基于圖像處理的儲備糧倉袋裝糧數量智能測算的研究

摘 要：針對袋裝糧數量智能測算的要求，以實際場景視頻圖為分析對象，在對典型邊緣檢測算法實驗結果分析的基礎上，采用雙閾值Canny邊緣檢測算子和形態學處理的方法提取糧袋特征輪廓——反光帶的邊界。提出基于眾數理論和方差分析相結合的計數算法進行數量的二次判斷，提高了計數算法的識別精度和測算效率。實驗表明，該方法能準確地提取出糧袋的特征輪廓并進行計數，為糧食數量檢測提供了一種有效方法。

關鍵詞：圖像處理； 特征輪廓； 邊界提取； 智能測算

中圖分類號：TP391.41文獻標志碼：A

文章編號：1001-3695(2009)06-2393-03

doi:10.3969/j.issn.1001-3695.2009.06.119

Study for packaged granary grain quantity intelligentreckoning based on image processing

LIN Ying1， 2， LIU Yong1， SUN Yue-heng2

（1.School of Management， Chongqing Jiaotong University， Chongqing 400074， China； 2.School of Computer Science Technology， Tianjin University， Tianjin 300072， China）

Abstract:

According to the requests of packaged granary grain quantity intelligent reckoning， took the actual scene video as the analysis object， and used the dual threshold Canny operator and the morphology processing method to extract the grain bag characteristic outline-counter-band of light boundary. Then， presented the quantity second-judgment based on the counting algorithm of integration of the mode theory and the variance analysis to improve the counting algorithm recognition precision and efficiency. Experimental results show that the algorithm can accurately extract the characteristic outline and count the number of the characteristic outline， support an effective method for grain quantity detection.

Key words：image processing; characteristic outline; boundary extraction; intelligent reckoning

由于國家儲備糧糧庫的地域分散性和監管力量的缺乏，加之采用人工監管的方式，使得監管部門難以對儲備糧進行有效的監管與稽核^[1]，導致虛庫、虛報補貼、偷盜等現象普遍發生，給國家造成巨大經濟損失，更嚴重的是影響了國家宏觀調控和物價穩定。尋求方便、有效的糧食數量檢測工具具有重大現實意義，而數字圖像獲取、傳輸的方便性以及圖像的可識別性，使基于圖像識別的糧食數量檢測工具成為解決儲備糧遠程自動監管與稽核問題的重要技術手段。本文即為采用圖像識別技術對袋裝糧倉進行的糧食數量檢測研究。

基于視頻圖像的儲備糧自動監管的技術核心是通過對采集的實際場景圖像的識別測算^[2]，得到糧倉的實時儲備數量。由于糧堆是立方體，且每袋糧食的重量是固定的，如果能夠分辨出糧堆對象中糧袋的數量，就可以得出糧堆的總重量。因此，袋裝儲備糧的智能測算的關鍵是對糧堆中各表面糧袋的識別及數量的測算。基于儲備糧場景的特點分析，提出了對目標糧袋特征輪廓——反光帶的識別，故尋求一種高效而方便的識別計數方法成為解決問題的關鍵^[3，4]。

1 方法的研究與實踐

圖像識別的關鍵是計算機能否準確地理解圖像信息并將感興趣區域（region of interests，ROI）的特征信息有效地提取出來。通過對比各種局部邊緣檢測算子處理實際場景圖像的效果，在選擇雙閾值Canny算子作為局部邊緣檢測算子對圖像特征進行有效提取的基礎上^[5]，提出了一種基于統計理論的糧袋識別計數算法。該測算方法主要由以下四個環節構成：

a）格式的轉換。充分考慮到圖像信息的復雜性和處理效率的問題，將實際采集的RGB格式的圖像轉換成灰度圖像，有利于圖像信息的傳輸與處理。

b）噪聲的去除。對于圖像噪聲的影響，采用中值濾波法對灰度圖像進行平滑處理，改善圖像的質量。

c）特征輪廓的提取。基于糧袋類矩形反光帶的輪廓特征，采取雙閾值Canny局部邊緣檢測算子方法并結合形態學細化處理，有效確定ROI。

d）輪廓的統計計數。在確定ROI的基礎上，提出一種簡單的像素點統計計數結合閾值判斷的方法完成輪廓數量的測算，降低了測算的復雜度。

1.1 格式的轉換

在實際應用中，灰度圖像的處理比較方便，并且處理效率較高，相對計算量較小。對于一幅灰度圖像，根據圖像各處灰度級的不同，用f（x，y）二維函數的值來表示圖像在坐標（x，y）處的灰度值。在實際的圖像采集過程中，由于監控器采集的圖像為紅、綠、藍（RGB）格式，并且糧袋截面特征的識別所需的信息相對比較簡單，首先需要通過灰度轉換公式f(x，y)=0.3R+0.59G+0.11B實現由RGB空間到灰度空間的轉換。處理結果如圖1、2所示。



1.2 噪聲的去除

實時獲得的原始糧庫場景視頻圖像都存在著一定程度的噪聲干擾，使得圖像變得模糊，甚至淹沒了圖像的特征信息。為了改善圖像的質量，常常需要減少或消除圖像的噪聲對識別計數精度的影響。常用圖像增強的方法有鄰域均值法、中值濾波、維納濾波、同態濾波等。對于實際場景灰度圖像中糧袋特征的識別除了各灰度值的變化信息外，ROI是各個糧袋表面的類方形輪廓。再考慮到系統的實時性和軟件實現的復雜度，本文采用中值濾波法對場景灰度圖進行平滑處理，實現了對圖像噪聲的去除。為了在去除噪聲點的同時有效保留特征輪廓信息，采用了較小的3×3的濾波掩模。

1.3 特征輪廓的提取

邊緣是圖像局部特征不連續性的集中表現，刻畫了圖像的特征輪廓。特征輪廓提取的主要目的是確定場景圖像中的ROI像素點的邊界位置，以便有效地提高識別計數的準確度。根據實際儲備倉庫的袋裝糧食碼放的特點，由糧袋之間表面的擠壓變形所導致側面彎曲形成的類矩形反光帶，形成了各個糧袋的特征輪廓。

特征輪廓提取是通過分析源圖像的灰度圖灰度的變化率及變化方向，采用適當的局部邊緣檢測算子方法檢查每個像素點的鄰域，并進行各像素點鄰域的灰度變化率的量化及變化方向的確定，將具有相同灰度變化率的像素點構成連通的閉合區域。對于圖像模糊程度較高和噪聲較大的情況，主要考慮的是如何選擇構造邊緣檢測算子。對于一幅二維圖像f(x，y)， x、y分別表示各像素點在二維空間中的橫、縱坐標；在坐標位置(x ，y)處的梯度可以表示成一個向量f，并用Gx和Gy表示各像素點在x方向、y方向上的梯度，然后把兩個梯度組合起來構成梯度算子，即

f=Gx，GyT=f/x，(f/y)T(1)

令α(x，y)表示向量f在位置(x，y)處的方向，f表示在該變化率方向上的梯度變化的幅度，則

α(x，y)=arctan(Gx/Gy)(2)

f=mag(f)=G2x+G2y1/2(3)

在幅度實際應用計算中，由于計算平方和平均根的運算量較大，影響實際的效率，常常采用一種絕對值對梯度進行近似的范數計算方式：

f=Gx+Gy=f/x+f/y(4)

基于數字圖像處理的特點和實際糧倉場景圖像的分析，本文采用差分的形式代替上述計算中的微分運算。

在理想的狀況下，假定每個糧袋的彎曲度都一樣，這時采集到的反光帶圖像是均勻的等寬光帶。但是，實際糧袋的碼放存在著很多隨機的因素，如碼放角度的變化、堆疊位置的變化等，導致所采集的反光帶呈現出寬度不均等、局部彎曲等特征。考慮實際袋裝糧場景圖像的復雜性，僅僅利用一階導數可能找不到邊界，因此會應用到二階導數的信息。本文選取五種邊緣檢測算法對場景圖像進行邊緣檢測分析，結果如圖3所示。從檢測的效果分析，Roberts算法檢測效果較差，丟失了太多的邊緣，并且出現了較多的孤立點；Prewitt和Sobel算法的效果相近，較好地去除了噪聲，但是部分邊界出現了局部斷裂，沒有檢測出反光帶的輪廓；LOG算法較好地檢測出了反光帶的特征輪廓，但是仍然出現了局部邊界的斷裂，對噪聲相對比較敏感；Canny算法得到的輪廓邊界較連續，能夠從檢測結果中分辨出各個糧袋的反光帶輪廓特征，抗噪能力較強，效果最好。本文采用Canny邊緣檢測算子實現了特征輪廓的邊界提取和二值化。



在實際測算的過程中，由于場景光線條件的限制，所采集到的圖像通常是亮度、對比度不均勻，并且反光帶的邊界不清晰。改善圖像質量的措施包括：改善場景環境的光照條件；采取有效手段增強ROI。為了提高糧袋識別計數的精度，在設計過程中給予充分的考慮。經過上述處理的原始圖像已經識別出了各個糧袋的反光帶輪廓邊界，即ROI。但是，在邊緣檢測的處理結果中可能仍然存在某些噪聲點被誤判為ROI輪廓區域的像素點。反光帶輪廓增強的主要目的是去除誤判點及進一步地確定反光帶的邊界。基于形態學圖像處理的分析，引入特定的結構元素B對ROI的區域A進行細化：

A{B}=((NA1AD((AB1)B2)NA1AD)Bn)(5)

當細化區域A的結果不再發生變化時，細化過程完畢。細化的效果如圖4所示。



1.4 輪廓的統計計數

基于已確定的ROI邊緣區域的模式識別為進一步袋裝糧數量的測算做好準備。當特征輪廓形狀規則且互相分離、邊界清晰時，利用相應的模板匹配可以方便地確定其中心位置、半徑等幾何參數^[6，7]。但是，由于場景環境的諸多隨機因素的影響，導致實際檢測的反光帶輪廓形狀多為不規則的類矩形，采用模板匹配識別計算的難度較大。統計各個輪廓連通區域的個數可以有效地達到計數的目的，但是對于目標復雜的圖像，對噪聲較敏感、識別效率較低。模糊識別方法因其運算量較大而使其在實際應用中受到限制^[8，9]。充分考慮識別的時效性和反光帶輪廓的圖形特征，本文采用像素點統計計數的方法完成輪廓數量的測算。

設f(i，j)是特征輪廓二值圖像，大小為M×N。其中f(i，j)∈{0，1}，0像素點為白色，1像素點為黑色；i∈{0，1，2，NA1AD，M－1}，j∈{0，1，2，NA1AD，N－1}；定義n是不大于n的最大整數。從上至下依次檢查線段豎直方向上每個像素點的值，當像素點的值從0跳變到1或者從1跳變到0時，計數累加器自動加1，依照累加值可以測算出豎直方向上糧袋的數量。充分考慮到算法的實時性，對豎直方向線段位置的選取上采用累積均分法，避免對二值圖像所有的豎直方向進行統計。為了提高識別計數的精度，選取多個豎直方向進行測量，引入眾數的頻率和方差分析，設定相應的判斷閾值，并得出最終的糧袋計數結果。計算過程如下：

a）選取豎直方向n≥9且n∈Z，x=（1/n）M，（2/n）M，NA1AD，（（n－1）/n）M，所在線段從上至下依次遍歷各個像素點的值，并記下各計數器相應的累加結果k1，k2，k3，NA1AD，kn－1。

b）統計步驟a）累加結果的個數，提取該組數據的眾數k及相應的個數n0，計算頻率p=n0/（n-1）。

c）若p≥0.8，則計算方差var(k)=E{[ki－k]2}，i=1，2，NA1AD，n-1；否則，n=n+1，并返回步驟a）的計算過程。

d）進一步判斷方差，如var(k)

2 實驗結果及分析

本文的識別計數方法在MATLAB平臺上已實現。在實際的數量測算中，需要分別針對立體倉三個相鄰面的場景采用輪廓邊界的提取并計數的關鍵技術處理。考慮到系統實現的時效性和準確性，選取豎直計數起始方向過多，容易影響系統的工作效率；選得太少，達不到高標準的計數精度。以倉庫實景圖像為實驗樣本，根據目測和智能計數方法進行統計，檢測的準確率可達99%以上。實驗結果表明，該方法用來實現袋裝糧倉儲備數量的測算是可行的。

采用本文袋裝糧識別計數方法的關鍵技術主要體現在以下三個方面：

a）基于實際采集的RGB格式的彩色圖像，利用灰度空間的轉換實現圖像處理信息量的壓縮，使得識別計數的效率有了一定的提高。

b）針對糧袋反光帶的特征邊緣，運用ROI的概念，并采用雙閾值Canny邊緣檢測算子提取目標區域的邊界和形態學增強，達到高質量的識別效果。

c）提出基于像素點統計計數的方法完成輪廓數量的測算，具有較好的計數精度，使得圖像智能識別技術手段在儲備數量的測算上具有一定的使用價值。

3 結束語

本文針對儲備糧數量的監管及稽核存在的問題，提出了一種簡單實用的袋裝糧倉圖像自動檢測計數技術。根據糧袋反光帶的特征，采用雙閾值Canny邊緣檢測算子方法及形態學增強相結合的方法來完成ROI邊界的提取；然后提出了一種基于像素點統計計數的方法，選擇合適的閾值對統計的結果進行判斷，算法簡單、運算量不大，實現了數量的可靠測算。由于實際場景光線條件的限制和各糧袋特征的隨機性，造成處理后圖像的某些邊界線輪廓存在一定的缺陷，影響高精度的統計測算，所以在對特征輪廓邊界的提取細化方面仍需要進一步的研究。

參考文獻:

[1]唐為民.中央糧庫儲糧技術現狀及對策研究[J].糧食流通技術，2003(1):4-7.

[2]林鷹，付洋.散裝倉糧食數量識別關鍵——矩形標尺圖像識別[J].浙江大學學報，2007， 41(10):1643-1646.

[3]欒新，朱鐵一.不規則類圓形目標圖像識別新策略[J].中國圖象圖形學報，1999， 4(3):202-206.

[4]陳孝春，葉懋冬，倪臣敏.一種形狀識別的方法[J].模式識別與人工智能，2006， 19(6):758-763.

[5]HADDON J F，BOYCE J F. Image segmentation by unifying region and boundary information[J]. IEEE Trans on Pattern Analysis and Machine Intelligence，1990，12(10):929-948.

[6]湯金寬，曹丹華，吳裕斌，等.基于組合模板的人體頭部精確定位算法[J].中國圖象圖形學報，2007， 12(8):1389-1394.

[7]周群，胡光銳.基于模板覆蓋法的鋼筋在線計數方法[J].上海交通大學學報，1999， 33(11):1462-1464.

[8]冉海潮.火災圖像的模糊識別探測方法[J].模糊系統與數學，2001， 15(3):102-104.

[9]陳松燦，伍艷蓮.圖像的模糊識別方法研究與實現[J].電子學報，2000， 28(11):50-54.