基于Sobel改进算子的海参图像识别研究

崔尚 段志威 李国平 张航

摘要：海参生活在水下，其复杂的生活环境为水下机器人对海参的自动识别、捕捞造成很大困难。针对海参的识别问题，研究并设计了图像处理与识别的方法。首先将图像进行直方图均衡化处理用于改善原始灰度级动态范围较窄的图像的视觉效果，利用sobel改进算子将增强后的图像进行分割处理，得到了含有干扰噪声的二值化图像，经过多次膨胀、腐蚀处理和小目标移除算法处理，可得到只含有海参目标的二值化图像，有利于水下机器人对海参进行识别和捕捞。

关键词：海参；自动识别；Sobel改进算子；边缘检测

中图分类号：TP391.4 文献标识码：A 文章编号：1009-3044（2018）22-0145-02

水下机器人代替人工水下作业有着很大前景，目前国内外的水下机器人都是通过机器视觉技术利用机器模拟人眼来做测量和判断[1]。机器视觉技术涉及计算机科学、图像处理、模式识别等诸多领域，是计算机技术的分支之一，计算机软硬件与图像处理技术的发展与突破，也带动了机器视觉技术在理论上和实践上的发展[2]。但是对于农业生产来说，其环境复杂多变，待识别目标与周围干扰因素有较高相似度，这使得机器视觉技术在农业生产中的应用阻碍重重，有待进一步发展[3]。

水的密度与空气密度差距悬殊，相差 800 倍左右，能见度、透明度均较低。由于光在水中传输时会被水吸收和散射，造成严重的图像信号衰减[4]。海草、贝壳、人类垃圾等干扰因素也会对海参图片的识别处理造成不小的困难。为了提高捕捞的效率，实现海参捕捞自动化，迫切需要解决真实水环境下的海参图像目标检测和分割难题。

图像边缘检测的实质是设计一种方法，通过计算出图像中的目标对象与非目标因素之间的差异，从而确定两者之间的分界线[5]。边缘检测技术主要有基于灰度直方图的边缘检测，基于梯度的边缘检测[6]以及包括Sobel算子在内的几种边缘检测算子等。Sobel算子在抑制噪声的前提下能够很好地检测出边缘点，尝试将其用于海参识别有很大的研究意义。

1 材料与方法

1.1 图像样本

本研究所用的图片来自水下相机拍摄，照片中海参主体多为深灰色，海参的边缘和海参刺颜色偏白，海参周围的环境主要有与海参颜色相近的海底沙地、绿色海草、白色贝壳及各种生活垃圾等杂物。由于海水不清澈、能见度低、图片含有噪声，较为模糊，如图1所示。

1.2 海参图像处理方法

1.2.1 图像增强处理

灰度直方图是数字图像处理中一个简单、有效和常用的工具之一。直方图概括地表示了一幅图像的灰度级信息，将一幅图灰度值划分为256个灰度级[0-255]，随着灰度值递增，图像的颜色从黑变白，任何一幅图像的直方图都包括了该图像的许多特征信息。如图2（c）所示，原始灰度直方图中有两个峰值，分别是94和170，大部分灰度集中分布于区间[75-115]和[145-190]，灰度分布范围过窄，不利于图像的后续处理。通过直方图均衡化处理，将原始图像中较窄的图像灰度范围以一定规则拉伸至较大范围，得到了在整个灰度级范围内均匀分布的图像[7]。经过拉伸后的灰度直方图，如图2（d）所示。

经过均衡化处理后，直方图灰度分布均匀，图像在亮度和对比度等方面有明显改善，更利于对灰度图的后续操作。

1.2.2 图像分割与识别处理

Sobel算子是将图像中亮度变化较大的像素点的邻域内像素灰度值超过阈值的像素点作为边缘。Sobel算子锐化的边缘信息较强，在检测边缘点的同时具有抑制噪声的能力。

由于实际图像的轮廓大多较为复杂，以斜向边缘为主[8]，因此本文中采用的Sobel改进算子使用了8个方向模板，提高了斜向边缘方向的权值。处理结果如图3所示。

由图3（b）中可以看出，图像含有部分干扰信息，则采用多次膨胀和腐蚀算法，消除干扰因素对海参识别的负面影响。通过多次实验发现，在膨胀处理中，以[B=010111010]为结构元素，处理效果较为理想。在腐蚀处理中，以半径为5的平坦型圆盘结构元素处理效果较为理想，处理结果如图4所示。

经过多次膨胀和腐蚀处理后，可以看到图4（f）中仍然含有部分噪声，则采用小目标移除算法对图像进行小目标移除处理，得到了较为理想的仅含有海参目标的二值化图像。处理结果如图5所示。

2 结果与分析

为了实现对海参图像的识别及分割，采用了直方图均衡化、Sobel改进算子分割图像、膨胀腐蚀处理和小目标移除等方法对图像进行处理，得到了只含海参目标的二值图像，图中黑色海参与白色背景对比鲜明。

通过将处理后的图像与原图像对比可知，该方法将海参和其他干扰因素分离效果较为理想，海参的形态特征稍有失真，但不影响对海参的识别。这为水下机器人实现海参水下识别并实施捕捞打下了良好的基础。

参考文献：

[1] 刘波. 机器视觉水中图像特征提取与对象辨识研究[D].辽宁：大连理工大学，2013.

[2] 邢士元. 基于形态特征的海参外观品质机器视觉检测方法研究[D].辽宁：大连工业大学，2016.

[3] 刁智华，王会丹，魏伟.机器视觉在农业生产中的应用研究[J].农机化研究，2014，36（3）：206-211.

[4] 杨卫中，徐银丽，乔曦，饶伟，李道亮，李振波.基于对比度受限直方图均衡化的水下海参图像增强方法[J].农业工程学报，2016，32（6）：197-203.

[5] 段瑞玲，李庆祥，李玉和.图像边缘检测方法研究综述[J].光学技术，2005（3）：415-419.

[6] 李海华，范娟.一种改进的基于梯度的自适应边缘检测算法[J].科学技术与工程，2013，13（1）：90-93.

[7] 陈天华.数字图像处理[M].2版.北京：清华大学出版社，2014.

[8] 沈德海，侯建，鄂旭.基于改进的Sobel算子边缘檢测算法[J].计算机技术与发展，2013，23（11）：22-25.

【通联编辑：唐一东】