基于图像识别的管材计数系统方案研究

1、四川大学本科毕业设计 基于图像识别的管材计数系统方案研究 基于图像识别的管材计数系统方案研究专业：测控技术与仪器专业摘要：目前国内对于管材的计数主要采用人工计数的方法，为减轻人工劳动强度和提高管材计数精度，论文基于图像识别对管材的计数系统进行了研究，通过识别管材的截面特征实现管材计数。软件部分主要包括图像的预处理、图像分割和目标计数部分。具体的研究内容包括：若管材截面图像内容较多，先截取对于图像中感兴趣的区域，再经过格式转换、图像增强、去噪等预处理得到边缘平滑的灰度图像，采用大津法自动获取阈值，将目标圆或椭圆与背景分离出来，由于管材之间存在一定空隙，可采用数学形态学中的闭运算以消除部分噪声和狭

2、小间隙，之后通过对目标圆或椭圆的边缘进行计数，因为可能存在较大噪声在闭运算过程中并未消除，因此可通过设置边缘的最小外接圆的面积和边缘本身的面积的比率进行条件限制，以去除部分噪声。若结果存在明显误差，可通过人工修改计数结果以提高精度，系统可保存计数结果和源图像以供日后查证；最后设计软件实现管材计数系统。关键词：图像识别，管材，计数，图像分割Pipe Counting System Scheme Studies Based on Image RecognitionMajor:Measure and Control Technology and InstrumentAbstract:In China

3、,the method for pipes counting mainly used manual counting. To alleviate the labor intensity and improve the accuracy,the paper makes a research on pipes counting based on image recognition. The system counts pipes through recognising the feature of the pipes cross-section. The software part mainly

4、include the image preprocessing,the image segmentation and pipes counting. And the paper mainly includes the following content:If the pipe cross-section image include too much content,clipping the region of interest in the image. Then preprocess the image,including converting the image format,the im

5、age enhancement,removing noise and so on,and then there will be a grayscale image with smooth edges. Next,use Otsu method to obtain threshold automatically,and get the image isolated target circle or ellipse and background. Since there are some gaps between the pipes,use closed operation of morpholo

6、gy mathematical to remove part of the noise and small gaps. Then count the edge of the circle or ellipse.Because there may be some large area noise that has not been eliminated in the process of closed operation,set the ratio of the area of the minimum circumscribed circle to the edge and its area t

7、o remove part of noise.If the result has obvious errors，it can be manually modified in order to improve the accuracy.The source image and the result can be saved for verification in the future.Finally design software to complete the pipes counting system.Keywords:Image recognition;Pipes;Counting;Ima

8、ge segmentation目录第一章 绪论11.1 研究目的11.2 选题背景及意义11.2.1 选题背景11.2.2 选题意义11.3 国内外研究现状21.3.1 国外研究现状21.3.2 国内研究现状21.4 主要研究内容3第二章 图像处理相关技术42.1 图像预处理42.1.1 灰度转换42.1.2 图像滤波52.2 图像分割92.2.1 阈值分割法102.2.2 基于边缘的分割方法112.2.3 基于特定理论工具的分割方法12第三章 方案设计153.1 简单背景图片的处理153.1.1 灰度处理163.1.2 滤波处理163.1.3 图像分割173.1.4 消除噪声173.2 繁杂

9、背景图片的处理183.2.1 截取管材区域183.2.2 图片处理19第四章 目标计数204.1 计数方法的比较和选取204.2 计数结果和精度分析20第五章 计数系统的设计与实现225.1 硬件部分225.2 软件开发环境225.3 软件设计流程235.3.1 图像输入部分245.3.2 图像处理部分255.3.3 结果显示部分25第六章 总结与展望266.1 总结266.2 展望26致谢27参考文献28第1章 绪论1.1 研究目的本设计通过识别管材的截面图像实现管材的计数，并结合硬件和软件的设计实现系统的开发。1.2 选题背景及意义1.2.1 选题背景在当今社会信息化发展迅速，而计算机在信

10、息处理过程中发挥着重要作用，用计算机处理数字图像的计数发展很快，且越来越普及，在日常生活中几乎随处可见，例如公司的指纹识别系统、自动售货机自动识别纸币和硬币的系、电影电视中的特效等等。基于图像识别的数字图像的处理技术已经广泛应用在了工厂制造检测方面，例如自动检测有缺陷的产品的系统、金属板表面控伤系统等，图像处理可以进行简单快速的识别处理，在测控系统中应用越来越广泛。1.2.2 选题意义人工计数法是目前钢铁厂普遍采用的计数方法。现场工人给每一根管材放置或印刷一个标记物，以区分己计数和未计数的管子，然后统计标记物的数量即为管材的数目。整个计数过程耗时长、效率低下，同时劳动强度也非常大，而且容易出错

11、，计数精度和速度都比较低。采用人工计数的方法，当需要计数的管材数目较多时，不仅耗费的时间比较长，无法在短时间内数出需要出库的管材，而且有可能存在较大的误差，较大的计数误差给企业造成经济损失和信誉损失；如今，大部分管材的交易都是安装管材的数目来进行的，若单纯按照钢材实重计量，每根管材都存在着或多或少的重量误差，当管材数目较多时，由于误差的累计可能会出现较大的重量和数目上的误差，无法满足销售市场上按理论重量交货的顾客要求；若要引进全自动的生产线，则大大提高了生产成本。从20实际90年代开始，我国已经开始研究基于机器视觉的管材自动计数系统，取得了一定的成果，但是，若要应用在实际钢管生产中，还需要进一

12、步研究和完善。因此，解决管材计数问题对国内外钢铁企业意义重大。开发自动计数系统不仅可以减轻计数工人的劳动强度，提高计数的效率和精度，还可以提高经济效益，加快生产节奏，对提高企业信息化和自动化程度具有重要意义。1.3 国内外研究现状1.3.1 国外研究现状20世纪80年代国外就开始对棒材自动计数系统进行研究。Kajiisada1等人使用机械手段对钢铁厂的生产成品进行自动分离并实现计数。ReIlZo2,3等人在设计出棒材自动分离机械装置的基础上利用光电管进行自动计数。Kojima Katsuhiro4等人提出利用数字图像处理技术对棒材图像进行处理与识别，从而达到自动计数的目的。从国外的研究现状看来

13、，研究人员先是使用机械装置对钢铁厂的各类生产成品进行分离后计数，然后将光电管与机械装置相结合实现自动计数，最后发展到采用数字图像处理方法进行自动计数。目前，国外相关企业主要利用一系列设备先将一组棒材平行排好分开间隔或一端分开，然后通过光电管进行自动计数。1.3.2 国内研究现状国内对自动计数的研究起步较晚，20世纪80年代末期才开始从事使用计算机图像处理的方法进行棒材的在线自动计数研究，结合图像处理方法在医学细胞图像分割中的应用，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。从1991年开始，上海第三钢铁厂与电子工业部五十研究所共同对计算机图像处理钢筋计数进行研究，采用模板覆盖技

14、术在自动计数上取得重大突破，实现了对直径为1240mm钢筋的在线计数。1994年这项计数方法通过技术鉴定，但计数精度不够理想5。1999年周群等人提出了基于模板覆盖的计数方法，该方法能有效克服图像粘连问题，但其结果在很大程度上依赖于预处理时所得到的二值图像的质量，对断面普遍发蓝的钢筋难以识别，所以存在一定的局限性6。为了提高计数的准确性，2003年王培珍等人提出了融合计数的方法对成捆的棒材断面图像进行分割及计数，使得对定支数棒材识别的准确性得到进一步的提高7。该方法针对灰度图像进行去除噪声运算和边缘提取运算，并运用遗传算法进行数据关联与融合，以达到去除粘连的目的。这类方法不可避免会产生一些问题

15、，例如去除粘连的结果有时不够准确，就会导致计数结果产生很大误差。针对同一批次棒材横截面形状大致是圆形、相差不大的特点，2004年李强、陈遵德在模板匹配中引入几何和模糊数学的思想，提出了基于模糊圆周模板匹配的方法8。该方法中的模糊圆周模板是由一个隶属函数确定的具有一定半径和线宽的圆周数据，匹配时要判断待匹配位图中的物体与模板中的模糊圆周的相似程度。2004年路长厚、孙伟以DSP为控制和处理核心，完成钢管计数9。该设计采取的算法有待于进一步改进，以提高计数精度。2006年黄华贵、王巍、杜凤山、张芳提出基于数字图像处理技术的钢管自动识别计数系统，并结合面向对象的可视化集成编程系统Visual C+6

16、.0编制了钢管自动识别计数应用软件系统,实现了模式识别与数字图像处理技术在工业企业中的应用,具有较强实用性10。但是对噪声过大的低质量源图像可能会导致系统误判,影响计数精度。因此,可以通过保证源图像的质量或引入神经网络、遗传算法等相关技术对程序算法进行二次开发, 以提高系统的适应性与实用性。2010年刘景波、金炜东，提出了基于模糊C均值(FCM)聚类和亮度均衡的钢管自适应计数方法11。用亮度均衡等方法对钢管图像进行预处理，降低图像中高光和阴影等的不良影响；利用FCM 聚类方法自适应分割图像；对二值图像进行连通区域标记，获取区域几何特征；利用计学方法和FCM 聚类方法剔除非钢管截面区域，统计计数

17、。实验表明，新方法不仅计数速度快，而且计数精度高，同时具有对不同环境条件的自适应性。2012年支林仙提出了基于椭圆拟合的快速钢管计数方法12。该方法直接通过边缘跟踪对椭圆进行拟合，通过其它边缘像素对拟合结果进行校验和对比，对概率超过阈值的无包含椭圆进行计数。在边缘检测过程中对Robert算子进行了改进，并在阈值分割前对边缘进行了增强，在阈值分割后对边缘进行了保持连通性的细化。根据需要还可以在计数过程中加入人工指导。实验结果表明，该方法能快速准确地检测出图像中所有椭圆。总之，在钢材计数方面，数字图像处理技术在国内已有相对研究，并取得了很大的进展。但距离能够广泛应用于生产工业的成熟系统尚有差距，还

18、需要进一步提高系统图像处理能力和计数精度。1.4 主要研究内容利用数字图像处理技术，对由图像采集设备采集获得管材截面的图像进行感兴趣区域（ROI）区域截取，使图片的主要内容为管材截面，然后进行图像灰度转换、图像增强、去噪、阈值分割、闭运算等处理，将管材截面特征从图像背景中分离出来，画出各个连通区域的轮廓，首先剔除面积很大明显不是需要计数的管材的边缘，然后通过比较轮廓最小外接圆的面积和轮廓实际的面积，当该比率大于规定的某个大于1的参数时，该部分明显不是圆形，需要剔除此时的轮廓，之后对符合要求的管材轮廓进行筛选统计，并将符合要求的轮廓显示在图片上，以便让操作者能够辨别出计数结果中包含了哪些轮廓，通

19、过人工对不准确的计数结果进行修改，从而实现较高精度管材计数的功能。最后构建硬件，并且利用C+语言开发管材自动计数软件系统。第2章 图像处理相关技术大部分获取到的源图像都是彩色图像，会含有很多杂质，例如除管材之外的不必要的外界环境等，而且目标和背景没有分离，多个目标之间存在相互粘连的现象，因此需要对源图像进行一系列的处理分割，最终得到较为清晰的多个目标相互分离的二值图像。处理流程大致可分为图像预处理、图像二值化、图像分割等步骤。2.1 图像预处理图像的预处理主要包括图像灰度转换和图像增强滤波处理。图像预处理主要是为了在一定程度上提高图像质量，降低图像噪声，改善图像视觉效果，为后续图像处理做准备。

20、2.1.1 灰度转换彩色图像不仅包含强度信息还有大量的颜色信息，直接对彩色图像进行处理会使系统的执行速度降低，而且大部分处理方法都是针对于灰度图像来进行识别处理的，因此系统首先需要将采集到的源图像转换成灰度图像。2.1.1.1 灰度转换原理现场拍摄的彩色图片的格式类型有PNG格式、JPEG格式、BMP格式、GIF格式等。PNG格式有8位、24位、32位三种形式，可支持256种颜色，使用无损压缩，每个像素为48位的真彩色图像或16位的灰度图像；JPEG格式也称JPG格式，采用有损压缩，可以去除冗余的彩色图像和数据，可以使用最小的磁盘空间而保持图像的质量最好，而且它可以压缩来自不同色彩空间的数据；

21、BMP格式文件是一种像素文件，它可以保存单色位图、16色或256色索引模式像素图、24位真彩色图象，目前最常见的是256色BMP和24位色BMP，大多数BMP文件是不压缩的；GIF格式只支持256色以内的图像，采用无损压缩，在压缩过程中，图像的色彩被丢失，而图像的像素数据不被丢失，所以这种格式通常用来显示比较简单的图片和字体。彩色位图都是由R、G、B三个分量组成，如果是24位真彩图，则每个点都是由三个字节组成的，三个字节分别代表R、G、B的分量，后面直接跟着图像的色彩信息；如果是8位（256色），4位(16色)，1位(单色)图，则紧跟后面的是调色板数据，一个RGBQUAD类型的数组，其长度由B

22、ITMAPINFOHEADER.biClrUsed来决定，然后后面紧跟的才是图像数据(24位图是真实的图像数据，其他的则是调色板的索引数据。灰度图是指只含亮度信息，不含色彩信息的图象。因此，要表示灰度图，就需要把亮度值进行量化，通常划分成0到255共256个级别，其中0最暗(全黑)，255最亮(全白)。2.1.1.2 灰度转换过程首先需要确定灰度图中调色板的具体颜色取值，且灰度图的三个分量相等，当转换为8位的时候，调色板中有256个颜色，每个正好从0到255，三个分量都相等；当转换为4位的时候，调色板中16个颜色，等间隔平分255个颜色值，三个分量都相等；当转换为2位的时候，调色板中4个颜色，

23、等间隔平分255个颜色，三个分量相等；当转换为1位的时候，调色板中两个颜色，是0和255，表示黑和白。要转化成灰度图，并且存储成一幅可以看到的图像，需要做如下转换：16位以上的图像不带调色板，只需要把图像数据按每个点的位数都转换成相同的灰度值即可；16位以下的图像，则需要修改调色板的数值，并且按照每个点所占位数修改灰度值索引即可。2.1.1.3 灰度转换结果利用OpenCV中的函数cvCvtColor函数可直接将加载的JPEG格式和BMP等格式的RGB彩色图片转换成灰度图片，转换结果如图2.1所示。 源图像 灰度图像图2.1 灰度转换2.1.2 图像滤波图像滤波，即在尽量保留图像细节特征的条件

24、下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性15。图像的噪声通常为高斯噪声和椒盐噪声，是由于在拍摄或传输过程中受到随机信号的干扰而形成的。椒盐噪声出现的位置是随机的，但其幅值基本上保持不变；而高斯噪声出现的位置是一定的（在没一点上），但其幅值却是可随机变化的。我们在去除噪声的同时，要尽可能的保持图片中其他有用信息不受干扰。在实际中拍摄的管材截面照片或多或少存在光照不均匀、除管材之外的其他杂质的干扰，使图片的质量不是很高，影响后续的分割、计数等处理，因此需要对图片进行滤波处理，尽量抑制背景和目标中的噪声，同时保持目标原有的形

25、状大小等特征。由于线性滤波在滤除噪声的同时，也会使图像中目标的细节模糊，因而不利于后续的图像分割和目标提取；而非线性滤波可以消除一些孤立的噪声点，在滤除噪声的同时也可以保留图像中的一些重要特征，能够在一定程度上克服线性滤波的不足之处，但与此同时会使图像的边缘点有一定程度上的失真。论文通过对图像进行高斯滤波、均值滤波和中值滤波后的图像进行了简单比较。2.1.2.1 高斯滤波高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，无论是在空间域还是频率域，它都是一种有效的低通滤波器，对去除服从正态分布的噪声很有效。对于图像我们常用二维零均值离散高斯函数作为平滑滤波器，其函数表达式为：分别选择

26、高斯模板为3*3,5*5,7*7对图像进行平滑处理，效果图如图2.2所示。 a) 灰度图像 b) 3*3高斯模板滤波 c) 5*5高斯模板滤波 d) 7*7高斯模板滤波图2.2 高斯滤波效果图2.1.2.2 均值滤波均值滤波是指用均值代替各个像素值，即对于要处理的目标像素，选择一定大小的模板，求取包括目标像素在内的所有像素灰度值的均值作为目标像素点的灰度值，即如图2.3 a)所示，选择3*3大小的模板，用圆圈圈住的像素为待处理的目标像素点。将图像进行均值滤波，即a)中将像素灰度值为15的目标像素进行如下式处理：得到处理后的值为5；同理对虚线框内的中心像素值进行处理得到处理结果值为5，如图2.3

27、 b)所示。图2.b)均值滤波后目标像素值a)灰度图像的像素数组3 均值滤波对于如图2.4 a)所示有边缘的图像进行均值滤波，顺序求出用圆圈圈住的目标像素经均值滤波处理后得到的像素值，如图2.4 b)所示。由此可知均值滤波不能很好地保护图像的细节，在去除噪声的同时也会使边缘模糊，图像的细节不清晰。b)均值滤波后目标像素值a)有边缘的输入图像图2.4 有边缘图像进行均值滤波均值滤波可以使图像平滑，运算速度快，算法计较简单，但是这种算法无法彻底去除噪声，只能在一定程度上减弱噪声。均值滤波使整幅图片都变的模糊，原因是这种滤波方法没有区分图像中的特征和细节，对所有的像素点都进行同样的处理，在将噪声点分

28、摊的同时，也将图像中的边缘这些细节部分分摊了。为了处理这种情况，有时会采用加权平均的方式，即计算目标像素在区域内的加权平均值来代替原有的像素值，即使这样，改善的效果也不是很明显。对图像分别进行模板为3*3,5*5,7*7的均值滤波，效果图如图2.5所示。 a)灰度图像 b)模板为3*3均值滤波 c)模板为5*5均值滤波 d)模板为7*7均值滤波图2.5 均值滤波效果图2.2.2.3 中值滤波中值滤波是指将目标像素周围一定区域内的像素值按从小到大或从大到小的顺序排列，取出中间值替代目标像素的值。由于噪声的出现，使该点的像素值与周围的像素值明显不同，相对于周围的像素点，噪声点明显偏亮或偏暗，在某个

29、模板中对像素值进行从小到大的排列，噪声点的值一定被排在两端，取中间值代替噪声点的值，就可以实现滤除该点噪声的目的。例如图2.3 a)中实线框中用圆圈圈住的值为15的像素点作为目标像素，取模板为3*3区域，则将实线框中的像素值按从小到大的顺序排列得到：3,3,3,3,4,4,5,5,15，则用中间值4代替目标像素15；同理虚线框中的目标像素4经排列后恰好为中间值，因此像素的值不变，仍为4。对于有边缘的图像，如图2.4所示的图像，经中值滤波后从左到右依次求出用圆圈圈住的目标像素，结果为：2,2,11,11。从而中值滤波在去除噪声的同时也保护了图像的边缘和细节部分。对比上一小节中介绍的均值滤波可以发

30、现，对于椒盐噪声，噪声幅值相差不大，噪声随机分布在图像中，采用中值滤波的方法可以采用噪声以外的像素点来代替噪声点的像素值，从而能够很好的消除椒盐噪声；而采用均值滤波的方法噪声点的均值不为0，从而噪声无法消除，只能将噪声点的像素值分摊给噪声点周围的像素，使噪声点尽量模糊，所以对于椒盐噪声，中值滤波比均值滤波有更好的滤波效果。对于高斯噪声，噪声幅值基本上呈正态分布，存在于整幅图片中，对其进行中值滤波时，无法找到合适的像素点来代替噪声的值；采用均值滤波时，由于正态分布的均值为0，从而可以消除噪声的中心值，对于其他的像素点，也能减弱其影响，从而对于高斯噪声，均值滤波比中值滤波有更好的处理效果。对图像分

31、别进行模板为3*3,5*5,7*7的均值滤波，得到的效果图如图2.6所示。 a)灰度图像 b)模板为3*3中值滤波 c)模板为5*5中值滤波 d)模板为7*7中值滤波图2.6 中值滤波效果图2.2 图像分割灰度图像有256个灰度级，为了简化计算并使目标和北京能够更好的分离，需要将灰度图像转化为二值图像，二值图像只含有两个灰度级0和1，表现在图片中为黑和白。为了实现图像从灰度图转变成二值图像，通常采取的方法是对图像进行分割，将目标图像取值为1（或0），将其余部分全部记为背景，取值为0（或1）。二值图像的计算速度快，需要的存储容量小，最重要的是可以计算出目标的几何尺寸和位置，便于后续的图像处理、特

32、征提取和计算结果。图像分割是将图像分成一些有意义的区域，然后对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标13。我们对图像进行分割的基础是图像中各像素点之间的“相似性”和“跳变性”，所谓“相似性”是指像素之间具有某些相似的特性，而“跳变性”是指像素之间具有不同的特性。应用较为广泛的图像分割方法有阈值分割法、基于边缘的分割方法、基于区域的分割方法、基于特定理论工具的分割方法等14，这些方法各有优劣，适合不同质量的源图像，因此在选取分割方法时要根据待处理的源图像的特征进行选取。经分割后的图像有可能还存在着一些没有被滤除的噪声，因此还应对分割后的图像进行进一步的

33、去噪处理，才能得到较好质量的包含目标的图像。2.2.1 阈值分割法阈值分割法的原理是先确定一个灰度值作为该幅图片的分割阈值，将图片中的所有像素与该阈值进行比较，大于阈值的像素值变为255（白色），小于该阈值的像素值变为0（黑色），从而对灰度图像进行了分割，因而可以看出，阈值分割法的关键在于如何确定一个最佳的阈值，阈值的选取直接决定着图像分割效果的好坏，随着选定的阈值的不同，二值图像提取出来的内容也大不相同，当阈值过大时，将目标以外多余的内容也提取出来了，而当阈值过小时，又会丢失一些关键的目标内容，使提取出来的内容不完整，所以，图像在进行阈值分割时要根据图片的特性来选择合适的方法确定阈值。阈值的

34、选取可以根据灰度直方图的分布将直方图的不同的山谷选为阈值16；对于一些简单的图片，目标和背景的直方图各自形成一个波峰，这两个波峰之间存在着一个最低的波谷值，双峰法就是将灰度直方图中表示前景和背景的两个山峰之间的山谷作为阈值来对图像进行分割的；迭代法先计算图像中最大灰度值和最小灰度值的平均值T来作为初始阈值对图像进行分割，求出背景和前景的平均值后在进行平均作为新的阈值对图像进行分割，以此类推，按照上述步骤循环计算，进行迭代运算，直至阈值不再变化，这时的阈值就是我们需要的最佳阈值；大津法（Otsu）将t记为图像的分割阈值，前景的像素点个数占图像总的像素点的个数的比例为，平均灰度为，背景的像素点的个

35、数占图像总的像素点的个数的比例为，平均灰度为，根据下式计算出图像的总的平均灰度为：从最小灰度值到最大灰度值遍历t，当t使得值最大时，t为分割的最佳阈值。阈值分割是最常用的图像分割方法，同时它也是最简单的一种分割方法，除了上述介绍的常用的几种选取阈值的方法，还有一些计算过程比较复杂的阈值选取方法，如最大类间方差法、基于边界点的递归多阈值方法等等。阈值分割可以极大的缩小数据量，并且简化后续的分析处理过程，用双峰法、迭代法和大津法分别对经过中值滤波后的灰度图像进行图像分割，得到的效果图如图2.7所示。 a)经中值滤波后的灰度图像 b)双峰法图像分割 c)迭代法图像分割 d)大津法图像分割图2.7 图

36、像分割效果图2.2.2 基于边缘的分割方法边缘是图像的一个基本特征，边缘反映出目标的外形、位置等信息，边缘检测可以大幅度的减少图像的信息量和数据量，保留图像中重要的结构属性。例如我们需要处理的管材截面图像，管材部分存在大量边缘，而背景部分的边缘很少，通过对图像进行边缘检测，可以使目标管材部分得到增强，非管材部分在很大程度上被减弱。边缘检测依据的基本原理是根据图像局部特征的不连续性，例如灰度突变17、颜色突变18等，经典的边缘检测算法是构造对图像灰度值阶跃变化敏感的差分算子来对图像进行分割，利用边缘邻近一阶或二阶方向导数变化规律，例如常用的laplace、sobel、canny算子等。lapla

37、ce算子对噪声比较敏感，通常在进行拉普拉斯边缘检测之前要对图像进行平滑处理，在从景物到图像的形成过程中，对每一像素点的灰度来说，该像素点所对应的真实景物的周围点对该像素点灰度的影响是随径向距离成正态分布，即越接近与像素点所对应的真实景物点，对该像素点的灰度贡献越大，所以平滑函数应反映不同远近的周围点对给定像素具有的不同作用；Sobel算子有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的，Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，应用比较广泛；Canny 算法使用4个mask检测水平、垂直以及对角线方向的边缘，由于在图像中往往存在高频噪声，检测出来的边缘

38、也包含由噪声引起的假的边缘点19。边缘精度和抗噪性是边缘检测过程中两个重要的指标，但这两者相互制约，当边缘精度高时，噪声部分的边缘同时被检测出来，噪声产生的伪边缘会造成伪边界，若注重抗噪性，则可能会造成边缘漏检和边缘的位置偏移。因此，在对图像进行边缘检测时，应注意需要的图像效果，根据需要对边缘精度和抗噪性进行权衡设置。如图2.8所示为利用sobel算子、laplace算子、canny算子对经过中值滤波后的灰度图像进行边缘检测的效果图。 a)经中值滤波后的灰度图像 b)sobel边缘检测 c)laplace边缘检测 d)canny边缘检测图2.8 边缘检测效果图2.2.3 基于特定理论工具的分割

39、方法近年来，一些结合特定理论、工具、方法的分割方法应用越来越广泛，应用较多的方法有基于数学形态学的分割方法、基于模糊技术的分割方法、基于人工神经网络的分割方法、基于遗传算法的分割方法和基于小波分析和变换的分割技术等。基于数学形态学的分割方法是用一定形状的结构元素来衡量图像中对应某个形状的区域以达到图像分割的目的，其具有优异的分割特性，但是不能很好的解决耗时问题；基于模糊技术的分割方法是以模糊数学为基础，主要应用于医学图像分析；基于人工神经网络的分割方法是通过训练多层感知机来得到线性决策函数，再利用决策函数对像素进行分类来达到图像分割的目的，该方法比较复杂，计算量较大，需要进一步实用化；基于遗传

40、算法的分割方法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法，它可以得到全局最优解，并且大量缩短了计算时间；基于小波分析和变换的分割技术是借助数学工具小波分析的一种分割方法，适合对图像进行多尺度的边缘检测，小波变换的计算复杂程度比较低，具有较强的抗噪能力。由于管材图像中往往存在目标之间相互粘连的现象，而基于数学形态学的分割算法结合其他图像分割算法可以很好的解决这种粘连的现象，所以以下对图像的形态处理学做简要介绍。形态学运算是针对二值图像依据数学形态学集合论方法发展起来的图像处理方法，其在图像处理的过程中的主要应用于对图像进行观察和处理，从而使图像的质量得以改善，另一方面，它还可以

41、描述和识别图像中各种几何参数和特征，例如区域的面积，周长，圆度，连通程度等等13。数学形态学的运算主要包括的基本运算有：腐蚀，膨胀，开运算，闭运算，击中，细化和粗化。2.2.3.1 腐蚀腐蚀的作用是消除图像的边界点，使图像的边界向内收缩的过程，可以去除小于结构元素的物体。根据腐蚀的原理，可以选择合适的结构元素，这样就可以去除小于结构元素的离散的小物体和区域之间连通的小区域，腐蚀会使物体的面积扩大，腐蚀的运算表达式如下：其中S代表腐蚀后的图像，X代表源图像，B代表结构元素，(x,y)代表像素点，此公式表示腐蚀后的图像由在源图像中结构元素的当前位置组成。腐蚀原理示意图如图2.9所示。 a)原图 b

42、)结构元素 c)腐蚀结果图2.9 腐蚀原理示意图由图2.9腐蚀原理图可以看出腐蚀的规律为当原图中像素点符合结构元素所给出的结构时，该像素点保留；当原图中的像素点不符合结构元素给出的结构时，该像素点被去掉，因而腐蚀实际上就是把图像的外围去掉，保留图像内部的像素点。2.2.3.2 膨胀膨胀的作用与腐蚀的作用刚好相反，它是对图像的边界点进行填充，使与物体接触的背景点都合并到物体中，从而达到了扩充边界的效果。选择合适的结构元素，可以填充物体中细小的空洞，也可连接相邻的分离物体，膨胀会使物体的面积缩小，膨胀的运算表达式如下：其中S，X，B的含义与腐蚀公式中的含义相同，该公式表明膨胀后的图像是由结构元素映

43、像的位移与源图像至少有一个像素相同时，结构元素中心点的集合。膨胀的原理示意图如图2.10所示。 a)原图 b)结构元素 c)膨胀结果图2.10 膨胀原理示意图由图2.10的膨胀示意图可以看出在对图像进行膨胀时，当结构元素在图像平移时，只要结构元素的邻域与源图像的像素点有重合，此时的结构元素中心点所在的位置都作为物体的像素点，因而膨胀使源图像的物体边界扩展的一圈，并且保持物体的内部的像素点不变。2.2.3.3 开运算图像的开运算操作是指先对图像进行腐蚀运算再对图像进行膨胀运算的操作。图像的腐蚀运算和膨胀运算并不是互逆的过程，图像的开运算可以孤立的小点、毛刺和连通两个区域之间的小点，平滑大物体的边

44、缘，并且基本不明显改变物体的面积。开运算的表达式如下：此公式中S，X，B的含义与腐蚀和膨胀中的含义相同。2.2.3.4 闭运算图像的闭运算操作是指先对图像进行膨胀运算再对图像进行腐蚀运算的操作。图像的闭运算可以填充物体内的细小孔洞，连接临近的物体，平滑边缘，同时基本上不明显改变物体的面积。闭运算的表达式如下：此公式中S，X，B的含义与腐蚀和膨胀中的含义相同。第3章 方案设计 a) b)图3.1 背景简单的管材图片 a) b)图3.2 背景繁杂的管材图片系统获取到的图像有两种情况，一种是背景比较简单单调，管材截面占主要区域，目标和背景区别明显，如图3.1中两幅图片所示；另外一种背景繁杂，图像中除

45、了管材截面外还包含大量不需要的信息，如图3.2中两幅图片所示，使得目标区域不明显，在计数过程中很容易产生误差。根据这两种情况需要对图片进行不同的前期处理，在背景繁杂的图片中截取管材所在的区域再进行后续处理。3.1 简单背景图片的处理对于背景简单的图片，管材截面的部分基本上占据了图片的全部区域，这时，不需要对图片进行截取，可直接对整张图片进行处理，处理流程主要包括图片预处理和图像分割两部分，具体的流程如图3.2所示。图3.2 图片处理流程图3.1.1 灰度处理对图3.1中的两幅源图像进行灰度处理，得到如图3.3所示的灰度图像。 a) b)图3.3 灰度图像3.1.2 滤波处理在实际的拍摄过程中，

46、可能存在各种各样的干扰，例如拍摄现场的光照不均匀，传输过程中受到其他信号的干扰等因素，分析现有的几张管材截面图像可以看出，经CCD或其他图像采集设备采集到的管材截面图像存在较多的椒盐噪声和相对较少的高斯噪声。对于椒盐噪声，可以根据第二章中2.1.2小节中的分析看出，由于椒盐噪声的幅值基本保持不变，而位置随机地分布在图像的各个部分，采用中值滤波的方法可以用非噪声区域的像素点的值代替噪声区域的像素值，从而可以达到较好的滤波效果；而高斯滤波和均值滤波主要是针对于高斯噪声而言的。对得到的灰度图像进行中值滤波处理，因滤波既要去除部分噪声又要保留边缘细节。若选取的中值滤波的模板过小，则噪声点不能消除；若模

47、板过大，则在去除噪声的同时，图像的细节部分也会被处理掉，边缘变得模糊，不利于后续的分割和目标的识别，因此在选择中值滤波时，要选择合适大小的模板，才能达到较好的滤波效果，综合考虑上述因素，根据第二章中2.1.2小节中的滤波效果图的对比，对图像进行模板大小为3*3的中值滤波，结果如图3.4所示。 a) b)图3.4 中值滤波3.1.3 图像分割对图像进行分割，即将灰度图像进行二值化处理，处理后的理想结果是管材截面即目标区域为相互分离的圆或椭圆，像素值为0（黑色）；除管材截面外的区域即背景像素值全部为255（白色）。根据第二章2.3节的内容，首先选择对图像进行阈值分割，根据2.3.1节中不同阈值分割

48、方法对图像的处理效果，用迭代法进行分割时，目标之间粘连严重，目标和背景之间的阈值选择偏大；用大津法进行分割时，目标之间粘连情况相对良好，阈值选择相对合适；用双峰法进行分割时，目标之间粘连情况与大津法相似，相较于大津法，一些小的离散区域也被滤除，所以最终选择双峰法，可以使背景和目标尽可能的区分开，目标之间粘连也最小，可以获得最佳的阈值分割结果，如图3.5所示。 a) b)图3.5 双峰法阈值分割3.1.4 消除噪声可以看出3.1.3小节中经图像分割后的图像中依然存在除管材截面外的许多离散的小区域噪声，为了消除这些小区域，可以选择基于数学形态学的处理方法，包括腐蚀、膨胀、开运算和闭运算。腐蚀运算会

49、使噪声和管材面积都缩小；膨胀会使噪声和管材面积都增大；开运算是对图像先进行腐蚀运算再进行膨胀运算，可以消除小区域，在纤细点处分离物体，平滑较大物体的边界，同时并不明显改变其面积；闭运算是对图像先进行膨胀运算再进行腐蚀运算，可以填充区域内细小的空洞，连接邻近物体，平滑其边界的同时并不明显改变其面积。由于在管材界面图像中，目标为黑色，背景为白色，故而需要对图像进行闭运算才能分离粘连的目标，且不改变其面积。对二值管材截面图像进行闭运算处理的结果如图3.6所示。 a) b)图3.6 闭运算处理3.2 繁杂背景图片的处理对于背景相对繁杂的图片或者需要度量某一部分的管材，需要先截取出所需计量的管材所在区域

50、，然后再对截取出的区域进行3.1节中的处理。3.2.1 截取管材区域在系统中管材区域的选定和截取都是靠人工来识别和操作的。首先将获取到的图片显示在图片控件上，人工辨别出需要处理的管材区域，并在图片上画出相应管材区域大小的矩形框。图片截取的基本原理是根据矩形框在缩放显示的图片中的位置，求解出在未经缩放的源图像上相应的矩形位置，矩形框的缩放比例与源图像显示在图片控件上的缩放比例相同，根据所画矩形框在缩放后的图片中与边缘的距离和缩放比例确定出在源图像中相对应的矩形框的位置，若是此时直接根据矩形框的大小和位置直接在缩放后的图片上截取该矩形框的区域，因为图片经过初始的显示时由于图片控件的大小有限，必须对

51、图片进行缩放显示，此时显示的图片存在失真，若在此失真的图片上直接进行截取的话，截取出来的区域在显示时有明显的失真，甚至无法显示，因此需要在原始的图片上反映出矩形框选取的区域，最后截取出在源图像上相应矩形框的区域内的图像部分并进行显示。由于大部分图片的尺寸远大于图片控件的尺寸，截取出来的部分图片能以比源图像更高的分辨率显示出来，更有利于后续的处理。截图显示的效果如图3.7所示。 a) b)图3.7 截图显示3.2.2 图片处理将3.2.1节中截取出来的图片进行3.1节的流程进行处理，处理结果如图3.8所示。 a)灰度图像 b)中值滤波 c)图像分割 d)去除噪声图3.8 图像处理结果第4章 目标

52、计数由于第三章中经过去噪处理的二值图像中各个目标之间的粘连情况相对良好，各个管材面积相差不大，且为圆形或椭圆形，画出各个区域的轮廓，滤除不是管材的轮廓后计算剩余的轮廓个数即为管材的个数，而计数的关键就在于如何滤除不是管材的轮廓。4.1 计数方法的比较和选取管材截面的轮廓为椭圆或圆形，要判别出不是管材的轮廓，可以依据轮廓的拟合圆形或椭圆的长短轴、面积、周长等，但是这几种方法都有各自的缺陷。根据这些判据来判断轮廓是否符合要求，需要有一个标准，在不确定管材管径大小尺寸时，无法给出比较精确的标准，若依据平均值来判别，则要求图片处理后的质量非常好，没有过多的小面积或大面积区域，否则，在标准不准确的情况下

53、，轮廓的判别也不会比较准确。在设计系统时，将图片处理过程中闭运算的次数设置为可以认为更改，这样可以人为控制管材之间的粘连程度和小区域噪声的去除程度。图片的外形部分为图片中的最大轮廓，需要在计数时将此轮廓去除，然后通过判别每个相互分离的轮廓的最小外接圆的面积和轮廓本身包含的面积的比率，可以滤除明显不是圆形或椭圆形的区域。该种方法的不足之处就是在图片质量较差的情况下需要人为控制闭运算的次数，才能获得较高的计数精度。4.2 计数结果和精度分析当选择的轮廓最小外接圆面积和轮廓本身面积的比率不同时，计数的结果也不相同。由于轮廓最小外接圆的面积总是大于轮廓本身的面积，因此设置的比率应为大于1的值。当比率越

54、小并且越接近1时，要求轮廓的外形越接近于圆形；当比率越大时，对于轮廓的外形要求也就越低。在实际情况中，当我们拍摄角度越是正对于管材的截面时，设置的比率应越小，但是由于在前面图片处理的过程中，目标之间的粘连被分离后，粘连部分附着在各个目标圆的周围，导致即便是在正对于管材截面的角度拍摄的照片，二值图像中管材的轮廓也不是正圆。因此，在设置比率值的大小时，除了要考虑拍摄角度的影响，还要考虑噪声和图片处理质量的因素，不能将比率值设置的过小，否则可能漏掉真实存在的管材轮廓；同时也不能将比率值设置的过大，否则可能会将明显不是类圆形的非管材图像计算在内。将如图3.1 b)所示经闭运算处理后的管材图像在轮廓最小外接圆的面积与轮廓本身的面积的比率分别设置为为1.4，1.6，1.8时，在图片上画出在此比率范围内的轮廓20，计数结果如图4.1所示。 a)闭运算处理后的图像 b)比率为1.4时，计数结果为26 c)比率为1.6时，计数结果为37 d)比率为1.8时，计数结果为38图4.1 不同比率下的计数结果综合考虑多个管材图像，选择比率为1.7时可获得较高的计数精度。在该