分。

這些因素會對預(yù)處理和計數(shù)結(jié)果產(chǎn)生較大影響，因此這將是在處理時需要著重解決的兩個問題。

（三）圖片預(yù)處理

首先需要對圖片進行預(yù)處理，提取出每個木材端面的邊界，為下一步的計數(shù)做準備。圖像預(yù)處理的具體流程如圖1所示

（四）邊緣增強處理

由于此類木材經(jīng)過初步的加工，已形成較為規(guī)則的邊界，這種邊界的重合度較高，因此在邊緣增強方面處理尤為重要。先嘗試使用梯度運算提高圖像邊緣的對比度，該方法處理的結(jié)果如下圖2所示。

二、HSV變換

由于方形端面木塊的邊界重合度較高，且地面沙子的灰度值與木塊的灰度值接近，在計數(shù)時可能對木塊的計數(shù)產(chǎn)生影響，因此需要將地面上沙子所在的區(qū)域去除。針對原始木材端面的RGB圖像進行HSV變換，可顯示出木材陰影與沙子較明顯的區(qū)分線，為背景與目標的圖片分割基礎(chǔ)。

經(jīng)過HSV變換后的圖像如圖3所示，從圖片中可以明顯地看出木材陰影與沙子的分界線。

三、邊緣檢測

經(jīng)過上一步HSV變換可以明顯地看出地面沙子和木塊堆的分界線，現(xiàn)需要檢驗出分界線。分別采用連通法、傅里葉變換法、canny邊緣檢測法進行邊緣檢測。

經(jīng)過實驗可得利用連通法進行邊緣檢測的效果最好。利用工具裁剪掉灰度途中紅色部分。

四、二值化處理

二值化的建模過程，采用自適應(yīng)閾值進行處理，處理結(jié)果如圖4所示：

五、SIFT特征向量的匹配

首先，進行相似性度量。一般采用各種距離函數(shù)作為特征的相似性度量，如歐氏距離、馬氏距離等。

通過相似性度量得到圖像間的潛在匹配。本文中采用歐氏距離作為兩幅圖像的相似性度量。獲取SIFT特征向量后，采用優(yōu)先k—d樹進行優(yōu)先搜索來查找每個特征點的2近似最近鄰特征點。在這兩個特征點中，如果最近的距離除以次近的距離少于某個比例閾值，則接受這一對匹配點。降低這個比例閾值，SIFT匹配點數(shù)目會減少，但更加穩(wěn)定。

其次，消除錯配。通過相似性度量得到潛在匹配對，其中不可避免會產(chǎn)生一些錯誤匹配，因此需要根據(jù)幾何限制和其它附加約束消除錯誤匹配，提高魯棒性。常用的去外點方法是RANSAC隨機抽樣一致性算法，常用的幾何約束是極線約束關(guān)系[9]。

六、計數(shù)結(jié)果

結(jié)合上述模型，利用Python實現(xiàn)，可得計數(shù)結(jié)果如圖5所示。

圖中共分為左右兩個部分，左邊為被匹配的圖像或為原圖轉(zhuǎn)換的二值化圖，右上角為匹配的圖像（匹配的圖像為被匹配圖像中的單位木塊），圖中的紅色圓點代表的是被匹配圖像的特征，圖中綠色的直線代表的是被匹配圖像和匹配圖像的特征匹配。

七、計數(shù)結(jié)果

人工計數(shù)可得圖原圖中的木材數(shù)為634，相對誤差為2%。通過分析圖像，產(chǎn)生誤差的原因主要在于預(yù)處理，可分為兩個方面：

（一）未處理圖片左上角的木塊（如圖6所示）。沒有考慮到該木塊不只有端面圖像，還有側(cè)面圖像，導(dǎo)致重復(fù)計數(shù)，影響計數(shù)結(jié)果。

（二）圖片左下角的木塊由于在未處理前的初始狀態(tài)時處于陰影中，灰度值過大在梯度處理時被當(dāng)成背景去除，造成計數(shù)過小。

（三）匹配圖像的選擇存在誤差。

八、模型推廣

基于背景影響大與背景影響小的木材圖像模型，可以實現(xiàn)利用計算機算法來處理木材圖片，從照片中計算得到木材的數(shù)量。這種處理方法可推廣到光照不均勻、角度傾斜、邊緣密集、形狀不同的木材圖像處理，可以通過增加環(huán)境參數(shù)進一步提高計數(shù)的準確度。

此外，在實際生活中，通常會涉及對木材堆的管理和計數(shù)工作。目前，主要以實現(xiàn)功能為主，下一步必須優(yōu)化程序結(jié)構(gòu)，改善用戶界面，提高程序的交互能力。真正實現(xiàn)快速有效的計算機輔助木材計數(shù)系統(tǒng)。

參考文獻：

[1]黨文靜. 圖像區(qū)域分割算法的研究與應(yīng)用[D].安徽理工大學(xué)，2018.

[2]陳基偉. 基于數(shù)字圖像處理的棒材計數(shù)方法研究[D].山東大學(xué)，2012.

[3]吳麗瓊. 基于梯度的圖像插值放大算法研究[D].山東大學(xué)，2017.

作者簡介：

閆相佩（1998.07-）男，漢族，河南漯河市人，河南大學(xué)，本科，通訊作者：童海濱。