基于圖像增強(qiáng)與邊緣檢測的弱特征目標(biāo)輪廓檢測算法*

吳　鵑

(西安職業(yè)技術(shù)學(xué)院　西安　710077)

?

基于圖像增強(qiáng)與邊緣檢測的弱特征目標(biāo)輪廓檢測算法*

吳鵑

(西安職業(yè)技術(shù)學(xué)院西安710077)

為了解決當(dāng)前目標(biāo)輪廓檢測算法在邊緣特征微弱、背景復(fù)雜環(huán)境下的輪廓提取精度較低的不足,設(shè)計(jì)了基于圖像增強(qiáng)與邊緣檢測的目標(biāo)輪廓檢測算法。首先,基于拉普拉斯離散公式與二維傅里葉變換公式,構(gòu)造了聯(lián)合圖像增強(qiáng)算子;然后,基于二階導(dǎo)數(shù)梯度特征,設(shè)計(jì)了目標(biāo)邊緣檢測算子,實(shí)現(xiàn)對(duì)目標(biāo)周長、面積等參數(shù)的測量。實(shí)驗(yàn)數(shù)據(jù)顯示：與當(dāng)前目標(biāo)輪廓提取算法相比,面對(duì)不利于測量工作的惡劣環(huán)境時(shí),所提算法具有更高的提取精度與穩(wěn)定性。

目標(biāo)輪廓檢測; 圖像增強(qiáng); 邊緣檢測; 拉普拉斯; 傅里葉變換; 梯度特征

Class NumberTP391

1　引言

隨著企業(yè)競爭日益激烈,將科技應(yīng)用于生產(chǎn)制造,從而降低生產(chǎn)成本、提高產(chǎn)品質(zhì)量、加快生產(chǎn)效率,這已經(jīng)是每個(gè)企業(yè)爭奪的制高點(diǎn)。尤其是隨著“工業(yè)4.0”、“中國制造2025”等概念和遠(yuǎn)景的深化落實(shí),將制造工業(yè)推向智能化、科技化、無人化[1～2]。目標(biāo)制造屬鋼鐵產(chǎn)業(yè)核心分支之一,而鋼鐵產(chǎn)業(yè)關(guān)乎國計(jì)民生,可見目標(biāo)制造智能化的必要性,其中的目標(biāo)輪廓檢測是關(guān)鍵工序,決定了目標(biāo)質(zhì)量、成本[3～4]。雖然已經(jīng)有相關(guān)技術(shù)設(shè)備取代人力,對(duì)目標(biāo)參數(shù)進(jìn)行測量,但是,當(dāng)目標(biāo)特征微弱、背景復(fù)雜時(shí),測量精度大大降低,影響設(shè)備對(duì)產(chǎn)品質(zhì)量與成本的控制。

對(duì)此,國內(nèi)研究人員已經(jīng)將圖像處理與計(jì)算機(jī)視覺技術(shù)引入到目標(biāo)輪廓檢測中,并取得了一定成果,如秦國華[5]提出了目標(biāo)磨損自動(dòng)檢測系統(tǒng),根據(jù)Otsu法和B-樣條曲線擬合法,建立了自動(dòng)確定上限閾值與下限閾值的算法,準(zhǔn)確地增強(qiáng)了磨損區(qū)與背景區(qū)、未磨損區(qū)之間的灰度對(duì)比度,通過分析目標(biāo)磨損圖像的穩(wěn)定區(qū)和磨損邊緣的非穩(wěn)定區(qū),提出了邊界提取的局部方差閾值算法,給出了自適應(yīng)的局部方差閾值,清晰地將目標(biāo)磨損區(qū)從圖像中分割出來,并利用形態(tài)學(xué)描述方法對(duì)分割部分進(jìn)行孔洞填充與邊界完整化,從而直接計(jì)算出磨損區(qū)域的幾何參數(shù)尺寸,最后達(dá)到輪廓檢測的目的。然而,該技術(shù)是依靠目標(biāo)與背景顯著的灰度差,在目標(biāo)背景復(fù)雜且邊緣不明的情況下,往往不能區(qū)分目標(biāo)與背景,導(dǎo)致輪廓檢測失誤。如吳飛祥[6]利用多線程同步機(jī)制實(shí)現(xiàn)圖像采集和圖像處理的并行執(zhí)行,設(shè)計(jì)了具有細(xì)節(jié)保護(hù)特性的混合濾波器,在有效去除混合噪聲的同時(shí)也很好地保護(hù)了圖像的細(xì)節(jié),然后采用了迭代閾值算法對(duì)圖像進(jìn)行了有效的分割,獲得二值圖像,最后使用圖像形態(tài)學(xué)的腐蝕算法實(shí)現(xiàn)了工件輪廓的提取。但是,此技術(shù)依靠輪廓特征點(diǎn)的清晰程度,在特征點(diǎn)微弱時(shí),往往影響了輪廓提取,導(dǎo)致輪廓檢測失誤。

對(duì)此,本文以弱特征工件為目標(biāo),先基于拉普拉斯與傅里葉的增強(qiáng)算子,完成目標(biāo)圖像增強(qiáng)。然后通過梯度特征,建立邊緣檢測算子,完成對(duì)目標(biāo)周長、面積參數(shù)的測量。最后,測試了本文目標(biāo)輪廓提取算法的精度與穩(wěn)定性。

2　本文目標(biāo)輪廓檢測算法

本目標(biāo)輪廓檢測算法見圖1。首先,通過工業(yè)相機(jī)對(duì)目標(biāo)進(jìn)行圖像采集。然后用拉普拉斯圖像微分與傅里葉變換相結(jié)合的方式,對(duì)圖像進(jìn)行增強(qiáng)去噪處理。最后計(jì)算圖像梯度,對(duì)梯度差較大的地方,進(jìn)行邊緣檢測,從而確定目標(biāo)輪廓邊緣,計(jì)算出面積與周長。

圖1　本文機(jī)制架構(gòu)

如圖2所示,可見目標(biāo)邊緣特征微弱,背景復(fù)雜不明,如果采用傳統(tǒng)技術(shù),不對(duì)圖像進(jìn)行有效的增強(qiáng)處理,輪廓檢測有一定的困難。

圖2　邊緣特征微弱的目標(biāo)圖

3　基于拉普拉斯與傅里葉的聯(lián)合增強(qiáng)

由于目標(biāo)原始圖像邊緣特征微弱,普通的基于輪廓邊緣的檢測算法很難精確鎖定目標(biāo)邊緣,故本文設(shè)計(jì)了基于拉普拉斯圖像微分與傅里葉變換的圖像增強(qiáng)算子。由于拉普拉斯是一種微分算子,它的應(yīng)用強(qiáng)調(diào)圖像中灰度的突變的區(qū)域,將產(chǎn)生一副把圖像中淺灰色邊線和突變點(diǎn)疊加到暗背景中的圖像,即拉普拉斯圖像與原始圖像的疊加,即達(dá)到了銳化邊緣的效果,又能復(fù)原背景信息[7]。首先,圖像函數(shù)的拉普拉斯變換定義為

(1)

其中L(x,y)為拉普拉斯圖像,f為圖像函數(shù),其中的圖像在x,y上的二階偏微分定義如下：

(2)

(3)

將式(2)、(3)代入式(1)得：

L(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)

+f(x,y-1)-4f(x,y)

(4)

本文采用空域增強(qiáng)與頻域增強(qiáng)相耦合的方式,即在拉普拉斯圖像微分上,再加入傅里葉變換,保證增強(qiáng)的前提下,沒有噪聲的增加[8～9]：

(5)

式中f為圖像函數(shù),F為傅里葉變換后圖像函數(shù),M、N為圖像長寬,傅里葉反變換如下所示：

(6)

采用本文的耦合傅里葉變換與拉普拉斯增強(qiáng)算子對(duì)圖2進(jìn)行處理,得圖3,可見目標(biāo)特征增強(qiáng)后邊緣清晰,為邊緣檢測做好了數(shù)據(jù)準(zhǔn)備。

圖3　增強(qiáng)效果圖

增強(qiáng)算法部分關(guān)鍵代碼：

LPBYTE lpSrc;

long i,j;

int gray[256];

BYTE pixel;

LPBYTE lpDIBBits=m_pDib->GetData();

LONG lWidth=m_pDib->GetWidth();

LONG lHeight=m_pDib->GetHeight();

memset(gray,0,sizeof(gray));

for(j = 0; j

for(i = 0;i

lpSrc = (LPBYTE)lpDIBBits + lWidth * j + i;

pixel = (BYTE)*lpSrc;

gray[pixel]++;}}

for(i=0;i<256;i++){

probability[i] = gray[i] / (lHeight * lWidth *1.0f);}

LPBYTE lpDIBBits=m_pDib->GetData();

LONG lWidth=m_pDib->GetWidth();

LONG lHeight=m_pDib->GetHeight();

hNewDIBBits = LocalAlloc(LHND,lWidth * lHeight);

if (hNewDIBBits == NULL){return FALSE;}

lpNewDIBBits = (LPBYTE )LocalLock(hNewDIBBits);

lpDst = (LPBYTE)lpNewDIBBits;

memset(lpDst,(BYTE)0,lWidth * lHeight);

memset(temp,0,sizeof(temp));

Histogram_Statistic(fPro);

4　基于梯度特征的邊緣檢測

完成道具圖像增強(qiáng)后,需提取目標(biāo)輪廓,本文采用基于梯度特征邊緣檢測算子,對(duì)圖像中梯度差明顯的地方進(jìn)行探測,經(jīng)過上節(jié)圖像增強(qiáng)的目標(biāo)邊緣與背景梯度差較大。梯度的方向與大小計(jì)算公式如下所示：

(7)

(8)

式中,d為梯度向量,v為梯度大小。

可見,圖像梯度[10～11]是依賴于每個(gè)像素X,Y方向的偏導(dǎo)數(shù)。另外還有一個(gè)重要參數(shù)是梯度方向：

(9)

a為梯度向量,得到梯度大小、方向夾角局部最大值時(shí),即為邊緣處,在對(duì)應(yīng)位置置255,否則視為背景,灰度置為0,以此邊緣檢測算子處理圖3,得圖4,得到邊緣輪廓圖,可見,準(zhǔn)確得到了目標(biāo)輪廓。

為了進(jìn)一步確認(rèn),將該輪廓檢測結(jié)果標(biāo)注在原圖上,如圖5所示,證明本文邊緣檢測算子精確地檢測到目標(biāo)邊緣。最后以此邊緣輪廓,計(jì)算目標(biāo)面積與周長,完成輪廓檢測。周長如下所示：

(10)

式中z為周長,L為目標(biāo)邊緣函數(shù),累積計(jì)算邊緣上像素點(diǎn)總數(shù),即為周長z。

(11)

式中s為面積,A為目標(biāo)邊緣內(nèi)函數(shù),累積計(jì)算邊緣內(nèi)像素點(diǎn)總數(shù),即為面積s。

圖4　邊緣輪廓圖

圖5　邊緣檢測圖

邊緣檢測部分關(guān)鍵代碼：

LPBYTElpSrc;

LPBYTElpDst;

LPBYTElpNewDIBBits;

HLOCALhNewDIBBits;

long i,j;

BYTE pixel;

float fPro[256];

float temp[256];

int nMap[256];

LPBYTE lpDIBBits=m_pDib->GetData();

LONG lWidth=m_pDib->GetWidth();

LONG lHeight=m_pDib->GetHeight();

hNewDIBBits = LocalAlloc(LHND,lWidth * lHeight);

if (hNewDIBBits == NULL){return FALSE;}

lpNewDIBBits = (LPBYTE )LocalLock(hNewDIBBits);

lpDst = (LPBYTE)lpNewDIBBits;

memset(lpDst,(BYTE)0,lWidth * lHeight);

Histogram_Statistic(fPro);

for (i = 0; i < 256; i++){

if (i == 0){temp[0] = fPro[0];}

else{

temp[i] = temp[i-1] + fPro[i];}

fPro[i] = temp[i];}

for (i = 0; i < bGray; i++){

if (i == 0){

temp[0] = fpPro[0];}else{

temp[i] = temp[i-1] + fpPro[i];}

fpPro[i] = temp[i];}

for (i = 0; i < 256; i++){

int m = 0;

float min_value = 1.0f;

5　實(shí)驗(yàn)與討論

待處理圖像如圖6所示,包含帶有目標(biāo)的圖像。為了體現(xiàn)本文算法的優(yōu)勢,將當(dāng)前目標(biāo)輪廓檢測性能較好的技術(shù)-文獻(xiàn)[5]設(shè)為對(duì)照組。本文設(shè)計(jì)了基于拉普拉斯與傅里葉的增強(qiáng)算子,增強(qiáng)效果如圖7所示,可見目標(biāo)邊緣特征增強(qiáng),與背景形成較大的梯度差;在此基礎(chǔ)上,提取梯度特征,對(duì)增強(qiáng)后的圖像進(jìn)行邊緣檢測,提取目標(biāo)輪廓,如圖8所示,可見邊緣準(zhǔn)確提取,再在原圖上進(jìn)行標(biāo)注,如圖9所示。

文獻(xiàn)[5]的方法對(duì)圖6進(jìn)行高通均值濾波處理,依賴局部像素極大值的差異性,在目標(biāo)邊緣特征微弱,圖像背景復(fù)雜不明的情況下,往往增強(qiáng)效果不佳,如圖10所示。對(duì)照組邊緣探測技術(shù)依賴邊緣清晰程度,在圖10增強(qiáng)不佳的基礎(chǔ)上,往往出現(xiàn)檢測失誤、不充分的情況,如圖12所示,可見面積、周長特征在此基礎(chǔ)上的測量都是錯(cuò)誤的。

圖6　待檢測目標(biāo)原

圖7　本文算法的增強(qiáng)效果

圖8　輪廓線圖像

圖9　邊緣檢測圖像

圖10　文獻(xiàn)[5]的增強(qiáng)效果

圖11　文獻(xiàn)[5]的輪廓線提取結(jié)果

圖12　文獻(xiàn)[5]的定位圖像

6　結(jié)語

為了解決目標(biāo)邊緣特征微弱,背景復(fù)雜不明環(huán)境下測量失誤或不充分的問題,本文設(shè)計(jì)了基于圖像增強(qiáng)與邊緣檢測的目標(biāo)輪廓檢測算法,實(shí)現(xiàn)對(duì)目標(biāo)圖像的邊緣增強(qiáng)、輪廓提取、邊緣檢測、輪廓檢測。實(shí)驗(yàn)結(jié)果表明：與當(dāng)前目標(biāo)輪廓檢測技術(shù)相比,在面對(duì)現(xiàn)場環(huán)境惡劣下導(dǎo)致的測量誤差時(shí),本文方法具有更好的精度和魯棒性,為目標(biāo)高質(zhì)制造提供了技術(shù)保障。

[1] 付增良,秦永明,張江.基于變分水平集的目標(biāo)輪廓分割方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(7):2512-2516.

FU Zengliang,QIN Yongming,Zhang Jiang. Object contour segmentation method based on variational level set[J]. Computer Computer and Design,2013,34(7):2512-2516.

[2] Kuiying Yin,Lin Jin,Changchun Zhang. A method for automatic target recognition using shadow contour of SAR image[J]. IETE Technical Review,2013,30(4):313-323.

[3] Tony Boutros,Ming Liang. Detection and diagnosis of bearing and cutting tool faults using hidden Markov models[J]. Mechanical Systems and Signal Processing,2011,25 (6):2102-2124.

[4] Chen Zhang,Jilin Zhang. On-line tool wear measurement for ball-end milling cutter based on machine vision[J]. Computers in Industry,2013,33(10):1186-1192.

[5] 秦國華.目標(biāo)磨損的自動(dòng)檢測及檢測系統(tǒng)[J].光學(xué)精密工程,2014,11(17):246 -249.

QING Guohua. Automatic detection and detection system for target wear[J]. 2014,11(17):246 -249.

[6] 吳飛祥,盧道華,王佳.卷板加工特征快速提取的應(yīng)用研究[J].機(jī)械設(shè)計(jì)與制造,2008,12(5):138-140

WU Feixiang,LU Daohua,WANG Jia. Application of fast feature extraction in roll processing[J]. Machinery Design & Manufacture,2008,12(5):138-140.

[7] Ja-Rin Park,Hyeong-Bin Cheong. Spectral analysis method for a limited area using the eigenmodes of the spherical Laplacian operator[J]. Asia-Pacific Journal of Atmospheric Sciences,2013,49(5):665-674.

[8] M.I. Epov,E.P. Shurina,E.P. Shtabel. Three-dimensional modeling of pulsed soundings using a fast Fourier transform[J]. Russian Geology and Geophysics,2016,57(2):329-336.

[9] Xiaoxu Lu,Liyun Zhong,Hongzhan Liu. Causes of the reconstructed cross appearing in lensless Fourier transform digital holography[J]. Optik - International Journal for Light and Electron Optics,2010,121(19):1777-1780.

[10] Joon Hong Park,Hyun Wook Park. Fast view interpolation of stereo images using image gradient and disparity triangulation[J]. Signal Processing: Image Communication,2003,18(5):401-416.

[11] 楊建國.基于機(jī)器視覺的目標(biāo)磨損檢測技術(shù)[J].東華大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,23(2)：271-276.

YANG Jianguo. Object wear detection technology based on machine vision[J]. Journal of Donghua University (NATURAL SCIENCE EDITION),2014,23(2)：271-276.

Target Contour Measurement Algorithm Based on Image Enhancement and Edge Detection

WU Juan

(Xi’an Vocational and Technical College, Xi’an710077)

In order to solve the deficiency of low contour extraction accuracy in weak edge character, complex background environment, this paper designes algorithm for measuring the parameters of tool based on image enhancement and edge detection. First, based on the Laplace discrete formula and two-dimensional Fourier transform formula,the coupling of the two image enhancement operator is constructed. Then, is based on the characteristics of the second derivative gradient, tool edge detection operator is designed for the cutting tool parameters such as perimeter,area measurement. Experimental data shows that compared with the current tool parameters measurement technology,in the face of unfavorable to measurement of bad environment,this algorithm has higher measurement accuracy and stability.

target contour detection, image enhancement, edge detection, Laplasse, Fourier transform, gradient feature

2016年4月4日,

2016年5月27日

吳鵑,女,碩士,講師,研究方向：圖像處理、計(jì)算機(jī)應(yīng)用。

TP391

10.3969/j.issn.1672-9722.2016.10.041