基于圖像形態(tài)學(xué)運算和Hough變換的油箱蓋檢測

（河南理工大學(xué) 電氣工程與自動化學(xué)院，焦作 454000）

0 引言

目前全球創(chuàng)新格局如火如荼，一個龐大而嶄新的行業(yè)——無人系統(tǒng)，已經(jīng)誕生。這些年，以無人車、無人機、無人商店為代表的無人系統(tǒng)技術(shù)得到發(fā)展，無人系統(tǒng)行業(yè)將成為一個萬億級的大市場[1]。

2017年12月13日，“2017全球無人系統(tǒng)大會暨中國（珠海）國際無人系統(tǒng)博覽會”在珠海舉行[1]。2017年7月8日，在杭州的街頭，阿里巴巴的第一家無人超市開業(yè)[2]。2017年11月07日，在“武漢交警政務(wù)服務(wù)邁入AI 時代”發(fā)布會上，騰訊與武漢市公安局交通管理局將攜手打造全國第一個無人警局，在不久的將來就能投入使用[3]。2016年3月10日，中石油已經(jīng)和阿里巴巴簽署戰(zhàn)略合作協(xié)議，未來將在全國開展10萬家無人加油站，阿里巴巴將會分兩個階段建設(shè)完善智慧加油站，1.0版本將在2017年10月開建，主要是基于對傳統(tǒng)加油站的改造；2018年將會實現(xiàn)車牌、車主、油品自動識別、離場自動扣款和加油鏈路全自動化的2.0版本。油箱蓋的識別不僅在無人智能加油站中有著較好的應(yīng)用前景，在未來電動汽車的智能充電系統(tǒng)中也有著潛在應(yīng)用價值[4,5]。

中國大陸的油箱蓋主要有一下特點：

1）一般油箱蓋與車體顏色、紋理趨同；

2）常見油箱蓋一般是類圓形和類四邊形；

3）對于不同車體，油箱蓋顏色多種多樣。

另外，車體材料及車窗易反光、形成鏡面成像，這些特點給油箱蓋識別工作帶來很大困難。同時，不同天氣、照度、角度偏差等因素都會給油箱蓋識別工作帶來干擾。

數(shù)學(xué)形態(tài)學(xué)理論在近些年不斷的發(fā)展與優(yōu)化，為圖像處理領(lǐng)域研究與應(yīng)用開辟了新篇章，是現(xiàn)代數(shù)字圖像處理的重要研究方向[6]。文獻[7]將圖像形態(tài)學(xué)應(yīng)用于紅外圖像分析，文獻[8]將圖像形態(tài)學(xué)與NSCT結(jié)合應(yīng)用于路面裂縫的檢測，文獻[9]將數(shù)學(xué)形態(tài)學(xué)與GG（Gath-Geva）模糊聚類相結(jié)合對旋轉(zhuǎn)機械故障進行診斷。文中提出一種基于圖像形態(tài)學(xué)運算、Hough變換的油箱蓋識別技術(shù)。實驗結(jié)果表明，文中算法有很強的抗噪性能，能夠有效的提高目標(biāo)識別率。

本文的算法是以O(shè)penCV為平臺。OpenCV由Intel開發(fā)，用于圖像、視頻處理的開源庫，由C語言函數(shù)和C++類構(gòu)成[10,11]。

1 目標(biāo)增強算法

1.1 數(shù)學(xué)形態(tài)學(xué)運算

數(shù)學(xué)形態(tài)學(xué)[12,13]是一種以嚴(yán)格數(shù)學(xué)理論為基礎(chǔ)的用于非線性圖像處理和分析的理論[14]。其主要思想是利用一個結(jié)構(gòu)元素（SE，Structure Element）來探測圖像，通過對圖像的形態(tài)變換達到處理圖像的目的。本質(zhì)則是利用圖像集合與結(jié)構(gòu)元素間的相互作用以便獲得有價值的圖像信息，結(jié)構(gòu)元素不同提取的圖像信息就不同[15]。最初的數(shù)學(xué)形態(tài)學(xué)理論僅用在二值圖像，主要用于研究圖像的幾何結(jié)構(gòu)，后來由Sternberg、Nakagawa和Rosenfeld等人推廣到灰度圖像領(lǐng)域。利用數(shù)學(xué)形態(tài)學(xué)方法進行圖像處理具有簡化圖像數(shù)據(jù)、保持圖像的基本形態(tài)特征、除去不相干結(jié)構(gòu)、易于硬件實現(xiàn)等優(yōu)點[16]。

數(shù)學(xué)形態(tài)學(xué)算子的性能通常以幾何方式進行描述，而幾何描述的特點比較符合視覺信息的處理和分析，其基本思想如圖1所示。

圖1 圖像形態(tài)學(xué)基本思想

定義1：由g對f進行灰度膨脹，記為f⊕g，如下式：

其中g(shù)和f分別為定義在域D[g]和D[f]上的兩個信號。

上述定義為灰度膨脹提供了一種相當(dāng)重要的幾何描述，即灰度膨脹可以通過將結(jié)構(gòu)元素的中心平移到與信號重合，接著計算信號上的所以點與結(jié)構(gòu)元素相對應(yīng)點和的最大值得到?？捎珊唵蔚囊痪S函數(shù)說明式(2)的表示法和運算原理。對單變量函數(shù)來說，膨脹的定義可以簡化為：

可以利用結(jié)構(gòu)元素的反射，計算使信號限制在結(jié)構(gòu)元素的定義域內(nèi)時，上推結(jié)構(gòu)元素并超過信號時的最小值來說明灰度圖像膨脹。如圖2所示，f為信號，g為結(jié)構(gòu)元素。

圖2 膨脹示意圖

定義2：由g對f進行灰度腐蝕，記為fΘg，如式(3)所示：

假如所有結(jié)構(gòu)元素的值為正，那么輸出圖像相對于輸入圖像更暗，若輸入圖像中亮的細節(jié)的面積比結(jié)構(gòu)元素小，那么亮的細節(jié)就被削弱。削弱的程度決定于亮細節(jié)周圍的灰度值和結(jié)構(gòu)元素的形狀和幅度。

可由簡單的一維函數(shù)說明式(3)的表示法和運算原理，腐蝕的定義如下式：

依幾何角度看，為了獲得信號被結(jié)構(gòu)元素在點x腐蝕的效果，我們需要在空間移動結(jié)構(gòu)元素，讓其原點與點x重合。接著向上推結(jié)構(gòu)元素，保持其仍處在信號下方所能達到的最大值，就是該點的腐蝕結(jié)果。因為結(jié)構(gòu)元素一定要在信號下方，所以空間移動結(jié)構(gòu)元素的定義域一定是信號定義域的子集。否則在這一點的腐蝕就沒有實際意義。

圖3 腐蝕示意圖

由圖3可知，其效果可看作半圓形結(jié)構(gòu)元素在信號的下方“移動”時，其圓心畫出的軌跡。不過這里有一個限制條件，那就是結(jié)構(gòu)元素需要在信號曲線的下面平移。由圖不難看出，半圓形結(jié)構(gòu)元素在信號的下方對信號產(chǎn)生濾波作用，其與圓盤從內(nèi)部對二值圖像濾波的效果是一致的。

膨脹、腐蝕是形態(tài)學(xué)最基本的運算，對其進行組合可得到開運算、閉運算，以及更高級的圖像形態(tài)學(xué)梯度算子。

定義3：由結(jié)構(gòu)元素g對圖像f進行開運算，記為f?g，如下式：

定義4：由結(jié)構(gòu)元素g對圖像f進行閉操作，記為f.g，如下式：

定義5：形態(tài)學(xué)梯度算子定義如下：

攀西釩鈦磁鐵礦是自然界賜予攀枝花市的獨有資源，其中鈦的儲量占全國鈦總儲量的95%左右。然而，截至上世紀(jì)90年代，從釩鈦磁鐵礦中回收鈦鐵礦的工藝僅有重選-電選或重選-磁選工藝流程，且只能回收大于0.074 mm的鈦鐵礦，回收率極低，僅僅10%左右，鈦鐵礦資源浪費十分嚴(yán)重，攀枝花全市鈦精礦的年產(chǎn)量僅僅5萬噸左右。

其中B為結(jié)構(gòu)元素。

圖4 預(yù)處理

1.2 高斯濾波

高斯濾波的實質(zhì)是根據(jù)根據(jù)高斯函數(shù)，即式：

為領(lǐng)域內(nèi)的像素分配權(quán)重，權(quán)重的大小與該像素點和目標(biāo)像素點之間的距離成正態(tài)分布。領(lǐng)域內(nèi)各像素值與由高斯函數(shù)計算出的對應(yīng)權(quán)重值的乘積之和就是新的像素值。

2 目標(biāo)識別算法

Hough變換[17]具有較強的抗噪性能，不僅可以檢測直線，還可以檢測矩形、圓、橢圓等幾何形狀。這里以檢測圓為例。其基本思想是將圖像的空間域變換到參數(shù)空間，用大多數(shù)邊界點滿足的某種參數(shù)形式來描述圖像中的邊緣曲線。通過累加投票求得峰值對應(yīng)點即為有效圖元信息。該方法具有可靠性高，對噪聲、變形、部分區(qū)域殘缺、邊緣不連續(xù)適應(yīng)性強等特點。

基本的Hough變換使用的圓的一般方程為：

式中（a，b）為圓心，r為半徑。把X-Y平面上的圓轉(zhuǎn)換到a-b-r參數(shù)空間，過圖像空間中任一點畫圓，在參數(shù)空間中就有一個三維錐面與之對應(yīng)。圖像空間中同一圓上的點與參數(shù)空間中相應(yīng)三維錐面相交的一點對應(yīng)。這一點對應(yīng)圓的參數(shù)可以由積累投票獲得，如圖5所示。

圖5 Hough變換示意圖

隨機Hough變換[18,19]的主要過程為：

1）對基元參數(shù)的累加器鏈表進行初始化；

3）統(tǒng)計求和基元參數(shù)的累加器鏈表；

4）如果累加器鏈表的最大值和設(shè)定閾值相同，就檢測該基元的圖像特征點是否充足。如果圖像特征點充足，那么輸出這個基元，同時消除相應(yīng)特征點，循環(huán)第一步。

圖6 目標(biāo)識別

圖6(a)為使用高斯濾波處理后的圖像，可以消除鏡面成像等微弱干擾；圖6(b)為運用Hough變換進行目標(biāo)識別的圖像，可以看到油箱蓋被準(zhǔn)確識別。

綜合使用圖像形態(tài)學(xué)運算和Hough變換，本文提出了一種基于圖像形態(tài)學(xué)運算邊緣提取和Hough變換方法檢測油箱蓋的新算法。該算法利用圖像形態(tài)學(xué)運算有效捕捉圖像中的邊緣細節(jié)信息，利用高斯濾波消除鏡面成像等微弱干擾，利用Hough變換進行油箱蓋識別。

3 實驗及結(jié)果分析

本文實驗環(huán)境為Intel(R) Core(TM) i5-2430M CPU@ 2.40GHz，6.00GB內(nèi)存，Linux嵌入式系統(tǒng)平臺，采用OpenCV2.4.9編程。原始圖像來自于小米5手機在校園內(nèi)的實拍圖片，尺寸為4608×3456像素，變換后尺寸500×366像素。這里給出有代表性的油箱蓋檢測圖像。

圖7 實驗驗證

3.1 實驗過程

本文通過實驗對所提出的基于圖像形態(tài)學(xué)運算和Hough變換的油箱蓋檢測算法進行驗證，步驟如下：

Step1對輸入的圖像進行尺度變換，得到嵌入式環(huán)境下較適合的尺寸。

Step2對初步變換后的圖像進行灰度化，并且保持為三通道圖像。

Step3利用圖像形態(tài)學(xué)梯度算子對圖像邊緣細節(jié)信息進行提取。

Step4根據(jù)式(8)消除圖像中鏡面成像等微弱干擾。

Step5使用Hough變換檢測油箱蓋。

Step6對實驗結(jié)果進行統(tǒng)計分析。

3.2 結(jié)果分析

表1 實驗結(jié)果

如表1所示，傳統(tǒng)的Hough變換方法識別率較低。這是由于不同天氣、照度、偏角、鏡面成像等復(fù)雜情況造成的。本文算法首先運用圖像形態(tài)學(xué)梯度算子對目標(biāo)邊緣進行提取，再利用高斯濾波消除鏡面成像等微弱干擾，較好的提高了目標(biāo)識別率。

4 結(jié)論

針對在實際應(yīng)用中，傳統(tǒng)Hough變換識別率較低的問題，本文提出一種基于形態(tài)學(xué)梯度算子和Hough變換的油箱蓋檢測算法。實驗結(jié)果表明，本算法對不同天氣、照度、偏角、鏡面成像等干擾具有較好抑制作用，使目標(biāo)識別率得到提高。