非均勻光照下馬氏瓶刻度圖像的自動識別研究

董婉君　王夏黎　楊澤元

1(長安大學信息工程學院　陜西 西安 710064)2(長安大學環(huán)境科學與工程學院　陜西 西安 710054)3(旱區(qū)地下水文與生態(tài)效應教育部重點實驗室　陜西 西安 710054)4(陜西省地下水與生態(tài)環(huán)境工程研究中心　陜西 西安 710054)

?

非均勻光照下馬氏瓶刻度圖像的自動識別研究

董婉君1王夏黎1楊澤元2,3,4

1(長安大學信息工程學院陜西 西安 710064)2(長安大學環(huán)境科學與工程學院陜西 西安 710054)3(旱區(qū)地下水文與生態(tài)效應教育部重點實驗室陜西 西安 710054)4(陜西省地下水與生態(tài)環(huán)境工程研究中心陜西 西安 710054)

馬氏瓶刻度的自動識別會直接影響到潛水面蒸發(fā)量的觀測與計算效率[1]。針對室內物理實驗光照不均勻情況下的馬氏瓶刻度圖像的識別，首先使用改進的Bernsen算法對圖像進行二值化處理；然后求得二值化圖像的垂直投影曲線，利用Loess(locally weighted scatterplot smoothing) 算法對垂直投影曲線進行平滑處理，求得平滑處理后的各個極值點，計算出相鄰極值點像素值之間的差值，最大差值對應的位置即馬氏瓶液位線；根據(jù)得到的液位線和識別的數(shù)字計算出液位值，即可計算出潛水面的蒸發(fā)量。實驗結果表明，改進的Bernsen算法改善了室內物理實驗中非均勻照射下的馬氏瓶刻度的分割效果。將此方法與可調焦的攝像頭相結合，可實現(xiàn)潛水面蒸發(fā)量觀測的自動化、連續(xù)化和智能化。此方法對類似的刻度識別具有重要的參考價值。

自動識別改進的Bernsen算法非均勻光照馬氏瓶刻度圖像

0　引　言

液位檢測是各個領域需要測量的重要參數(shù)之一。目前使用的檢測方法主要是利用硬件設備[2]和軟件技術。硬件設備主要是自動化檢測儀表技術，隨著電子科技的不斷發(fā)展，儀器的檢測精度也在不斷的改進，但是各種儀器的檢測精度對環(huán)境都較為敏感，且在潛水面蒸發(fā)量觀測實驗中引進此類的硬件設備無疑增加了實驗成本；軟件技術主要是利用圖像處理技術來處理圖像數(shù)據(jù)，獲取液位信息，在實際應用中，由于光源照射不均勻，對后續(xù)的液位線定位和刻度識別帶來困難。傳統(tǒng)的馬氏瓶刻度大多采用人工讀取，這樣必然存在自動化程度低、長期連續(xù)觀測難度大等缺陷。

針對非均勻光照條件下馬氏瓶刻度圖像的液位識別問題，提出了一種基于改進的Bernsen算法的二值化方法，同時采用液位標定算法[3]，實現(xiàn)了馬氏瓶液位的自動識別。實驗表明，改進的Bernsen算法一定程度上消除了光照不均勻對馬氏瓶刻度圖像的干擾，提高了后續(xù)的液位線標定精度和效率。與可調焦攝像頭結合，可實現(xiàn)潛水面蒸發(fā)量及其他類似觀測的自動化、連續(xù)化和智能化。

1　馬氏瓶刻度液位標定方法

馬氏瓶刻度液位識別方法[3]具體步驟如下：

Step1對灰色圖像利用改進的Bernsen算法進行二值化處理；

Step2對二值化圖像進行垂直投影，利用loess對投影曲線進行平滑處理；

Step3求得平滑后曲線的極值點，確定曲線的波峰值和波谷值；

Step4求得相鄰極值點的差值，生成差值序列，求得序列中的最大項，最大項中波峰值所對應的列就是液位所在的位置；

Step5提取與液位線相鄰的數(shù)字，根據(jù)模板匹配法對數(shù)字進行識別，根據(jù)識別的數(shù)字和液位線的位置計算出刻度值。

流程圖如圖1所示。

圖1　液位識別流程圖

2　馬氏瓶刻度圖像二值化

圖像二值化的方法主要分為全局閾值法和局部閾值法[4,5]。全局閾值法的基礎思想是求取最佳門限閾值，此閾值將原圖像分成目標圖像和背景圖像兩部分，當取得最佳閾值時，目標圖像應該與背景圖像差別最大。Otsu(大律法)[6]就是典型的全局閾值法，該方法對外界環(huán)境較為敏感，抗干擾性差，且并未考慮各個像素之間的鄰域信息，在室內實驗中利用可調焦攝像頭下所拍攝的馬氏瓶刻度圖像存在光照不均勻的影響，因此無法利用全局閾值分割方法。而Bernsen算法[6]等的局部閾值算法對光照均勻和不均勻的圖像都具有很好的二值化效果，因此本文采用自適應的Bernsen算法。

2.1傳統(tǒng)的Bernsen算法

局部閾值法根據(jù)像素的空間變化來確定二值化的閾值。Bernsen算法是局部閾值方法的一種，傳統(tǒng)的Bernsen算法思想是：設h(x, y)是點(x, y)的灰度值，灰度圖像的像素中心是(x, y)，以該點為中心的(2w+1)×(2w+1)窗口內的所有像素的最大值為max，最小值為min，w是局部閾值的運算窗口，圖像中各個像素點的閾值T(x, y)為：

(1)

得到灰度圖像的閾值后，逐點將中心點的像素值h(x, y)與計算得到的最終閾值T(x, y)進行比較，如果中心點的像素值較大，則閾值為255，即為目標像素；如果中心點的像素值較小，則該點的閾值為0，即為背景像素。

(2)

Bernsen算法通過對圖像進行分塊處理，計算局部窗口中像素的最大值和最小值得到每個像素的閾值。在窗口內灰度差別很小的情況下也會進行二值化處理，然而這種強制處理使得在細節(jié)上過于敏感，所以不可避免地出現(xiàn)噪聲點，而且容易產生偽影現(xiàn)象，這也是局部閾值法的普遍缺陷。

2.2改進的Bernsen算法

針對傳統(tǒng)Bernsen算法存在的上述問題，采用改進的Bernsen算法來實現(xiàn)圖像二值化。改進算法是對原始的馬氏瓶刻度圖像和經過高斯濾波處理后的馬氏瓶刻度圖像分別利用原始的Bernsen算法進行處理，求得原圖的閾值為TH(x,y)，高斯濾波后的閾值為TI(x,y)。求得兩種閾值后通過選擇合適的參數(shù)α，根據(jù)兩種閾值的線性組合關系來確定最終的閾值T(x,y)。該線性組合可通過改變參數(shù)α的值來確定最終閾值。改進的Bernsen算法運算量相對較小，而且有效地解決了非均勻光照對馬氏瓶刻度圖像的影響，其具體步驟如下：

Step1對原始的馬氏瓶刻度圖像h(x, y)進行高斯濾波，得到濾波后的圖像I(x, y)，經過高斯濾波處理后的原始圖像更加平滑，且能夠有效去除噪聲。

Step2利用原始的Bernsen算法求得馬氏瓶刻度原圖像h(x, y)的閾值，即：

(3)

利用原始的Bernsen算法求得經過高斯濾波處理后的馬氏瓶刻度圖像I(x, y)的閾值，即：

(4)

式中：w是局部閾值運算窗口，其取值根據(jù)多次實驗結果來設置，本文取w=3。

Step3通過對閾值的平滑處理可消去Bernsen算法產生的偽影現(xiàn)象，對馬氏瓶刻度原圖像的平滑，即：

(5)

對經過高斯濾波后的馬氏瓶刻度圖像的平滑，即：

(6)

Step4改進算法充分結合高斯濾波和原始的Bernsen算法的優(yōu)點和性能，最終各點的二值化閾值由TI(x,y)和TH(x,y)的線性組合關系來確定，即：

當TH(x,y)=0時，若TI(x,y)=0，則T(x,y)=0；若TI(x,y)≠0，則T(x,y)=α·TI(x,y)。

當TH(x,y)≠0時，若TI(x,y)=0，則T(x,y)=(1-α)·TH(x,y)；若TI(x,y)≠0，則最終的閾值為二者的線性組合，即：

T(x,y)=(1-α)·TH(x,y)+α·TI(x,y)

(7)

其中，α取值為0到1范圍內，由實驗得到，α取值為0.8。

Step5逐點將中心點的像素值h(x,y)與計算得到的最終閾值T(x,y)進行比較，如果中心點的像素值較大，則閾值為255，即為目標像素；如果中心點的像素值較小，則該點的閾值為0，即為背景像素。

(8)

圖2給出了改進的Bernsen算法與其他二值化方法的效果比較。

圖2　改進的Bernsen算法與其他算法效果對比

可以看出Otsu算法將目標圖像和背景較好地分割，但是并沒有很好地分割出各個刻度線，Bernsen算法可以識別出馬氏瓶刻度線，但是由于光照不均勻的影響，在液位線的分割處出現(xiàn)干擾，采用的改進的Bernsen算法二值化后的圖像有效地去除了非均勻光照的干擾，清楚地分割出液位線和各個刻度線。該算法能夠在保留Bernsen算法優(yōu)勢的同時，彌補其缺陷，方便后續(xù)刻度識別的實現(xiàn)。

3　垂直投影和loess平滑處理

馬氏瓶刻度圖像液位識別方法的核心在于根據(jù)垂直投影曲線的特點分析得到液位線。由二值圖像可知，二值化圖像由黑白交替的點組成，各點的像素值為0或者1，馬氏瓶液位線所在的大部分列在垂直方向上像素的總和值相對較大，而一般的刻度線所在的列在垂直方向上像素的總和值相對較小，因此垂直投影曲線圖會產生波峰波谷之間的變化，急劇變化的點所對應的圖像的列值，即是馬氏瓶液位所在的位置。

3.1垂直投影

垂直投影法是統(tǒng)計二值圖像垂直方向上每列的像素和的分布特征，即每列圖像數(shù)據(jù)中非0像素值的個數(shù)，設圖像f(x, y)大小為m×n，F(xiàn)(u)為長方形區(qū)域[1,m]×[1,n]的垂直投影，即：

(9)

垂直投影曲線如圖所示，隨著二值圖像橫坐標的增加，每列的像素值會發(fā)生變化，一般刻度之間的垂直投影曲線不會產生較大的突變，而刻度線到液位線的垂直投影的曲線會產生較大突變，突變點就是馬氏瓶液位線所在的列值。垂直投影圖如圖3所示，其中橫坐標為二值化圖像的橫坐標，縱坐標為每列的像素值的總和。

圖3　垂直投影曲線圖

圖中的毛刺較多，無疑加大了液位識別的難度，因此使用loess平滑算法對其濾波，對圖像數(shù)據(jù)進行處理，使曲線變得平滑，處理之后的圖像有利于突變點的識別。

3.2平滑處理

本實驗使用局部加權回歸散點平滑法(Loess)[7,8]，Loess是一種穩(wěn)健的非參數(shù)回歸方法。Loess算法首先擬合局部觀測數(shù)據(jù)，再估計擬合結果。假設計算垂直投影曲線中某一點(xi， yi)的Loess平滑值，其步驟如下：

Step1根據(jù)中心xi決定加權線性回歸的區(qū)間寬度：

q=f·n

(10)

式中：q是參加局部回歸的觀察值的個數(shù)；f是參加局部回歸的觀察值的個數(shù)占觀察值個數(shù)的比例；n是觀察值的個數(shù)。不同的f值有不同的結果，增大f值，會增加平滑程度，通過實驗對比，f取值為0.35。

Step2對于單變量樣值(xi，yi)建立如下模型。

yi=αi0+ αi1xi+ … + αidxid+ βii = 1,2,…,n

(11)

式中：αi0，αi1，…，αid是相對xi的未知參數(shù)；βi，i=1,2,…,n是隨機誤差項；d是人為給定的值。

Step3計算xi周圍的所有點xj到它的距離，即：

Δij(x)=|xi-xj|

(12)

設Δq(x)為Δij(x)(j=1,2,…,n)中第q小的值。

Step4給定一個權函數(shù)T(u)，任一點(xi，yi)的權數(shù)是xi處權數(shù)函數(shù)曲線的高度。權函數(shù)有以下特點：

(1) T(u)>0，對|x|<1；

(2) T(-u)= T(u)；

(3) T(u)=0，對|x|≥1。

平滑處理一般采用立方加權函數(shù)，即：

(13)

Step5對每一個點xi，在窗口內所有的xj，j=1,2,…,n計算權重，即：

(14)

Step6參數(shù)αik(i=1,2,…,n;k=1,2,…,d)的值由以下準則給出，即：

(15)

其中：i=1,2,…,n。

Step7從而得到y(tǒng)i的擬合值，即：

(16)

圖4　loess平滑后的曲線

4　馬氏瓶液位標定

對垂直投影曲線求取二階導數(shù)，根據(jù)函數(shù)極值判定原理標記出曲線對應的波峰值和波谷值，如圖5所示，其中橫坐標為二值化圖像的橫坐標，縱坐標為每列的像素值的總和值經過Loess處理后的數(shù)值。

圖5　波峰波谷標注圖

波谷值序列為{f(i1), f(i2),…,f(imax)}，波峰值序列為{f(j1), f(j2),…,f(jmax)}，計算相鄰的波峰值與波谷值的差值，即{ f(j1)-f(i1), f(j2)-f(i2),…, f(jmax)-f(imax)}，所有差值形成一行的數(shù)組，求得差值數(shù)組中的最大值，最大差值即為刻度線和液位線的過度點，該點即是平滑后的垂直投影曲線產生急劇變化的位置，該位置處所對應的波峰值的橫坐標即馬氏瓶液位的位置[3,9]。

5　馬氏瓶刻度液位值的計算

根據(jù)以上得到的馬氏瓶液位線的位置，找到和液位線相鄰的左右刻度進行識別，根據(jù)所識別出的數(shù)字和馬氏瓶液位線的位置得到液位線的準確數(shù)值。得到相鄰數(shù)字的思想是：以馬氏瓶液位線為中心對二值化圖像進行垂直方向上的投影，如此液位線的像素值之和是最大的。找到液位線左右兩邊次大的像素值之和應為相鄰數(shù)字的位置，最大像素值到左右兩側次大像素值之間間隔為0的數(shù)組序列，對數(shù)組序列進行處理，計算兩側間隔為0的個數(shù)分別為p、q，比較p和q的大小，取較小的一側進行數(shù)字提取和識別。

5.1數(shù)字提取和識別

液位線距離左側的次大像素值間隔較小，因此對液位線的左側進行數(shù)字提取和識別，如圖6所示。

圖6　距離液位線間隔較小的數(shù)字圖片

對分割后的圖像分別進行水平方向和垂直方向上的投影，將分割的字符提取出來，最后匹配字符與模板，提取出的數(shù)值如圖7所示。

圖7　提取出的數(shù)字

模板匹配的思想[9]為：設待匹配圖像S為方形區(qū)域，邊長為N，模板圖T也是方形區(qū)域，邊長為M。設模板T疊放在待匹配圖像S上平移，模板覆蓋下的部分叫作子圖Si,j，(i, j)為子圖Si,j在搜索圖S中的坐標，取值為：1

匹配過程如下：假設模板T從待匹配圖像S的左下角開始逐點遍歷圖像，比較兩者的內容，如果一致，則差值為零，可以用以下公式來衡量T和Si,j的相似程度，即：

(17)

展開后為：

(18)

式中第三項指模板的總能量，第一項是子圖能量，隨(i,j)而改變，T和Si,j匹配時這一項的取值最大，相似性測度如下：

(19)

R(i,j)越大，模板T和子圖S就越相似，使得R(i,j)取得最大值的位置即為最佳匹配位置，(i, j)即是要搜索的匹配點。

5.2液位值計算

識別出數(shù)字后，計算數(shù)字與液位線中間的刻度數(shù)，馬氏瓶刻度的一個刻度值為0.1，數(shù)字與液位線之間的刻度值在垂直方向上的投影為一組間隔為0的數(shù)組序列，即{f(x1),0, f(x2),0,…,f(xn),0}，經過處理得到數(shù)組序列中為0的間隔個數(shù)p，即是中間間隔的刻度個數(shù)，以下公式求得刻度值：

若識別數(shù)字m、n在液位線右方，液位H為：

H=10×m+n+0.1×p

(20)

若識別數(shù)字m、n在液位線左方，液位H為：

H=10×m+n-0.1×p

(21)

馬氏瓶刻度的最終識別結果如圖8所示。

圖8　液位的最終識別結果

改進的二值化方法也適應于數(shù)字模糊以及傾斜的馬氏瓶刻度圖像的液位檢測，如圖9、圖10所示。

圖9　模糊圖像的液位識別

圖10　傾斜圖像的液位識別

表1是對某一時段馬氏瓶刻度的人工識別的液位值與本算法得到的液位值的對比。

表1　圖像識別和人工識別值對比(單位：cm)

續(xù)表1

實驗對30幅圖像進行識別，其中28幅與人工識別液位線相同，對比可以得出與人工識別的誤差在±0.1 cm范圍內，圖像識別結果精度能夠達到實驗要求。

6　結　語

本文針對室內物理模擬實驗中利用可調焦攝像頭獲取的馬氏瓶刻度圖像的水位線的識別問題，采用了一種基于圖像分析的刻度識別算法，該識別算法在正常的白熾燈照射下得到了較好的識別效果。由于采集到的圖像光照不均勻，二值化效果不佳，使得液位識別誤差較大，本文以傳統(tǒng)Bernsen算法能解決一些非均勻光照問題，結合利用高斯濾波對Bernsen算法加以改進，改進的二值化算法有效地消除了光照不均勻對圖像的干擾，彌補了傳統(tǒng)Bernsen算法產生偽影的不足。該改進算法較其他常用的去除圖像陰影的算法更為簡單，圖像預處理的效果為后續(xù)液位識別提供了很大便利。液位識別方法計算出平滑曲線的每一對相鄰波峰值與波谷值的差值序列，序列的最大項即為液位線的列值，根據(jù)液位值找到相鄰的數(shù)字，對數(shù)字進行識別，并計算出液位值的準確刻度。該識別方法有較高的精度，誤差較小，滿足了室內物理實驗的需求。將本方法與可調焦攝像頭結合，可實現(xiàn)室內物理實驗中潛水面蒸發(fā)量或類似觀測的自動化、連續(xù)化和智能化。下一步將實現(xiàn)對馬氏瓶刻度的實時自動化識別問題。

[1] 景少波,王成福,許驥.一種基于馬氏瓶的點源入滲濕潤鋒測試裝置:中國,CN203365275U[P].2013-12-25.

[2] 陳金麗,張帆,張顯.基于卡爾曼濾波的液位檢測與跟蹤[J].計算機仿真,2009,26(9):317-320.

[3] 張占強,朝樂門,孟克其勞.基于圖像分析的牛奶液位標定算法研究[J].中國農機化學報,2014,35(1):224-228.

[4] Ying Wen,Yue Lu.An algorithm for license plate recognition applied to in telligent transportation system[J].IEEE Transactions on Intelligent Transportation Systems,2011,12(3):830-845.

[5] 陳強,朱立新.結合Canny算子的圖像二值化[J].計算機輔助設計與圖形學學報,2005,17(6):1302-1306.

[6] Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9(1):62-66.

[7] 張穎.統(tǒng)計學中回歸分析及相關內容的教改思考:兼介紹LOESS回歸[J].統(tǒng)計與信息論壇,2000(2):35-37.

[8] 于卓熙.帶有誤差變量的自回歸模型的回歸函數(shù)的局部多項式估計[D].吉林:吉林大學,2006.

[9] 張忠安.基于模板匹配算法的識別系統(tǒng)[J].數(shù)字技術與應用,2013(6):134,136.

[10] 劉治峰.基于圖像的水位自動檢測研究[J].南京:南京理工大學研究生院,2004(10):34-38.

[11] Valentin Bataelj,Jovan Bojkovski,Janko Drnovsek,et al.Automation of Reading Liquid-in-Glass Thermometers[J].IEEE Transactions on Instrumentation and Measurement,2001,50(6):1594-1598.

[12] 王飛.牛奶液位的刻度識別[D].內蒙古:內蒙古師范大學,2012.

STUDY ON AUTOMATIC IDENTIFICATION OF THE SCALE IMAGE OF THE MARRIOTTE’S BOTTLE UNDER UNEVEN ILLUMINATION

Dong Wanjun1Wang Xiali1Yang Zeyuan2,3,4

1(SchoolofInformationEngineering,Chang’anUniversity,Xi’an710064,Shaanxi,China)2(SchoolofEnvironmentalScienceandEngineering,Chang’anUniversity,Xi’an710054,Shaanxi,China)3(KeyLaboratoryofSubsurfaceHydrologyandEcologicalEffectinAridRegionsofMinistryofEducation,Xi’an710054,Shaanxi,China)4(EngineeringResearchCenterofGroundwaterandEco-EnvironmentofShaanxiProvince,Xi’an710054,Shaanxi,China)

The automatic identification of the Marriotte’s bottle scale has direct influence on the observation and the computational efficiency of water table evaporation. To deal with the problem of identifying Marriotte’s bottle scale image in the condition of indoor experiments’ uneven illumination, the first step is to use the improved Bernsen algorithm to let image binarized to get the vertical projection curve of the binary image and then smooth it by using the Locally Weighted Scatterplot Smoothing (Loess) algorithm to calculate the difference between the pixel value of the adjacent extreme points which were got after smooth processing, and the position of the maximal difference is the liquid level line of the Marriotte’s bottle. According to the liquid level line and the recognized numeral, the liquid level value and the water table evaporation can be calculated. Experimental results show that the improved Bernsen algorithm improves the result of segmentation of the Marriotte’s bottle scale in the condition of indoor experiments’ uneven illumination. What’s more, with the combination of this method and manual-focus or auto-focus camera, it is possible to implement the automation, serialization and intelligence of the observation of water table evaporation. This method is an important reference to similar scale recognition.

Automatic identificationImproved Bernsen algorithmUneven illuminationMarriotte’s bottle scale images

2015-07-20。國家自然科學基金項目(41272247)；教育部留學回國人員科研啟動基金項目(2013C0290418)；中央高校基本科研業(yè)務費項目(2013G1502031，2014G2290018)。董婉君，碩士生，主研領域：圖像處理。王夏黎，副教授。楊澤元，副教授。

TP391.41

A

10.3969/j.issn.1000-386x.2016.10.044