線纜字符圖像的拼接方法研究

池 瀟 石守東 汪瑞琪 劉 華

1(寧波大學信息科學與工程學院 浙江 寧波 315211)2(浙江一舟電子科技股份有限公司 浙江 寧波 315191)

線纜字符圖像的拼接方法研究

池 瀟1石守東1汪瑞琪1劉 華2

1(寧波大學信息科學與工程學院 浙江 寧波 315211)2(浙江一舟電子科技股份有限公司 浙江 寧波 315191)

針對線纜字符圖像光照不均勻、重疊區域較小、邊緣化等問題，現有的圖像拼接方法不能準確拼接，提出一種新的圖像拼接方法。首先利用HSI彩色空間模型從圖像中劃分出待配準的線纜區域。然后提出基于線纜光照模型的圖像分塊算法對線纜區域圖像進行分塊，并構造相似檢測公式對圖像塊進行分類，對不含字符的圖像塊直接賦值為白色背景塊，對含字符的圖像塊利用大津法進行處理，得到線纜區域二值圖。接著提出以字符寬度為特征的圖像配準算法獲得重疊區域在兩幅線纜區域圖像的行對應關系。最后以重疊區域的水平中心直線拼接得到一幅包含完整字符區域的寬圖像。實驗結果表明，相對于當前主流的FREAK算法，提出的方法能準確地對線纜圖像進行拼接，拼接效果良好。

HSI彩色空間模型 相似檢測公式 光照模型 圖像分塊 大津法 字符寬度 特征向量

0 引 言

隨著機器視覺和計算機技術的快速發展，出現了一門基于計算機視覺的圖像檢測系統(簡稱圖像檢測技術)。與傳統的檢測技術相比，圖像檢測技術具有實時分析、實時控制、在線檢測等功能。目前圖像檢測技術已經被廣泛地應用到車牌識別、衛星遙感圖像的處理、醫學圖像的分析、工業產品的檢測等領域。

由于線纜上字符的自動識別可以有效地實現工業自動化和提升工業生產力，因此在實際應用中設計識別線纜上字符的系統對于企業來說是具有重大意義的。常用線纜的形狀是圓柱體，通常一個圖像采集器不能采集到一幅包含完整字符區域的線纜字符圖像。在實際應用中，需要將三個圖像采集器以等邊三角形的形狀圍繞線纜進行排列，并對線纜進行圖像采集，這樣保證了不同圖像采集器采集到的線纜字符圖像是同一尺度并且線纜區域是水平的，相鄰兩幅圖像僅存在垂直方向上的區域重疊。本文主要的研究對象是包含部分線纜字符區域的兩幅線纜字符圖像，并且在字符區域有部分重疊，需要對它們進行垂直方向上的拼接，得到一幅包含完整線纜字符區域的寬圖像，為識別線纜上的字符作準備。

目前圖像拼接方法按照圖像配準算法主要分為兩類：基于區域的和基于特征的[1-2]。基于特征的方法是利用圖像的特征來估計圖像之間的變換，而不是利用圖像全部的信息，這些特征主要包括圖像的特征點[3-4]、輪廓和一些不變矩[5-6]等。基于區域的方法是從待配準圖像中取一小窗口的圖像與參考圖像中同樣大小的圖像進行統計的相關比較，把相似性測度最大的兩個窗口的中心作為一對同名像點，然后利用這些同名像點求解變換模型，相似性測度一般采用灰度差的平方和、相關系數、傅里葉變換、小波變換[7-8]等。

由于線纜的形狀導致線纜光照不均勻，基于區域的方法不能準確度量區域之間的相似性，并且重疊區域較小且處在圖像的邊緣，使得采集到的特征點較少或者沒有，導致圖像間的變換參數計算不準確，因此本文提出了一種圖像拼接方法，流程如圖1所示，主要包括以下幾個步驟：

步驟1 利用HSI彩色空間模型分別對兩幅線纜字符圖像進行線纜定位，將待拼接的線纜區域從圖像中劃分出來。

步驟2 利用本文提出的基于線纜光照模型的圖像分塊算法分別對兩幅線纜區域圖像進行分塊，并構造相似檢測公式將圖像塊進行分類，對不含字符的圖像塊直接賦值為白像素背景塊，對含字符的圖像塊利用大津法進行處理，得到線纜區域二值圖。

步驟3 針對步驟2得到的線纜區域二值圖像，提出以字符寬度作為特征的圖像配準算法，得到重疊區域在兩幅線纜區域圖像中的行對應關系。

步驟4 以重疊區域的水平中心直線作為兩幅線纜區域圖像的拼接位置，得到包含完整字符區域的寬圖像。

圖1 線纜圖像拼接方法流程

1 線纜定位

線纜定位，是將線纜區域從采集到的圖像中劃分出來，僅對線纜區域進行后續操作，使得圖像拼接方法更加快速。

在一般情況下，是由R、G、B三種基色分量來表示一幅彩色圖像。使用R、G、B三種基色分量描述的彩色圖像對光照強度的變化非常敏感[9]。而且三基色分量之間相關度又相當高。因此直接對R、G、B三基色設置閾值的上下限很難對線纜圖像進行線纜定位，且最終得到的線纜區域圖像效果不理想。

通過對線纜圖像進行分析，相對于背景線纜區域的色調特征明顯區別于背景，所以將RGB彩色空間轉換到HSI彩色空間進行處理。

HSI彩色空間是一種人眼能夠分辨的空間模型，其中H代表色度，S表示飽和度，I代表亮度，RGB到HSI的轉換如下：

(1)

(2)

(3)

利用式(1)得到線纜圖像的色調分量，用投影的方法定位線纜的垂直位置，具體步驟如下：

步驟1 將色調分量進行水平投影，并對投影圖進行中值濾波，在濾波后的投影圖中找出最大的投影值記為MaxLineSum，記錄最大值對應的行記為MaxLine。

步驟2 從所記錄的最大值的行開始分別向上向下兩頭獨立檢查水平投影值，如果某一投影小于MaxLineSum×α(α為經驗常數)，則停止搜索，然后分別記下邊界位置為TopLine和BottomLine，依據邊界位置劃分出線纜區域。

2 基于圖像分塊的線纜區域圖像二值化

線纜區域圖像二值化，是將線纜上的前景(字符)與背景進行分割。目前常用的二值化算法主要分為兩類，即全局閾值方法和局部閾值方法。全局閾值方法是對整幅圖像選定一個固定的閾值，這種方法僅在圖像的前景和背景有較好的劃分，即滿足灰度直方圖的雙峰模型的情況下能夠取得良好的效果。典型的全局閾值方法主要有Otsu[10]方法、HistogramPeaks[11]方法、K-means[12]方法等。與全局閾值方法不同，局部閾值方法閾值的選取是逐個像素的，該閾值依賴于像素點鄰域的灰度值分布情況。典型的局部閾值方法有Niblack[13]方法、Sauvola[14]方法、Nick[15]方法等。

針對線纜圖像的采集，如圖2所示為線纜的光照分析，其中A、B分別為線纜曲面上的兩點，O為線纜橫截面的圓心。在實際應用中，可假設光源近似為平行光源。

圖2 線纜的光照分析

由光照模型可知，線纜曲面上的照度由光源在該處的光強和光線與曲面法線的夾角確定。如線纜曲面上(x,y,z)處的照度I(x,y,z)由光源在該處的光強P(x,y,z)和光線與曲面法線的夾角θ(x,y,z)確定，計算公式如(4)所示：

(4)

可知在平行光源條件下線纜曲面的光照分布是不均勻的，具體表現為線纜曲面上垂直坐標不相等的兩點所受的光照強度不同，而垂直坐標相等的兩點所受的光照強度相同。

根據上述特點，提出基于圖像分塊的二值化算法。首先提出基于線纜光照模型的圖像分塊算法對線纜區域圖像進行分塊，其次構造相似檢測公式將圖像塊進行分類，對不含字符的圖像塊直接賦予為白色背景塊，對含字符的圖像塊利用大津法進行處理，得到線纜區域二值圖，算法的流程如圖3所示。

圖3 基于圖像分塊的二值化算法流程

2.1 基于光照模型的圖像分塊

基于光照模型的圖像分塊，是將線纜區域根據線纜的光照模型分割成互不相交的圖像塊，使得每個圖像塊近似光照均勻。

依據線纜曲面所受光照的特點，將線纜圖像在水平方向上不進行子塊的劃分，子塊的劃分僅基于垂直方向上，線纜區域圖像劃分示意如圖4所示。

圖4 線纜區域圖像的子塊劃分示意圖

由于線纜的半徑較小，因此當光源是平行光源時，可假設到達線纜曲面上各點的光照強度為同一常數P，并且因為線纜區域圖像是上下對稱的，所以僅需對上半部分進行分塊，下半部分的分塊以其為參照進行分塊。通過上述分析，基于線纜光照模型的圖像分塊算法具體實現如算法1所示。

算法1 基于線纜光照模型的圖像分塊算法

Input

1:Image——線纜區域圖像

2:P——光照度

3:L——分割閾值

Output

4:Regions——各圖像塊

5:

6:Procedure partitionsAlg

5: Illums = [];

6: Pos = [];

7: for i = 90:180

8: Illums = [Illums -P*cos(i/180*pi)];

9: end

10: for j = 0:L:P

11: temp = Illums >= j;

12: indexs = find(temp ～= 0);

13: Pos = [Pos indexs(1)];

14: end

15: if j ～= P

16: Pos = [Pos 90];

17: end

18: Pos = Pos *size(Image,1)/180;

19: Regions = cell(1,length(Pos)-1);

20: for k = 1:length(Pos)-1

21: Regions{k}=Image(Pos(k)+1:Pos(k+1),:);

22: end

23:end partitionsAlg

2.2 判定圖像塊是否包含字符

判定圖像塊是否包含字符，是為了將圖像塊進行分類：不含字符的和含字符的圖像塊。因為此時直接對不含字符的圖像塊進行二值化操作會將背景誤分類為字符，理想情況是背景全置為白。

通過對線纜的光照模型分析，提出相似檢測公式對圖像塊進行分類:

(5)

其中MaxBlock1和MinBlock1分別為極差圖像塊中的最大灰度級與最小灰度級，極差圖像塊是在所有的圖像塊中最大灰度級和最小灰度級之差最大的圖像塊，可認定此塊是包含字符的。MaxBlock2和MinBlock2分別為任意圖像塊中的最大灰度級與最小灰度級。

因為最終各點成像的灰度與其照度近似滿足正比關系，并且每個圖像塊可認為是近似光照均勻的，即同一塊中各點的光照度相同，所以當待測圖像塊包含字符時，式(5)為真，當待測圖像塊不含字符時，式(5)則為假。通過上述分析，圖像塊分類算法具體實現如算法2所示。

算法2 基于相似檢測公式的圖像塊分類算法

Input

1:Regions——各圖像塊

2:K——閾值

Output

3:Flags——標記

4:

5:Procedure classifyAlg

6: RegionsMin = [];

7: RegionsMax = [];

8: Max = 0;

9: Min = 0;

10: Flags = [];

11: for i = 1:length(Regions)

12: RegionMin = min(Regions{i}(:));

13: RegionsMin = [RegionsMin RegionMin];

14: RegionMax = max(Regions{i}(:));

15: RegionsMax = [RegionsMax RegionMax];

16: if (RegionMax - RegionMin) > (Max-Min);

17: Max = RegionMax;

18: Min = RegionMin;

19: end

20: end

21: for j = 1: length(Regions);

22: Fir = double(Max)/double(RegionsMax(j));

23: Sec = double(Min)/double(RegionsMin(j));

24: temp = abs(Fir-Sec);

25: if temp < K

26: Flags = [Flags 1];

27: else

28: Flags = [Flags 0];

29: end

30: end

31: end classifyAlg

進行圖像塊分類時，首先遍歷所有圖像塊Regions，將每塊的最大灰度值和最小灰度值分別存放在RegionsMax、RegionsMin中，并記錄極差圖像塊的最大灰度值和最小灰度值在Max、Min。然后利用式(5)對圖像塊進行分類標記，并將結果存儲在Flags中，其中1表示是含有字符的圖像塊，0表示背景塊。

2.3 大津法原理

(6)

(7)

(8)

其中：

(9)

(10)

(11)

(12)

則最優閾值T可以由式(13)得到：

(13)

3 基于字符寬度的線纜圖像配準

基于字符寬度的線纜圖像配準，是找出重疊區域在線纜區域圖像中的行對應關系。

由線纜圖像的采集模型可知，線纜上的字符在水平方向上不存在透視形變問題，通過計算每個字符在每一行上的寬度構造特征向量，在此基礎上提出以字符寬度為特征的圖像配準算法，算法步驟如下：

步驟1 分割出內接字符區域的矩形作為處理區域。設兩幅線纜區域二值圖像為A1、A2，對它們分別采用水平和豎直的投影法，得到內接字符區域的矩形區域。

步驟2 計算每個字符在該行的寬度，并構造對應的特征向量集合。設處理區域為B1、B2，大小分別為Width1×Height1、Width2×Height2，其中Width1、Width2表示寬度，Height1、Height2表示高度。以下僅對處理區域B1的特征向量集合進行計算，待處理區域B2的計算類似在此不再贅述，計算步驟如下：

(1) 將處理區域向豎直方向進行投影，分割出內接單個字符的矩形區域，假設分割出的矩形區域個數為Num。

(2) 對分割出來的每個矩形區域進行行遍歷，對每一行分別從左到右、從右到左掃描，并分別記錄第一個黑像素的坐標，將其分別存儲在St、Ed數組中，并計算字符在該行的寬度(特殊的情況是字符在該行的寬度為0)，存儲在Wid數組中，St、Ed、Wid的大小均為Height1×Num。例如假設此時遍歷的是第i個矩形區域的第j行，對應的第一個黑像素的坐標分別存儲在St[j][i]、Ed[j][i]中，可知該字符在該行的寬度Wid[j][i]計算如下式：

Wid[j][i]=Ed[j][i]-St[j][i]

(14)

通過以上分析，對應的以字符寬度構造特征向量集合的算法實現如算法3所示。

算法3 以字符寬度構造特征向量集合的算法

Input

1:CharsRe——多個高度相同且內接單個字符的矩形塊

2:Height——矩形塊的高度

Output

3:Wid——特征向量集合

4:Procedure featuresetAlg

5: Num = length(CharsRec);

6: Wid = zeros(Height,Num);

7: St = zeros(Height,Num);

8: Ed = zeros(Height,Num);

9: for i = 1:Height

10: for j = 1:Num

11: Char = CharRec{j};

12: for m = 1:size(Char,2)

13: if Char(i,m) == 0

14: St(i,j) = m;

15: break;

16: end;

17: end;

18: for n = size(Char,2):-1:1

19: if Char(i,n) == 0

20: Ed(i,j) = n;

21: break;

22: end

23: end;

24: Wid(i,j) = Ed(i,j)- St(i,j);

25: end

26: end

27:end featuresetAlg

進行構造特征集合時，首先對每個矩形區域Char的每一行分別從左到右、從右到左掃描，并記錄第一個黑像素的坐標，將其存儲在St、Ed中。然后用式(14)計算字符在該行的寬度并存儲在Wid中，其中Wid數組中存放的即是特征向量集合。

步驟3 找出重疊區域在兩幅線纜區域圖像中的行對應關系。假設對處理區域B1、B2進行步驟2操作后得到的特征向量集合分別是Wid1和Wid2。由于圖像僅在垂直方向上存在重疊，因此對B1中的每個特征向量(即每一行)，在B2中尋找最佳匹配特征向量，將尋找到的最佳匹配特征向量的行角標保存在長度為Height1的Matched數組中，其中Matched數組記錄的即是重疊區域在兩幅線纜區域圖像中的行對應關系。例如對于Wid1中的第i個特征向量，計算在Wid2中的最佳匹配特征向量步驟如下：

遍歷Wid2中的每個特征向量，計算該特征向量與Wid1中的第i個特征向量間的差異度，并將最小差異度對應的特征向量的行角標保存在Matched[i]中，對沒有匹配到的特征向量作標記∞存儲在數組中。例如當該特征向量是Wid2中的第j個時，與Wid1中的第i個特征向量的差異度dis為：

(15)

在計算特征向量間的差異度時，對特征向量之間的各分量差設置閾值，當分量差超過閾值時直接進行與下一個特征向量的差異度計算，可進一步減少匹配計算所耗費的時間。

步驟4 對得到的Matched數組進行中值濾波，其中記錄的就是重疊區域在處理區域B1、B2中的行對應關系。

4 線纜圖像的拼接

線纜圖像的拼接，是依據拼接的位置將兩幅圖像進行拼接，得到一幅包含完整字符區域的寬圖像。

由于線纜圖像在邊緣上對字符的扭曲程度最大，因此將重疊區域的水平中心直線作為線纜圖像的拼接位置。設重疊區域在處理區域B1、B2中的起始位置分別為S1和S2，終止位置分別為E1、E2，計算水平中心直線如下式：

(16)

將處理區域B1中的第Index1行與處理區域B2中的第Index2進行垂直拼接即可得到一幅包含完整字符區域的寬圖像。

5 實驗結果與分析

本文圖像采集平臺是對工業流水線上線纜圖像采集過程的模擬，它包括CCD高速攝像機、圖像采集卡、LED平行光源、線纜傳動裝置、圓柱形腔體。該平臺將三個CCD高速攝像機以等邊三角形的形狀固定在一個圓柱體腔體上，腔體內部均勻分布著LED平行光源,腔內的光照強度為1000lx。首先利用線纜傳動裝置將線纜從腔體中間通過，然后通過CCD高速攝像機獲取線纜圖像，并將其數字化后存儲于圖像采集卡中，最后通過VGA接口在PC機上顯示。本文實驗均在IntelCorei5-4590 3.30GHzCPU，4GB的內存環境下進行，仿真工具為Matlab2014b。以下是采集到的兩幅分辨率為768×256的線纜圖像,如圖5所示。

圖5 彩色線纜圖像

首先利用線纜定位算法分別對它們進行處理，并在此基礎上對線纜區域圖像灰度化處理，得到如圖6所示。

圖6 灰度化后的線纜區域圖像

通過大量實驗結果表明，在線纜定位算法中，當經驗值為0.4～0.6時，能有效分割出線纜區域。當經驗值大于0.6時，劃分的線纜區域過小，導致劃分的線纜區域不包括重疊區域。當經驗值小于0.4時，劃分的線纜區域包含大量的背景，導致后續的二值化算法不能有效分割出前景(字符)。

然后利用本文提出的基于圖像分塊的二值化算法分別對兩幅線纜區域圖像進行處理，其中光照分割得到最終的二值圖像如圖7所示。圖8是直接利用大津法對兩幅線纜區域圖像進行全局閾值分割的結果，圖9是直接利用大津法對兩幅線纜區域的所有圖像塊進行二值化的結果，圖10是利用局部閾值中具有代表性的Nick、Niblack算法對兩幅線纜區域圖像進行二值化的結果，其中的參數值是參照了作者的建議參數值。

圖7 線纜區域二值圖像

圖8 線纜區域二值圖像

圖9 線纜區域二值圖像

圖10 Nick、Niblack二值化后的線纜區域圖像

通過大量實驗結果表明，在基于圖像分塊的二值化算法過程中，當光照分割間隔為10，相似度閾值為0.25時,二值化效果較好。當光照分割間隔太小時，導致圖像分塊過多，二值化類似于局部閾值，耗費的時間長。當光照分割太大時，導致圖像塊中仍存在光照不均勻問題，二值化類似于全局閾值，二值化效果差。同樣地，當相似度閾值太小或太大時，使得圖像塊被錯誤分類，二值化效果差。

由以上實驗結果可知，本文提出的基于圖像分塊的二值化算法能有效地對線纜圖像的前景(字符)和背景進行分割。

接著利用本文提出的基于字符寬度的圖像配準算法對兩幅線纜區域二值圖進行處理，得到重疊區域在線纜區域圖像中的行對應關系，如表1所示。

表1 部分Matched數組

由表1可知，重疊區域的起始位置在兩處理區域中分別對應的是第33行、第5行，終止位置在兩處理區域中分別對應的是第38行、第12行。

最后利用線纜圖像的拼接方法將兩處理區域進行拼接，通過表1可知是將第一個處理區域中的第35行與第二個處理區域中的第8行進行垂直拼接，在此基礎上用大小為3×3的結構元素進行一次膨脹，得到最終的完整字符區域的線纜區域圖像如圖11所示。

圖11 包含完整字符區域的線纜區域圖像

為了證明方法的有效性，對線纜圖像圖5采用目前比較主流的FREAK算法進行拼接,實驗結果如圖12所示。

圖12 FREAK算法檢測到的特征點

由實驗結果可知,得到的特征點稀疏且不在重疊區域的范圍內，無法準確地對線纜圖像進行拼接。

6 結 語

本文針對實際應用中線纜圖像的拼接進行了研究，由于兩幅線纜圖像的重疊區域較小、邊緣化、光照不均勻等特點導致現有的圖像配準算法不能準確拼接，因此提出了一種圖像拼接方法。首先利用彩色空間模型從兩幅線纜圖像中劃分出待配準的線纜區域。然后提出基于線纜光照模型的圖像分塊算法對線纜區域圖像進行分塊，并構造相似檢測公式將圖像塊進行分類，對不含有字符的圖像塊直接賦值為白色圖像塊，對含字符的圖像塊利用大津法進行處理，得到線纜區域的二值圖像。接著提出以字符寬度為特征的圖像配準算法獲得重疊區域在兩幅線纜區域圖像的行對應關系。最后基于重疊區域的水平中心直線拼接兩幅線纜區域圖像，得到包含完整字符區域的寬圖像。實驗結果表明，相對于當前主流的FREAK算法，本文提出的方法能準確地對線纜圖像進行拼接，拼接效果良好。但是本文的圖像采集平臺僅是對生產流水線上的環境進行模擬，下一步工作將在嵌入式設備上實現該拼接方法，并在實際生產場景中應用，進而更好地檢驗算法的魯棒性。

[1] Brown M,Lowe D G.Automatic panoramic image stitching using invariant features[J].International journal of computer vision,2007,74(1):59-73.

[2] 王娟,師軍,吳憲祥.圖像拼接技術綜述[J].計算機應用研究,2008,25(7):1940-1943.

[3] Lowe D G.Distinctive image features from scale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.

[4] Ma X,Liu D,Zhang J,et al.A fast affine-invariant features for image stitching under large viewpoint changes[J].Neurocomputing,2015,151:1430-1438.

[5] Cao F,An B,Qin C.Multi-planar Image Stitching Method Based on Structural Feature Matching[J].IETE Technical Review,2015,32(4):284-293.

[6] 何賓,陶丹,彭勃.高實時性 F-SIFT 圖像拼接算法[J].紅外與激光工程,2013,42(S02):440-444.

[7] 李業偉,華臻,李晉江.采用顯著區域匹配的圖像拼接算法[J].計算機工程與應用,2012,48(10):204-207.

[8] Xie X,Xu Y,Liu Q,et al.A study on fast SIFT image mosaic algorithm based on compressed sensing and wavelet transform[J].Journal of Ambient Intelligence and Humanized Computing,2015,6(6):835-843.

[9] 黃春艷,楊國勝,侯艷麗.基于顏色直方圖和空間信息融合的圖像分割算法[J].計算機工程與應用,2005,41(3):85-87.

[10] Otsu N.A threshold selection method from gray-level histograms[J].Automatica,1975,11(285-296):23-27.

[11] Jain A K,Dubes R C.Algorithms for clustering data[M].Prentice-Hall,Inc.,1988.

[12] Prewitt J,Mendelsohn M L.The analysis of cell images[J].Annals of the New York Academy of Sciences,1966,128(3):1035-1053.

[13] Niblack W.An introduction to digital image processing[M].Strandberg Publishing Company,1985.

[14] Sauvola J,Pietik?inen M.Adaptive document image binarization[J].Pattern recognition,2000,33(2):225-236.

[15] Khurshid K,Siddiqi I,Faure C,et al.Comparison of Niblack inspired Binarization methods for ancient documents[C]//IS&T/SPIE Electronic Imaging. International Society for Optics and Photonics,2009:72470U-72470U-9.

RESEARCH ON STITCHING METHOD OF CABLE CHARACTER IMAGE

Chi Xiao1Shi Shoudong1Wang Ruiqi1Liu Hua2

1(CollegeofInformationScienceandEngineering,NingboUniversity,Ningbo315211,Zhejiang,China)2(ZhejiangYizhouElectronicTechnologyCo.,Ltd,Ningbo315191,Zhejiang,China)

Aiming at the problems such as non-uniform illumination, small overlap area and marginalization, the existing stitching methods can not be accurately stitched, and a new stitching method is proposed. Firstly, the HSI color space model is used to divide the cable region to be registered from the image. Then, an image segmentation algorithm based on the cable illumination model is proposed to segment the image of the cable region, and a similar detection formula is constructed to classify the image blocks. The image blocks without characters are directly assigned to white background blocks, and the image blocks are processed by the Otsu’s algorithm to obtain the cable region binary image. Furthermore, an image registration algorithm based on the character width is proposed to obtain the row-to-line correspondence between the overlapping areas in the two cable region images. Finally, a horizontal center line of the overlapping area is stitched to obtain a wide image containing the entire character region. Experimental results show that the proposed method can stitch the cable image accurately, and the splicing effect is good compared with the current mainstream FREAK algorithm.

HSI color space model Similar detection formula Illumination model Image partition Otsu’s algorithm Character width Feature vector

2016-06-14。浙江省重中之重開放基金項目(XRXL1312)；寧波市產業技術應用重大專項(2016B10020)。池瀟，碩士，主研領域：計算機視覺，圖像處理。石守東，副教授。汪瑞琪，碩士。劉華，工程師。

TP391.4

A

10.3969/j.issn.1000-386x.2017.06.035