CN111768455A - 一种基于图像的木材区域和主色提取方法 - Google Patents

一种基于图像的木材区域和主色提取方法 Download PDF

Info

Publication number
CN111768455A
CN111768455A CN202010637930.3A CN202010637930A CN111768455A CN 111768455 A CN111768455 A CN 111768455A CN 202010637930 A CN202010637930 A CN 202010637930A CN 111768455 A CN111768455 A CN 111768455A
Authority
CN
China
Prior art keywords
channel
histogram
wood
val
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010637930.3A
Other languages
English (en)
Inventor
徐哲壮
梁世佳
林烨
陈丹
陈剑
邱洋
连岩杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202010637930.3A priority Critical patent/CN111768455A/zh
Publication of CN111768455A publication Critical patent/CN111768455A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像的木材区域和主色提取方法。通过采集样例，可以根据不同的生产环境和拍摄条件生成合适的参数，无需繁琐的调参过程。本发明方法可以实现像素级和非规则的目标区域提取，高效滤除不相关颜色从而实现木材主色提取。

Description

一种基于图像的木材区域和主色提取方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像的木材区域和主色提取方法。
背景技术
在图像处理领域，目标区域提取指在包含目标和背景的数字图像中，忽略背景和目标内部的纹理以及噪声干扰的影响，采用一定的技术和方法来实现目标轮廓提取的过程。它是目标检测、形状分析、目标识别和目标跟踪等技术的重要基础。
目前，在工业检测领域，目标区域的检测和提取，一般从两个方面着手：一是从图像分割的技术层面提取；另一个是通过模拟人眼的视觉特点，寻找视觉敏感区域并将其排序作为图像的感兴趣区域。边缘检测和区域生长是传统图像分割技术中常用的两种方法。边缘检测可以快速准确地找到区域间的边缘来分割图像，但常会出现检测出虚假边缘、边缘断裂等情况。区域生长方法直接创建区域，但必须解决好种子点选取、确定生长准则和停止准则的问题，否则容易出现分割不准、死循环等问题。
木材颜色分类、缺陷检测在木材加工领域有着重要的经济价值，精准的从采集的图片数据中提取出木材的区域，排除拍摄背景的影响，对用于木材颜色的分类和缺陷检测阶段显得非常重要。
中国专利申请号为：CN201710237893.5，名称为：目标区域检测方法和装置、图像分割方法和装置。该方法涉及图像处理领域，利用二值化图像和二值化图像中每一行中目标段的位置信息，将列坐标区间存在重合的所述目标段合并为一个目标区域，该算法由于需要遍历并且对每个样本中每一行的数据信息进行对比，时间复杂度较高。
中国专利申请号为：CN201610009036.5，名称为：确定图像中的感兴趣区域的轮廓的方法和系统。该方法涉及确定图像中的感兴趣区域的轮廓方法和系统。该方法利用图像的HSV色彩空间中的S通道提取出目标的轮廓，但是由于缺少其他通道的辅助，不能将目标的区域的颜色进行提取并将背景色进行过滤。
发明内容
本发明的目的在于克服现有技术存在的不足，提供一种基于图像的木材区域和主色提取方法，通过采集样本数据生成参数，故可以根据不同的生产环境和拍摄条件自动生成合适的参数，无需繁琐的调参过程，只需实际生产条件下的样本即可。
为实现上述目的，本发明的技术方案是：一种基于图像的木材区域和主色提取方法，包括如下步骤：
步骤S1、通过摄像机采集目标木材图像样本；
步骤S2、对木材图像样本，采用轮廓检测算法将木材的轮廓检测出来，并在轮廓检测的基础上，往内收缩一定像素，保证图片上的像素全部是目标的像素；
步骤S3、将所有木材图片的色彩空间从RGB转换成HSV或者HLS；
步骤S4、将HSV色彩空间三个通道进行分离，计算出每张图片的H通道的直方图数据向量，S通道的直方图数据向量，V通道的直方图数据向量，并将所有图片H通道的直方图数据向量进行累加，得到H通道累加直方图数据向量Hval，对S通道和V通道进行类似处理，分别得到S通道累加直方图数据向量Sval，V通道累加直方图数据向量Vval；
步骤S5、对三个通道的累加直方图数据向量进行归一化，即
Hval/sum(Hval)、Sval/sum(Sval)、Vval/sum(Vval)
步骤S6、将三个归一化后的累加直方图数据向量绘制成直方图；
步骤S7、根据直方图信息选定HSV色彩空间各个通道的阈值上下限；
步骤S8、确定各个通道的阈值上下限后，对于在此阈值区间的像素，即为目标区域，保留原始像素，否则将其值置0；
步骤S9、再将HSV色彩空间转换成RGB色彩空间，即可得到原始图像中木材区域且该区域为木材颜色的主要代表颜色，RGB色彩空间下非木材颜色的像素值为(0,0,0)。
在本发明一实施例中，所述轮廓检测算法包括图像灰度化、滤波、边缘检测过程。
在本发明一实施例中，所述步骤S7，根据直方图信息选定HSV色彩空间各个通道的阈值上下限，确定的方法有：
①人工选取：直接根据直方图上三个通道的分布情况选取上下限阈值，依据是上下限阈值之间的直方图下方的面积占据该通道直方图的大部分面积；
②根据置信区间选取：计算直方图的平均值以及标准误差，设定置信度即可得到相应的置信区间，使用该置信区间作为通道阈值的上下限；
③比例辅助选取：选取一个比例值，在直方图上此比例值处划一条直线，直方图与该直线相交的两个点即为通道阈值的上下限。
相较于现有技术，本发明具有以下有益效果：
(1)针对不同的生产环境和拍摄条件，根据样本生成合适的阈值参数，不需要人工调节阈值等参数，同时可以根据控制样本的数量来控制识别的精确度；
(2)本发明实现的目标区域提取方法，可以实现像素级的目标区域提取；
(3)基于目标区域提取的算法一般只能提取出矩形区域，在本发明中，可以针对任何形状的区域进行提取，可以高效的滤除不相关背景的干扰；
(4)本发明可以提取图像中目标的主要颜色，滤除不相关颜色的干扰，可以作为目标检测等算法的预处理步骤。
附图说明
图1为本发明所述原始采集图片。
图2为本发明所述轮廓检测后得到的大致轮廓。
图3为本发明所述只包含木材区域的图片。
图4为本发明所述HSV色彩空间直方图。
图5为本发明所述算法运行效果图。
图6为本发明所述算法参数生成流程图。
图7为本发明所述新样本目标区域生成流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于图像的木材区域和主色提取方法，包括如下步骤：
步骤S1、通过摄像机采集目标木材图像样本；
步骤S2、对木材图像样本，采用轮廓检测算法(所述轮廓检测算法包括图像灰度化、滤波、边缘检测过程)将木材的轮廓检测出来，并在轮廓检测的基础上，往内收缩一定像素，保证图片上的像素全部是目标的像素；
步骤S3、将所有木材图片的色彩空间从RGB转换成HSV或者HLS；
步骤S4、将HSV色彩空间三个通道进行分离，计算出每张图片的H通道的直方图数据向量，S通道的直方图数据向量，V通道的直方图数据向量，并将所有图片H通道的直方图数据向量进行累加，得到H通道累加直方图数据向量Hval，对S通道和V通道进行类似处理，分别得到S通道累加直方图数据向量Sval，V通道累加直方图数据向量Vval；
步骤S5、对三个通道的累加直方图数据向量进行归一化，即
Hval/sum(Hval)、Sval/sum(Sval)、Vval/sum(Vval)
步骤S6、将三个归一化后的累加直方图数据向量绘制成直方图；
步骤S7、根据直方图信息选定HSV色彩空间各个通道的阈值上下限，确定的方法有：
①人工选取：直接根据直方图上三个通道的分布情况选取合适的上下限阈值，依据是上下限阈值之间的直方图下方的面积占据该通道直方图的大部分面积，此方法无需任何计算，简单快捷；
②根据置信区间选取：直方图的一个很好的性质就是它和正态分布非常相似，计算直方图的平均值以及标准误差，设定置信度即可得到相应的置信区间，使用该置信区间作为通道阈值的上下限；
③比例辅助选取：考虑到直方图与正态分布非常相似，可以选取一个很小的比例值，如0.1％，在直方图上此比例值处划一条直线，直方图与该直线相交的两个点即为通道阈值的上下限；
步骤S8、确定各个通道的阈值上下限后，对于在此阈值区间的像素，即为目标区域，保留原始像素，否则将其值置0；
步骤S9、再将HSV色彩空间转换成RGB色彩空间，即可得到原始图像中木材区域且该区域为木材颜色的主要代表颜色，RGB色彩空间下非木材颜色的像素值为(0,0,0)。
以下为本发明的具体实现实例。
如图6所示，本发明一种基于图像的木材区域和主色提取方法，包括如下步骤：
1)通过摄像机采集的目标图像样本，如图1所示，图像样本中不仅包含木材区域，也包括非木材区域，如背景色等；
2)通过轮廓检测算法将大致的轮廓检测出来，如图2所示；
3)在轮廓检测的基础上，往内收缩一定像素，保证图片上的像素全部是木材的像素，如图3所示；
4)对采集到的多张样本图片进行如上处理，采集到的样本图片越多，有助于木材目标区域的准确定位和划分；
5)得到所有如图3的样本之后，将所有样本图片的色彩空间从RGB转换成HSV；
6)并将HSV色彩空间三个通道进行分离，计算出每张图片的H通道(取值范围在0-180之间)的直方图数据向量，计算出每张图片的S通道(取值范围在0-255之间)的直方图数据向量，计算出每张图片的V通道(取值范围在0-255之间)的直方图数据向量，并将所有图片H通道的直方图数据向量进行累加，得到H通道累加直方图数据向量Hval，对S通道和V通道进行类似处理，分别得到S通道累加直方图数据向量Sval，V通道累加直方图数据向量Vval；；
7)对三个通道的累加直方图数据向量进行归一化，即Hval/sum(Hval)、Sval/sum(Sval)、Vval/sum(Vval)；
8)将三个归一化后的累加直方图数据向量绘制成直方图，如图4所示；
9)在工程上，可以直接由人工在直方图上选取各个通道的上下限阈值(这两个值之间的直方图下方的面积占据该通道的大部分面积)在如图4的直方图下，选取H通道的上下限阈值为[0,40]，S通道的上下限阈值为[25,165]，V通道的上下限阈值为[110,250]。
10)选取出三个通道的上下限以后，即可对新样本进行检测，检测流程如图7所示：
①读取新样本图片；
②将样本图片的RGB色彩空间转换至HSV色彩空间(或HLS色彩空间)；
③遍历该图片上所有的像素值，像素值由一个三元组表示(h,s,v)，若每个通道的像素值都在上述上下限区间内，则保留，否则将其三通道值变成(0,0,0)其对应的是纯黑色背景；
④将变换后的图片的色彩空间从HSV转成RGB，即可得到原始图像中木材的区域且该区域为木材颜色的主要代表颜色，结果如图5所示，其中非木材颜色统一使用像素值为(0,0,0)进行表示，滤除的非木材颜色不仅包括木材轮廓之外的背景色，也包括在木材区域中的干扰色。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于图像的木材区域和主色提取方法，其特征在于，包括如下步骤：
步骤S1、通过摄像机采集目标木材图像样本；
步骤S2、对木材图像样本，采用轮廓检测算法将木材的轮廓检测出来，并在轮廓检测的基础上，往内收缩一定像素，保证图片上的像素全部是目标的像素；
步骤S3、将所有木材图片的色彩空间从RGB转换成HSV或者HLS；
步骤S4、将HSV色彩空间三个通道进行分离，计算出每张图片的H通道的直方图数据向量，S通道的直方图数据向量，V通道的直方图数据向量，并将所有图片H通道的直方图数据向量进行累加，得到H通道累加直方图数据向量Hval，对S通道和V通道进行类似处理，分别得到S通道累加直方图数据向量Sval，V通道累加直方图数据向量Vval；
步骤S5、对三个通道的累加直方图数据向量进行归一化，即
Hval/sum(Hval)、Sval/sum(Sval)、Vval/sum(Vval)
步骤S6、将三个归一化后的累加直方图数据向量绘制成直方图；
步骤S7、根据直方图信息选定HSV色彩空间各个通道的阈值上下限；
步骤S8、确定各个通道的阈值上下限后，对于在此阈值区间的像素，即为目标区域，保留原始像素，否则将其值置0；
步骤S9、再将HSV色彩空间转换成RGB色彩空间，即可得到原始图像中木材区域且该区域为木材颜色的主要代表颜色，RGB色彩空间下非木材颜色的像素值为(0,0,0)。
2.根据权利要求1所述的一种基于图像的木材区域和主色提取方法，其特征在于，所述轮廓检测算法包括图像灰度化、滤波、边缘检测过程。
3.根据权利要求1所述的一种基于图像的木材区域和主色提取方法，其特征在于，所述步骤S7，根据直方图信息选定HSV色彩空间各个通道的阈值上下限，确定的方法有：
①人工选取：直接根据直方图上三个通道的分布情况选取上下限阈值，依据是上下限阈值之间的直方图下方的面积占据该通道直方图的大部分面积；
②根据置信区间选取：计算直方图的平均值以及标准误差，设定置信度即可得到相应的置信区间，使用该置信区间作为通道阈值的上下限；
③比例辅助选取：选取一个比例值，在直方图上此比例值处划一条直线，直方图与该直线相交的两个点即为通道阈值的上下限。
CN202010637930.3A 2020-07-03 2020-07-03 一种基于图像的木材区域和主色提取方法 Pending CN111768455A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010637930.3A CN111768455A (zh) 2020-07-03 2020-07-03 一种基于图像的木材区域和主色提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010637930.3A CN111768455A (zh) 2020-07-03 2020-07-03 一种基于图像的木材区域和主色提取方法

Publications (1)

Publication Number Publication Date
CN111768455A true CN111768455A (zh) 2020-10-13

Family

ID=72723693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010637930.3A Pending CN111768455A (zh) 2020-07-03 2020-07-03 一种基于图像的木材区域和主色提取方法

Country Status (1)

Country Link
CN (1) CN111768455A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012156A (zh) * 2021-05-10 2021-06-22 南京林业大学 实木板材颜色智能分类方法
CN113256776A (zh) * 2021-06-21 2021-08-13 炫我信息技术(北京)有限公司 图像处理的方法、装置、电子设备和计算机可读存储介质
CN113610185A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于主色调识别的木材色选方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596923A (zh) * 2018-05-14 2018-09-28 江苏哈工智能机器人股份有限公司 三维数据的获取方法、装置以及电子设备
US20190164010A1 (en) * 2017-11-30 2019-05-30 Kofax, Inc. Object detection and image cropping using a multi-detector approach
CN110599552A (zh) * 2019-08-30 2019-12-20 杭州电子科技大学 一种基于计算机视觉的pH试纸检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190164010A1 (en) * 2017-11-30 2019-05-30 Kofax, Inc. Object detection and image cropping using a multi-detector approach
CN108596923A (zh) * 2018-05-14 2018-09-28 江苏哈工智能机器人股份有限公司 三维数据的获取方法、装置以及电子设备
CN110599552A (zh) * 2019-08-30 2019-12-20 杭州电子科技大学 一种基于计算机视觉的pH试纸检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王亚琴: ""基于计算机视觉木材表面颜色分类的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑I138-500》 *
袁野: ""摄像机标定方法及边缘检测和轮廓跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑I138-21》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012156A (zh) * 2021-05-10 2021-06-22 南京林业大学 实木板材颜色智能分类方法
CN113256776A (zh) * 2021-06-21 2021-08-13 炫我信息技术(北京)有限公司 图像处理的方法、装置、电子设备和计算机可读存储介质
CN113610185A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于主色调识别的木材色选方法

Similar Documents

Publication Publication Date Title
CN107578035B (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN108319973B (zh) 一种树上柑橘果实检测方法
WO2018018788A1 (zh) 一种基于图像识别的计量表抄表装置及其方法
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
AU2020103260A4 (en) Rice blast grading system and method
CN102750540A (zh) 基于形态滤波增强的最稳定极值区视频文本检测方法
CN109726681A (zh) 一种基于机器学习识别与图像分割的盲道识别定位算法
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN111652844B (zh) 一种基于数字图像区域增长的x射线缺陷检测方法及系统
CN115731493A (zh) 基于视频图像识别的降水微物理特征参量提取与分析方法
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN112115778B (zh) 一种在环仿真条件下车道线智能识别方法
CN115063375B (zh) 一种对排卵试纸检测结果进行自动分析的图像识别方法
CN111724375A (zh) 一种屏幕检测方法及系统
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法
CN116563659A (zh) 一种结合先验知识和特征分类的光学烟雾检测方法
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201013