CN103258333A - 基于Lab颜色空间的竹材横断面提取算法 - Google Patents

Abstract

基于Lab颜色空间的竹材横断面提取算法包括以下步骤：通过图像传感器采集竹材横断面图像信息，对其进行分析和处理，利用Lab颜色空间的a、b通道对于竹材颜色范围的重合性，混合组成特征向量，采用聚类算法实现图像分割，滤波后得到竹材断面图像，并最终利用圆拟合算法实现竹材断面的框定。本发明的方法不受光照变化的影响，能够快速、正确和有效地识别竹材端面，分割效果好，框定准确，而且算法计算过程简单，实时性强，可以满足竹材机器自动加工的需要，并根据竹材图像判断竹材加工工艺的质量和效果，指导下一步的加工处理，对实现竹材加工自动化具有重要的意义。

Description

基于Lab颜色空间的竹材横断面提取算法

所属技术领域

本发明涉及一种基于图像的竹材横断面提取算法，尤其涉及一种Lab颜色空间的图像分割算法以及竹材横断面图像框定算法。

背景技术

随着中国经济的快速发展，经济建设和人们生活对木材的需求量持续增长。目前我国林业正经历由以木材生产为主向以生态建设为主的历史性转变，特别是随着天然林资源保护工程的实施，木材产量锐减，进口量明显上升。中国是世界上竹类资源最为丰富、竹林面积最大、产量最多的国家之一，竹材料作为低碳、环保、节能减排、生态、创新、可持续发展、民族特色的新型材料，已成为木材很好的替代品，也必将是未来主流材料。传统竹材加工工艺采用横截圆锯机将竹材分段，然后使用机械破竹机将圆形竹段纵向用楔状分半器分割开，由于需要按照竹材直径大小，手动更换具有不同刀片数目的半分器，才能保证竹片具有相同的弧度，且在操作中还要使竹两端的几何中心与半分器中心和挡块锥体的锥尖对准，才能提高加工精度。操作过程手工上料，并手工换刀，费事费力，自动化加工实现难度大。而竹材快速有效的加工，对实现竹材的有效利用具有重要意义。为了提高竹材加工技术、加工效率以及加工过程中加工效果的评测，在竹材加工过程中采用基于图像识别的工艺，并将数控与自动化技术引进竹材加工领域。竹材图像的识别在竹材加工中具有关键性的作用，目前基于图像的目标识别方法很多，但由于目标不同，方法并不能通用，同时实际工作现场情况较复杂，基于灰度图的分割方法易受背景干扰，且受天气和光照的影响较大，彩色图像比灰度图像提供更为丰富的信息，其中基于RGB颜色空间目标识别应用很多，如Xuanyin Wang等人在文献1“Surface grading of bamboo strips using multi-scale color texture features in eigenspace”（Computersand Electronics in Agriculture，2010，,73（1））利用RGB颜色空间和纹理特征组成特征向量，实现竹条表面分级，郑成勇在文献2“一种RGB颜色空间中的车牌定位新方法”（中国图象图形学报,2010,15(11)）中在RGB颜色空间提取车牌颜色特征，设计一种车牌检验方法，实现车牌定位。但由于RGB三分量之间存在很强的相关性，冗余信息多、计算量大，且模型只能反映图像中各像素点颜色梯度的变化，无法体现色相间的差异，因而不适于直接用于基于三个分量进行独立运算的图像分割。而Lab被视为与设备无关的颜色模型，且侯玲艳在文献3“毛竹材表面湿润性及颜色的研究”（内蒙古农业大学硕士学位论文,2010）中通过实验得出不同竹龄毛竹材随竹龄的增加，竹材表面明度指数变化幅度不大，且不同竹龄毛竹材随竹龄的增加，竹材表面的颜色变化不大，其Lab颜色空间的a通道值在0左右，b通道的值在30左右，这一特点为利用Lab颜色空间来分割竹材断面图像提供了依据。

发明内容

本发明的目的是提供一种基于Lab颜色空间的竹材横断面提取算法，该算法采用基于Lab颜色空间特征提取方法聚类实现分割图像，并通过圆拟合实现对竹材横断面的框定。算法不受光照变化的影响，分割效果好，框定准确，而且算法计算过程简单，实时性强。

为了达到上述目的，本发明采用如下技术方案：

基于Lab颜色空间的竹材横断面提取算法，包括以下步骤：

（1）将采集到得RGB图像变换到Lab颜色空间，提取a，b通道颜色信息组成特征向量，并利用聚类算法对特征向量进行分类，形态学操作去除掉小的区域后，得到分割的竹材横断面图像。Lab颜色空间的混合特征向量按公式fea(m,n)=(1-λ)*a(m,n)+λ*b(m,n)计算，其中a、b为Lab颜色空间的a、b通道，m和n的最大值为二维图像的大小，m代表行像素，n代表列像素，λ是一个可调参数该，算法所采用的值为0.2，原始图像的特征图像为二维特征向量，按公式Feature_Image(m,n)={fea(m,n),a(m,n)}计算；

（2）对分割后的图像提取最大连通部分，利用圆拟合算法实现竹材横断面的框定，最后得到竹材断面的外边界及半径，算法结束。圆拟合竹材框定算法为：先求取最大连通区域的四个边界点left，right，top，bottom，假定得到的四个边界点为待分割的竹材端面（这里假定为正圆），那么top，bottom两点组成直线和left，right两点组成直线的交点P即将为圆心，然后分别对上面四点中的每三个点进行一次圆拟合，选取拟合后的四个圆心中与P点距离最小的点为最终框定的圆的圆心，R为半径，得到竹材断面的外边界。具体的三点A、B、C的圆拟合计算圆心坐标和半径的公式为 $\begin{array}{c}{O}_x=\frac{1}{2}[x_b+x_c+(y_b-y_c)\·c\tan r]\\ O_y=\frac{1}{2}[y_b+y_c+(x_c-x_b)\·c\tan r]\end{array},$ R=S_BC/2sinr，其中S_BC为线段BC的长度，x_b,y_b为B点坐标，x_c,y_c为C点坐标，∠CAB=r。

附图说明

图1是基于Lab颜色空间的竹材横断面提取算法流程图；

图2是三点拟合圆示意图；

图3是实验用的原始竹材横断面图像；

图4是对原始图像进行图像分割后的分割结果；

图5是对分割结果进行框定的结果图；

具体实施方式：

图1是基于Lab颜色空间的竹材横断面提取算法流程图；本发明的基于Lab颜色空间的竹材横断面提取算法包括以下步骤：

（1）将采集到得RGB图像变换到Lab颜色空间；

（2）提取a、b通道颜色信息，按公式fea(m,n)=(1-λ)*a(m,n)+λ*b(m,n)提取特征向量，并按公式Feature_Image(m,n)={fea(m,n),a(m,n)}组成混合特征向量；其中a、b为Lab颜色空间的a、b通道，m和n的最大值为二维图像的大小，m代表行像素，n代表列像素。λ是一个可调参数，此处设置为0.2；

（3）利用聚类算法对特征向量进行分类；

（4）利用形态学操作去除掉小的区域，得到分割的竹材横断面图像；

（5）对于分割后的结果图像，得到最大连通分割图像；

（6）得到分割竹材断面图像的四个边界点left，right，top，bottom；假定得到的四个边界点为待分割的竹材端面（这里假设为正圆），那么top，bottom两点组成直线和left，right两点组成直线的交点P即将为圆心；

（7）分别对四个边界点left，right，top，bottom中的每三个点进行一次圆拟合，具体的三点A、B、C的圆拟合计算圆心坐标和半径的公式为 $\begin{array}{c}{O}_x=\frac{1}{2}[x_b+x_c+(y_b-y_c)\·c\tan r]\\ O_y=\frac{1}{2}[y_b+y_c+(x_c-x_b)\·c\tan r]\end{array},$ R=S_BC/2sinr，其中S_BC为线段BC的长度，x_b,y_b为B点坐标，x_c,y_c为C点坐标，∠CAB=r，如图2所示。选取拟合后的四个圆心中与P点距离最小的点为最终框定的圆的圆心，R为半径，得到竹材断面的外边界。

图3为采集到的4种大小为256*256的竹材横断面图像；

图4是通过上述方法对的实验竹材断面图像进行分割实验得到的结果图。从该实验结果分析，该方法能够成功地从背景中分离出整竹，分割效果良好，算法的鲁棒性很高；

图5是对所得分割结果图像进行框定算法后得到结果图，图中蓝色“*”表示最后得到的圆心，红色“*”为四个边界点及其交点P。从框定的实验结果可以看出，对于正面的竹材图像（图a），能够准确的分割及框定其端面，对于左右倾斜的图像（图c，d）也能够竹材断面进行正确的框定，图b由于其竹材图像的断面不是很规则且倾斜角度较小，四个点在同一个圆上，致使框定有一定误差。从算法的运行时间、分割正确率以及计算结果的误差来看，系统能够满足实时在线检测的要求，当计算机对竹材图像进行正确的识别并测算出竹材的横断面直径大小后，会给竹材加工系统发送一个输出结果，系统根据结果判断下一步的机械动作，并做好准备工作。

Claims (3)

1.基于Lab颜色空间的竹材横断面提取算法，包括以下步骤：

(1)将采集到得RGB图像变换到Lab颜色空间，提取a、b通道颜色信息组成特征向量，并利用聚类算法对特征向量进行分类后，形态学操作去除掉小的区域后得到分割的竹材横断面图像；

(2)对分割后的图像提取最大连通部分，利用圆拟合算法实现竹材横断面的框定，最后得到竹材断面的外边界及半径，算法结束。

2.根据权利要求1所述的基于Lab颜色空间的竹材横断面提取算法，其特征在于，所述步骤(1)的Lab颜色空间的混合特征向量按公式fea(m,n)=(1-λ)*a(m,n)+λ*b(m,n)计算，其中a、b为Lab颜色空间的a、b通道，m和n的最大值为二维图像的大小，m代表行像素，n代表列像素，λ是一个可调参数，算法所采用的值为0.2，原始图像的特征图像为二维特征向量，按公式Feature_Image(m,n)={fea(m,n),a(m,n)}计算。

3.根据权利要求1所述的基于Lab颜色空间的竹材横断面提取算法，其特征在于，所述步骤(2)的圆拟合竹材框定算法为：先求取最大连通区域的四个边界点left，right，top，bottom，假定得到的四个边界点为待分割的竹材端面（假定为正圆），那么top，bottom两点组成直线和left，right两点组成直线的交点P即将为圆心，然后分别对上面四点中的每三个点进行一次圆拟合，选取拟合后的四个圆心中与P点距离最小的点为最终框定的圆的圆心，R为半径；得到竹材断面的外边界。具体的三点A、B、C的圆拟合计算圆心坐标和半径的公式为 $\begin{array}{c}{O}_x=\frac{1}{2}[x_b+x_c+(y_b-y_c)\·c\tan r]\\ O_y=\frac{1}{2}[y_b+y_c+(x_c-x_b)\·c\tan r]\end{array}$ ，R=S_BC/2sinr，其中S_BC为线段BC的长度，x_b,y_b为B点坐标，x_c,y_c为C点坐标，∠CAB=r。

Images