基于圖像處理的機采棉雜質(zhì)圖像提取

基于圖像處理的機采棉雜質(zhì)圖像提取

由于機械選擇的特殊性，是衡量機械產(chǎn)品的重要標準之一。根據(jù)國家農(nóng)業(yè)行業(yè)標準（nyt1133-2006）的操作質(zhì)量，機械選擇的針頭重量為12%。近年來,隨著精細農(nóng)業(yè)的不斷發(fā)展和機采棉質(zhì)量要求的不斷提高,降低機采棉含雜率成為國產(chǎn)采棉機研制及優(yōu)化改進的一項重要任務(wù)。而如何快速準確地檢測機采棉的含雜率并為采棉機的研制和優(yōu)化提供數(shù)據(jù)支持,成為一項亟待解決的問題。隨著機器視覺技術(shù)和圖像處理技術(shù)的不斷發(fā)展,基于圖像的棉花雜質(zhì)檢測技術(shù)和皮棉異纖檢測技術(shù)已展開了一定的研究。郭俊先等采用高光譜成像技術(shù)對表層棉花雜質(zhì)進行表層棉花雜質(zhì)檢測［1－2］。丁名曉等針對工業(yè)環(huán)境中非均勻光照條件下的棉花圖像,利用Gabor濾波器提取圖像的紋理特征,結(jié)合形態(tài)學濾波和連通域分析檢測出棉花中的雜質(zhì)［3］。王偉等提出了一種實用的棉花雜質(zhì)高速檢測方法,該方法采用3D-LUT技術(shù)、HSI色彩空間、彩色運動補償技術(shù)等［4］。李國輝等采用Gabor算子提取多個方向的特征向量,融合成特征圖,由此增大背景與目標之間的對比度,提取雜質(zhì)特征［5］。Siddaiah等計算軋花后雜質(zhì)占棉花樣本面積的比例,對比自適應網(wǎng)絡(luò)模糊推理系統(tǒng)(ANFIS)和其他識別算法［6］。Tae等將原棉彩色圖像轉(zhuǎn)化成灰度圖像,采用8領(lǐng)域方法,選擇閾值分離出植物性雜質(zhì),計算雜質(zhì)數(shù)量、含量和分布［7］。上述研究的算法較復雜,多適用于棉紡加工中的皮棉和梳棉等,不適宜機采棉雜質(zhì)的檢測研究。本研究旨在運用VS2010開發(fā)平臺和OpenCV開源機器視覺庫,設(shè)計開發(fā)機采棉雜質(zhì)檢測算法,為機采棉含雜率快速、準確地檢測與估算奠定基礎(chǔ)。1圖像采集和圖像處理本試驗針對國有自主產(chǎn)權(quán)梳齒式統(tǒng)收采棉機,隨機采集樣本。樣本雜質(zhì)含量較高,且分布復雜,雜質(zhì)以棉鈴殼、枝稈、碎葉為主。試驗選取雜質(zhì)分布均勻且具有代表性的棉花樣本100mm×120mm,將其平鋪在綠色背景板上,厚度約10mm。圖像采集設(shè)備主要由Matrox/Meteor-Ⅱ圖像采集卡、TMC-7DSP數(shù)字彩色攝像機、4支F40BX/480熒光燈光源等組成。圖像處理硬件平臺為Interue3ebCoreTMDuo,CPUE84003.00GHz,1G內(nèi)存,WindowsXP操作系統(tǒng)。開發(fā)平臺為VS2010環(huán)境下加載的OpenCV2.3.1開源視覺數(shù)據(jù)庫。OpenCV是一個開源的計算機視覺庫,采用C/C++語言編程,提供了豐富的圖像及計算機視覺處理函數(shù),為數(shù)字圖像處理、計算機視覺技術(shù)應用提供了極大的方便［8］。2模型編碼和噪聲濾波本算法先將原圖像(圖1)轉(zhuǎn)換為HSI和Lab顏色模型,分別提取HSI模型的色飽和度(S)分量和Lab模型的b分量;然后進行形態(tài)學濾波降噪處理,采用自適應閾值分割圖像,提取棉花圖像和雜質(zhì)圖像,再運用邊緣檢測、連通區(qū)域分析計算各自像素面積。具體算法流程如圖2所示。2.1基于色度值的圖像屬性2.1.1HSI顏色模型HSI模型完全反映了人感知顏色的基本屬性,與人感知顏色的結(jié)果一一對應,因此,HSI模型被廣泛應用于人的視覺系統(tǒng)感知演的的圖像表示和處理系統(tǒng)中。RGB轉(zhuǎn)換為HSI顏色模型:其中:2.1.2Lab顏色模型由于人類視覺系統(tǒng)的響應是粗略的對數(shù)關(guān)系(可以感知約1%的相對亮度變化),國際照明協(xié)會(CIE)定義了XYZ空間的一個非線性重映射稱作L*a*b*或CIELAB［9］,其亮度或色度上的差別在感覺更一致。從RGB到XYZ的轉(zhuǎn)換為:亮度的L*分量定義為:其中:Yn是標稱白的亮度值(Fairchild2005)且是三次根的有限斜率近似,δ=6/29,所產(chǎn)生的0~100標度粗略地度量等量的亮度可感知性。以類似的方式,a*和b*分量定義為:其中:(Xn,Yn,Zn)是測量白點。2.1.3顏色模型在本研究中的應用顏色特征是應用最廣泛的視覺特征,提取簡單,容易描述。與其他特征相比,顏色特征對圖像尺寸、方向和視角的依賴性小,表現(xiàn)出較強的魯棒性［10］。不同的顏色模型涵蓋不同的顏色特征,通過顏色模型的轉(zhuǎn)換可對圖像的某些特征進行提取分離,從而為圖像處理提供方便。本研究結(jié)合HIS、Lab等2種顏色模型的優(yōu)點:(1)都將亮度單獨從圖像中提出,且不影響圖像的彩色信息,可以有效地消除光照不均給圖像帶來的影響;(2)2種顏色模型所提取的分量都與人類的視覺感知緊密相連,可以更容易、更有效地模擬人的色彩感知,從而對圖像進行分割。2.2模型圖像分量提取顏色分量提取可將顏色模型中不同分量的信息進行分離,以灰度級的方式描述顏色信息的強弱,實現(xiàn)三維顏色空間的二維表達。2.2.1HSI顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為HSI模型圖像,提取HSI模型圖像的3個分量H(色調(diào))、S(飽和度)、I(亮度),分量灰度圖提取效果圖3所示。2.2.2Lab顏色分量提取將采集的機采棉RGB圖像轉(zhuǎn)換為Lab模型圖像,提取Lab模型圖像的3個分量L(亮度)、a(洋紅色至綠色)、b(黃色至藍色),分量灰度提取效果見圖4。飽和度(S)形容顏色的鮮艷程度,棉花顏色接近白色,飽和度最高且易于分割。機采棉雜質(zhì)以紅棕色和褐色為主,分量下雜質(zhì)灰度較高,而背景板(綠色)灰度較低。因此,b分量下雜質(zhì)提取快而準確。結(jié)合棉花雜質(zhì)顏色與棉花及背景板顏色的差異,選取飽和度(S)和黃藍色軸(b)可快速有效地分割圖像。2.3中值濾波器、濾波器的應用在獲取棉花圖像時,由于種種原因如光照、相機結(jié)構(gòu)、對象特性等因素,往往會引入噪聲。圖像處理過程中,顏色模型的轉(zhuǎn)換、分量的提取都會產(chǎn)生影響圖像處理效果的噪聲,有效消除噪聲可以降低圖像處理難度,提高圖像的處理質(zhì)量。中值濾波器可較好地保留圖像細節(jié),處理迅速,應用廣泛。二維中值濾波輸出為:其中:W為二維模板,為盡量減少因濾波降噪而造成的目標對象面積差異,經(jīng)試驗表明,選取的二維模板W為3×3的區(qū)域時,效果最佳。2.4算法設(shè)計及加權(quán)方法圖像閾值化是通過設(shè)定特定的閾值,將圖像或圖像特征提取出來,達到分割圖像的目的。閾值化的方法很多,經(jīng)典算法有分水嶺法、區(qū)分式聚類法、凝聚式聚類法等。本研究用到的OpenCV中的自適應閾值是通過計算像素點(m,n)周圍b×b區(qū)域的加權(quán)平均,然后減去一個常數(shù)c來得到自適應閾值。加權(quán)方法分為平均加權(quán)和高斯加權(quán),本研究使用平均加權(quán)方法。閾值T計算如下:圖像分割效果如圖5、圖6所示。2.5輪廓特征檢測對圖像輪廓的提取,本研究用到的是OpenCV中的cvFindContours和cvDrawContours2個函數(shù)。cvFindContours函數(shù)可以從二值圖像和Canny邊緣檢測圖像中獲取輪廓信息,以序列和數(shù)組的形式儲存,并將多個輪廓聚合成輪廓樹。根據(jù)圖像輪廓周圍灰度值的不同將輪廓分為外部輪廓和孔。cvDrawContours函數(shù)通過cvFindContours函數(shù)檢測到的輪廓繪制輪廓特征。根據(jù)輸入?yún)?shù)的不同,可繪制所需輪廓(圖7)。對棉花特征內(nèi)的雜質(zhì)孔洞行進內(nèi)部填充,計算面積;對雜質(zhì)面積進行計算并求和。棉花像素面積為586157,雜質(zhì)像素總面積為54608。機采棉雜質(zhì)面積占棉花總面積的比率為9.32%。3棉田織物的雜質(zhì)檢測針對機采棉雜質(zhì)成分特征及分布狀況,結(jié)合圖像處理顏色空間理論,設(shè)計機采棉雜質(zhì)提取試驗。根據(jù)飽和度(S)與黃藍色軸(b)分量,選取可區(qū)分棉花與雜質(zhì)的綠色背景板進行試驗。試驗結(jié)果表明,綠色背景板在S分量中與棉花灰度差異明顯,在b分量中與雜質(zhì)灰度差異明顯。因此,選取綠色背景板可容易地進行圖像分割、特征提取。利用OpenCV開源數(shù)據(jù)庫,通過顏色模型轉(zhuǎn)換、分量提取、中值濾波消噪、自適應閾值分割、輪廓繪制等處理,得到了較理想的棉花面積和雜質(zhì)總面積。棉花像素面積為586157,雜質(zhì)像素總面積為54608,雜質(zhì)面積比率9.3