龚鼎盛1，陈其松2，陈宜1，吴鸿川1

　　（1.贵州大学 大数据与信息工程学院， 贵州 贵阳 550025; 2.贵州财经大学 信息学院， 贵州 贵阳 550003）

　　摘要：在材积检测系统中,对木材切面轮廓精确检测是一大难点,该文采用首先局部二值化图像,并且寻找切面最大内接圆初步确定切面中心以及类圆半径,然后将类圆切面归一化为矩形,在矩形上根据灰度信息寻找切面轮廓边缘点,通过归一化后的边缘计算原图木材切面边缘。实验结果表明，该方法能够精确检测木材切面任意轮廓,在实时性要求不高的情况下相比用圆或椭圆检测的传统算法在精度上有显著提高。

　　关键词：轮廓检测；归一化；局部二值化；目标定位

0引言

　　传统的材积检测方法需要耗费大量的人力、财力、物力，而在工业、农业等领域都存在着很多关于类圆目标的检测，单纯地依靠人力去测量，不但会耗费较多的成本，而且在精度以及效率上也存在相当大的差异。而现在，依靠先进的科学技术，可以更加高效、精准地测量。材积检测一般不要求实时性，而对精确度有较高要求，使用图像处理技术对原木材积检测进行研究，通过图像处理可以实现对目标物体的识别、分割、特征提取、面积计算等。针对堆积原木的切面特征，设计出一套廉价且高效精准的测量算法非常重要，堆积原木切面绝大部分呈现出类圆的形状，目前已有研究者根据使用hough圆或椭圆对切面进行拟合检测［13］，效果基本符合要求，但在精度上还是存在不足。本文根据原木切面特征，设计出一种算法，可以检测任意形状的轮廓边缘，很好地解决了木头切面检测精度问题。

1图像预处理及局部二值化

　　1.1图像预处理

　　在堆积木材切面图像中，切面的灰度和背景灰度存在较大的差异，根据这一特性，本文设计的算法首先需对原图像进行预处理，预处理包括噪声的去除，以及非木材区域人工去除。

　　噪声的去除，这里选取中值滤波［4］，中值滤波相比其他滤波方式（例如：高斯滤波、均值滤波、卡尔曼滤波等）在边缘保护性方面有着更大的优势，在轮廓检测中，木材边缘是非常重要的一个信息，所以处理过程必须在保留边缘特征的基础之上进行。中值滤波的原理如下:a1a2a3a4a5a6a7a8a9图1中值滤波模板如图1所示，本文选取的模板大小是3×3,在9个元素中，当前像素位于a5上，然后在a1~a9中，找出9个元素位置所对应的像素中值，以该值作为当前像素a5的值，这样遍历整个图片，即可以实现中值滤波。

　　对于非木材区域，包括图像拍摄时外部其他杂物，需要在处理之前将这些区域去除，以排除对检测的干扰，根据算法需要，为了与背景颜色保持接近，人工将大部分区域涂成黑色。

　　1.2局部二值化

　　由于堆积原木切面的灰度与背景灰度有着较大的区分，根据这一重要特性，算法选取局部二值化分离背景与目标。

　　目前学者对于二值化阈值的选取方法有较多的研究［56］，例如Otsu（大津法）［7］、迭代法、最大熵法、局部阈值法等，这些方法应用在不同的场景中都能取得较好的效果。针对堆积原木的特点，拍摄环境一般在户外，受光照的影响较大，而且原木参差不齐也会影响原木之间的光照，对于这种情况，如果采用全图一个阈值全局二值化，必然会导致目标与背景不能很好地分离。因此，本文采用局部阈值二值化。局部阈值二值化首先需要确定阈值选取的范围大小block_size，该大小表示像素移动到此方框内，以该框内的灰度信息确定一个属于该范围的阈值，从而实现局部二值化。Otsu二值化和局部阈值二值化比较效果如图2、图3所示。

　　Hough变换是检测圆的常用方法［89］，其优点是检测准确率非常高，但速度较慢，考虑到材积检测系统不需要具有很高的实时性，这里可以使用。

　　通常，Hough检测圆都是根据目标物的边缘点进行检测，而本文算法同样遵循此规则，根据Hough变换检测圆的理论，在局部二值化图像上，以白色像素点作为检测对象，此时加上约束条件，即检测出的圆，圆周上的点必须全部为白色，并且进行筛选，去掉圆内部的圆以及圆周靠近图像边界的圆，因为边界处木头切面并不完整，所图4最大内接圆定位以排除，从而可以较好地找到每个木材端面轮廓的大致位置及大小，最大内接圆定位如图4所示。

3归一化寻找边缘

　　归一化是将不同个体通过同一方法变换成所熟悉并且容易处理的另一类图形的过程。

　　3.1圆环归一化原理

　　对于类圆目标，在寻找边缘轮廓时并不好处理，此时，通过归一化将对应的区域一一映射，转换到矩形中，目标区域是图5中的环形区域［10］，其具体的原理如下：

　　以最大内接圆的圆心作为极坐标原点，从极坐标系中的（x,y）变换映射到直角坐标系中的（r,θ）,公式如下：

　　I(x(r,θ),y(r,θ))→I(r,θ)(1)

　　x(r,θ)=(1－r)·xi(θ)+r·xo(θ)

　　y(r,θ)=(1－r)·yi(θ)+r·yo(θ)

　　r∈［0,1］ ,θ∈［0,2π］(2)

　　其中，(xi(θ),yi(θ))是角度为θ时射线与内轮廓边界相交的点，(xo(θ),yo(θ))是角度为θ时与外轮廓边界相交的点。

　　3.2归一化后寻找边缘

　　在归一化之前为了减少切面噪声的干扰，故首先将原图最大内接圆一定区域内灰度填充为128，并且利用canny边缘检测，将边缘信息合并到即将归一化的原图上。

　　根据公式(1)、(2)可以将环形区域归一化成矩形，从而为轮廓寻找做准备，如图6。

　　在归一化图中采用自动阈值二值化，二值化后利用形态学腐蚀以及膨胀得到最终边缘二值化图，如图7。

　　根据二值图，寻找出交界的边缘点，去除跳跃较大的点，如图8。

　　最终，根据归一化矩形区域的边缘点所在位置对应的归一化矩形长宽比例以及公式(1)、(2)反推原图边界点，将边界信息画在原图中，如图9。

　　在检测出轮廓后，便可以计算闭合轮廓的面积，从而求出该面积所对应圆的半径，以满足材积检测需要。

　　4实验结果

　　利用本文所提出的算法对木材任意形状边缘检测与圆形检测进行比较，结果如图10、图11所示，部分检测半径比较如表1所示。

　　比较可见，本文检测算法相比用圆或椭圆进行定位具有更高的精度。

5结论

　　针对类圆形木材切面，其形状并不是规则的圆或椭圆，本文算法在木材切面较完整、灰度较均匀的条件下相比用圆或椭圆进行检测具有更高的检测精度，对后期材积的计算更加准确。但该算法也存在一些不足，对于切面灰度混乱不均匀的木材抗干扰性有待提高，下一步可以从这方面进行改进。

　　参考文献

　　［1］ 杜叶挺,陈广华,李建伟,等.基于双目视觉的原木材积自动检测系统［J］.北京交通大学学报,2014，38(4):7882

　　［2］ 陈登钊.计算机视觉技术在林木材积测算中的应用研究［D］．福州：福州大学,2011.

　　［3］ 李建伟.基于机器视觉的原木材积自动检测系统研究［D］．北京：北京交通大学,2011.

　　［4］ 唐宁,吕洋.基于噪点检测的中值滤波图像去噪方法［J］.微型机与应用,2015,34(5):3538.

　　［5］ 王启亮,田启川.基于多尺度分块的指纹图像二值化算法［J］.微型机与应用,2013,32(4):3336.

　　［6］ 杜雯超,陈其松,周莹.基于分段自适应遗传算法的图像阈值分割［J］.微型机与应用,2015,34(3):5859，62.

　　［7］ 陈滨,田启川.改进的快速Otsu自适应分割算法及其应用［J］.计算机应用研究,2012,29(4):15721574.

　　［8］ 蒋丹丹,冯晓毅.改进的Hough与梯度直方图的人眼定位算法［J］.电子设计工程,2014,22(21):127130.

　　［9］ 张林,王保强.一种改进的基于Hough变换的虹膜定位算法［J］.电子技术应用,2014,40(4):6669.

　　［10］ 穆伟斌,金成,陈大同.虹膜纹理归一化算法研究［J］.网络安全技术与应用,2014(2):5354.