摘  要： 為了滿足棒材計(jì)數(shù)在工業(yè)生產(chǎn)的實(shí)際應(yīng)用需求,提出了一種基于提取連通分量的算法，以實(shí)現(xiàn)目標(biāo)棒材計(jì)數(shù)區(qū)域的自動(dòng)定位，并對(duì)定位的區(qū)域采用提取連通分量算法實(shí)現(xiàn)對(duì)輪廓的標(biāo)注，最后提出了一種區(qū)域輪廓周長(zhǎng)的校正方法,實(shí)現(xiàn)了粘連棒材的準(zhǔn)確計(jì)數(shù)。
關(guān)鍵詞： 棒材計(jì)數(shù); 提取連通分量; 區(qū)域自動(dòng)定位; 周長(zhǎng)校正

    目前國(guó)內(nèi)的很多鋼材生產(chǎn)企業(yè)對(duì)棒材的計(jì)數(shù)主要通過(guò)人工來(lái)完成。人工計(jì)數(shù)不僅耗費(fèi)工人大量的時(shí)間，而且容易引起人眼的疲勞，會(huì)產(chǎn)生較大誤差，給企業(yè)造成一定的經(jīng)濟(jì)損失，因此企業(yè)急需開發(fā)出一種準(zhǔn)確率高、適應(yīng)性強(qiáng)的棒材自動(dòng)計(jì)數(shù)系統(tǒng)。但是工業(yè)生產(chǎn)現(xiàn)場(chǎng)的環(huán)境惡劣，如捆扎棒材的堆放較近以及現(xiàn)場(chǎng)的一些光線等問(wèn)題，使采集的圖片質(zhì)量較差，端面粘連比較嚴(yán)重，給棒材的計(jì)數(shù)增添了很大麻煩。針對(duì)這些問(wèn)題，提出了一種基于提取連通分量的方法來(lái)實(shí)現(xiàn)目標(biāo)棒材區(qū)域的自動(dòng)定位分割，標(biāo)注區(qū)域的連通分量，并通過(guò)區(qū)域周長(zhǎng)校正方法,很好地解決了上述問(wèn)題。
1 棒材自動(dòng)計(jì)數(shù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    棒材自動(dòng)計(jì)數(shù)系統(tǒng)流程框圖如圖1所示，其主要分為采集、預(yù)處理與計(jì)數(shù)三個(gè)階段。其中,圖像采集屬于采集階段；圖像平滑去噪、圖像二值化、區(qū)域定位分割、形態(tài)學(xué)處理為預(yù)處理階段；而標(biāo)注連通分量、利用區(qū)域周長(zhǎng)法進(jìn)行校正實(shí)現(xiàn)對(duì)棒材的準(zhǔn)確計(jì)數(shù)為計(jì)數(shù)階段。

1.1 圖像的采集階段
     利用攝像頭對(duì)棒材端面進(jìn)行拍攝，獲取工業(yè)生產(chǎn)現(xiàn)場(chǎng)的棒材端面圖片。但由于工業(yè)現(xiàn)場(chǎng)的噪聲、光照以及其他的一些反光物體的影響，拍攝的圖像質(zhì)量很差，這給后續(xù)的圖像處理與棒材的計(jì)數(shù)帶來(lái)了很大難度。因此，應(yīng)該在采集圖像階段盡可能地獲得質(zhì)量較好的圖片，要求拍攝時(shí)應(yīng)與棒材橫截面的光照平行，有均勻、恒定和較高的照度，以減弱現(xiàn)場(chǎng)光照與其他反光物體等對(duì)采集圖片質(zhì)量的影響。圖2、圖3所示為不同采集環(huán)境下采集的圖片。

1.2  圖像的預(yù)處理階段
1.2.1 圖像的平滑
    圖像平滑是一種可以減少和抑制圖像噪聲的實(shí)用數(shù)字圖像處理技術(shù)。由于工業(yè)現(xiàn)場(chǎng)的隨機(jī)噪聲較大，在此采用一種改進(jìn)的中值濾波方法對(duì)采集的棒材端面圖像進(jìn)行平滑去噪。
    改進(jìn)的中值濾波算法的思想是：逐行掃描圖像，當(dāng)處理每一個(gè)像素時(shí)，判斷該像素是否是濾波窗口覆蓋下領(lǐng)域像素的極大或者極小值，如果是，則采用正常的中值濾波處理該像素；如果不是，則不予處理。
    在實(shí)踐中該方法能夠非常有效地去除突發(fā)噪聲點(diǎn)，尤其是椒鹽噪聲，而且?guī)缀醪挥绊戇吘墶?br /> 1.2.2 圖像的二值化
    圖像的二值化即選擇一個(gè)閾值，將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，令整個(gè)圖像呈現(xiàn)出明顯的黑白效果。在本文中，鑒于平滑后的棒材端面圖像目標(biāo)與背景像素的比例相差不大，可對(duì)圖像進(jìn)行二值化，能得到比較理想的效果。對(duì)圖2和圖3進(jìn)行二值化的結(jié)果分別如圖4、圖5所示。

1.2.3 區(qū)域的自動(dòng)定位分割
    從平滑、二值化后的圖片可以發(fā)現(xiàn)，由于工業(yè)現(xiàn)場(chǎng)復(fù)雜，不是所有的圖片進(jìn)行預(yù)處理后都能得到比較理想的效果，如捆扎棒材堆放較近，或者周圍有什么反光物體，都會(huì)給計(jì)數(shù)帶來(lái)很大的麻煩。如圖5所示，即使通過(guò)形態(tài)學(xué)處理，要直接對(duì)目標(biāo)區(qū)域進(jìn)行準(zhǔn)確的計(jì)數(shù)也是不可能的。對(duì)于這樣的目標(biāo)區(qū)域，以往都采用手動(dòng)分割，這給棒材的自動(dòng)計(jì)數(shù)帶來(lái)了不必要的麻煩。本文提出了一種基于提取連通分量算法的自動(dòng)定位分割算法，能準(zhǔn)確地提取出目標(biāo)圖像矩形區(qū)域。具體方法如下：
    (1)提取連通分量算法
    提取連通分量[2-3,9-10]是針對(duì)二值圖像而言的，因此提取連通分量是提取相應(yīng)二值圖像的連通分量。算法實(shí)現(xiàn)的步驟如下：
    ①確定一個(gè)對(duì)應(yīng)于4連通和8連通[9]的3×3的模板結(jié)構(gòu)元素，并初始化連通分量的標(biāo)號(hào)為1。
    ②備份要標(biāo)注連通分量的原圖像，將圖像的四周邊界置為黑色（算法不處理邊界上的點(diǎn)），分配與原圖像大小相同的目標(biāo)圖像空間，并初始化為全0（黑色為背景色，白色為前景色）。
    ③找到一個(gè)前景點(diǎn)(即像素值為255)，初始化目標(biāo)圖像為只有連通區(qū)中的一點(diǎn)，從這一個(gè)點(diǎn)開始用3×3模板結(jié)構(gòu)元素進(jìn)行膨脹，計(jì)算和原圖像的交集，限制膨脹不會(huì)超出區(qū)域。不斷執(zhí)行上述過(guò)程，直到與上一次膨脹后的結(jié)果相同，說(shuō)明該連通區(qū)域已經(jīng)提取完畢。
    ④用標(biāo)號(hào)標(biāo)注剛剛找到的連通區(qū)(即將唯一的標(biāo)號(hào)賦給該連通區(qū)內(nèi)的所有像素),記錄當(dāng)前連通區(qū)所有點(diǎn)的坐標(biāo)，并將連通區(qū)標(biāo)號(hào)加1以標(biāo)注下一個(gè)連通區(qū)。
    ⑤循環(huán)執(zhí)行步驟④~步驟⑤，直到找到所有的連通區(qū)域。
    (2) 棒材計(jì)數(shù)區(qū)域的自動(dòng)定位分割算法
    算法的實(shí)現(xiàn)步驟如下：
    ①對(duì)經(jīng)過(guò)預(yù)處理與二值化的圖像進(jìn)行形態(tài)學(xué)處理，由于閉運(yùn)算對(duì)目標(biāo)圖像的整體邊界影響不大，在此對(duì)二值圖像進(jìn)行兩次閉運(yùn)算處理。
    ②用提取連通分量的算法來(lái)標(biāo)注通過(guò)閉運(yùn)算處理后的圖像中的每一個(gè)連通區(qū)域，并計(jì)算每一個(gè)連通區(qū)域的像素?cái)?shù)，即連通區(qū)域的面積。在實(shí)際應(yīng)用中，要檢測(cè)的目標(biāo)區(qū)域的面積應(yīng)該是圖像連通區(qū)域的面積中最大的，可以利用這一點(diǎn)，對(duì)區(qū)域進(jìn)行準(zhǔn)確的定位。圖像中連通面積最大外接矩形即為要處理的目標(biāo)區(qū)域,如圖6所示。

    ③矩形區(qū)域的確定。通過(guò)提取連通分量算法找到連通區(qū)域面積最大的區(qū)域(即找到連通區(qū)域標(biāo)號(hào)相同像素?cái)?shù)目最多的區(qū)域)，計(jì)算最大連通區(qū)域中像素點(diǎn)坐標(biāo)的水平方向與豎直方向的最小值、最大值以確定相應(yīng)的輪廓最小矩形區(qū)域，并通過(guò)這個(gè)最小矩形區(qū)域從原始圖像分割出目標(biāo)區(qū)域，如圖7所示。

1.2.4 目標(biāo)圖像的形態(tài)學(xué)處理
    對(duì)定位分割出的目標(biāo)圖像進(jìn)行二值化，雖然經(jīng)過(guò)了濾波處理，但噪聲、區(qū)域粘連比較嚴(yán)重，要對(duì)其進(jìn)行準(zhǔn)確計(jì)數(shù)，應(yīng)先對(duì)圖像進(jìn)行腐蝕、膨脹、開與閉運(yùn)算等相應(yīng)處理，以填充小的空洞,去除粘連與噪聲。
    本文選擇3×3的矩形結(jié)構(gòu)元素與十字形結(jié)構(gòu)元素結(jié)合,對(duì)自動(dòng)定位的目標(biāo)圖像進(jìn)行相應(yīng)的形態(tài)學(xué)處理,處理結(jié)果如圖8、圖9所示。

1.3 計(jì)數(shù)階段
1.3.1 標(biāo)注連通分量
    在此用的標(biāo)注連通分量算法與前文提取連通分量算法類似，但這里是用其來(lái)實(shí)現(xiàn)輪廓的標(biāo)注，以方便后面的棒材的計(jì)數(shù)與校正。
1.3.2 計(jì)數(shù)與區(qū)域周長(zhǎng)校正
    對(duì)棒材實(shí)現(xiàn)準(zhǔn)確的計(jì)數(shù)，在這里給出兩種方式，即形態(tài)學(xué)處理后的有粘連的棒材計(jì)數(shù)以及形態(tài)學(xué)處理后無(wú)粘連棒材的計(jì)數(shù)。若通過(guò)形態(tài)學(xué)處理后的二值圖像的輪廓區(qū)域沒有粘連，則實(shí)際的棒材的根數(shù)即為提取的連通區(qū)域的個(gè)數(shù)。但在實(shí)際應(yīng)用中，有些圖像不論是進(jìn)行怎樣的形態(tài)學(xué)處理，要對(duì)粘連區(qū)域進(jìn)行理想分割是很難實(shí)現(xiàn)的。當(dāng)然可以采用參考文獻(xiàn)[4]提出的區(qū)域面積法來(lái)實(shí)現(xiàn)棒材計(jì)數(shù)的校正，但是當(dāng)區(qū)域腐蝕到一定程度時(shí)，區(qū)域變成扁平的形狀時(shí)，區(qū)域面積變得越來(lái)越小，區(qū)域面積校正法變得越來(lái)越不準(zhǔn)確。但是區(qū)域的周長(zhǎng)變化并不是很大，因此提出了一種基于區(qū)域周長(zhǎng)校正的方法對(duì)棒材計(jì)數(shù)校正，對(duì)其能有很大程度改善，并有極高的準(zhǔn)確率。
    區(qū)域周長(zhǎng)校正的具體步驟如下：
    ①計(jì)算所有提取外輪廓的周長(zhǎng)，輪廓周長(zhǎng)的計(jì)算采用Freeman鏈碼表[5-6]跟蹤輪廓邊界的方式來(lái)實(shí)現(xiàn),其計(jì)算的公式為:
    
其中，Noven為輪廓邊緣的鏈碼為偶數(shù)的個(gè)數(shù)，Nodd為輪廓邊緣鏈碼為奇數(shù)的個(gè)數(shù),Perimeter為輪廓的周長(zhǎng)。
 
    對(duì)其中的兩幅圖像進(jìn)行分析，如圖10和圖11所示，圖10棒材的實(shí)際根數(shù)是140，檢測(cè)值為140根，輪廓數(shù)是130，周長(zhǎng)校正系數(shù)為10；圖11實(shí)際根數(shù)是120，檢測(cè)值為119，其中輪廓數(shù)是106，校正系數(shù)為13。其原因是圖像采集與預(yù)處理不夠理想，導(dǎo)致形態(tài)學(xué)處理之后實(shí)際的根數(shù)少了1根。針對(duì)這一情況，筆者猜想通過(guò)一種選擇性腐蝕算法來(lái)進(jìn)行相應(yīng)改進(jìn)，應(yīng)該能得到比較理想的結(jié)果。

     從實(shí)驗(yàn)數(shù)據(jù)分析可知，本文提出的方法不僅對(duì)經(jīng)過(guò)形態(tài)學(xué)處理效果較理想的圖片準(zhǔn)確率高達(dá)100%，而且對(duì)處理效果不是很理想的圖片亦有極高的準(zhǔn)確率。
    盡管由于現(xiàn)場(chǎng)環(huán)境惡劣等原因，采集的圖片質(zhì)量較差，致使棒材計(jì)數(shù)變得困難，但本文提出了一種基于提取連通分量的方法，實(shí)現(xiàn)了目標(biāo)棒材計(jì)數(shù)區(qū)域的準(zhǔn)確定位，使得不必再通過(guò)手工去確定目標(biāo)棒材計(jì)數(shù)區(qū)域，以實(shí)現(xiàn)棒材計(jì)數(shù)真正的自動(dòng)化。本文提出了一種區(qū)域輪廓周長(zhǎng)的校正方法，能很好地實(shí)現(xiàn)粘連棒材的準(zhǔn)確計(jì)數(shù)，測(cè)試結(jié)果說(shuō)明了該方法的有效性、可行性與準(zhǔn)確性，且對(duì)類似場(chǎng)合的粘連計(jì)數(shù)具有一定的通用性。
參考文獻(xiàn)
[1] 0TSU N． A threshold selection method from gray 1evel  histograms[J]. IEEE Transactions on System Man and Cybernetic,1979,9(1);62-66.
[2] SKOURIKHINE A N. Dilated contour extraction and component labeling algorithm for object vector respresentation. Mathematical methods in pattern and image analysis: Proceedings of SPIE,2005,5916:1.
[3] Yan Shiju, Wang Chengtao. Application of a fast connected  components labeling algorithm in processing landmark images[J]. Journal of Shanghai Jiaotong University, 2007,12(3):383-387.
[4] 丁大弓朋,黃歡,羅山. 基于圖像處理技術(shù)的棒材自動(dòng)計(jì)數(shù)方法[J].山西電子技術(shù),2008(3):41-42.
[5] 宋凱,紀(jì)建偉. 鏈碼表和線段表在計(jì)算機(jī)圖像處理中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào), 2007(02):257-259.
[6] 吳元敏. 基于Freeman鏈碼的圖像中多個(gè)區(qū)域面積的計(jì)算方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2008(15):199-201.
[7] 成鵬飛 ,楊帆,言立強(qiáng),等.基于機(jī)器視覺的鋼棒自動(dòng)計(jì)數(shù)系統(tǒng)[J].冶金自動(dòng)化,2008,32(1):22-26.
[8] 鄧凱.針對(duì)鋼筋計(jì)數(shù)系統(tǒng)的圖像處理方法研究[D].南京:東南大學(xué),2006.
[9] 張錚,王艷平,薛桂香.數(shù)字圖像處理與機(jī)器視覺[M].北京：人民郵電出版社,2010.
[10] GONZALEZ R C, WOODS R E, EDDINS S L.數(shù)字圖像處理[M].阮秋琦，譯.北京：電子工業(yè)出版社,2005.