工件圖像輪廓角點特征提取算法

劉 晨， 于微波， 楊宏韜， 王國秀， 謝家欣

(長春工業大學 電氣與電子工程學院， 吉林 長春 130012)

0 引 言

隨著工廠機械化程度的提高，機器視覺測量技術因具有非接觸、精度高、速度快的優點，被各種領域廣泛應用，比如工件尺寸檢測等。在工件尺寸檢測中，特征提取是重要環節，用以提高獲取工件圖像的質量,便于計算機對其分析、識別。在對采集的工件圖像進行預處理之后，為了能夠精確地對其進行尺寸測量，需要對圖像的一些特征進行提取，如角、點、線等。在進行特征提取時采用的算法也會影響尺寸的測量精度，因此對工件特征提取算法的研究十分有意義。

將獲取的目標圖像與背景之間的閉合曲線稱為圖像的輪廓。而輪廓提取則是將上述閉合曲線提取出來,并以較為明顯的方式顯示出來[1]。

經典的輪廓檢測方法是先利用傳統的邊緣檢測算子檢測出目標圖像的粗邊緣，再將多余的偽邊緣去除,達到細化邊緣的目的。缺點則是運行時間過長且精度不高，不適合應用于工廠實時在線檢測。隨著研究的深入，現階段出現了很多輪廓提取算法。其中，梯度法、形態學輪廓算法以及水平集算法[2],雖然去除了冗余的輪廓，減小了數據處理量，能較為準確的將目標輪廓提取，但是容易被噪聲干擾，而且應用領域范圍太小，導致最終效果不理想。在現階段的活動輪廓法中應用較廣的則是Snake模型法[3]。該算法結合了圖像數據、輪廓估計、模型收斂等方法，輪廓提取效果良好，缺點則是初始輪廓敏感，會影響最終的提取效果。因此，提出一種基于角點特征的工件圖像輪廓提取算法，利用Harris算子進行Snake輪廓初始位置的設置，然后對圖像進行輪廓提取。

1 Harris角點檢測算法

將圖像中灰度變化劇烈或者在圖像邊界上曲率變化較大的點稱為角點[4]。角點檢測對于工件圖像的特征點定位有著重要作用，在進行工件的特征提取時,角點檢測能夠精確定位特征點，提高工件圖像的特征提取精度[5-8]。

在進行角點檢測過程中，可能會受到噪聲干擾以及圖像灰度變化的影響,從而導致角點檢測結果不準確。而Harris角點檢測算法不僅可以有效地克服這些問題，而且計算量較少，實現簡單，使得檢測結果更加準確。

在Harris算法檢測過程中，將圖像I(x,y)在點(u,v)平移(x,y)產生的灰度變化函數表示為

(1)

式中：w----高斯函數。

函數E(x,y)值在高斯窗口內進行任意方向的移動時，若未產生任何變化或者有微小變化,則為非角點；當函數E(x,y)產生特別大或者特別小的變化時，則將該點定義為角點。

在點(u,v)處對函數E(x,y)進行一階泰勒展開，則函數E(x,y)可改寫成下式

Ax2+By2+2Cxy，

(2)

其中，A，B，C是二階方向微分的近似，定義如下

(3)

其中，X，Y分別表示在x和y兩個方向上的一階梯度值：

式中：h(x,y)----高斯濾波。

將式(3)代入式(2)，可得到下式

(4)

其中，M為自相關矩陣，表示如下

(5)

計算自相關矩陣M特征值過程過于繁復，所以Harris算法使用角點響應函數進行角點質量判斷，如

R(x,y)=Det(M)-kTr(M)2，

(6)

式中：Det(M)----矩陣M行列式的值，Det(M)=AB-C2；

k----常數系數；

Tr(M)----矩陣M的跡，Tr(M)=A+B。

若提前設置的閾值小于等于某點的R(x,y)值，該點則為角點。

Harris角點檢測流程如圖1所示。

圖1 Harris角點檢測流程圖

算法具體步驟如下：

1)獲取齒輪工件原圖的灰度圖像，計算其在x和y方向上的梯度值X和Y；

2)用高斯函數對工件灰度圖進行濾波處理，并計算出自相關矩陣M；

3)將設定的閾值與計算得到的每個像素點的響應值進行比較，并判定該點是否為候選角點；

4)利用非極大值抑制對3)中所獲得的候選角點進行處理，以確定最終的角點。

2 基于Snake模型輪廓提取算法

2.1 圖像分割

在提取輪廓特征之前需要對圖像進行分割，能夠更精確地提取工件圖像的輪廓特征。圖像分割算法的目的是將對象與背景分離，其步驟如下：

1)對整個圖像進行搜索,并對目標對象和背景進行標記；

2)將標記的目標和背景進行區域分組；

3)將圖像中的目標與背景分離[9]。

在眾多圖像分割算法中，閾值分割算法因其計算量少、實現簡單以及性能穩定等優點被廣泛應用，所以最終選擇閾值分割算法進行實驗。而現階段在閾值分割法中，OTSU法(又叫大津法)是應用最廣泛的分割算法。

大津法能夠進行自適應閾值分割，其原理是利用閾值將原圖像分成背景區域和目標工件區域兩個部分，然后計算該最大類間方差的最佳閾值以使得兩區域的區別度最大。設大小為M×N的圖像在像素點(x,y)的灰度值為f(x,y)，灰度取值范圍為[0,L-1]，可記為HL=[0,1,2,…,L-1](L為灰度級)。設f(x,y)中灰度級為i出現的概率為

(7)

將獲取的圖像分為目標工件區域A和背景區域B，若原來設置的分割閾值為T,則區域A的灰度級范圍為[0,T]，區域B的灰度級范圍為[T+1,L-1]，那么區域A和區域B的概率分別如下：

(8)

(9)

這兩區域各自對應的灰度均值分別為：

(10)

(11)

計算工件圖像整體均值

(12)

然后計算目標工件區域A和背景區域B的類間方差

σ2=ωA(μA-μ)2+ωB(μB-μ)2。

(13)

通過下式可知，當σ2最大時為最佳閾值。該方法計算量較小且能夠自動確定最佳閾值，可準確地分割目標工件和背景區域。

T=maxσ2=

max|ωA(μA-μ)2+ωB(μB-μ)2|。

(14)

2.2 輪廓提取

Snake模型輪廓提取算法最重要的一步是利用在原始圖像的封閉曲線最小能量函數表示工件圖像的輪廓。設原始圖像中閉合輪廓曲線為

V(s)=(x(s),y(s))，

其中，s∈[0,1]為輪廓曲線的弧長，通過找到一條連續閉合曲線使得Esnake最小,

(15)

外部能量計算方法為

Eext(V(s))=Eimage(V(s))+Econ(V(s)),

(16)

其中，Eimage(V(s))表示的圖像能量力能夠保證尋找的曲線接近物體真實輪廓。Econ(V(s))代表的控制力是外部作用力，由人為施加。它能使曲線更準確地收斂到真實邊界。

共建是社會治理系統的建構基礎，也是社會治理系統功能發揮的基本前提。在共建共治共享社會治理格局的系統構建中，如果說共建是系統治理的基礎，那么共治就是實現系統治理的手段，而共享就是系統治理的目的。在復雜條件下實現政府治理與其他多元主體的合作共建，在理念創新上體現國家治理、政府治理和社會治理模式的轉變，而這種轉變就是以系統建構的方式體現在多元主體的社會共識之中，具體化在多元主體合作共建的過程之中。為此需要從以下三個方面作出努力。

內部能量計算方法為

β(s)|Vs′′(s)|2]，

(17)

利用Harris算子與Snake模型相結合進行輪廓提取的具體流程如圖2所示。

圖2 基于Harris算子的Snake模型的輪廓提取流程

3 實驗結果及分析

為了驗證基于角點特征的工件圖像輪廓提取算法能更好地提取工件圖像的輪廓，文中以齒輪工件為對象進行實驗研究。

3.1 Harris角點檢測實驗

為了驗證Harris角點檢測算法能更好地對Snake輪廓的初始位置進行設置，文中選用Harris算子和SUSAN算子分別對齒輪圖像進行角點檢測，以角點錯檢率δ1和角點漏檢率δ2作為衡量標準。

(18)

(19)

式中：Nw----錯檢測的角點個數；

Ns----檢測的角點總個數；

Nl----漏檢測的角點個數；

Nt----圖像實際檢測角點個數。

角點檢測結果和檢測情況分別如圖3和表1所示。

(a) SUSAN算子

(b) Harris算子

表1 角點檢測情況

通過實驗可以看出，Harris算子可以將所需所有角點準確檢測出來，且幾乎沒有偽角點與漏檢角點,錯檢率為4.22%，漏檢率為2.81%。SUSAN算子在檢測角點時，只檢測出一部分所需角點，漏檢角點與偽角點較多,錯檢率為13.27%，漏檢率為14.29%。這表明Harris算法能準確提取齒輪工件圖像的角點，更好地對Snake輪廓的初始位置進行設置。

3.2 基于Harris算子的Snake輪廓提取實驗

在進行輪廓提取之前，先采用OTSU閾值分割算法對齒輪工件進行圖像分割。閾值分割效果如圖4所示。

圖4 OTSU閾值分割

之后，再對圖像分割后的齒輪工件圖像進行輪廓特征提取實驗。

1)輸入Harris算子檢測出角點坐標；

2)利用樣條插值對Snake初始位置進行設置，如圖5所示。

圖5 Harris算子對Snake輪廓初始位置的設置

3)填充封閉的Snake邊緣區域，并將圖像輪廓提取，實驗效果如圖6所示。

圖6 提取齒輪工件輪廓圖

從圖5和圖6中可以看出，Harris對Snake輪廓初始位置的設置更為準確，最終提取到的齒輪工件的輪廓更連續、精確。

4 結 語

輪廓提取的精確性對工件尺寸測量的準確至關重要，文中提出了基于角點特征的工件圖像輪廓提取算法，并進行了實驗驗證。首先，利用Harris算子對Snake初始位置進行了較為準確的設置；然后用高斯濾波對獲取的圖像進行去噪處理，并計算得到Snake輪廓的內、外部能量；再以迭代的方法計算出Esnake的最小值，細化圖像輪廓外緣。最后填充封閉的Snake邊緣區域，得到準確的工件輪廓。實驗結果表明，算法能更好地提取工件輪廓，提高了工件圖像特征提取的準確性。