基于邊緣檢測與凹點匹配的接觸珍珠分離方法*

楊子萱 金守峰 劉新穎 肖福禮 嚴 楠 陳 罡

（1.西安工程大學機電工程學院 西安 710600）（2.陜西省計量科學研究院 西安 710100）（3.寧波職業技術學院機電工程學院 寧波 315800）（4.浙江機電職業技術學院自動化學院 杭州 310053）

1 引言

利用機器視覺進行珍珠形狀參數檢測過程中，由于珍珠之間存在相互接觸，導致形狀參數的檢測誤差較大，不能客觀表征珍珠形狀。

對于相互接觸目標之間的分離問題，國內外學者進行了深入研究。湯一平等［1］提出基于單目多視角機器視覺的珍珠在線分類系統，能夠實時性完成珍珠的顏色、光澤度及均勻度等分類；王鑫等［2］提出了基于先驗條件的分水嶺算法，提取目標細胞邊界對粘連細胞進行分離，由于算法的計算量大，實時性不高；王粵等［3］提出了基于內外輪廓線曲率方向的粘連米粒分離算法，通過檢測米粒的粘連點獲取粘連點間的距離及曲率方向判斷分離點，該算法提高了粘連米粒分離的準確率，但是會受到粘連密度和方向的干擾；閆磊等［4］基于分水嶺算法［5～6］對粘連顆粒進行分割，提取顆粒的形態特征和顏色特征，通過計算馬氏距離識別混雜在谷物中的雜質；王品等［2］基于多特征Mean-shift 聚類算法實現胰腺細胞抹片顯微圖像細胞核的自動分割，采用CA?GA 結合SVM［7～8］選擇最優特征子集實現細胞核的分類識別；張文飛等［9］針對多目標圖像分離時粘連分布不均影響圖像分離精度的問題，采用形態學運算和距離變換的分水嶺算法將粘連目標進行精確分離；張建華等［10］提出融合H-minima 分水嶺方法和最小二乘圓法解決棉花葉部病斑之間粘連問題，實現粘連病斑的自動分割；陳樹越等［9～10］提出一種改進的凹點檢測和精確分離點定位的粘連害蟲分離算法，能夠準確地計算粘連害蟲的分離線；李冰等［11］提出一種基于背景骨架特征的粘連米粒圖像自動分割算法，解決了粘連米粒的分割與識別；趙曉晴等［12］提出一種基于深度學習的粘連白細胞分離算法，強化模型對細胞邊界特征的學習；古亭等［13］采用距離變換的粘連蠶繭分割方法，采用結合歸一化及形態學算法提高了粘連蠶繭的分割效果；李文勇等［14］針對害蟲識別過程中出現的粘連等情況，基于形狀因子和分割點定位的方法提高了識別準確率，在目標過大時算法會導致過分割現象；陳名等［15］利用像素塊掃描的種子點替代算法實現粘連細胞圖像的分離，該方法僅適用于細胞面積相差不大粘連細胞；張新偉等［16］提出一種遺傳算法與改進脈沖耦合神經網絡相融合的分割方法，解決玉米籽粒粘連導致穗粒數統計準確率低的問題；權龍哲等［17］為實現玉米粒群圖像的自動分離和形態校正，提出了改進的分水嶺算法，利用多尺度小波分析法對玉米籽粒圖像檢測。

在現有的粘連分割方法的基礎上，針對大量珍珠形狀檢測中相互接觸的分離問題，本文提出一種基于凹點檢測的接觸珍珠分離方法。采用背光成像獲取大量珍珠圖像信息，以連通域標記的面積比提取接觸珍珠區域，建立接觸區域邊緣輪廓點夾角數學模型提取凹點信息，通過凹點匹配消除干擾點，以歐氏距離作為距離度量函數完成接觸珍珠的分離。

2 多顆接觸珍珠區域提取

2.1 珍珠圖像的預處理

珍珠表面存在紋理及光澤［18］，為了降低這些因素對珍珠形狀檢測的干擾，本文采用背光成像法采集的多顆珍珠圖像如圖1（a）所示，通過同態濾波、均值濾波等預處理算法提高了圖像的對比度、減少了噪聲等影響，預處理后的結果如圖1（b）所示。

圖1 珍珠圖像預處理

2.2 珍珠圖像的二值化處理

按圖像的灰度特性，采用最大類間方差法［19］將圖像分成背景和珍珠目標兩個部分，如圖2（a）所示，圖中珍珠既有單顆獨立存在，也有多顆珍珠接觸在一起，各區域的輪廓特征明顯。

圖2 圖像二值化與連通域標記

2.3 基于連通域標記的接觸珍珠區域提取

對二值化后的珍珠圖像進行連通域標記如圖2（b）所示，統計各連通域的像素面積為S1,S2,…,Sn，如表1 所示，對面積序列進行排序得到其中的最大面積為Smax和最小面積為Smin，其表達式為

式中，n為連通域個數。

由表1 可知，最大面積為41467，最小面積為13211。

表1 連通域面積及面積比

由圖2（b）可知，最小連通域的像素面積對應為單顆獨立的珍珠，為了獲取相互接觸的珍珠區域，通過各連通域的像素面積與最小連通域面積Smin的比值來確定是否為接觸區域，其表達式為

式中，Kn為面積比。

由于大量珍珠隨機平鋪放置，不存在堆疊狀態，因此面積比選取經驗值為1.5 作為判別珍珠是否存在接觸的閾值，當Kn>1.5 時則存在接觸，反之則為單顆獨立的珍珠。由表1 可知，S1～S8均小于1.5，則這8 個區域不存在接觸的珍珠，S9、S10均大于1.5，則這兩個區域存在相互接觸的珍珠。通過邊緣跟蹤算法提取相互接觸的珍珠邊緣輪廓特征如圖2（b）中的白色輪廓。

3 基于凹點檢測的接觸珍珠的分離方法

凹點信息是圖像中目標邊緣輪廓上曲率極大值的點，單顆獨立的珍珠形狀為類圓形，表面曲率變化平穩，因此不具有凹點特征［20］。多顆相互接觸的珍珠在接觸點處存在較大的曲率突變，具有明顯的凹點特征。在提取相互接觸珍珠的邊緣輪廓基礎上，本文基于凹點檢測對相互接觸的珍珠進行分離。

3.1 邊緣輪廓點夾角的建立

圖3 為接觸珍珠邊緣輪廓局部放大圖，設接觸珍珠邊緣輪廓上三個連續點Pk-1（xk-1，yk-1），Pk（xk，yk），Pk+1（xk+1，yk+1）。

圖3 接觸珍珠邊緣輪廓局部放大

直線Pk-1Pk與直線PkPk+1相交，所得到的夾角θ即為珍珠邊緣輪廓點夾角。

由余弦定理可知夾角θ為

由式（6）可知，邊緣輪廓夾角越小則該點為凹點，反之則不是凹點。通過對圖3 的邊緣輪廓點進行輪廓夾角的計算，角度分布圖如圖4 所示，由于珍珠表面存在紋理，輪廓夾角存在波動。角度在30°-60°范圍內為珍珠相互接觸導致輪廓夾角變小，初步可以確定為凹點。角度在150°～180°范圍內，確定不是凹點。

圖4 角度分布圖

3.2 基于凹點檢測的分離方法

由圖4 角度分布可知，輪廓夾角所確定的凹點存在干擾點，如圖5 中圓圈內的各點，為了精準確定珍珠接觸區域的凹點，本文對候選的凹點進行匹配算法，其步驟如下：

圖5 初步凹點檢測

1）根據候選凹點之間的距離，采用K 均值聚類算法將候選凹點分為A、B兩類；

2）尋找A 類與B 類之間距離最短的一對候選凹點；

3）連接該對候選點，并找出連接線的中垂線；

4）計算中垂線在連接線附近某一設定范圍內點的坐標；

5）根據這些點的坐標，查找在原圖的灰度值；

6）點的灰度值若均為珍珠的灰度，則這對候選凹點就真正凹點；若既有珍珠的灰度又有背景的灰度則表明這6個候選凹點只包含一個真正凹點；

7）若只包含一個真正凹點，則增加候選凹點的數目，返回步驟1）。

凹點匹配的結果如圖6 所示，精準確定了珍珠接觸點的一對凹點（a1，b1）、（a2，b2）。

圖6 凹點匹配

圖7 珍珠分離

4 結果與分析

4.1 實驗條件

本文構建了基于機器視覺的珍珠形狀檢測系統由相機、鏡頭、光源、計算機、載物臺等組成，相機光軸垂直于載物臺，鏡頭距離載物臺距離為250mm，珍珠隨機平鋪在載物臺上，光源采用LED陣列面光源，照度為40000Lux。相機、待檢測珍珠、光源以背光成像方式獲取珍珠圖像。系統軟件為Open CV、Python3.7 進行算法的開發。實驗以淡水珍珠為樣本，直徑為7mm～8mm。

4.2 實驗分析

4.2.1 分離評價參數

為了更客觀地分析接觸珍珠分離算法的有效性，本文采用面積損失率（Z）來評價接觸珍珠的分離精度。假設珍珠A 的面積為Sa，珍珠B 的面積為Sb，非接觸狀態的面積和為（Sc=Sa+Sb），接觸狀態的總面積為Sd。

珍珠A 在非接觸狀態與接觸狀態下的面積占比為K1和K2：

由此得到面積損失率Z的表達式為

面積損失率Z 越小，則接觸珍珠的分離精度越高，反之則越低。

4.2.2 實驗分析

對2 顆、3 顆、4 顆及多顆珍珠在接觸情況分別實驗得到的數據如表2所示。

表2 不同方法對不同數量接觸珍珠分離結果

由表2可知，隨著接觸珍珠的顆數增加，接觸點越多，接觸情況越復雜，本文方法與Harris 算法［21］的分離正確率隨之降低、面積損失率隨之增加，耗時也增加。本文方法相對于Harris 算法，分離成功率提高了4.45%，面積損失率減小了1.921%，分離速度提高了0.052s。

5 結語

1）針對相互接觸珍珠珍珠之間的分離問題，提出了一種基于凹點檢測的分離方法，實驗結果表明，該方法的分離正確率為97.825%，平均運行時間為0.322s，提高了算法效率及分離精度。

2）為了判斷相互接觸的珍珠區域，統計各連通域的像素面積，計算了各連通域的像素面積與最小連通域面積的比值，根據面積比設置閾值，判斷出了接觸珍珠和獨立珍珠。

3）針對大量珍珠存在的相互接觸影響珍珠輪廓提取的問題，對接觸珍珠進行凹點檢測，然后通過凹點匹配算法確定了真正凹點，基于歐氏距離實現了接觸珍珠的分離；通過單獨、接觸兩種狀態下同一顆珍珠的面積占比，利用分離誤差面積變化率模型實現了面積損失率的計算。