CN100520811C

CN100520811C - 一种数字图像轮廓形态的识别方法

Info

Publication number: CN100520811C
Application number: CNB2007100436595A
Authority: CN
Inventors: 孙涌; 崔志明; 管淼
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2007-07-11
Filing date: 2007-07-11
Publication date: 2009-07-29
Anticipated expiration: 2027-07-11
Also published as: CN101093546A

Abstract

本发明公开了一种数字图像轮廓形态的识别方法，属于计算机模式识别技术领域。它以长轴长度、左短轴长度、右短轴长度、左右短轴间的距离和左右短轴长度差的绝对值为数字图像轮廓形态的5个识别特征值，输入计算机完成数字图像轮廓形态的识别。特征值的获取方法为：在图像的轮廓线上取n点，通过依次求得每一点与其余各点相连接的线段的长度后再求得长轴及其长度值；在长轴的两个端点范围内，从左、右两部分的图像轮廓上分别得到到长轴距离最长的左短轴、右短轴及其它们的长度值，从而获得数字图像轮廓形态的5个识别特征值。该方法在降低运算复杂度的同时保障求解的精度，提高了工作效率，实现了计算机大批量识别形状不规则物体的分捡与检验。

Description

一种数字图像轮廓形态的识别方法

技术领域

本发明涉及一种数字图像轮廓形态的识别方法，属于计算机模式识别技术领域。

背景技术

图像识别广泛地应用于各个领域，并越来越多地用于微小物体的识别分捡、定级工作中，如工业中螺丝钉、电阻、电容的外观分捡；农业中对小麦、谷物质量检测等。图像识别在物体分捡领域的应用在大幅度降低人工成本的同时使得分捡效率成倍提高，并且最大限度降低了误选率。然而，由于处理技术上的原因，对扁平状颗粒体，尤其是对形状轮廓具有一定要求的物体的分捡研究，目前在国内外尚未见到相关的报道。

一般认为，物体的长轴长度、短轴长度和长宽比在图像识别中是三项重要的特征值，其定义为：长轴为在物体图像轮廓上相距最远的两点连线，此两点间距离长度定义为长轴长度；短轴定义为所有与长轴垂直的直线在物体图像轮廓上所截得的线段中长度最大的线段，其长度即为短轴长度；长轴长度与短轴长度之比为长宽比。它们不仅能反映物体的轮廓尺寸，也能反映出物体形状的规则程度，对物体的合格判定有着重要的参考价值。

在本发明作出之前，《中国农业科学》([j].2005，38(9)：1869-1875)“基于图像识别的小麦品种分类研究”一文中，公开了一种对小麦、谷物品种进行分类的图像识别方法，其提取的形态特征分别为籽粒面积、周长、圆形度、长轴长、短轴长、最大/最小半径、半径比、半径均值等，这些形态特征作为分类的特征判据，对物体的合格判定有着重要的参考价值。在对物体图像的长轴长度、短轴长度进行计算时，常规的求解技术方法是：取出物体的数字图像轮廓，以图像轮廓上像素点的任一点作为起始点，用两点间距离公式求得轮廓上任意两像素点之间的最大距离，并最终得出所有距离中的最大值，此即为长轴长度，图像上过长轴中点且垂直于长轴的直线间距离即为短轴长度。

在利用图像识别技术对物体进行分捡处理时，这种方法可用于小麦、谷物分类和质量检测，因为小麦、谷物的分类和质量检测偏重于饱和度，仅需了解几何尺寸的大小即可，不需对每一颗粒的形态进行判定；同样，它也可用于螺丝钉的分捡和谷物质量检测，因为螺丝钉为规则物体，有严格的尺寸指标，然而，对于扁平状颗粒体(如西瓜子)这类的物体在大批量的分捡判定中，其外观常常是作为合格与否的特征值之一，这类物体形状大多不规则，判定时对尺寸要求严格，且对每一个被测物体都要进行特征值提取，而上述常规算法在计算长轴长度时耗时多，求解短轴时精度低，因此，不能适用于对批量大、物体为扁平状颗粒体进行分捡判定时特征值的提取工作。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种精确、高效、适用于大批量设别形状不规则物体的数字图像轮廓形态特征值的提取方法。

为达到以上目的，本发明采用的技术方案是：提供一种数字图像轮廓形态的识别方法，它的处理步骤如下：

(1)以获取的数字图像中心为原点，在图像的轮廓线上取n点，将图像轮廓分为n部分，使任意相邻两点与原点连线的夹角为360/n度，其中n是大于或等于4的整数；

(2)以轮廓线上所取的某一点为起始端点，分别与其余各点连接，得到各线段的长度值，以长度值最大的线段为局部长轴；

(3)以上述局部长轴线段端点中的起始端点相邻点范围内的象素点为起始点，对该局部长轴线段另一端点两侧相邻点形成的轮廓上的所有象素点扫描，得到各线段的长度；

(4)分别以轮廓线上所取的其余各点为起始端点，重复上述(2)、(3)步骤；

(5)将每次扫描得到的最大值相比较，长度最长的线段即为长轴；

(6)长轴将图像分成左、右两部分，在长轴的两个端点范围内，依次以轮廓段上的像素点进行逐行扫描，从左、右两部分的图像轮廓上分别得到到长轴距离最长的左短轴、右短轴及其它们的长度值；

(7)以长轴长度、左短轴长度、右短轴长度、左右短轴间的距离和左右短轴长度差的绝对值为数字图像轮廓形态的识别特征值输入计算机进行数据处理，完成数字图像轮廓形态的识别。

进一步的技术方案，在图像的轮廓线上取n点，n为4的整数倍。

或者，在图像的轮廓线上取n点，n＝8～16。

本发明所依据的原理是：在Sobel等微分算子法的基础上，通过构造阈值和轮廓提取结合提取待测物体图像轮廓。本发明技术方案先利用阈值构造法将目标物体的基本轮廓与背景分割出来，再利用轮廓提取的算法进一步细化物体的轮廓。Sobel等微分算子法本身运行速度快，可以滤除一些噪声，去掉部分伪边缘，并在检测斜向阶跃边缘时具有较好的效果，这几种方法相互结合可以精确的提取待测物体的图像轮廓。

在提取待测物体长轴长度时，关键是得到物体的最大距离长度。在物体轮廓上靠得较近的两点是不可能取得最大值的，可以将这些不必要的运算过滤掉，来提升整体的运算速率。在轮廓上平均分布n个点，先计算起始点到其余各分割点的距离，根据局部最大值原理，这n-1段距离会在某一个或几个局部范围内出现局部最大值，所以只需要在出现局部最大值的两侧进行求距离运算和比较即可找出这一范围内的最大距离，最后将几个局部最大值进行比较，从而得到最大长度。

与现有技术相比，本发明的优点是：

1、在获得数字图像轮廓形态特征值的长轴长度时，将轮廓分段处理，可减少不必要的运算和比较，在降低运算复杂度的同时保障求解的精度，提高了工作效率，实现了计算机大批量设别形状不规则物体的分捡与检验。

2、以物体图像的长轴长度、左短轴长度、右短轴长度、左右短轴间的距离和左右短轴相对差为轮廓形态的识别特征值，并成功应用于物体形状判断中，提高了图像的识别效率。

附图说明

图1是本发明实施例为获取数字图像轮廓形态的特征值时，在图像轮廓上所截取各点的示意图；

图2是本发明实施例获取长轴特征值的示意图；

图3是本发明实施例获取左、右短轴特征值的示意图；

图4是本发明另一个实施例获取数字图像轮廓形态特征值时，在图像轮廓上所截取各点的坐标示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述：

实施例1：

采用CCD数码相机，利用图像获取系统得到被检测物体的图像，并输入计算机，利用阈值构造法将目标物体的基本轮廓与背景分割出来，再利用轮廓提取的算法进一步细化物体的轮廓，保证其连续且为单像素。

参见附图1，近似获取图像轮廓内部中心点O为原点，在图像轮廓上依次截取8点，分别为k₁、k₂、k₃…k₈，并满足任意相邻两点与原点连线的夹角为45度，即∠k₁Ok₂＝∠k₂Ok₃…＝∠k₇Ok₈＝45°；

参见附图2，以k₁为起始端点，依次与轮廓上的各点k₂、k₃…k₈连接，得到k₁k₂、k₁k₃…k₁k₈ 7条线段，用两点间距离公式求得各线段的长度，得到最长的线段为局部长轴，如果本实施例中的局部长轴为线段k₁k₅，则以k₁点两侧相邻点k₂和k₈范围内的象素点为起始点，扫描在以k₅相邻点的两点k₄点和k₆点形成的k₄—k₅和k₅—k₆这两部分轮廓上所有象素点线段的长度，通过比较获得本组扫描的最大值；

分别以k₂、k₃…k₈为起始端点，重复上述步骤，比较各次扫描线段的长度，以最长的为长轴。

参见附图3，假设线段k₁k_m为长轴，长度为L，此轴将图像分成左、右两部分，在长轴的两个端点k₁、k_m范围内，依次以轮廓段上的像素点进行逐行扫描，从左、右两部分的图像轮廓上分别求得到长轴距离最长的左短轴Sl、右短轴Sr及其它们的长度值，左右短轴间的距离dl，左右短轴的差dS＝|Sl-Sr|。

以长轴长度L、左短轴长度Sl、右短轴长度Sr、左右短轴间的距离dl和左右短轴的差dS为轮廓形态的识别特征值输入计算机进行处理，作为对所测物体轮廓形态规范程度度量、判别的依据和标准，可在对照要求值后输出判别结果，完成分捡或检验任务。

以每幅图像200个像素点为例，经计算，本实施例提供的技术方案求出长轴约需进行1.3万次的计算，而现有技术约需进行2万次计算，本发明与现有技术相比，运算速度可提高35％以上。实际上，一般在对物体进行计算机分捡或检验时，每幅图像的像素点均要超过200个，因此，在大批量物体测定的情况，本发明所提供的技术方案在计算速度方面具有明显的优势。

实施例2：

在本实施例中，提供了一种为了便于计算机软件编程进行长轴、短轴计算处理的方法。

参见附图4，将获取的被测物体轮廓数字图像输入计算机后，近似获取图像轮廓内部中心点O，以其为原点建立直角坐标系，重新计算图像轮廓上所有像素点在新坐标系中的坐标，并同时计算出位于新坐标系坐标轴及直线y＝x和y＝-x上的像素点坐标。如果没有像素点位于这八个方向的某个方向上，可在此方向上选择坐标符合方程||y|-|x||＝1的任一点代替，按顺时针方向将这8个点依次记为1，2，3，......7，8。在图像轮廓上取点时，为了便于计算，采用建立对称的直线方程的方法来确定点的位置，因此，所取点数n一般为4的整数倍，如8、12、16等。

首先用两点间距离公式求得第一部分的始点——序号为1的点到其余七个点的距离，一般此七个数据有以下规律：开始时距离值递增，当到达某一个最大距离值时开始递减，记录达到最大距离时的点序号，例如到序号为n的点距离最大，求第一部分轮廓上所有点到以序号为n-1的点为始点的第n-1部分和以序号为n的点为始点的第n部分轮廓上的像素点的距离，记录最大距离的两点坐标；再从第二部分轮廓的始点，序号为2的点开始求解，依次类推，可求出长轴长度。

按短轴、长轴的定义，短轴与长轴正交。然而，由于求得的长轴很少与y轴重合，所以轮廓上短轴的两端点基本不在与x轴平行的直线上，由于待测物体形状没有规律，提取的图像轮廓也无法用方程表示，这就增加了求解的难度，同时也降低了求解的精度。

为此，将表示长轴的直线方程通过笛卡儿坐标系下的坐标变换公式，将该长轴变换到与笛卡儿坐标系的y轴重合的位置。

将长轴旋转至于y轴重合的方面，同时对轮廓上所有的点进行坐标变换，根据短轴的定义，由于长、短轴正交，所以短轴所在直线方程必然与x轴平行，这样只需进行简单的横坐标加法运算即可精确的求解出短轴长度。y轴将图像分成左右两个部分，分别求取图像两侧到y轴距离最大的点坐标，记录两点坐标，此两点与长轴上下两端点可围成一个矩形，以长轴上下端点为界，从左到右逐点扫描，求出左、右短轴长度。

用上述方法求得的长轴长度、左短轴长度、右短轴长度、左右短轴的距离、左右短轴的长度差的绝对值作为轮廓规范度的度量特征值，作为计算机进行形态判定的参数，经判别后输出结果，完成数字图像轮廓形态的识别。该方法特别适用于计算机大批量识别形状不规则物体的分捡与检验。

Claims

1.一种数字图像轮廓形态的识别方法，其特征在于它的处理步骤如下：

(1)近似获取图像轮廓内部中心点为原点，在图像的轮廓线上取n点，将图像轮廓分为n部分，使任意相邻两点与原点连线的夹角为360/n度，其中n是大于或等于4的整数；

(5)将每次扫描得到的线段长度的最大值相比较，长度最长的线段即为长轴；

2.根据权利要求1所述的一种数字图像轮廓形态的识别方法，其特征在于：在图像的轮廓线上取n点，n＝8～16。

3、根据权利要求1或2所述的一种数字图像轮廓形态的识别方法，其特征在于：在图像的轮廓线上取n点，n为4的整数倍。