1.基于图像的钢筋端面自动识别计数算法,其特征在于包括以下步骤:步骤1,拍摄含背景的钢筋端面图像,对需要计数的端面区域进行提取;
步骤1.1,对拍摄得到的图像进行预处理,通过缩放、剪裁将图像调整为统一大小,此处设定为560×420,用大小为5×5、标准差为0.5的高斯核进行高斯滤波以去除噪声;
步骤1.2,利用云模型对端面图像进行分割;
首先对图像进行颜色空间转换和颜色信息量化;
将图像从RGB颜色空间转化到HSV颜色空间;颜色量化技术分为均匀量化和非均匀量化两类,此处选择非均匀量化;
将HSV颜色空间非均匀量化成256维,即色调H16维,饱和度S和亮度V都是4维,构造一维特征矢量G:G=HδSδV+SδV+V (1)
其中,δS和δV分别是分量S和V的量化级数,这里δS=4和δV=4,所以有:G=16H+4S+V (2)
这样H、S、V三个分量就在一维矢量上分布开来;统计G的特征值频率,得到特征矢量G的分布直方图H(g),其中特征值g∈[0,255];对H(g)进行归一化处理,使其频率分布在[0,1]之间,然后令小于0.05的H(g)=0,得到频率分布函数f(g);
将频率分布函数f(g)转换为若干个正态云,每个正态云C(Ex,En,He)有3个数字特征—期望Ex、熵En和超熵He,每个云代表一种颜色;此过程的数学表达式为:其中i为云的序号,n1为变换后得到的云的个数,也表示分割得到的n1个颜色分类;
每个云的期望Ex、熵En和超熵He的确定步骤如下:第一步,提取f(g)中的峰值位置gi,作为每个正态云的Exi;
第二步,通过f(g)找到Exi两侧最近的谷值位置g1、g2,计算其差值Δg=|g1-g2|,则该云的熵Eni=Δg/6;
第三步,在f(g)中Exi位置的值为f(gi),则该云的超熵 至此,每个正态云的参数已经确定,每个云代表一种颜色,最后利用图像中的每个像素的颜色特征值gxy,计算对像素对不同正态云的隶属度μi:其中,En′i为以En为均值、He为标准差的正态函数产生的随机数,i∈[1,n1];
这样,每一个像素点对所有正态云计算一个隶属度,选择隶属度最高的云作为当前像素的分类,从而得到整幅图像内所有像素点的分类结果;由于相邻像素的分类结果可能相同,所以会产生众多连通域,从而形成对图像的分割;
步骤1.3,端面区域自动选取;
经过步骤1.2的分割后,会得到许多连通域,去除面积小于2000的连通域后,对每个类的像素以半径为8的圆形核进行闭运算,得到n2个待选择的连通域;
计算每个连通域的三个参数,分别为面积比SW、重心MW、聚集度CL;其计算公式分别为:其中,j为连通域序号,j∈[1,n2],p为连通域j中的像素序号,p∈[1,s],xp、yp为像素的横、纵坐标,s为连通域j的面积(即像素数),H、W分别为图像的高和宽,Mxj为连通域j中所有像素的横坐标之和,Myj为连通域j中所有像素的纵坐标之和;
对以上三个参数进行加权求和,得到参考数值F(j):F(j)=SW(j)+1.7*MW(j)+CL(j) (8)则F最大时对应的连通域j即为需要留下的连通域,此连通域中的像素的集合,即为待计数的端面区域图像,连通域外的像素颜色设置为黑色;
步骤2,根据端面区域图像,进行定支分离与计数;
步骤2.1,对端面图像部分进行灰度化、直方图均衡、自适应阈值二值化,得到端面区域二值图像I,其中端面为白色,非端面的部分为黑色;
步骤2.2,利用粒度测量方法得到端面的估计半径,构造模板,进行模板匹配,得到端面中心位置;
测量粒度时,采用核尺寸递增的开操作对图像进行处理,在每次开操作后计算与前次开操作的面积差a(k):其中x,y分别为每个像素的横、纵坐标, 为半径为k的圆形结构元对图像I进行开操作(Va)后图像的总面积, H、W分别为图像的高和宽;
求取a(k)的最大值,其对应的k值即为端面的估计半径r;
由于实际图像中的端面半径并非完全一样,有一定的误差,所以设定半径的浮动范围为Δr,此处设定Δr=0.5*r,然后构造模板;
x方向上的模板公式为:
y方向上的模板公式为:
其中,d为模板中的像素(x,y)到模板中心的欧氏距离,(x0,y0)为模板的中心坐标;
构造后,利用x方向和y方向上的Sobel算子对步骤2.1得到的二值图像I分别在x和y两个方向上进行处理,随后用构造得到的模板进行模板匹配,得到x和y方向上的模板匹配结果图;对两个结果图进行归一化;则对于每个像素,其两个模板匹配并归一化的结果的平均值大于0.2的,即为所求的中心标记,标记的中心数量即为所求的端面数量。