CN108734731B - 一种基于机器视觉的类圆颗粒目标计数方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的类圆颗粒目标计数方法。所述计数方法首先进行图像采集，然后进行图像增强预处理和提取类圆颗粒的扩展边缘特征，接着根据提取的扩展边缘特征重构类圆颗粒特征，最后进行类圆颗粒特征分割和消除噪声，最终实现类圆颗粒目标的计数。该方法基于类圆颗粒之间的扩展边缘特征信息，采用一种特征重构的方法重建类圆颗粒的特征，从而实现类圆颗粒的快速准确分割计数；计数算法效率高、鲁棒性好、准确率高，能满足生产线的实时性要求，提升生产线的自动化水平，具有实际应用价值。

Description

一种基于机器视觉的类圆颗粒目标计数方法

技术领域

本发明属于机器视觉与模式识别技术领域，特别是涉及一种基于机器视觉和图像特征中的特征重构的类圆颗粒目标计数方法。

背景技术

类圆形颗粒图像分析与处理技术是计算机视觉应用领域的一个重要研究内容，在医疗健康、农产品加工、工业生产等不同领域都有广泛的应用需求，如：苹果、鸡蛋等农产品的包装计数，棒材、嘴棒等工业生产的计数，早期检测分析各种显微图像中的细胞颗粒数量、形态等进行重大疾病诊断。这些类圆颗粒具有排列紧密，纹理、灰度特征相似等特征信息，且颗粒之间相互粘连组合形成各种复杂的结构。对类圆颗粒目标进行准确分割计数在工农业生产制造、医疗健康等应用领域具有重要意义，因此如何对大量复杂颗粒组合有效提取其特征信息，并精确将其分割成独立的颗粒个体显得异常困难，这就对传统的图像分割方法提出新的挑战。

近几年来，国内外学者就该内容进行广泛而深入的研究，提出许多有效的分割方法，并取得许多研究成果，这些方法可以归纳为两种：基于边缘分析的分割方法和基于形态学的分割方法。基于边缘分析的分割方法的基本思想是：首先提取类圆颗粒复合区域的边缘特征信息，然后在边缘上快速、准确地找到若干分离点；每两个分离点就是一个点对，每个点对之间的边缘组成颗粒目标的非遮挡边缘；然后，基于分离点采用先验知识的椭圆拟合等方法准确提取或者估计堆叠区域内部的分离线，将堆叠颗粒区域划分为对应的独立颗粒目标，从而实现堆叠颗粒目标分割。但基于边缘分析的分割方法下的颗粒目标分割不能很好解决以下问题：①堆叠颗粒的形状各异，相互连接处的分离点并不清晰；②颗粒目标受到挤压边缘具有不光滑和不规则的特点，分离点容易噪声干扰；③堆叠颗粒区域之间的对比度非常小、甚至不存在；④算法复杂度大，适用范围也受到限制，不太适合大规模工业生产应用。基于形态学的方法是目前广泛使用的一种颗粒目标分割方法，其基本原理是先选取适合的结构元素对堆叠颗粒二值化图像重复腐蚀操作使颗粒区域不断收缩，当收缩使颗粒目标堆叠产生凹陷处，堆叠区域会被分割成与真实颗粒对应的目标核，最后对目标核做相同次数的膨胀运算，生成颗粒目标的原始形状。但是基于形态学的分割方法存在两方面问题：①当颗粒堆叠、挤压严重时，粘连处收缩不均匀，使得部分堆叠区域即使经过数次腐蚀，也很难分割成独立的目标核；②腐蚀与膨胀不是互逆算子，即使经过相同次数的腐蚀与膨胀操作，也不能保证完全恢复原图像，导致分割误差。

因此，探索适合在线检测鲁棒性好、准确率高、实时性好的分割计数方法，以解决工农业生产等领域应用还需进一步研究。

发明内容

本发明的目的就是针对现有技术的不足，提供一种基于机器视觉的类圆颗粒目标计数方法，该方法基于类圆颗粒之间的扩展边缘特征信息，采用一种特征重构的方法重建类圆颗粒的特征，从而实现类圆颗粒的快速准确分割计数。本发明方法计数算法效率高、鲁棒性好、准确率高，能满足生产线的实时性要求，提升生产线的自动化水平，具有实际应用价值。

为实现上述目的，本发明的技术方案是：

本发明提出一种基于机器视觉和特征重构的类圆颗粒目标计数方法，具体步骤如下：

(一)图像采集。针对需要计数的类圆颗粒目标，进行图像采集，得到需计数类圆颗粒目标图像。采集图分辨率需要满足：图像中单个类圆颗粒目标有效像素点个数不低于10*10。

(二)图像增强预处理。针对步骤(一)中得到的需计数类圆颗粒目标图像，采用分块直方图均衡化进行对比度增强，同时有效降低噪声干扰，得到增强图像I。

(三)提取类圆颗粒的扩展边缘特征。针对步骤(二)中得到的增强图像I，采用形态学方法I_edge＝I-(I·B)，提取类圆颗粒自身边缘与相邻类圆颗粒目标之间的间隙区域作为扩展边缘特征(本发明定义的扩展边缘特征为类圆颗粒自身边缘与相邻类圆颗粒目标之间的间隙区域，如附图1所示)，得到边缘特征图I_edge；式中，I为步骤(二)中得到的增强图像，

和

分别表示形态学膨胀和腐蚀操作，B为圆形的结构元素、其半径小于等于类圆颗粒半径同时大于等于二分之一类圆颗粒半径。

(四)根据提取的扩展边缘特征重构类圆颗粒特征。针对步骤(三)中得到的边缘特征图I_edge的每一个像素点，结合类圆颗粒的尺度信息，采用

进行卷积，得到归一化的类圆颗粒特征重构能量图E；式中，H(u,v)为能量卷积模板、

F(u,v)为归一化能量卷积模板、

其中d₁表示类圆颗粒半径、d₂表示类圆颗粒包含扩展边缘特征(扩展边缘特征是指类圆颗粒自身边缘与相邻类圆颗粒目标之间的间隙区域)的外接圆半径、且满足d₁＜d₂，D表示卷积模板中元素距离卷积模板中心的距离。

(五)类圆颗粒特征分割。针对步骤(四)中得到的类圆颗粒特征重构能量图E，采用MSER方法进行类圆颗粒特征分割，实现在线性时间复杂度下分割出所有的类圆颗粒的特征区域，得到二值化分割图像，同时得到每个分割区域面积Q_k(即每个分割区的二值化图像面积，用该分割区域包含的有效像素点个数表示)。

(六)消除噪声与类圆颗粒目标的计数。根据需要计数的类圆颗粒目标规格，确定类圆颗粒目标的最小面积分割阈值θ，针对步骤(五)中得到的每个分割区域面积Q_k，采用

进行噪声消除，然后采用Sum＝∑C(Q_k)进行类圆颗粒计数，最终得到需要计数的类圆颗粒目标数量。

与现有技术相比，本发明的有益效果是：基于类圆颗粒之间的扩展边缘特征信息，采用一种特征重构的方法重建类圆颗粒的特征，从而实现类圆颗粒的快速准确分割计数；计数算法效率高、鲁棒性好、准确率高，平均计数准确率达到99.95％，能满足生产线的实时性要求，提升生产线的自动化水平，具有实际应用价值。

附图说明

图1是本发明定义的扩展边缘特征示意图。图中圆圈圈出的部分即为扩展边缘特征。

图2是实施例中图像采集得到的需计数类圆颗粒目标图像。

图3是图2的局部图像。

图4是对图3进行对比度增强得到的增强图像。

图5是对图4进行提取扩展边缘特征得到的边缘特征图。

图6是对图5进行重构类圆颗粒特征得到的归一化的类圆颗粒特征重构能量图。

图7是对图6进行类圆颗粒特征分割得到的二值化分割图像。

图8是图2中局部低对比度的计数标注结果示意图。

图9是图2中局部高亮度的计数标注结果示意图。

图10是图2中局部常规亮度的计数标注结果示意图。

图11是图2整盘嘴棒的计数标注结果示意图。

具体实施方式

下面结合附图，对本发明的优选实施例作进一步的描述。

如图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11所示。在嘴棒的工业生产计数领域，基于本发明的类圆颗粒目标计数方法研发了密集嘴棒高速计数设备。使用密集嘴棒高速计数设备时，只需把打包成盘的嘴棒(每盘包含数千只嘴棒)通过入口推进计数系统，即可自动完成图像采集和计数，绿灯亮起表明计数完成。所述基于机器视觉的类圆颗粒目标计数方法步骤如下：

第一步，针对推进计数系统的一盘嘴棒，进行图像采集，得到需计数类圆颗粒目标图像，如附图2所示。

第二步，针对第一步中得到的需计数类圆颗粒目标图像，采用分块直方图均衡化进行对比度增强，得到增强图像I。局部增强图像如图4所示。

第三步，针对第二步中得到的增强图像I，采用形态学方法I_edge＝I-(I·B)，提取类圆颗粒自身边缘与相邻类圆颗粒目标之间的间隙区域作为扩展边缘特征，得到边缘特征图I_edge；式中，I·B＝(I⊕B)ΘB，⊕和Θ分别表示形态学膨胀和腐蚀操作，B为圆形的结构元素、本样品在4096*2048成像分辨率下图像中类圆颗粒的半径为20像素。局部边缘特征图如图5所示。

第四步，针对第三步中得到的边缘特征图I_edge的每一个像素点，采用

进行卷积，得到归一化的类圆颗粒特征重构能量图E；式中，H(u,v)为能量卷积模板、

F(u,v)为归一化能量卷积模板、

其中d₁表示类圆颗粒半径、d₂表示类圆颗粒包含扩展边缘特征的外接圆半径、且满足d₁＜d₂，D表示卷积模板中元素距离卷积模板中心的距离，其中根据先验知识参数d₁＝20，d₂＝25。局部归一化的类圆颗粒特征重构能量图如图6所示。

第五步，针对第四步中得到的类圆颗粒特征重构能量图E，采用MSER方法进行类圆颗粒特征分割，得到二值化分割图像，同时得到每个分割区域面积Q_k。局部二值化分割图像如图7所示。

第六步，根据嘴棒规格，确定在4096*2048成像分辨率下类圆颗粒目标的最小面积分割阈值θ为80，针对第五步中得到的每个分割区域面积Q_k，采用

进行噪声消除，然后采用Sum＝∑C(Q_k)进行类圆颗粒计数，最终得到推进计数系统的一盘嘴棒数量为4278。为显示类圆颗粒计数效果，标注类圆颗粒的计数定位处如图8-图11所示。平均计数准确率达到99.95％。

Claims (1)

1.一种基于机器视觉的类圆颗粒目标计数方法，其特征在于：所述类圆颗粒目标计数方法步骤如下：

(一)针对需要计数的类圆颗粒目标，进行图像采集，得到需计数类圆颗粒目标图像；

(二)针对步骤(一)中得到的需计数类圆颗粒目标图像，采用分块直方图均衡化进行对比度增强，得到增强图像I；

(三)针对步骤(二)中得到的增强图像I，采用形态学方法I_edge＝I-(I·B)，提取类圆颗粒自身边缘与相邻类圆颗粒目标之间的间隙区域作为扩展边缘特征，得到边缘特征图I_edge；式中，

和

分别表示形态学膨胀和腐蚀操作，B为圆形的结构元素、其半径小于等于类圆颗粒半径同时大于等于二分之一类圆颗粒半径；

(四)针对步骤(三)中得到的边缘特征图I_edge的每一个像素点，采用

进行卷积，得到归一化的类圆颗粒特征重构能量图E；式中，H(u,v)为能量卷积模板、

F(u,v)为归一化能量卷积模板、

其中d₁表示类圆颗粒半径、d₂表示类圆颗粒包含扩展边缘特征的外接圆半径、且满足d₁＜d₂，D表示卷积模板中元素距离卷积模板中心的距离；

(五)针对步骤(四)中得到的类圆颗粒特征重构能量图E，采用MSER方法进行类圆颗粒特征分割，得到二值化分割图像，同时得到每个分割区域面积Q_k；

(六)根据需要计数的类圆颗粒目标规格，确定类圆颗粒目标的最小面积分割阈值θ，针对步骤(五)中得到的每个分割区域面积Q_k，采用

进行噪声消除，然后采用Sum＝∑C(Q_k)进行类圆颗粒计数，最终得到需要计数的类圆颗粒目标数量。

Images