CN116029989A - 用于石料图像的石料边缘图像分割方法 - Google Patents
用于石料图像的石料边缘图像分割方法 Download PDFInfo
- Publication number
- CN116029989A CN116029989A CN202211627347.XA CN202211627347A CN116029989A CN 116029989 A CN116029989 A CN 116029989A CN 202211627347 A CN202211627347 A CN 202211627347A CN 116029989 A CN116029989 A CN 116029989A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- stone
- edge line
- point
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种用于石料图像的石料边缘图像分割方法,包括以下步骤:步骤S1:对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);步骤S2:采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);步骤S3:对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);步骤S5:采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0‑1(x,y),用完整边缘线E'(x,y)对所得二值图像f0‑1(x,y)进行分割,得目标图像f'0‑1(x,y)。该方法可获取完整的石料边缘线为基础对石料图像进行分割,保留石料中每个石块的完整轮廓,以提高后续石料级配检测过程中的检测精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是一种用于石料图像的石料边缘图像分割方法。
背景技术
在水利、土木工程领域,土石料的级配性状是影响土石料压实后力学性能的主要因素之一,如在土石坝填筑过程中,由于填筑方量较大,故要对大量的土石料样本做级配检测,以保证工程质量。
现有土石料级配检测主要采用传统筛分法,以随机取样和人工筛分相结合的方式计算级配数据,该方法虽然技术成熟,但是耗时、费力,且代表性不强。随着计算机技术的发展,图像识别技术在各领域得到了广泛应用。在水利、土木工程领域,图像识别技术在土石料级配检测的研究方面已经取得丰硕成果。
然而,由于大部分石料检测样本具有方量大、粒径范围分布广、色泽多变且整体偏暗等特征,已有的基于图像识别技术的土石料级配检测方法尚不能直接用于石料级配检测,其原因之一便是由于石料颗粒延伸相似、形状相似、石块上轮廓线与石粒轮廓线形状类似,在图像识别过程中不能准确提取单个石料颗粒轮廓线并将其独立分割开。导致出现多个石块对象被检测为同一石块对象或同一石块对象被分割为多个零散石块对象,从而造成较大的检测误差。
发明内容
本申请针对现有技术中存在的无法沿石料边缘线分割石料图像的问题,提供了一种用于石料图像的石料边缘图像分割方法,以获取完整的石料边缘线为基础对石料图像进行分割,从而保留石料中每个石块的完整轮廓,以提高后续石料级配检测过程中的检测精度。
本申请提供了一种用于石料图像的石料边缘图像分割方法,包括以下步骤:
步骤S1:对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
步骤S2:采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
步骤S3:对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
步骤S4:测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
步骤S5:采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f'0-1(x,y)。
优选地,步骤S1中二维离散矩阵按下式计算:
f(x,y)=0.2989×fR+0.5870×fG+0.1140×fB
式中,fR、fG和fB分别表示彩色石料图像f(R,G,B)中的红色分量、绿色分量和蓝色分量。
优选地,步骤S2中Roberts微分算子方法包括以下步骤:
步骤S21:设离散灰度图像为f(x,y),其中,(xi,yj)代表离散灰度图像矩阵中第i行、第j列像素点的坐标,f(xi,yj)代表对应像素点的灰度值,在进行图像边缘检测时,利用图像的垂直差分和水平差分来逼近梯度算子,即:
Δf=(f(x,y)-f(x-1,y),f(x,y)-f(x,y-1))
Roberts微分算子在计算Δf时,按下式分别计算每个像素点的梯度Δf(xi,yj),然后对所得结果求绝对值:
步骤S22:Roberts微分算子由下列两个模板构成:
阈值操作每个像素点的梯度Δf(xi,yj),获得边缘检测结果E(x,y),设阈值为V,则边缘检测结果E(xi,yi)可由下式计算:
其中,边缘检测结果E(x,y)为二值图像,图像矩阵中值1代表边缘线,值0代表非边缘线,V为人为设定的阈值标量。
优选地,步骤S3中端点检测包括以下步骤:
步骤S31:边缘检测结果E(x,y)中值1代表边缘线,值0代表非边缘线,现将E(x,y)中值为1的所有像素点分为三类,即孤立点、边缘线端点和边缘线内部点;
步骤S32:彩色图像中的像素点根据其空间位置,分为:位于图像四个角的角落像素点、位于图像四条边线上的边沿像素点和位于图像内部的内部像素点,其中角落像素点与3个像素点相邻,边沿像素点与5个像素点相邻,内部像素点与8个像素点相邻;
步骤S33:对边缘检测结果E(x,y)中值为1的所有像素点进行如下判断:若该像素点与目标像素点相邻的像素点的值全为0,则该点为孤立点;
若该像素点与目标像素点相邻的像素点中有且仅有一个像素点的值为1,则该点为边缘线端点;
若该像素点与目标像素点相邻的像素点中像素值为1的数量大于等于2,则该点为边缘线内部点,输出各像素点的判断结果;
步骤S34:设边缘像素点判断结果为C(x,y),若边缘像素点为孤立点,则将其像素值设为1,若边缘像素点为端点,则将其像素值设为2,否则设为3,表示如下:
上式中,C(x,y)为像素点类型标记结果,e(xi,yj)为像素点(xi,yj)的相邻像素点,其像素点数量m的取值为3或5或8。
优选地,步骤S4中缘线方向测算包括以下步骤:
对端点检测结果C(x,y)中值为2的像素点(此类点为边缘线端点),设与某端点为(xl,yl)连接的边缘像素点为(xl-nect,yl-nect),按下式计算边缘线在(xl,yl)点处的延伸方向:
Dl=(xl,yl)-(xl-nect,yl-nect),1≤l≤N
其中,Dl代表端点(xl,yl)处边缘线的延伸方向,l为端点编号,N为端点数量。
优选地,步骤S4中完整边缘线的获得包括以下步骤:
步骤S42:寻找出每一对在石料实际边缘线中原本应该连接在一起的端点,然后将所得端点连接起来,具体包括以下步骤:
已知边缘线在(xl,yl)点处的延伸方向为Dl,以(xl,yl)为圆心,以设定值r为半径,寻找落在该圆以内的所有端点Cl,r,n(x,y),n为落在圆内的端点数量,具体计算公式如下:
则从Cl,r,n(x,y)中选择端点(xl,yl)的配对端点(xl-p,yl-p),在进行(xl,yl)的端点配对时,根据配对两点之间的距离和测算方向,选取配对两点距离最小的点;选取测算方向相反的两端点进行配对,如下式所示:
Pl=min{w1||(x1,y1)-(xl,yl)||+w2[|(x1+xl)|+|(y1+yl)|],w1||(x2,y2)-(xl,yl)||+w2[|(x2+xl)|+|(y2+yl)|],…,w1||(xk,yk)-(xl,yl)||+w2[|(xk+xl)|+|(yk+yl)|],…,w1||(xn,yn)-(xl,yl)||+w2[|(xn+xl)|+|(yn+yl)|]},Cl,r,k(x,y)=1,1≤k≤n
其中,Pl为端点(xl,yl)的配对端点,其坐标值为(xl-p,yl-p),w1和w2为权重系数,满足条件w1+w2=1;
步骤S43:连接配对后的像素点(xl,yl)与(xl-p,yl-p),获得完整的边缘线E'(x,y)。
优选地,步骤S5中按下式对灰度图像f(x,y)进行局部自适应阈值分割得到二值图像f0-1(x,y):
式中,f'0-1(x,y)即为分割完成后的目标二值图像。
本申请的另一方面还提供了一种如上述的用于石料图像的石料边缘图像分割装置,包括:
转换模块,用于对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
边缘检测模块,用于采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
端点检测模块,用于对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
边缘补齐模块,用于测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
二值化模块,用于采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f0'-1(x,y)。
本申请能产生的有益效果包括:
1)本申请所提供的用于石料图像的石料边缘图像分割方法,通过对彩色图像进行二维离散矩阵Roberts微分算子提取石块边缘后,检测边缘图像的端点像素值后,测定各端点处的延伸方向后连接各端点值后补齐完整边缘线后,再对原始图像进行二值化处理后,用完整边缘线对二值图像进行分割得到目标图像,所得图像中石料颗粒边缘清楚完整,相对现有灰度值图像处理结果,能提高对石块边缘线检测结果的准确性。
附图说明
图1为本申请提供的用于石料图像的石料边缘图像分割方法流程示意图;
图2为本申请实施例中处理待分割石料图像原图;
图3为本申请实施例中石料原图处理后的灰度图;
图4为本申请实施例中石料边缘线初步检测结果图;
图5为本申请实施例中石料边缘线端点检测结果示意图;
图6为本申请实施例中石料边缘线端点配对并连接后的效果图;
图7为本申请实施例中石料边缘线检测效果图;
图8为本申请实施例中采用本申请提供方法对土石料颗粒图像分割结果对比图,其中a)为采用现有方法所得石料颗粒二值图像;b)为采用本申请提供方法所得石料颗粒二值图像;
图9为本申请提供的用于石料图像的石料边缘图像分割装置模块示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本申请中未详述的且并不用于解决本申请技术问题的技术手段,均按本领域公知常识进行设置,且多种公知常识设置方式均可实现。
参见图1,本申请提供的用于石料图像的石料边缘图像分割方法,包括以下步骤:
步骤S1:对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
步骤S2:采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
步骤S3:对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
步骤S4:测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
步骤S5:采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f0'-1(x,y)。
采用上述操作步骤首先对二维离散矩阵采用Roberts微分算子对灰度图像的边缘进行检测,并对所得边缘的端点值进行提取,从而有效获得端点检测结果,并利用端点连线实现图像中石块颗粒的边缘线补齐,后续二值化处理对象为依据完成边缘线补齐的图像,能有效避免直接二值化处理导致的边缘缺失,提高最终所得块石颗粒的完整性和分隔准确性。能避免以灰度图像所得二值图存在的边缘不清楚的问题,提高对块石颗粒的分割准确性。
该方法采用Roberts微分算子对石料颗粒边缘线进行检测,检测结果准确性较高,能有效识别被遮挡边线区域,获得完整的块石颗粒轮廓。
优选地,步骤S1中二维离散矩阵按下式计算:
f(x,y)=0.2989×fR+0.5870×fG+0.1140×fB
式中,fR、fG和fB分别表示彩色石料图像f(R,G,B)中的红色分量、绿色分量和蓝色分量。
优选地,步骤S2中Roberts微分算子方法包括以下步骤:
步骤S21:设离散灰度图像为f(x,y),其中,(xi,yj)代表离散灰度图像矩阵中第i行、第j列像素点的坐标,f(xi,yj)代表对应像素点的灰度值,在进行图像边缘检测时,利用图像的垂直差分和水平差分来逼近梯度算子,即:
Δf=(f(x,y)-f(x-1,y),f(x,y)-f(x,y-1))
Roberts微分算子在计算Δf时,按下式分别计算每个像素点的梯度Δf(xi,yj),然后对所得结果求绝对值:
步骤S22:Roberts微分算子由下列两个模板构成:
阈值操作每个像素点的梯度Δf(xi,yj),获得边缘检测结果E(x,y),设阈值为V,则边缘检测结果E(xi,yi)可由下式计算:
其中,边缘检测结果E(x,y)为二值图像,图像矩阵中值1代表边缘线,值0代表非边缘线,V为人为设定的阈值标量。
采用该方法对每个像素点的梯度Δf(xi,yj)获得边缘检测结果E(x,y),从而有效提高边缘检测结果准确性。
优选地,步骤S3中端点检测包括以下步骤:
步骤S31:边缘检测结果E(x,y)中值1代表边缘线,值0代表非边缘线,现将E(x,y)中值为1的所有像素点分为三类,即孤立点、边缘线端点和边缘线内部点;
步骤S32:彩色图像中的像素点根据其空间位置,分为:位于图像四个角的角落像素点、位于图像四条边线上的边沿像素点和位于图像内部的内部像素点,其中角落像素点与3个像素点相邻,边沿像素点与5个像素点相邻,内部像素点与8个像素点相邻;
步骤S33:对边缘检测结果E(x,y)中值为1的所有像素点进行如下判断:若该像素点与目标像素点相邻的像素点的值全为0,则该点为孤立点;
若该像素点与目标像素点相邻的像素点中有且仅有一个像素点的值为1,则该点为边缘线端点;
若该像素点与目标像素点相邻的像素点中像素值为1的数量大于等于2,则该点为边缘线内部点,输出各像素点的判断结果;
步骤S34:设边缘像素点判断结果为C(x,y),若边缘像素点为孤立点,则将其像素值设为1,若边缘像素点为端点,则将其像素值设为2,否则设为3,表示如下:
上式中,C(x,y)为像素点类型标记结果,e(xi,yj)为像素点(xi,yj)的相邻像素点,其像素点数量m的取值为3或5或8。
采用上述方法对中值为1的各像素点周围像素点的赋值结果进行筛查后,获得较准确的该像素点在石块颗粒内的位置。从而提高对检测结果的处理准确性。
优选地,具体地,步骤S4中缘线方向测算包括以下步骤:
对端点检测结果C(x,y)中值为2的像素点(此类点为边缘线端点),设与某端点为(xl,yl)连接的边缘像素点为(xl-nect,yl-nect),按下式计算边缘线在(xl,yl)点处的延伸方向:
Dl=(xl,yl)-(xl-nect,yl-nect),1≤l≤N
其中,Dl代表端点(xl,yl)处边缘线的延伸方向,l为端点编号,N为端点数量。
按上述步骤对端点检测结果C(x,y)中值为2的边缘线端点分别进行延伸方向的计算,能有效提高此类端点对应边线的准确性。
优选地,具体地,步骤S4中完整边缘线的获得包括以下步骤:
步骤S42:寻找出每一对在石料实际边缘线中原本应该连接在一起的端点,然后将所得端点连接起来,具体包括以下步骤:
已知边缘线在(xl,yl)点处的延伸方向为Dl,以(xl,yl)为圆心,以设定值r为半径,寻找落在该圆以内的所有端点Cl,r,n(x,y),n为落在圆内的端点数量,具体计算公式如下:
则从Cl,r,n(x,y)中选择端点(xl,yl)的配对端点(xl-p,yl-p),在进行(xl,yl)的端点配对时,根据配对两点之间的距离和测算方向,选取配对两点距离最小的点;选取测算方向相反的两端点进行配对,如下式所示:
Pl=min{w1||(x1,y1)-(xl,yl)||+w2[|(x1+xl)|+|(y1+yl)|],
w1||(x2,y2)-(xl,yl)||+w2[|(x2+xl)|+|(y2+yl)|],…,
w1||(xk,yk)-(xl,yl)||+w2[|(xk+xl)|+|(yk+yl)|],…,
w1||(xn,yn)-(xl,yl)||+w2[|(xn+xl)|+|(yn+yl)|]},
Cl,r,k(x,y)=1,1≤k≤n
其中,Pl为端点(xl,yl)的配对端点,其坐标值为(xl-p,yl-p),w1和w2为权重系数,满足条件w1+w2=1;
步骤S43:连接配对后的像素点(xl,yl)与(xl-p,yl-p),获得完整的边缘线E'(x,y)。
采用上述步骤补齐边缘线,能提高补齐后边缘线的准确性,有效排除易错边缘线。
优选地,步骤S5中按下式对灰度图像f(x,y)进行局部自适应阈值分割得到二值图像f0-1(x,y):
式中,f0'-1(x,y)即为分割完成后的目标二值图像。
参见图9,本申请的另一方面还提供了一种如上述的用于石料图像的石料边缘图像分割装置,包括:
转换模块,用于对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
边缘检测模块,用于采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
端点检测模块,用于对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
边缘补齐模块,用于测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
二值化模块,用于采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f'0-1(x,y)。
采用该装置可有效对石块图像进行有效处理,输出处理结果。
实施例
包括以下步骤:
步骤S1、对彩色石料图像的f(R,G,B)做灰度化处理,转化为二维离散矩阵f(x,y),计算公式如下:
f(x,y)=0.2989×fR+0.5870×fG+0.1140×fB
式中,fR、fG和fB分别表示彩色图像f(R,G,B)中的红色分量、绿色分量和蓝色分量;
步骤S2、采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y),计算过程如下:
结合石料颗粒图像的一般规律,分析石料颗粒轮廓线特征,最终选择Roberts微分算子对石料颗粒边缘线检测,Roberts微分算子原理如下:
用以进行边缘检测的对象为离散灰度图像,设离散灰度图像为f(x,y),其中(xi,yj)代表离散灰度图像矩阵中第i行、第j列像素点的坐标,f(xi,yj)代表对应像素点的灰度值。在进行图像边缘检测时,利用图像的垂直差分和水平差分来逼近梯度算子,即:
Δf=(f(x,y)-f(x-1,y),f(x,y)-f(x,y-1))
Roberts微分算子在计算Δf时,分别计算每个像素点的梯度Δf(xi,yj),然后求绝对值,计算公式为:
Roberts微分算子由下列两个模板构成:
最后将每个像素点的梯度Δf(xi,yj)进行阈值操作,即可获得边缘检测结果。设阈值为V,则边缘检测结果E(xi,yi)可由下式计算:
其中边缘检测结果E(x,y)为二值图像,图像矩阵中值1代表边缘线,值0代表非边缘线,V为人为设定的阈值标量。
步骤S3、对边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点,端点检测结果为C(x,y),计算过程如下:
边缘检测结果E(x,y)中值1代表边缘线,值0代表非边缘线,现对E(x,y)中值为1的所有像素点进行如下判断:并根据判断结果分为孤立点、边缘线端点和边缘线内部点。
已知一幅图像中的像素点根据其空间位置,可以将其分为三类,即位于图像四个角的角落像素点、位于图像四条边线上的边沿像素点和位于图像内部的内部像素点,其中角落像素点与3个像素点相邻,边沿像素点与5个像素点相邻,内部像素点与8个像素点相邻。将值为1的所有像素点分类的规则如下:若与目标像素点相邻的像素点的值全为0,则该点为孤立点,若与目标像素点相邻的像素点中有且仅有一个像素点的值为1,则该点为边缘线端点,若与目标像素点相邻的像素点中像素值为1的数量大于等于2,则该点为边缘线内部点。设边缘像素点分类结果为C(x,y),若边缘像素点为孤立点,则将其像素值设为1,若边缘像素点为端点,则将其像素值设为2,否则设为3,表示如下:
上式中,C(x,y)为像素点类型标记结果,e(xi,yj)为像素点(xi,yj)的相邻像素点,其像素点数量m的取值为3或5或8。
步骤S4、边缘线方向测算,测算C(x,y)中各端点处的延伸方向D,计算过程如下:
边缘线方向测算仅针对C(x,y)中值为2的像素点(边缘线端点)。设某端点为(xl,yl),与之连接的边缘像素点为(xl-nect,yl-nect),则边缘线在(xl,yl)点处的可能延伸方向由下式计算:
Dl=(xl,yl)-(xl-nect,yl-nect),1≤l≤N
上式子中Dl代表端点(xl,yl)处边缘线的延伸方向,l为端点编号,N为端点数量。
步骤S5、边缘线各端点配对连接,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y),计算过程如下:
边缘线端点配对连接是指寻找出每一对在石料实际边缘线中原本应该连接在一起的端点,然后将其连接起来。已知边缘线在(xl,yl)点处的可能延伸方向为Dl,现以(xl,yl)为圆心,以设定值r为半径,寻找落在该圆以内的所有端点Cl,r,n(x,y),n为落在圆内的端点数量,具体计算公式如下:
则端点(xl,yl)的配对端点(xl-p,yl-p)应从Cl,r,n(x,y)中进行选择,在进行(xl,yl)的配对端点时,主要考虑两个因素,第一个是两点之间的距离,理论上,距离越小越好,第二个是测算方向,理论上,被配对的两端点的测算方向相反,故配对方式如下所示:
Pl=min{w1||(x1,y1)-(xl,yl)||+w2[|(x1+xl)|+|(y1+yl)|],
w1||(x2,y2)-(xl,yl)||+w2[|(x2+xl)|+|(y2+yl)|],…,
w1||(xk,yk)-(xl,yl)||+w2[|(xk+xl)|+|(yk+yl)|],…,
w1||(xn,yn)-(xl,yl)||+w2[|(xn+xl)|+|(yn+yl)|]},
Cl,r,k(x,y)=1,1≤k≤n
上式中,Pl为端点(xl,yl)的配对端点,其坐标值为(xl-p,yl-p),w1和w2为权重系数,满足条件w1+w2=1。
将配对后的像素点(xl,yl)与(xl-p,yl-p)进行连接,即可获得完整的边缘线E'(x,y)。
步骤S6、将灰度图像f(x,y)做二值化处理得到二值图像f0-1(x,y),其中二值化方法采用局部自适应阈值分割法。用补全后的边缘线E'(x,y)对二值图像f0-1(x,y)进行分割,得目标图像f0'-1(x,y),分割公式如下:
式中,f0'-1(x,y)即为分割完成后的目标二值图像。
本实例中以图2所示石料图像为检测对象,对图像中的石料颗粒进行分割。
采用上述操作步骤,首先将石料图像转化为灰度图,再经过图像滤波、图像增强等操作后,其效果如下图3所示:
根据算法实现原理,设置一个较大的边缘检测参数,本实施例中设置为0.1,利用Roberts微分算子对石料图像中颗粒边缘线进行检测,检测效果如图4所示。
在图4的基础上进行边缘线端点检测,检测结果如图5所示。
根据图5中检测端点情况,进行端点配对并连接,结果如图6所示。
将图6中所得边缘检测结果在原图中进行标记,所得结果如图7所示。
利用上述边缘线对石料二值图像进行分割,分割效果如图8,其中图8a)为采用本申请提供方法处理后所得石料颗粒二值图像;图8b)为采用本申请提供方法处理后所得二值图像分割效果。
由图8a)~b)对比可见,采用本申请提供方法所得二值图像边缘线的石料颗粒分割效果图中,石料颗粒的边缘轮廓清晰、准确,分割效果明显优于图8a)基于灰度的二值分割结果。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于石料图像的石料边缘图像分割方法,其特征在于,包括以下步骤:
步骤S1:对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
步骤S2:采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
步骤S3:对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
步骤S4:测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
步骤S5:采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f′0-1(x,y)。
2.根据权利要求1所述的用于石料图像的石料边缘图像分割方法,其特征在于,步骤S1中二维离散矩阵按下式计算:
f(x,y)=0.2989×fR+0.5870×fG+0.1140×fB
式中,fR、fG和fB分别表示彩色石料图像f(R,G,B)中的红色分量、绿色分量和蓝色分量。
3.根据权利要求1所述的用于石料图像的石料边缘图像分割方法,其特征在于,步骤S2中Roberts微分算子方法包括以下步骤:
步骤S21:设离散灰度图像为f(x,y),其中,(xi,yj)代表离散灰度图像矩阵中第i行、第j列像素点的坐标,f(xi,yj)代表对应像素点的灰度值,在进行图像边缘检测时,利用图像的垂直差分和水平差分来逼近梯度算子,即:
Δf=(f(x,y)-f(x-1,y),f(x,y)-f(x,y-1))
Roberts微分算子在计算Δf时,按下式分别计算每个像素点的梯度Δf(xi,yj),然后对所得结果求绝对值:
步骤S22:Roberts微分算子由下列两个模板构成:
阈值操作每个像素点的梯度Δf(xi,yj),获得边缘检测结果E(x,y),设阈值为V,则边缘检测结果E(xi,yi)可由下式计算:
其中,边缘检测结果E(x,y)为二值图像,图像矩阵中值1代表边缘线,值0代表非边缘线,V为人为设定的阈值标量。
4.根据权利要求1所述的用于石料图像的石料边缘图像分割方法,其特征在于,步骤S3中端点检测包括以下步骤:
步骤S31:边缘检测结果E(x,y)中值1代表边缘线,值0代表非边缘线,现将E(x,y)中值为1的所有像素点分为三类,即孤立点、边缘线端点和边缘线内部点;
步骤S32:彩色图像中的像素点根据其空间位置,分为:位于图像四个角的角落像素点、位于图像四条边线上的边沿像素点和位于图像内部的内部像素点,其中角落像素点与3个像素点相邻,边沿像素点与5个像素点相邻,内部像素点与8个像素点相邻;
步骤S33:对边缘检测结果E(x,y)中值为1的所有像素点进行如下判断:若该像素点与目标像素点相邻的像素点的值全为0,则该点为孤立点;
若该像素点与目标像素点相邻的像素点中有且仅有一个像素点的值为1,则该点为边缘线端点;
若该像素点与目标像素点相邻的像素点中像素值为1的数量大于等于2,则该点为边缘线内部点,输出各像素点的判断结果;
步骤S34:设边缘像素点判断结果为C(x,y),若边缘像素点为孤立点,则将其像素值设为1,若边缘像素点为端点,则将其像素值设为2,否则设为3,表示如下:
上式中,C(x,y)为像素点类型标记结果,e(xi,yj)为像素点(xi,yj)的相邻像素点,其像素点数量m的取值为3或5或8。
5.根据权利要求1所述的用于石料图像的石料边缘图像分割方法,其特征在于,步骤S4中缘线方向测算包括以下步骤:
对端点检测结果C(x,y)中值为2的像素点(此类点为边缘线端点),设与某端点为(xl,yl)连接的边缘像素点为(xl-nect,yl-nect),按下式计算边缘线在(xl,yl)点处的延伸方向:
Dl=(xl,yl)-(xl-nect,yl-nect),1≤l≤N
其中,Dl代表端点(xl,yl)处边缘线的延伸方向,l为端点编号,N为端点数量。
6.根据权利要求5所述的用于石料图像的石料边缘图像分割方法,其特征在于,步骤S4中完整边缘线的获得包括以下步骤:
步骤S42:寻找出每一对在石料实际边缘线中原本应该连接在一起的端点,然后将所得端点连接起来,具体包括以下步骤:
已知边缘线在(xl,yl)点处的延伸方向为Dl,以(xl,yl)为圆心,以设定值r为半径,寻找落在该圆以内的所有端点Cl,r,n(x,y),n为落在圆内的端点数量,具体计算公式如下:
则从Cl,r,n(x,y)中选择端点(xl,yl)的配对端点(xl-p,yl-p),在进行(xl,yl)的端点配对时,根据配对两点之间的距离和测算方向,选取配对两点距离最小的点;选取测算方向相反的两端点进行配对,如下式所示:
Pl=min{w1||(x1,y1)-(xl,yl)||+w2[|(x1+xl)|+|(y1+yl)|],
w1||(x2,y2)-(xl,yl)||+w2[|(x2+xl)|+|(y2+yl)|],…,
w1||(xk,yk)-(xl,yl)||+w2[|(xk+xl)|+|(yk+yl)|],…,
w1||(xn,yn)-(xl,yl)||+w2[|(xn+xl)|+|(yn+yl)|]},
Cl,r,k(x,y)=1,1≤k≤n
其中,Pl为端点(xl,yl)的配对端点,其坐标值为(xl-p,yl-p),w1和w2为权重系数,满足条件w1+w2=1;
步骤S43:连接配对后的像素点(xl,yl)与(xl-p,yl-p),获得完整的边缘线E'(x,y)。
8.一种如权利要求1~7中任一项所述的用于石料图像的石料边缘图像分割装置,其特征在于,包括:
转换模块,用于对彩色石料图像做灰度化处理得到灰度图像f(x,y),并转化为二维离散矩阵f(x,y);
边缘检测模块,用于采用Roberts微分算子对灰度图像f(x,y)进行边缘检测,得到边缘检测结果E(x,y);
端点检测模块,用于对各边缘线检测结果E(x,y)进行端点检测,提取每条边缘线的端点得到端点检测结果C(x,y);
边缘补齐模块,用于测算端点检测结果C(x,y)中各端点处的延伸方向D,根据各端点处的延伸方向D及各端点之间的几何距离计算配对结果P,并依据配对结果P将边缘线缺失部分连接补全,得完整边缘线E'(x,y);
二值化模块,用于采用局部自适应阈值分割法将灰度图像f(x,y)进行二值化处理得到二值图像f0-1(x,y),用完整边缘线E'(x,y)对所得二值图像f0-1(x,y)进行分割,得目标图像f0'-1(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627347.XA CN116029989A (zh) | 2022-12-16 | 2022-12-16 | 用于石料图像的石料边缘图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627347.XA CN116029989A (zh) | 2022-12-16 | 2022-12-16 | 用于石料图像的石料边缘图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029989A true CN116029989A (zh) | 2023-04-28 |
Family
ID=86078968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627347.XA Pending CN116029989A (zh) | 2022-12-16 | 2022-12-16 | 用于石料图像的石料边缘图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029989A (zh) |
-
2022
- 2022-12-16 CN CN202211627347.XA patent/CN116029989A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN115564771A (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN107784646A (zh) | 一种路用集料的自适应检测方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN112669286A (zh) | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 |
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 |