基于图像的物体尺寸测量算法研究.docVIP

基于图像的物体尺寸测量算法研究 　　摘 要：提出了基于多通道色彩下的边缘检测和目标识别方法，以及后期的以圆为参照的目标尺寸计算方法。在前期预处理中采用卷积运算和锐化等图像增强手段，利用Canny 算子检测边缘，然后通过目标的几何特征高效识别，以近似曲线逼近算法减小边界点数据量。对于已经透视变形目标，立体识别模式采用余弦修正法，平面识别模式采用最小包围矩形法进行校正，提高了目标的计算精度。最后在 PC 端和Android 平台下进行算法实现。实验结果表明，该预处理及检测识别方法行之有效，能在移动设备上进行快捷有效的图像识别处理。 　　关键词关键词：图像识别；边缘检测；物体测量 　　DOIDOI：10.11907/rjdk.162445 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2016）011004805 　　0 引言 　　在数字化和自动化时代，人们倾向于用更快捷有效的方法替代传统的手工工作，如在一些自动化生产车间、物流公司的配送系统，往往需要便捷获取 　　物体（如箱子）尺寸，方法是手工测量或肉眼估计，效率和精度不高。目前，国内外已开展了物体识别、图像矫正等方面的研究，但是 　　直接通过参照物标定未知目标尺寸的例子还比较少[15]。在物体识别方面，常见的是用数据训练识别器，然后再对物体进行识别（比如人脸识别）。 　　在图像处理方面，透视变形是最常见也是影响较大的因素，对透视变形的矫正，已经有一些技术[68]，但只是对已知物体尺寸进行校正（如 A4 文档矫正）或者同比例（保持长宽比）情况下对目标进行矫正，而针对一张张独立图片还没有适合的方法。 　　本文开发了一款基于 Android 手机平台的物体长度测量 APP。运用图像处理技术，直接对手机相册里的图片进行目标识别、矫正和计算，得到物体尺寸。 　　1 算法设计 　　为实现从任意给定的一张图片中识别出目标物体并计算尺寸，需要经过图片预处理（过滤去噪）、边缘检测、目标识别匹配、透视变形矫正和参照对比等步骤。每一环节的处理效果及速度，都会对最终结果产生明显影响。 　　1.1 预处理 　　图像处理中，首先需要对给定图片数据进行预处理，预处理主要是进行去噪、锐化、图像增强等操作，目的是为后期处理减少干扰，突出目标。本文处理的图片随机拍照生成，拍摄背景、拍摄条件不尽相同，可能导致背景噪声干扰淹没目标物，因而预处理目标是确保原始信息不丢失且关键信息得到增强。 　　1.1.1 卷积运算 　　对图像进行卷积运算，可突出图像细节，增强对比度。卷积运算是利用一个矩阵核对一个小区域进行操作，即掩码运算。 　　要得到图像某个特定位置的卷积值，可用下列方法计算：①将核的锚点放在该特定位置像素上，同时，核内其它值与该像素邻域的各像素重合；②将核内各值与相应像素值相乘，并将乘积相加；③将所得结果放到与锚点对应的像素上；④对图像所有像素重复上述过程。 　　1.1.2 锐化 　　图像锐化是补偿图像的轮廓，增强图像边缘及灰度跳变部分，使图像变得清晰。在计算机图像处理中可用微分运算和高通滤波器来实现图像锐化，即对空间域和频域进行锐化。 　　根据频率分析，任何一幅图像都是由决定图像反差的低频信号和决定图像细节的高频信号组成，所以频率域图像的锐化可以采用高通滤波器滤波，以加强图像所需的高频信号。 　　1.1.3 降采样和插值 　　对图片进行一次降采样，可以降低图片的数据量，减少计算量，然后进行插值恢复，保持图像关键信息的完整性。可以去噪滤波，消除背景噪声和预处理带来的部分噪声。 　　1.2 边缘检测 　　边缘检测是目标识别的前提，也是整个算法流程中非常重要的一环。边缘是指其周围像素灰度急剧变化的那些像素集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，它是图像分割的重要依据。有许多方法用于边缘检测，一般分为基于查找和基于零穿越两类方法。基于查找方法通过寻找图像一阶导数中最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。 　　在边缘检测算法中，大多数情况下仅仅需要边缘检测器指出边缘出现在图像某一像素点附近，而没有必要指出边缘的精确位置或方向。本文只需要确定目标轮廓，不需要具体位置信息，步骤如下： 　　1.2.1 图像色彩通道提取 　　检测算子操作的都是单通道灰度图或二值图，传统做法是直接对源图像进行灰度化或者二值化处理，通过一定的阈值截断数据，这就丢失了不同色彩通道下的目标信息。不同拍照环境下，目标与背景的色彩区分度较大。比如目标是黄色，而背景是蓝色，综合进行二值化的结果是目标与背景的边界没那么明显。如果进行色彩通道提取然后再处理，在一种色彩通道下，能很好地将目标与背景分割开。 　　常见的图片只