CN109447036A - 一种图像数字分割与识别方法及系统 - Google Patents

Abstract

本公开提供了一种图像数字分割与识别方法及系统，通过采集原始钢板图片，对图片进行灰度化和阈值二值化的预处理，对预处理后的图像进行边缘检测；根据边缘检测结果确定图像的偏转角度，并根据偏转角度对图像进行校正，形成目标图像，利用支持向量机法对目标图像进行分割，并对分割后的图像进行腐蚀和膨胀优化，利用神经网络识别优化后的图像，得到识别结果，本公开能够较好的解决对复杂环境下的图像识别度不高的问题，能够准确和快速的自动分割识别钢板上的字符。

Description

一种图像数字分割与识别方法及系统

技术领域

本公开涉及一种图像数字分割与识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着自动化技术的发展，工厂生产效率的提高，对生产出的大量产品进行分类识别变得越来越有必要。因此我们需要提取进行分类的字符。

随着机器视觉技术的迅速发展，以及神经网络算法的丰富与成熟，机器视觉被应用到越来越多的领域当中，来对字符进行分割和识别。如车牌检测，电子支付等。图像分割和识别技术配合一些成熟的算法和设备能够对工厂中产品的管理起到很大的作用，图像分割识别技术广泛应用于国内外的工厂的产品管理系统中。

然而，由于工厂内灯光、阴影等环境因素较为复杂，造成字符与背景进行分割时比较困难，使得钢板字符分割识别的难度加大。

发明内容

本公开为了解决上述问题，提出了一种图像数字分割与识别方法及系统，本公开能够将钢板从整个图像中分离出来，可以避免因外界环境干扰所造成的图像识别误差。

根据一些实施例，本公开采用如下技术方案：

一种图像数字分割与识别方法，包括以下步骤：

采集原始钢板图片，对图片进行灰度化和阈值二值化的预处理；

对预处理后的图像进行边缘检测；

根据边缘检测结果确定图像的偏转角度，并根据偏转角度对图像进行校正，形成目标图像；

利用支持向量机法对目标图像进行分割，并对分割后的图像进行腐蚀和膨胀优化，利用神经网络识别优化后的图像，得到识别结果。

作为进一步的限定，图片灰度化是，利用平均值法，即将彩色图像中的三分量亮度求平均得到一个灰度值，以表示图像的灰度值。

作为进一步的限定，在进行图片阈值二值化时，利用最大类间方差法来挑选阈值。

作为更进一步的限定，最大类间方差法中，构建目标函数：

g(T)＝w₀×(u₀-u)²+w₁×(u₁-u)²

其中，w0为前景点占图像的比例，u0为前景点占图像的均值，w1为背景点占图像比例，u1为背景点占图像均值，u为整个图像的均值，u＝w0*u0+w1*u1，当g(T)取得全局最大值，此时的T为最佳阈值。

作为进一步的限定，使用edge函数对图像进行边缘检测，在edge函数中使用canny边缘检测算法来检测灰度化和阈值二值化后的图像的边缘。

作为进一步的限定，利用hough变换来得到目标图像的边框，从而能够标记出钢板的在图像中的具体位置，然后通过下边框和水平线间的夹角来对对象进行旋转矫正，最后展示出旋转后的图像。

作为进一步的限定，利用支持向量机进行图像分割的具体过程为，找到区分不同像素点的特征，选取多个前景点作为字符的特征点，选取多个背景点作为要去除的图像的特征点，利用支持向量机对进行训练，并分割图像。

作为进一步的限定，利用imdilate和imerode函数对目标图像进行若干次膨胀与腐蚀操作。

作为进一步的限定，将分割后的图像缩放为模板库中与模板图片一样大小的图片，利用hopfield神经网络对所得出的字符进行识别。

一种图像数字分割与识别系统，运行于处理器或存储器上，被配置为执行以下指令：

接收采集的原始钢板图片，对图片进行灰度化和阈值二值化的预处理；

对预处理后的图像进行边缘检测；

根据边缘检测结果确定图像的偏转角度，并根据偏转角度对图像进行校正，形成目标图像；

利用支持向量机法对目标图像进行分割，并对分割后的图像进行腐蚀和膨胀优化，利用神经网络识别优化后的图像，得到识别结果。

与现有技术相比，本公开的有益效果为：

本公开将钢板从整个图像中分离出来，可以避免因外界环境干扰所造成的图像识别误差，同时减少了数据处理时间；

本公开在对图像进行分割时会根据不同图像选取不同的前景和背景点，适用面广；

本公开采用最大类间方差法与支持向量机算法相结合的方式对钢板上的图像进行自动分割提取，能够较好的解决对复杂环境下的图像识别度不高的问题，能够准确和快速的自动分割识别钢板上的字符，提高了狮蝎的准确率。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为总体流程图。

图2为原图与边缘检测定位后的效果图。

图3为图片校正后的效果图。

图4为使用OSTU算法进行图片处理后的效果图。

图5为图像分割后的效果图。

图6为腐蚀膨胀后的效果图

图7为离散Hopfield网络结构。

图8为识别后的效果图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。

本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

支持向量机的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支持向量机的理论基础是统计学习理论，更精确的说，支持向量机是结构风险最小化的近似实现。这个原理基于这样的事实：学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于VC维数的项的和为界，在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化，从而在分割图像时能把目标图像和背景准确的分离开来。

本实施例提供了一种图像分割识别方法，参考图1，为本发明实施例的图像分割识别方法流程图。

图像分割识别方法，包括以下步骤：

步骤1，使用摄像头采集到原始钢板图片，然后对图片进行图片灰度化和阈值二值化处理，此处使用最大类间方差法来挑选阈值；

步骤1-1，图像灰度化：在RGB模型中，如果R＝G＝B时，则彩色此时为一种灰度颜色，其中R＝G＝B的值叫做灰度值，因此灰度图像每个像素只需要一个字节来存放灰度值(又称为强度值、亮度值)，灰度范围为0-255。我们采用平均值法，即将彩色图像中的三分量亮度求平均得到一个灰度值，公式如下：

Gray(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3

Gray表示图像的灰度值；

步骤1-2，图像二值化处理：该处理方式就是先挑选出一个合适的阈值，然后一改阈值为界限，把灰度图像转化为只包含黑与白的图像。小于阈值的为黑色点，大于阈值的为白色点，公式如下：

其中g(i，j)表示某店处的灰度值，T为阈值；

步骤1-3，最大类间方差法(ostu)：该方法的主要思想就是使目标与背景这两个类的类间方差最大。对于一幅图像来说，T为前景与背景的分割阈值时，前景点占图像的比例为w0，均值为u0，背景点占图像比例为w1，均值为u1。整个图像的均值为u＝w0*u0+w1*u1。此时我们建立目标函数：

g(T)＝w₀×(u₀-u)²+w₁×(u₁-u)²

g(T)是分割阈值为T时的类间方差表达式。OSTU算法使得g(T)取得全局最大值,此时的T为最佳阈值。

步骤2为对灰度图像进行图像滤波和边缘检测处理：在MATLAB中使用edge函数对图像进行边缘检测，在edge函数中我们把参数设定为canny，即我们使用canny边缘检测算法来检测灰度化和阈值二值化后的图像的边缘。

具体方法包括利用canny算法进行边缘检测，使用hough函数进行轮廓提取。

步骤2-1，canny算法的监测目标为：1低失误率，即要少将真的边缘丢失，也要少将非边缘判断为边缘；2高位置精度，检测出的边缘应在真正的边界上；3单像素边缘，即对每个边缘有唯一的响应，得到的边界为单像素宽。

实现过程为：

h(x,y)为平滑后的图像，f(x,y)为原图像，经过高斯滤波处理后的图像就是h(x,y)＝G(x,y)*f(x,y)，*表示卷积

寻找图像的强度梯度：

θ[x,y]＝arctan(G_x(x,y)/G_y(x,y))

M[x,y]反映了图像的边缘强度，θ[x,y]反映了边缘方向，使得M[x,y]取得局部最大值的方向角θ[x,y]，就反应了边缘的方向。

步骤2-2，hough变换：

在计算机中，经常需要将一些特定的形状图形从图片中提取出来，如果直接用像素点来搜寻非常困难，这时候需要将图像从像素按照一定的算法映射到参数空间。hough变化提供了一种从图像像素信息到参数空间的变换方法。对于像直线，圆，椭圆这样的规则曲线hough是一种常用的算法。hough变化最大的优点在于特征边缘描述中间隔的容忍性并且该变换不受图像噪声的影响。

hough变换是一种将图像上的点映射到累加的参数空间，实现对已知解析式曲线的识别。

hough变换将原图像空间转换到极坐标系表示的参数空间。即直线y＝k*x+by＝k*x+b转换到极坐标系空间ρ＝xcosθ+ysinθρ＝xcosθ+ysinθ，ρ表示直线到原点的距离，θ限定了直线的斜率(这里只是说限定，没说是直线的斜率)。任意一条直线都可以通过(ρ,θ)来表示。参数空间H(ρ,θ)表示有限个点的集合。参数空间H(ρ,θ)每一个点都代表一条直线。

步骤3，图像矫正就是利用在进行hough变换时得到的下边框线，在MATALAB平台中利用hough变换来得到目标图像的边框，从而能够标记出钢板的在图像中的具体位置，然后通过下边框和水平线间的夹角来来对对象进行旋转矫正，最后展示出旋转后的图像。

K1＝-(lines(Index1).point1(2)-lines(Index1).point2(2))/...％...表示续行；

(lines(Index1).point1(1)-lines(Index1).point2(1))；angle＝atan(K1)*180/pi-90。

此为具体实施中的MATLAB语句。

K1表示斜率，angle表示要旋转的角度。

步骤4为利用支持向量机进行图像分割本质就是进行分类。首先我们要找到区分不同像素点的特征，由于在很多时候钢板与背景之间颜色对比不鲜明，所以我们先对图像灰度化二值化后使前景与背景间的对比更加鲜明，然后选取多个前景点作为字符的特征点，选取多个背景点作为要去除的图像的特征点，而且因为在目标区域中可能存在一些特殊的点，因此为了目标分割的准确性，我们在选取前景点时需要对这些点进行取特征处理，然后利用支持向量机对进行训练，并分割图像。

支持向量机在使用的时候具体实施步骤：

构造训练集，即从矫正后的图像中获取目标点和背景点作为训练集：

T＝{(X₁,Y₁),...,(X_L,Y_L)}∈(X×Y)^L

其中，X_i∈X＝Rⁿ,y_i∈Y＝{1,-1}(i＝1,2，...,l)，X_i为特征向量。

选取适当的核函数K(x,x’)和适当的参数C，构造并求解最优化问题：

得到最优解：α^*＝(α₁ ^*,...,α_l ^*)^T。

选取α^*的一个正分量0<α_j ^*<C,并据此计算阈值：

然后构造决策函数：

步骤5，腐蚀和膨胀：在MATLAB中使用imdilate和imerode函数对得到的图像进行一到两次膨胀与腐蚀操作,可用来去除背景中没有去除掉的噪声点，同时使目标区域更加完整。

用一个小正方形在所得到的图像中进行移动，如果小正方形在目标图形的某点出被完全包围那么我们就不对该图形做任何操作，如果小正方形超出了该图形的范围则对该处像素点进行删除(腐蚀处理)，或着添加上超出的区域(膨胀处理)，所应用到原理公式为：

步骤6，在对图像分割完成后，我们需要把图像缩放为模板库中与模板图片一样大小的图片，然后利用hopfield神经网络对所得出的字符进行识别。我们会建立包含各种字符和图案的数据库，通过对比数据库中的图像和我们从钢板上截取的图像从何识别出钢板上的字符。

hopfield神经网络具有联想记忆的功能，相比于传统的数字识别方法，在干扰因素比较多的情况下，hopfield神经网络能够很好地对目标图案进行识别，并且计算的收敛速度很快。对于图7，第零层仅仅作为网络的输入，它不是实际神经元，所以无计算功能；第一层是神经元，故而执行对输入信息与权系数的乘积求累加和，并经非线性函数f处理后产生输出信息。f是一个简单的阈值函数，如果神经元的输出信息大于阈值θ，那么神经元的输出取值为1；小于阈值θ，则神经元的取值为-1。对于二值神经元，它的计算公式如下：

式子中，x_j为外部输入。并且有

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种图像数字分割与识别方法，其特征是：包括以下步骤：

采集原始钢板图片，对图片进行灰度化和阈值二值化的预处理；

对预处理后的图像进行边缘检测；

根据边缘检测结果确定图像的偏转角度，并根据偏转角度对图像进行校正，形成目标图像；

利用支持向量机法对目标图像进行分割，并对分割后的图像进行腐蚀和膨胀优化，利用神经网络识别优化后的图像，得到识别结果。

2.如权利要求1所述的一种图像数字分割与识别方法，其特征是：图片灰度化是，利用平均值法，即将彩色图像中的三分量亮度求平均得到一个灰度值，以表示图像的灰度值。

3.如权利要求1所述的一种图像数字分割与识别方法，其特征是：在进行图片阈值二值化时，利用最大类间方差法来挑选阈值。

4.如权利要求3所述的一种图像数字分割与识别方法，其特征是：最大类间方差法中，构建目标函数：

g(T)＝w₀×(u₀-u)²+w₁×(u₁-u)²

其中，w0为前景点占图像的比例，u0为前景点占图像的均值，w1为背景点占图像比例，u1为背景点占图像均值，u为整个图像的均值，u＝w0*u0+w1*u1，当g(T)取得全局最大值，此时的T为最佳阈值。

5.如权利要求1所述的一种图像数字分割与识别方法，其特征是：使用edge函数对图像进行边缘检测，在edge函数中使用canny边缘检测算法来检测灰度化和阈值二值化后的图像的边缘。

6.如权利要求1所述的一种图像数字分割与识别方法，其特征是：利用hough变换来得到目标图像的边框，从而能够标记出钢板的在图像中的具体位置，然后通过下边框和水平线间的夹角来对对象进行旋转矫正，最后展示出旋转后的图像。

7.如权利要求1所述的一种图像数字分割与识别方法，其特征是：利用支持向量机进行图像分割的具体过程为，找到区分不同像素点的特征，选取多个前景点作为字符的特征点，选取多个背景点作为要去除的图像的特征点，利用支持向量机对进行训练，并分割图像。

8.如权利要求1所述的一种图像数字分割与识别方法，其特征是：利用imdilate和imerode函数对目标图像进行若干次膨胀与腐蚀操作。

9.如权利要求1所述的一种图像数字分割与识别方法，其特征是：将分割后的图像缩放为模板库中与模板图片一样大小的图片，利用hopfield神经网络对所得出的字符进行识别。

10.一种图像数字分割与识别系统，其特征是：运行于处理器或存储器上，被配置为执行以下指令：

接收采集的原始钢板图片，对图片进行灰度化和阈值二值化的预处理；

对预处理后的图像进行边缘检测；

根据边缘检测结果确定图像的偏转角度，并根据偏转角度对图像进行校正，形成目标图像；

利用支持向量机法对目标图像进行分割，并对分割后的图像进行腐蚀和膨胀优化，利用神经网络识别优化后的图像，得到识别结果。