CN101872421B - 基于机器视觉的比色法色彩特征向量自动提取方法 - Google Patents

Abstract

一种实现广谱水质测试、同时大幅降低系统造价的基于机器视觉的比色法色彩特征向量自动提取方法。技术方案是：基于机器视觉的比色法色彩特征向，量自动提取方法，其特征是包括下列步骤：对水质检测试纸样板条上摄取数字图像，并在此图像上确定四个相关的定位点；：以步骤1中的定位点为基础，建立4个矢量直线方程；将4个矢量直线方程，转换为4个以像素为基础的搜索区域边界方程；将搜索区域内的图像转换为二值图像；对二值图像进行区域标记，得到K个“兴趣区域”在二值图像上的位置；获得在初始数字图像上的K个“兴趣区域”；即在每个区域上计算相关的M个特征向量。

Description

基于机器视觉的比色法色彩特征向量自动提取方法

技术领域

本发明属于分光光度法水质检测方法领域，尤其是一种实现广谱水质测试、同时大幅降低系统造价的基于机器视觉的比色法色彩特征向量自动提取方法。 

背景技术

目前的分光光度法水质检测技术基于单一光谱光源，如激光光源，同时光源检测器也具有较窄小的感应窗口。这就限制了此类技术仅仅对于检测某类物质有效，不具有广谱特性。 

由于目前的分光光度法水质检测技术采用激光光源，其制造比较复杂，成本相对昂贵，同时添加检测参数要相对应的添加激光光源，造成系统复杂的缺点。本系统采用高强LED光源和CMOS彩色摄像头，配合使用化学检测试剂比色法，形成了广谱测试功能，降低了造价。 

发明内容

本发明的目的是提供一种实现广谱水质测试、同时大幅降低系统造价的基于机器视觉的比色法色彩特征向量自动提取方法。 

本发明的技术方案是：基于机器视觉的比色法色彩特征向量自动提取方法，其特征是包括下列步骤： 

步骤1：对水质检测试纸样板条上摄取数字图像，并在此图像上确定四个相关的定位点； 

步骤2：以步骤1中的定位点为基础，建立4个矢量直线方程，并以此矢量方程为边界设定搜索区域，为采用机器视觉技术在此搜索区域上找出“兴趣区域”界定范围做准备； 

步骤3：采用DDA(Digital Differential Algorithm)数字差分算法，将4个矢量直线方程，转换为4个以像素(Pixel)为基础的搜索区域边界方程； 

步骤4：设定门槛值T_REGION，以四个像素边界方程为界，将搜索区域内的图像转换为二值图像(Binary Image)； 

步骤5：对二值图像进行区域标记(Region labeling)，并对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，从而得到K个“兴趣区域”在二值图像上的位置； 

步骤6：以二值图像的K个“兴趣区域”作为模板向初始数字图像进行一一对应的映射，获得在初始数字图像上的K个“兴趣区域”； 

步骤7：在对应的初始数字图像的K个“兴趣区域”上分别处理每个区域，即在每个区域上计算相关的M个特征向量。如此在K个“兴趣区域”上，建立含有KxM个特征向量的集合，从而完成色彩特征向量自动提取。 

所述步骤1中相关定位点位置的确定方法包括下列步骤： 

(1)生成二值图像B(x，y)定义的四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)。 

在试纸样板条的安装模具上有一个浅槽，其大小与试纸样板条的大小相当，可以使试纸样板条顺利地插入和拔出，如图1？所示。在此浅槽的边缘处分别装有4个光学反射点，这些点在光源的照射下，在摄取的数字图像上形成4个明亮的图像点，使用门槛值T_4-PT将数字图像I(x，y)转换位二值图像B(x，y)，其转换方法为： 

当I(x，y)＜T_4-PT时，B(x，y)＝0；      ......(1) 

当I(x，y)＞T_4-PT时，B(x，y)＝255；    ......(2) 

这样此二值图像B(x，y)＝255的全部点，形成了4个四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)。 

(2)计算4个定位点B1(x1，y1)，B2(x2，y2)，B3(x3，y3)和B4(x4，y4)； 

在四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)上分别计算定位点B1(x1，y1)＝(X1，Y1)，B2(x2，y2)，B3(x3，y3)，B4(x4，y4)；具体方法是首先对四个邻域进行标记，即B1_REGION(x，y)标记为1，即令B1_REGION(x，y)＝1；B2_REGION(x，y)标记为2，即B2_REGION(x，y)＝2，B3_REGION(x，y)标记为3，即B3_REGION(x，y)＝3，和B4_REGION(x，y)标记为4，即B4_REGION(x，y)＝4； 

其次对于标记的各个区域分别计算位置中值(Xi，Yi)，for i＝1，2，3，4，公式如下： 

$A^i=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{Bi}}_{\mathrm{REGION}}(x,y);...\left(3\right)$

$\mathrm{xi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}x{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(4\right)$

$\mathrm{Yi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}y{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(5\right)$

这里i＝1，2，3，和4。 

于是这些中值分别为定位点：B1(x1，y1)＝(X1，Y1)，B2(x2，y2)＝(X2，Y2)，B3(x3，y3)＝(X3，Y3)和B4(x4，y4)＝(X4，Y4).。 

所述步骤2中建立四个矢量直线方程，四个矢量直线方程如下： 

P1(x，y)＝B1(x1，y1)+u1*(B2(x2，y2)    B1(x1，y1))...(6) 

P2(x，y)＝B2(x1，y1)+u2*(B3(x3，y3)    B2(x2，y2))...(7) 

P3(x，y)＝B3(x1，y1)+u3*(B4(x4，y4)    B3(x3，y3))...(8) 

P4(x，y)＝B4(x1，y1)+u4*(B1(x1，y1)    B4(x4，y4))...(9) 

这里ui是标量加权值，i＝1，2，3，4。 

所述步骤4中具体运算包括下列步骤： 

(1)以从左到右，从上到下的方式扫描数字图像I(x，y)，假若没有与4个边界方程的任意一个产生交汇点时，则另令该点图像值为零，即I(x，y)＝0； 

(2)在从左到右，从上到下的方式扫描数字图像I(x，y)，与4个边界方程的任意两个产生交汇点时，在两个交汇点中间将各点的数字图像I(x，y)两值化，即 

当I(x，y)＜T_TREGION时，B(x，y)＝0；  。。。(10) 

当I(x，y)＞T_TREGION时，B(x，y)＝255；。。。(11) 

所述步骤5具体包括下列步骤： 

(1)对二值图像进行区域标记(Region labeling)，具体运算如下： 

(1.1)以从左到右，从上到下的方式扫描二值图像，当该点二值图像为0时，或者该点已经被标记为i值时，i＝1，2，...，继续下一图像点的扫描； 

(1.2)当该点二值图像为255时，则将该点设定为“种子点”，然后采用“淹没区域标记算法”(Flood Region Filling Algorithm)标记该区域为i，这里i＝1，2，...；在标记同时，对该区域计算面积值Ai； 

(1.3)当一个区域标记完毕后，回到步骤1.1继续扫描，直至完成整个图像的处理。 

(2)对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，即任何以上标记的区域Ai＜T_FILTER时，其各个像素点的标记值都被设置为0。具体运算如下： 

(2.1)以从左到右，从上到下的方式扫描二值图像，当该点二值图像被标记为i值时，i＝1，2，...，根据Ai＜T_FILTER是否成立，假若成立，则设置该点为0，从而消除了该点；小面积噪声区域； 

(2.2)继续按照2.1方式扫描，直至完成整个图像的处理。从而达到留下的区域关联K个“兴趣区域”的目的。 

所述步骤6具体包括下列步骤： 

(1)获得已经标志每个“兴趣区域”的(x，y)坐标集合，具体运算如下： 

(1.1)初始设置扫描变量参数i＝0，以从左到右，从上到下的方式扫描二值图像，当该点二值图像为0时，或该点标记为i值时，i＝1，2，...，且此i值“兴趣区域”已经被记录了其(x，y)位置信息，则继续下一图像点的扫描； 

(1.2)当该点二值图像为i+1时，则该点属于“兴趣区域”i+1，记录位置信息(x，y)_i；然后继续扫描下一个位置点，直至整个图像扫描结束； 

(1.3)当一个区域“兴趣区域”i+1扫描完毕后，将i增加为i+1，回到步骤1.1继续扫描，直至完成对所有“兴趣区域”K的处理。于是获得以下K个“兴趣区域”的坐标集合： 

0_1：{(x，y)|x from I1，y from J1}...(12-1) 

0_2：{(x，y)|x from I2，y from J2}...(12-2) 

0_k：{(x，y)|x from Ik，y from Jk}...(12-k) 

(2)以k个“兴趣区域”的坐标集合0_1，0_2，。。。，0_k，映射到初始数字图像I(x，y)，获得在初始数字图像上的K个“兴趣区域”I₁(x，y)，I₂(x，y)，...I_k(x，y)，即 

I₁(x，y)＝{(x，y)|x from I1，y from J1}...(13-1) 

I₂(x，y)＝{(x，y)|x from I2，y from J2}...(13-2) 

I_k(x，y)＝{(x，y)|x from Ik，y from Jk}...(13-k) 

所述步骤7具体包括下列步骤： 

对每个“兴趣区域”I_j(x，y)采用图像处理算法，计算总数目为M个的种子特征向量，表示为V^RGBj ₁＝(V^Rj ₁，V^Gj ₁，V^Bj ₁)，V^RGBj ₂＝(V^Rj ₂，V^gj ₂，V^Bj ₂)，...V^RGBj _M＝(V^Rj _M，V^Gj _M，V^Bj _M)；记为{V^RGBj _i|i＝1，2，...M}，这里j为“兴趣区域”I_j(x，y)标记，j＝1，2，...，K；综上所述，对于K个“兴趣区域”，有KxM个特征向量的集合如下： 

{V^RGB1 _i|i＝1，2，...M}for I₁(x，y)...(14-1) 

{V^RGB2 _i|i＝1，2，...M}for I₂(x，y)...(14-2) 

{V^RGBk _i|i＝1，2，...M}for I_k(x，y)...(14-1) 

本发明的效果是：基于机器视觉的比色法色彩特征向量自动提取方法，在CMOS彩色摄像头获取用于比色法的水质检测试纸的数字图像的基础上，经机器视觉处理算法，确定试纸样板条数字图像的K个“兴趣区域”(Region ofInterests)，并对每个区域分别计算M个色彩特征向量，从而获得KxM个特征向量集合，用于水质检测分光光度法的自动化。与采用激光光源的分光光度法技术，本发明以试剂纸比色条自动化为基础，实现了广谱水质测试功能，同时大幅降低了系统造价。 

下面结合附图和实施例对本发明做进一步的说明。 

附图说明

图1是本发明的结构示意图； 

图2是图1中试纸样板条的安装模具的结构示意图； 

图3是本发明工作流程图。 

具体实施方式

本发明为基于机器视觉的比色法色彩特征向量自动提取技术，该技术在CMOS彩色摄像头获取用于比色法的水质检测试纸的数字图像的基础上，经机器视觉处理算法，确定试纸样板条数字图像的K个“兴趣区域”(Region ofInterests)，并对每个区域分别计算M个色彩特征向量，从而获得KxM个特征向量集合，用于水质检测分光光度法的自动化。 

本发明的主要功能为： 

1、对用于比色法的水质检测试纸样板条使用CMOS摄像头摄取数字图像； 

2、在数字图像上进行模式识别，选取“兴趣区域”，经过数字图像前处理，提取色彩特征向量。 

图3中，基于机器视觉的试纸色彩特征向量自动提取技术含有七个主要运算步骤： 

步骤1：对水质检测试纸样板条上摄取数字图像，并在此图像上确定四个相关的定位点； 

步骤2：以定位点为基础，建立4个矢量直线方程，并以此矢量方程为边界设定搜索区域，为采用机器视觉技术在此搜索区域上找出“兴趣区域”界定范围做准备； 

步骤3：采用DDA(Digital Differential Algorithm)数字差分算法，将4个矢量直线方程，转换为4个以像素(Pixel)为基础的搜索区域边界方程； 

步骤4：设定门槛值T_REGION，以四个像素边界方程为界，将搜索区域内的图像转换为二值图像(Binary Image)； 

步骤5：对二值图像进行区域标记(Region labeling)，并对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，从而得到K个“兴趣区域”在二值图像上的位置； 

步骤6：以二值图像的K个“兴趣区域”作为模板向初始数字图像进行一一对应的映射，获得在初始数字图像上的K个“兴趣区域”； 

步骤7：在对应的初始数字图像的K个“兴趣区域”上分别处理每个区域，即在每个区域上计算相关的M个特征向量。如此在K个“兴趣区域”上，建立含有KxM个特征向量的集合。从而完成色彩特征向量自动提取。 

基于机器视觉的试纸色彩特征向量自动提取方法，具体包括下列步骤： 

步骤1：对置放于取样单元上的水质检测试纸样板条摄取数字图像，如图1所示，并在此数字图像上确定相关定位点位置； 

相关定位点位置的确定方法为： 

(1)生成二值图像B(x，y)定义的四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)。 

在试管1中设置有试纸样板条的安装模具2，在试纸样板条的安装模具2上有一个浅槽，其大小与试纸样板条的大小相当，可以使试纸样板条3顺利地插入和拔出，在此浅槽的边缘处分别装有四个光学反射点4(参见图1、图2)，这些点在光源的照射下，在摄取的数字图像上形成4个明亮的图像点。根据此特点，使用门槛值T_4-PT将数字图像I(x，y)转换位二值图像B(x，y)，其转换方法为： 

当I(x，y)＜T_4-PT时，B(x，y)＝0；  。。。(1) 

当I(x，y)＞T_4-PT时，B(x，y)＝255；。。。(2) 

这样此二值图像B(x，y)＝255的全部点，形成了4个四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)。 

(2)计算4个定位点B1(x1，y1)，B2(x2，y2)，B3(x 3，y 3)和B4(x4，y4)。 

在四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)上分别计算定位点B1(x1，y1)＝(X1，Y1)，B2(x2，y2)，B3(x3，y3)，B4(x4，y4)。具体方法是首先对四个邻域进行标记，即B1_REGION(x，y)标记为1，即令B1_REGION(x，y)＝1；B2_REGION(x，y)标记为2，即B2_REGION(x，y)＝2，B3_REGION(x，y)标记为3，即B3_REGION(x，y)＝3，和B4_REGION(x，y)标记为4，即B4_REGION(x，y)＝4。 

其次对于标记的各个区域分别计算位置中值(Xi，Yi)，for i＝1，2，3，4，公式如下： 

$A^i=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{Bi}}_{\mathrm{REGION}}(x,y);...\left(3\right)$

$\mathrm{xi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}x{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(4\right)$

$\mathrm{Yi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}y{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(5\right)$

这里i＝1，2，3，和4。 

于是这些中值分别为定位点：B1(x1，y1)＝(X1，Y1)，B2(x2，y2)＝(X2，Y2)，B3(x3，y3)＝(X3，Y3)和B4(x4，y4)＝(X4，Y4). 

步骤2：以定位点为基础，建立4个矢量直线方程； 

四个矢量直线方程如下： 

P1(x，y)＝B1(x1，y1)+u1*(B2(x2，y2)    B1(x1，y1))...(6) 

P2(x，y)＝B2(x1，y1)+u2*(B3(x3，y3)    B2(x2，y2))...(7) 

P3(x，y)＝B3(x1，y1)+u3*(B4(x4，y4)    B3(x3，y3))...(8) 

P4(x，y)＝B4(x1，y1)+u4*(B1(x1，y1)    B4(x4，y4))...(9) 

这里ui，是标量加权值，i＝1，2，3，4。 

步骤3：采用DDA(Digital Differential Algorithm)数字差分算法，将4个矢量直线方程，转换为4个以像素(Pixel)为基础的搜索区域边界方程。从而保证了边界方程将图像分割为搜索区域和非搜索区域两个互不连接的区域。 

步骤4：设定门槛值T_TREGION，将搜索区域内的图像转换为二值图像(BinaryImage)，获得K个“兴趣区域”，具体运算如下， 

(1)以从左到右，从上到下的方式扫描数字图像I(x，y)，假若没有与4个边界方程的任意一个产生交汇点时，则另令该点图像值为零，即I(x，y)＝0； 

(2)在从左到右，从上到下的方式扫描数字图像I(x，y)，与4个边界方程的任意两个产生交汇点时，在两个交汇点中间将各点的数字图像I(x，y)两值化，即 

当I(x，y)＜T_TREGION时，B(x，y)＝0；  。。。(10) 

当I(x，y)＞T_TREGION时，B(x，y)＝255；。。。(11) 

步骤5：对二值图像进行区域标记(Region labeling)，并对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，从而得到K个“兴趣区域”在二值图像上的位置。具体运算如下： 

(1)对二值图像进行区域标记(Region labeling)，具体运算如下： 

(1.1)以从左到右，从上到下的方式扫描二值图像，当该点二值图像为0时，或者该点已经被标记为i值时，i＝1，2，...，继续下一图像点的扫描； 

(1.2)当该点二值图像为255时，则将该点设定为“种子点”，然后采用“淹没区域标记算法”(Flood Region Filling Algorithm)标记该区域为i，这里i＝1，2，...；在标记同时，对该区域计算面积值Ai； 

(1.3)当一个区域标记完毕后，回到步骤1.1继续扫描，直至完成整个图像的处理。 

(2)对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，即任何以上标记的区域Ai＜T_FILTER时，其各个像素点的标记值都被设置为0。具体运算如下： 

(2.1)以从左到右，从上到下的方式扫描二值图像，当该点二值图像被标记为i值时，i＝1，2，...，根据Ai＜T_FILTER是否成立，假若成立，则设置该点为0，从而消除了该点；小面积噪声区域； 

(2.2)继续按照2.1方式扫描，直至完成整个图像的处理。从而达到留下的区域关联K个“兴趣区域”的目的。 

步骤6：以二值图像的K个“兴趣区域”作为模板向初始数字图像进行一一对应的映射，获得在初始数字图像上的K个“兴趣区域”，具体方法如下。 

(1)获得已经标志每个“兴趣区域”的(x，y)坐标集合，具体运算如下： 

(1.1)初始设置扫描变量参数i＝0，以从左到右，从上到下的方式扫描二值图像，当该点二值图像为0时，或该点标记为i值时，i＝1，2，...，且此i值“兴趣区域”已经被记录了其(x，y)位置信息，则继续下一图像点的扫描； 

(1.2)当该点二值图像为i+1时，则该点属于“兴趣区域”i+1，记录位置信息(x，y)_i；然后继续扫描下一个位置点，直至整个图像扫描结束； 

(1.3)当一个区域“兴趣区域”i+1扫描完毕后，将i增加为i+1，回到步骤1.1继续扫描，直至完成对所有“兴趣区域”K的处理。于是获得以下K 个“兴趣区域”的坐标集合： 

0_1：{(x，y)|x from I1，y from J1}...(12-1) 

0_2：{(x，y)|x from I2，y from J2}...(12-2) 

0_k：{(x，y)|x from Ik，y from Jk}...(12-k) 

(2)以k个“兴趣区域”的坐标集合0_1，0_2，。。。，0_k，映射到初始数字图像I(x，y)，获得在初始数字图像上的K个“兴趣区域”I₁(x，y)，I₂(x，y)，...I_k(x，y)，即 

I₁(x，y)＝{(x，y)|x from I1，y from J1}...(13-1) 

I₂(x，y)＝{(x，y)|x from I2，y from J2}...(13-2) 

I_k(x，y)＝{(x，y)|x from Ik，y from Jk}...(13-k) 

步骤7：在对应的初始数字图像的K个“兴趣区域”上计算K个特征向量集合群，即在每个“兴趣区域”上计算一个相对应的特征向量集合。通常这一个特征向量集合含有M个特征向量，结果如下： 

对每个“兴趣区域”I_j(x，y)采用图像处理算法，计算总数目为M个的种子特征向量，表示为V^RGBj ₁＝(V^Rj ₁，V^Gj ₁，V^Bj ₁)，V^RGBj ₂＝(V^Rj ₂，V^gj ₂，V^Bj ₂)，...V^RGBj _M＝(V^Rj _M，V^Gj _M，V^Bj _M)；记为{V^RGBj _i|i＝1，2，...M}，这里j为“兴趣区域”I_j(x，y)标记，j＝1，2，...，K；综上所述，对于K个“兴趣区域”，有KxM个特征向量的集合如下： 

{V^RGB1 _i|i＝1，2，...M}for I₁(x，y)...(14-1) 

{V^RGB2 _i|i＝1，2，...M}for I₂(x，y)...(14-2) 

{V^RGBk _i|i＝1，2，...M}for I_k(x，y)...(14-1)。 

Claims (7)

1.基于机器视觉的比色法色彩特征向量自动提取方法，其特征是包括下列步骤：

步骤1：在水质检测试纸样板条上摄取数字图像，并在此图像上确定四个相关的定位点；

步骤2：以步骤1中的定位点为基础，建立4个矢量直线方程，并以此矢量方程为边界设定搜索区域；

步骤3：采用DDA(Digital Differential Algorithm)数字差分算法，将4个矢量直线方程，转换为4个以像素(Pixel)为基础的搜索区域边界方程；

步骤4：设定门槛值T_REGION，以四个像素边界方程为界，将搜索区域内的图像转换为二值图像(Binary Image)；

步骤5：对二值图像进行区域标记(Region labeling)，并对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，从而得到K个“兴趣区域”在二值图像上的位置；

步骤6：以二值图像的K个“兴趣区域”作为模板向初始数字图像进行一一对应的映射，获得在初始数字图像上的K个“兴趣区域”；

步骤7：在对应的初始数字图像的K个“兴趣区域”上分别处理每个区域，即在每个区域上计算相关的M个特征向量，在K个“兴趣区域”上，建立含有KxM个特征向量的集合，从而完成色彩特征向量自动提取。

2.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤1中相关定位点位置的确定方法包括下列步骤：

(1)生成二值图像B(x，y)定义的四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)；

在试纸样板条的安装模具上有一个浅槽，其大小与试纸样板条的大小相当，可以使试纸样板条顺利地插入和拔出，在此浅槽的边缘处分别装有4个光学反射点，这些点在光源的照射下，在摄取的数字图像上形成4个明亮的图像点，使用门槛值T_4-PT将数字图像I(x，y)转换为二值图像B(x，y)，其转换方法为：

当I(x，y)＜T_4-PT时，B(x，y)＝0；...(1)

当I(x，y)＞T_4-PT时，B(x，y)＝255；...(2)

这样此二值图像B(x，y)＝255的全部点，形成了四个邻域B1_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)；

(2)计算4个定位点B1(x1，y1)，B2(x2，y2)，B3(x 3，y 3)和B4(x4，y4)；

在四个邻域Bl_REGION(x，y)，B2_REGION(x，y)，B3_REGION(x，y)和B4_REGION(x，y)上分别计算定位点B1(x1，y1)，B2(x2，y2)，B 3(x 3，y 3)，B4(x4，y4)；具体方法是首先对四个邻域进行标记，即B1_REGION(x，y)标记为1，即令B1_REGION(x，y)＝1；B2_REGION(x，y)标记为2，即B2_REGION(x，y)＝2，B3_REGION(x，y)标记为3，即B3_REGION(x，y)＝3，和B4_REGION(x，y)标记为4，即B4_REGION(x，y)＝4；

其次对于标记的各个区域分别计算位置中值(Xi，Yi)，这里i＝1，2，3，4，公式如下：

$A^i=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{Bi}}_{\mathrm{REGION}}(x,y);...\left(3\right)$

$\mathrm{Xi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}x{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(4\right)$

$\mathrm{Yi}=\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{M-1}{\mathrm{\Σ}}}y{\mathrm{Bi}}_{\mathrm{REGION}}(x,y)/A^i;...\left(5\right);$

于是这些中值分别为定位点：B1(x1，y1)＝(X1，Y1)，B2(x2，y2)＝(X2，Y2)，B3(x3，y3)＝(X3，Y3)和B4(x4，y4)＝(X4，Y4)。

3.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤2中建立四个矢量直线方程，四个矢量直线方程如下：

P1(x，y)＝B1(x1，y1)+u1*(B2(x2，y2)B1(x1，y1))；...(6)

P2(x，y)＝B2(x1，y1)+u2*(B3(x3，y3)B2(x2，y2))；...(7)

P3(x，y)＝B3(x1，y1)+u 3*(B4(x4，y4)B3(x 3，y 3))；...(8)

P4(x，y)＝B4(x1，y1)+u4*(B1(x1，y1)B4(x4，y4))；...(9)

其中，ui是标量加权值，i＝1，2，3，4。

4.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤4中具体运算包括下列步骤：

(1)以从左到右，从上到下的方式扫描数字图像I(x，y)，假若被扫描的数字图像点I(x，y)没有与4个边界方程的任意一个产生交汇点时，则另令该点图像值为零，即I(x，y)＝0；

(2)在从左到右，从上到下的方式扫描数字图像I(x，y)，与4个边界方程的任意两个产生交汇点时，在两个交汇点中间将各点的数字图像I(x，y)两值化，即

当I(x，y)＜T_TREGION时，B(x，y)＝0；...(10)

当I(x，y)＞T_TREGION时，B(x，y)＝255；...(11)。

5.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤5具体包括下列步骤：

(1)对二值图像进行区域标记(Region labeling)，具体运算如下：

(1.1)以从左到右，从上到下的方式扫描二值图像，当某点二值图像为0时，或者某点已经被标记为i值时，i＝1，2，...，继续下一图像点的扫描；

(1.2)当某点二值图像为255时，则将此点设定为“种子点”，然后采用“淹没区域标记算法”(Flood Region Filling Algorithm)标记该“种子点”所在区域为i，这里i＝1，2，...；在标记同时，对该“种子点”所在区域计算面积值Ai；

(1.3)当一个区域标记完毕后，回到步骤1.1继续扫描，直至完成整个图像的处理；

(2)对标记后的二值图像在设定的门槛值T_FILTER下，进行噪声滤波预处理，即任何以上标记的区域Ai＜T_FILTER时，其各个像素点的标记值都被设置为0，具体运算如下：

(2.1)以从左到右，从上到下的方式扫描二值图像，当某点二值图像被标记为i值时，i＝1， 2，...，根据Ai＜T_FILTER是否成立，假若成立，则设置此点为0，从而消除此点；

(2.2)继续按照2.1方式扫描，直至完成整个图像的处理。

6.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤6具体包括下列步骤：

(1)获得已经标志每个“兴趣区域”的(x，y)坐标集合，具体运算如下：

(1.1)初始设置扫描变量参数i＝0，以从左到右，从上到下的方式扫描二值图像，当某点二值图像为0时，或某点标记为i值时，i＝1，2，...，且此i值“兴趣区域”已经被记录了其(x，y)位置信息，则继续下一图像点的扫描；

(1.2)当某点二值图像为i+1时，则此点属于“兴趣区域”i+1，记录位置信息(x，y)i；然后继续扫描下一个位置点，直至整个图像扫描结束；

(1.3)当一个区域“兴趣区域”i+1扫描完毕后，将i增加为i+1，回到步骤1.1继续扫描，直至完成对所有“兴趣区域”K的处理；于是获得以下K个“兴趣区域”的坐标集合：

0_1：{(x，y)|x起始于I1，y起始于J1}；...(12-1)

0_2：{(x，y)|x起始于I2，y起始于J2}；...(12-2)

......

0_k：{(x，y)|x起始于Ik，y起始于Jk}；...(12-k)

(2)以k个“兴趣区域”的坐标集合0_1，0_2，...，0_k，映射到初始数字图像I(x，y)，获得在初始数字图像上的K个“兴趣区域”I₁(x，y)，I₂(x，y)，...I_k(x，y)，即

I₁(x，y)＝{(x，y)|x起始于I1，y起始于J1}；...(13-1)

I₂(x，y)＝{(x，y)|x起始于I2，y起始于J2}；...(13-2)

......

I_k(x，y)＝{(x，y)|x起始于Ik，y起始于Jk}；...(13-k)。

7.根据权利要求1所述的基于机器视觉的比色法色彩特征向量自动提取方法，其特征是所述步骤7具体包括下列步骤：

对每个“兴趣区域”I_j(x，y)采用图像处理算法，计算总数目为M个的种子特征向量，表示为V^RGBj ₁＝(V^Rj ₁，V^Gj ₁，V^Bj ₁)，V^RGBj ₂＝(V^Rj ₂，V^gj ₂，V^Bj ₂)，...V^RGBj _M＝(V^Rj _M，V^Gj _M，V^Bj _M)；记为{V^RGBj _i|i＝1，2，...M}，这里j为“兴趣区域”I_j(x，y)标记，j＝1，2，...，K；对于K个“兴趣区域”，有KxM个特征向量的集合如下：

{V^RGB1 _i|i＝1，2，...M}对于I₁(x，y)；...(14-1)

{V^RGB2 _i|i＝1，2，...M}对于I₂(x，y)；...(14-2)

{V^RGBk _i|i＝1，2，...M}对于I_k(x，y)；...(14-1)。

Images