一種鋼筋圖像自動計數(shù)的方法

摘 要:針對常規(guī)基于圖像處理的鋼筋自動計數(shù)解決方案的不足，提出了一種簡單可靠的解決方案。該解決方案的特點在于使用高斯模糊將粘連的鋼筋圖像轉(zhuǎn)換成一個個駝峰型的光球，然后配合峰值提取準確地統(tǒng)計圖像中的鋼筋根數(shù)。實驗證明，該方法對多根粘連鋼筋的計數(shù)十分有效，大大提高了鋼筋自動計數(shù)的準確率。

關(guān)鍵詞:自動計數(shù);中值濾波;高斯模糊;峰值提取

中圖分類號:TP391文獻標識碼:A

文章編號:1004-373X(2010)06-137-03

Automatic Counting Method of Steel Bar Image

SU Zhiqi，F(xiàn)ANG Kangling

(School of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan，430081，China)

Abstract:Because of the weakness of conventional steel automatic counting，a new，simple and reliable solution is presented.this solution is characterized by the use of Gaussian blur in order to separate adhesive steel bar into hump shaped ball of light，and then it is extracted with the number of steel bar in the image.Experiments show that this solution is very effective to count adhering steel bar，improves accuracy of automatic counting of steel bar.

Keywords:automatic counting;median filtering;Gaussian blur;peak extraction

鋼筋自動計數(shù)一直是鋼筋生產(chǎn)企業(yè)的一個難題。現(xiàn)階段我國的鋼鐵企業(yè)大多采用人工計數(shù)的方法。人工計數(shù)的方式準確性受影響很大，不可能做到長期準確的計數(shù)。近些年來由于攝像頭器件成本的大幅降低，而基于圖像處理的解決方案和以前傳統(tǒng)方案相比又有明顯的優(yōu)勢[1]，越來越多人開始嘗試使用圖像處理的方法來解決。但是圖像處理的方法存在以下幾個問題:鋼筋打包之后，粘連問題很嚴重;鋼筋端面參差不齊，光照不均勻;鋼筋剪裁過程中還存在彎曲變形;

針對這些問題，很多學(xué)者提出了自己的解決方案。文獻[2]采用距離變換的思想，確定棒材中心實度粘連問題，容易導(dǎo)致誤判。文獻[3]提出了基于模板覆蓋法的棒材計數(shù)方法，由于剪切造成的棒材變形，導(dǎo)致模板匹配困難很難獲得準確計數(shù)。文獻[4]采用邊緣檢測的方法，以此獲得棒材中心信息，實現(xiàn)棒材的計數(shù)，但邊緣信息受外界影響較大，很難實現(xiàn)可靠的提取。本文通過分析和對比前人所做的工作，又加以大量的實驗論證提出了一種簡單實用的對粘連鋼筋進行自動計數(shù)的辦法，這種辦法使用高斯模糊和峰值提取配合，能夠較好地排除鋼筋粘連的問題的干擾，達到準確計數(shù)的目的。在實際生產(chǎn)中有很強的實用價值。

1 算法分析

1.1 問題分析

實際中成捆的鋼筋如圖1所示。由圖1可見粘連非常嚴重。所以排除粘連問題的干擾是解決問題的關(guān)鍵。針對這一問題，在此提出一種使用高斯模糊和峰值提取配合的辦法。

圖1 成捆鋼筋端面圖

1.2 圖像預(yù)處理[5]

在獲得圖像之后首先要進行一些預(yù)處理。

在鋼筋自動計數(shù)過程中不需要彩色信息。所以在獲得圖像之后，首先將彩色圖像轉(zhuǎn)為黑白圖像，以方便圖像處理。另外，使用直方圖均衡化技術(shù)來充分利用亮度空間，以解決攝像頭采集的信號中存在的曝光過度和曝光不足問題。

1.3 中值濾波[6]

中值濾波是由Tukey首先提出的一種典型的非線性濾波技術(shù)。由于它較好地解決了消除脈沖干擾和保持信號邊緣問題，在圖像濾波中得到廣泛應(yīng)用。

標準一維濾波器定義為:

yk=med{xK-N，xK-N+1，…，xK，xK+N-1，xK+N}(1)

式中:med表示取中值操作中值濾波的濾波方法是對滑動濾波窗口(2N+1)內(nèi)的像素作大小排序;x表示輸入數(shù)據(jù);y表示輸出結(jié)果，濾波結(jié)果的輸出像素值規(guī)定為該序列的中值。例如取3×3滑動窗口，中值為窗口內(nèi)第5個最大的像素值。中值濾波所需要的參數(shù)滑動是窗口的邊長。

對圖像進行中值濾波的目的是填補鋼筋內(nèi)部一些黑點，這一步主要是為下一步服務(wù)，如果不使用中值濾波，在對圖像進行最小值操作時，沒有填補的黑洞就會把整個鋼筋腐蝕掉。

圖2 鋼筋截面圖當(dāng)中的黑點

圖3 對存在黑點的鋼筋進行中值濾波之后的圖片

實驗證明:簡單依靠腐蝕膨脹算法是無法消除這些黑點的影響，如果存在某鋼筋截面內(nèi)部有黑點且又和旁邊的鋼筋粘連，普通腐蝕膨脹算法就會出錯。而如果參數(shù)選得適當(dāng)?shù)脑挘兄禐V波既不會把鋼筋縫隙之間的黑區(qū)域消除，同時又能消除掉鋼筋截面圖當(dāng)中的黑點。

1.4 最小值運算[7]

最小值運算實際上是指是在一定范圍內(nèi)取最小值，在二維空間定義為:

g(x，y)=min(f(i，j)，{i，j∈s})(2)

式中:g(x，y)是處理后圖像的灰度函數(shù);f(x，y)是處理前圖像的灰度函數(shù);s是以(x，y)為圓心r為半徑的區(qū)域，最小值運算所需要的參數(shù)就是r。

在這里的目的是初步分開粘連著的鋼筋。最小值運算和圖像腐蝕很類似，但是最小值運算處理的是灰度圖像，它的優(yōu)點就是不容易受到鋼筋截面當(dāng)中的黑點的影響。

1.5 高斯模糊

高斯模糊是一種圖像模糊濾波器，它用正態(tài)分布計算圖像中每個像素的變換。在二維空間定義為:

G(r)=(1/2πρ2)e-(u2+v2)/(2σ2)(3)

式中:r 是模糊半徑r2 = u2 + v2;σ是正態(tài)分布的標準偏差;ρ表示圖像平均值;u，v表示當(dāng)前位置的橫縱坐標。在二維空間中，這個公式生成的曲面的等高線是從中心開始呈正態(tài)分布的同心圓。分布不為零的像素組成的卷積矩陣與原始圖像做變換。每個像素的值都是周圍相鄰像素值的加權(quán)平均。原始像素的值有最大的高斯分布值，所以有最大的權(quán)重，相鄰像素隨著距離原始像素越來越遠，其權(quán)重也越來越小。這樣進行模糊處理比其他的均衡模糊濾波器更高地保留了邊緣效果。

1.6 峰值提取

峰值提取[10]就是提取圖像當(dāng)中二階導(dǎo)數(shù)小于零而一階導(dǎo)數(shù)等于零的位置，由于計算機存在截斷誤差，不存在精確的等于零，所以設(shè)置一個能合適的閾值，落在閾值內(nèi)的數(shù)就認為它等于零。

經(jīng)過高斯模糊之后，粘連還是存在，但是粘連已經(jīng)完全不會影響峰值提取，因為這個時候粘連的鋼筋會變成駝峰一樣的形狀，通過清數(shù)峰值的個數(shù)就可以知道圖像中的鋼筋總數(shù)。

圖4 經(jīng)過高斯模糊的圖片

圖5 經(jīng)過高斯模糊的圖片的三維地形圖

2 算法設(shè)計

(1) 對所拍攝的圖像進行預(yù)處理。這里要做的是對圖像加窗，提取出所關(guān)心的部分，將彩色圖像轉(zhuǎn)換為黑白灰的圖像，降低圖像分辨率以減小計算量，調(diào)節(jié)亮度曲線以充分利用整個亮度范圍。所獲得的原始圖片如圖6所示，預(yù)處理之后的效果如圖7所示。

圖6 預(yù)處理之后的圖片

圖7 經(jīng)過中值濾波后的圖片

(2) 中值濾波。假設(shè)鋼筋在圖像中的半徑是r個像素，使用半徑為r/4個像素的中值濾波對圖像進行與濾波。

(3) 對圖像進行最小值運算。為了分開粘連的鋼筋，對圖像進行半徑為r/2個像素的最小值運算。

(4) 對圖像進行高斯模糊。光靠最小值運算不可能完全解決粘連問題，而且形狀各異，不便于識別。所以這里使用半徑為r/2個像素的高斯模糊處理圖像。

(5) 提取圖像當(dāng)中的峰值。

(6) 清點圖像當(dāng)中的封閉白區(qū)間，最終得到這幅圖中的112根鋼筋，與真實結(jié)果一致。

圖8 經(jīng)過最小值運算后的圖片

圖9 經(jīng)過高斯模糊之后的圖片

圖10 經(jīng)過峰值提取之后的圖片

3 結(jié) 語

在此針對鋼筋圖像自動計數(shù)所存在的問題，總結(jié)前人所做工作，提出了一種新的簡單、實用、可靠的解決方案。鋼筋自動計數(shù)最大的難點就在于劃分開粘連的鋼筋，前人做了很多探索，但都不是非常成功。本文在已知鋼筋圖像尺寸的情況下，可以穩(wěn)定可靠的統(tǒng)計出所采集圖片中的鋼筋數(shù)量。所提出的高斯模糊配合峰值提取是本解決方案的一個創(chuàng)新之處，很好地解決了在鋼筋自動計數(shù)中的鋼筋粘連的問題。調(diào)試過程中發(fā)現(xiàn)該解決方案對參數(shù)不是很敏感，即使輸入?yún)?shù)有30%的誤差也不會造成識別結(jié)果的錯誤，可見這一套解決方案是比較穩(wěn)定的。經(jīng)大量實驗證明，該方法故障率極低， 能滿足工程需要。

本文所提的方法也有一些不足之處，還需要進一步的深入研究，如必須已知鋼筋圖像尺寸，文獻[9]提出一種粒度測量的方法能實現(xiàn)自動計算出鋼筋圖像尺寸，這是該系統(tǒng)下一步所需做的。

參考文獻

[1]周瑩莉，曾立波，劉均堂，等.基于圖像處理的自動計數(shù)方法及其實現(xiàn)[J].數(shù)據(jù)采集與處理，2003，18(4):460-464.

[2]宋強，徐科，徐金悟，等.基于圖像處理的棒材自動計數(shù)技術(shù)[J].鋼鐵，2004，39(5):34-37.

[3]周群，胡光銳.基于模板覆蓋法的鋼筋在線計數(shù)技術(shù)[J].上海交通大學(xué)學(xué)報，1999，33(11):1 462-1 464.

[4]羅三定，肖飛.不規(guī)則類圓形團塊目標圖像識別的新方法[J].中南大學(xué)學(xué)報，2004，35(4):632-637.

[5]Shatadal P，Jayas D S，Bulley N R.Digital Image Analysis for Software Separation and Classification of Touching Grains II.Classification[J].Trans.of the ASAE，1995，38(2):645-649.

[6]Julier S，Uhlmann J.Unscented Filtering and Nonlinear Estimation[J].Proceedings of The IEEE，2004，92(3):401-422.

[7]Cast Leman K R.數(shù)字圖像處理(影印版)[M].北京:清華大學(xué)出版社，1998.

[8]Gordon N，Salmond D，Smith A.Novel Approach to Nolinear/Non-Gaussian Bayesian State Estimation[J].IEE Proceedings-F，1993，140(2):107-113.

[9]Haritaoglu I，Harwood D，Davis L.W4:Real-time Survei-llance of People and the Iractivities[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，2000，22(8):809-830.

[10]康曉泉，首詳云，陳世銳，等.條件顆粒分割研究[J].中國圖像圖形學(xué)報，2004，9(5):565-570.