基于計算機(jī)視覺的原木材積檢測方法研究

華蓓,曹圃,黃汝維

（廣西大學(xué)計算機(jī)與電子信息學(xué)院,廣西 南寧 530004）

我國是世界上最大的木材貿(mào)易國,年商品木材貿(mào)易量達(dá)到1.6億m3.原木交易中一項重要的操作是對原木材積的檢量.但是傳統(tǒng)的人工檢量方法,效率低下且?guī)聿槐匾娜斯こ杀?將計算機(jī)視覺技術(shù)運用于原木材積檢測當(dāng)中,對提高原木材積檢測效率、降低檢測成本以及推動傳統(tǒng)行業(yè)向現(xiàn)代化轉(zhuǎn)型具有重要意義.

基于計算機(jī)視覺的材積檢測技術(shù)通過計算機(jī)對原木端面圖像進(jìn)行處理、分析、識別與計算,獲取所需要的原木檢尺徑或材積數(shù)據(jù).文獻(xiàn)[1]提出采用聚類分析和模糊識別的方法,將原木端面圖像的邊緣信息以及灰度特征逐層分類,對端面類圓形進(jìn)行模式匹配；文獻(xiàn)[2]提出了最小二乘法橢圓擬合的方案,解決了原木端面的處理及徑級的識別問題；文獻(xiàn)[3]運用分水嶺分割算法結(jié)合加權(quán)閾值,設(shè)計原木圖像類圓分割算法；文獻(xiàn)[4]利用雙目立體視覺技術(shù)研究成堆原木野外尺徑測量方法;文獻(xiàn)[5]利用圖像拼接技術(shù)獲取原木圖像,基于改進(jìn)Canny邊緣檢測算法和隨機(jī)Hough變換算法實現(xiàn)了一個原木材積測量系統(tǒng)；文獻(xiàn)[6]設(shè)計并開發(fā)了結(jié)合深度學(xué)習(xí)與Hough變換的等長原木材積檢測系統(tǒng).

本文綜合使用并優(yōu)化了包括灰度變換、二值化、孔洞填充以及邊緣檢測在內(nèi)的多種圖像處理算法,基于圖像處理結(jié)果,對原木雙側(cè)端面圖像進(jìn)行Hough變換圓檢測,并最終將獲取的原木檢尺徑數(shù)據(jù)用于原木材積計算.

1 算法設(shè)計

在原木交易中,使用木材的材積來確定木材的價值.計算木材的材積需要2個參數(shù)：檢尺徑和檢尺長,其中檢尺徑指按標(biāo)準(zhǔn)規(guī)定,經(jīng)過進(jìn)舍后的原木直徑;檢尺長指按標(biāo)準(zhǔn)規(guī)定,經(jīng)過進(jìn)舍后的原木長度.

基于數(shù)字圖像處理技術(shù)與計算機(jī)視覺技術(shù),本文原木材積檢測算法可分為圖像處理、圓檢測以及材積計算3個步驟,算法思路簡述如下：

輸入：去除背景后的原木兩端端面圖像,原木檢尺長,1號原木實際檢尺徑.

輸出：原木材積.

Begin：

Step1：圖像處理.包含灰度變換、二值化處理、孔洞填充以及邊緣檢測4個步驟,通過對原木端面圖像的一系列處理,獲取原木端面清晰、連續(xù)的邊緣.

Step2：圓檢測.包含端面圓檢測和檢測結(jié)果排序兩個步驟.端面圓檢測基于Hough變換檢測方案,對圖像中的端面圓進(jìn)行檢測與定位;然后對檢測結(jié)果進(jìn)行排序,使原木兩端的檢測結(jié)果對應(yīng).Step3：材積計算.計算原木小端檢尺徑;根據(jù)檢尺長與檢尺徑,計算原木材積.

End.

2 圖像處理

由于拍攝時受到相機(jī)、光線以及拍照技術(shù)等因素影響,采集的原木端面圖像可能存在對比度不足、有陰影、不夠均勻等一系列問題.因此,需要對輸入圖像進(jìn)行一系列處理,保證算法的檢測精度.

2.1 灰度變換

數(shù)字圖像的灰度轉(zhuǎn)換是圖像識別預(yù)處理的基礎(chǔ).因此需要將原木端面的彩色圖像變換為灰色圖像,即將圖像像素值的彩色區(qū)間映射到灰度區(qū)間,并對圖像的灰度區(qū)間進(jìn)行一系列的變換、擴(kuò)展和壓縮等操作,得到一個灰度范圍更加適中、圖像更加清晰的灰度圖像[7].

彩色圖像每一個像素對應(yīng)一組RGB值,灰色圖像每一個像素則對應(yīng)一個灰度值Y.人眼對RGB三原色擁有不同的權(quán)值,在實際應(yīng)用中,被普遍接受的比值為R∶G∶B=0.299∶0.587∶0.114,可以使用公式（1）完成彩色到灰度圖像的轉(zhuǎn)換[8]

在獲得原木端面的灰色圖像后,為了獲取灰度范圍更加適中的灰色圖像,需要對圖像進(jìn)行灰度變換處理,突出擴(kuò)展感興趣的灰度值范圍,壓縮不感興趣的灰度值范圍.在本文中,采用分段線性變換的方式對圖像進(jìn)行灰度變換.

設(shè)一幅灰色圖像f（x,y）,感興趣的灰度范圍為[a,b];變換后的圖像用g（x,y）表示,灰度范圍擴(kuò)展到[c,d].公式（2）為分段線性變換函數(shù)

公式（2）中,將灰度區(qū)間[0,a]壓縮為[0,c],將區(qū)間[a,b]擴(kuò)展為[c,d],將區(qū)間[b,Mf]壓縮為[d,Mg].在對原木端面圖像進(jìn)行多次灰度變換折點位置的調(diào)整后,發(fā)現(xiàn)兩折點位置分別在（70,40）和（200,230）時,灰度變換效果較好.

2.2 圖像二值化處理

圖像二值化是指通過指定的閾值,將圖像中所有像素點的灰度值都變換為0或255.在原木端面圖像中,端面部分的灰度值分布在中間區(qū)間,低灰度值部分大多是原木間的空洞部分,高灰度值部分則是由陽光照射形成的.取閾值T1、T2,將圖片中介于T1和T2之間的像素值變?yōu)?55,其余像素值變?yōu)?.

為選擇合適的閾值,本文進(jìn)行了像素值分布分析.首先統(tǒng)計經(jīng)過線性變換后的原木端面圖像的像素值數(shù)據(jù).將像素值1～255部分繪制成折線圖,可以看出,低像素值部分存在一個明顯的波峰,該波峰對應(yīng)原木端面圖像中背景部分,如圖1所示.選取該波峰與中間像素形成的波峰之間的波谷位置作為選取的二值化閾值.

圖1 原木端面圖像的像素值分布折線圖Fig.1 Broken linediagramof pixel value distribution of log end face image

對10～60范圍內(nèi)的每一個像素值進(jìn)行區(qū)間數(shù)量統(tǒng)計,即對像素值x進(jìn)行[x-5,x+5]范圍的像素值數(shù)量統(tǒng)計,取統(tǒng)計值最小的像素值作為閾值T1.高像素值范圍雖然有一個輕微的波峰存在,但考慮到高像素值點數(shù)量在整張圖像中占比極小,對整個算法影響不大,加之在線性變換時,不感興趣的高像素區(qū)間灰度被壓縮到了230以上,因此可以取230作為閾值T2.

2.3 孔洞填充

常見的孔洞填充算法有泛洪填充算法和基于面積閾值的填充算法.泛洪填充算法的基本原理是取一個像素點作為種子點,將與種子點聯(lián)通的區(qū)域全部填充為指定顏色.基于面積閾值的填充算法對圖像中的顏色區(qū)域進(jìn)行面積計算,對面積小于閾值的區(qū)域進(jìn)行填充操作,適用于消除一些細(xì)小的孔洞噪聲.

2.3.1 黑色孔洞填充 由于原木端面可能存在較大的黑色孔洞區(qū)域,難以確定一個固定的面積閾值進(jìn)行孔洞填充,因此選擇以泛洪填充算法為基礎(chǔ)進(jìn)行黑色孔洞填充.具體步驟如下：

（1）獲取目標(biāo)黑洞.在圖像的黑色背景中選取種子點,由種子點擴(kuò)展填充白色,則目標(biāo)黑色孔洞之外的像素點全部變?yōu)榘咨?剩下的黑色區(qū)域即為目標(biāo)孔洞.

（2）將目標(biāo)孔洞填充為白色.將圖像中白色像素點變?yōu)楹谏?黑色像素點變?yōu)榘咨?

（3）原木端面恢復(fù).將原二值化圖像與步驟（2）結(jié)果進(jìn)行或運算,獲得最終的目標(biāo)圖像.

2.3.2 白色孔洞填充 原木端面圖像中不存在過大的白色孔洞噪聲,只有一些微小的白色孔洞需要進(jìn)行填充,因此適用基于面積閾值的填充算法進(jìn)行填充.算法首先檢測并獲取端面圖像中白色物體輪廓,然后根據(jù)白色區(qū)域的面積大小決定是否進(jìn)行填充.綜合圖片考慮,取面積閾值為300,即面積小于300的白色區(qū)域填充為黑色.

2.4 原木端面圖像的邊緣檢測

經(jīng)過前述操作獲得較清晰的原木端面二值化圖像后,接下來需對圖像進(jìn)行邊緣檢測,獲取原木端面輪廓信息.圖像輪廓中包含著許多重要的圖像特征信息,提取結(jié)果的好壞直接影響圖像處理結(jié)果.

本文選用Canny算子[9]進(jìn)行目標(biāo)圖像的邊緣檢測.Canny算子作為目前被廣泛使用的邊緣檢測算子,能夠較好地抵抗噪聲干擾并進(jìn)行邊緣標(biāo)記.

3 原木端面類圓形檢測

3.1 基于霍夫變換圓檢測的原木端面類圓形檢測

霍夫變換通常用于檢測識別幾何圖形.標(biāo)準(zhǔn)霍夫變換圓形檢測運算量巨大,難以應(yīng)用于實際圖形檢測中.為了解決霍夫變換圓檢測的效率問題,本文采用優(yōu)化后的2-1霍夫變換檢測法[10].2-1霍夫變換將三維霍夫空間檢測降為二維空間檢測,算法性能在時間和空間上都得到明顯的提升.

OpenCV視覺庫中提供了基于2-1霍夫變換圓檢測的HoughCircles函數(shù),本文使用該函數(shù)進(jìn)行原木端面類圓形的檢測,識別所得的圓心與半徑數(shù)據(jù)以數(shù)組的形式返回,識別效果如圖2所示.

圖2 原木端面類圓形的識別效果Fig.2 Exampleof recognition effect of circular logend facecircle

3.2 原木雙端圖像檢測數(shù)據(jù)的整理

本文采用原木雙端端面圖像結(jié)合計算原木材積,計算前需要對原木的兩端分別進(jìn)行檢尺徑計算,取小頭端數(shù)據(jù)參與最后的材積計算.由于在圓檢測過程中沒有考慮識別結(jié)果順序,獲取到的原木端面圓檢測結(jié)果是無序的.因此需要對原木雙端結(jié)果進(jìn)行排序整理,建立原木兩端圓形一一對應(yīng)關(guān)系.

首先對原木兩端識別結(jié)果中的類圓形分別進(jìn)行排序,排序規(guī)則為：按橫坐標(biāo)從小到大排序,橫坐標(biāo)相同則按縱坐標(biāo)從小到大排序.因為原木正反面圖像中所對應(yīng)的原木實際位置是左右相反的,所以兩份原木端面識別數(shù)據(jù)中原木的編號也應(yīng)該相反.由于原木前后端會產(chǎn)生一定的位移偏差,所以直接對原木編號進(jìn)行逆序,會有部分原木無法建立正確的對應(yīng)關(guān)系.這種誤差是由橫坐標(biāo)的細(xì)小差距造成,而橫坐標(biāo)差距小的所有原木可以視為處于一列,其縱坐標(biāo)往往相差較大.根據(jù)這一特性可對原木端面圓檢測數(shù)據(jù)進(jìn)行第二次重排序,算法描述如下:

算法中閾值γ可根據(jù)原木最小直徑選擇.二次排序后,result與circle1數(shù)組中具有相同下標(biāo)的元素分別代表同一根原木的兩端截面.

4 原木材積計算

計算原木檢尺徑,本文算法需要用戶輸入原木端面圖像中1號原木的實際檢尺徑,作為原木識別直徑到實際檢尺徑轉(zhuǎn)換的參照標(biāo)尺.假設(shè)1號原木的圖像識別半徑為r1,用戶輸入的實際檢尺徑為d,則對于識別結(jié)果集中的每一個圓,可根據(jù)公式（3）計算其實際檢尺徑D.對原木兩端端面同時計算檢尺徑,保留較小一端計算結(jié)果作為該原木最終的檢尺徑數(shù)據(jù)

使用檢尺徑與用戶輸入的原木檢尺長數(shù)據(jù),按照國標(biāo)文件《原木材積表》（GB/T 4814—2013）中列出的原木材積計算公式,即可算出原木材積.

5 實驗驗證

5.1 實驗設(shè)計

本文算法所需測試數(shù)據(jù)為原木正反端面圖像,可由普通的數(shù)碼相機(jī)、手機(jī)等拍攝獲取,要求拍攝角度位于原木堆端面正中間,角度端正,盡量避免陰影等問題.圖像質(zhì)量高,檢測精度也會相應(yīng)提高.實驗使用移動手機(jī)拍攝得到原木堆正反端面圖像,去除背景后的圖片即可用于算法的測試.

實驗將算法打包封裝,以Web接口的形式接收和返回相應(yīng)數(shù)據(jù),并編寫了簡單的網(wǎng)頁界面用于輸入數(shù)據(jù)及顯示檢測結(jié)果,如圖3所示.

圖3 原木材積檢測結(jié)果Fig.3 Log volume measuringresults

5.2 實驗結(jié)果

將原木檢尺徑的檢測結(jié)果與實際人工測量結(jié)果進(jìn)行對比分析,實驗結(jié)果如表1所示.

表1 原木檢尺徑檢測數(shù)據(jù)與人工測量數(shù)據(jù)對比表Tab.1 Comparison table of logmeasuring data and manual measuring datacm

由表1中的數(shù)據(jù)可以看出,測試圖像共有20根原木的檢測結(jié)果,其中4根原木的檢尺徑檢測數(shù)據(jù)與人工檢尺結(jié)果存在差異.本算法最終的材積計算結(jié)果為0.401 m3,人工檢尺測量獲得的材積計算結(jié)果為0.413 m3,材積檢測精確度為97%.

6 小結(jié)

本文利用計算機(jī)視覺技術(shù),設(shè)計并實現(xiàn)了基于端面類圓形目標(biāo)識別的原木材積檢測算法.算法首先對圖片進(jìn)行灰度變換、自適應(yīng)閾值二值化、孔洞填充以及邊緣檢測等操作,然后采用2-1霍夫變換圓檢測算法識別原木端面;對原木兩端數(shù)據(jù)進(jìn)行排序匹配后,以原木小端數(shù)據(jù)作為檢尺徑計算得到原木材積.實驗顯示,算法具有較高的原木材積檢測精度.