基于物体轮廓检测和特征提取的木材图像计数模型

摘要：木材在运输前后都需要进行计数，传统的人工计数的方法既耗时耗力而且难免出现由于计数员的疏忽大意而数错的现象。随着社会的发展和人工成本的逐年上升，迫切需要利用新技术采用新方法来改进传统的计数方式。基于此，本文利用计算机图像识别针对两类图像实现木材计数。

关键词：轮廓检测;特征提取;分水岭算法;SIFT算法

针对图像受背景影响大的图片，对预处理的步骤进行了改进，并建立了基于SIFT算法的计数模型。经过一系列的对比尝试后选择利用灰度处理、图像降噪、边缘增强、HSV变换、边缘检测、二值化、图像分割的方法对原始图像进行预处理，预处理图像显示该处理步骤效果较好。接着利用SIFT算法，选取木材堆截面的特征图与预处理的图片进行比对，进而计算得到图片中的木材数为652，与实际的木材数634相比，相对误差为2.8%。因此，这种方法对于处理背景影响大、存在边界重合且大小一致的木材图像具有较好的适用性。

一、模型建立与求解

基于SIFT算法的高噪声背景木材堆计数

在实际的操作中，这种正面平摄由于工地条件的限制很难完全保证，因此实际能够拍摄的图片多为一定角度的仰视图，这就造成背景值会对目标值产生较大的影响。下面将以所给图片为例，分析在背景值影响较大的情况下，如何处理木材照片并通过算法实现对木材进行有效计数。

通过将此图片与上一小节中木材端面图片的对比得知，在这张图片中有两个突出的特点：

（一）背景值影响大，其中，背景包括天空、地面阴影和地面沙子;

（二）由于木材已经过初步加工成方形，因此边缘重合度较高，不易区分。

这些因素会对预处理和计数结果产生较大影响，因此这将是在处理时需要着重解决的两个问题。

（三）图片预处理

首先需要对图片进行预处理，提取出每个木材端面的边界，为下一步的计数做准备。图像预处理的具体流程如图1所示

（四）边缘增强处理

由于此类木材经过初步的加工，已形成较为规则的边界，这种边界的重合度较高，因此在边缘增强方面处理尤为重要。先尝试使用梯度运算提高图像边缘的对比度，该方法处理的结果如下图2所示。

二、HSV变换

由于方形端面木块的边界重合度较高，且地面沙子的灰度值与木块的灰度值接近，在计数时可能对木块的计数产生影响，因此需要将地面上沙子所在的区域去除。针对原始木材端面的RGB图像进行HSV变换，可显示出木材阴影与沙子较明显的区分线，为背景与目标的图片分割基础。

经过HSV变换后的图像如图3所示，从图片中可以明显地看出木材阴影与沙子的分界线。

三、边缘检测

经过上一步HSV变换可以明显地看出地面沙子和木块堆的分界线，现需要检验出分界线。分别采用连通法、傅里叶变换法、canny边缘检测法进行边缘检测。

经过实验可得利用连通法进行边缘检测的效果最好。利用工具裁剪掉灰度途中红色部分。

四、二值化处理

二值化的建模过程，采用自适应阈值进行处理，处理结果如图4所示：

五、SIFT特征向量的匹配

首先，进行相似性度量。一般采用各种距离函数作为特征的相似性度量，如欧氏距离、马氏距离等。

通过相似性度量得到图像间的潜在匹配。本文中采用欧氏距离作为两幅图像的相似性度量。获取SIFT特征向量后，采用优先k—d树进行优先搜索来查找每个特征点的2近似最近邻特征点。在这两个特征点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。

其次，消除错配。通过相似性度量得到潜在匹配对，其中不可避免会产生一些错误匹配，因此需要根据几何限制和其它附加约束消除错误匹配，提高鲁棒性。常用的去外点方法是RANSAC随机抽样一致性算法，常用的几何约束是极线约束关系[9]。

六、計数结果

结合上述模型，利用Python实现，可得计数结果如图5所示。

图中共分为左右两个部分，左边为被匹配的图像或为原图转换的二值化图，右上角为匹配的图像（匹配的图像为被匹配图像中的单位木块），图中的红色圆点代表的是被匹配图像的特征，图中绿色的直线代表的是被匹配图像和匹配图像的特征匹配。

七、计数结果

人工计数可得图原图中的木材数为634，相对误差为2%。通过分析图像，产生误差的原因主要在于预处理，可分为两个方面：

（一）未处理图片左上角的木块（如图6所示）。没有考虑到该木块不只有端面图像，还有侧面图像，导致重复计数，影响计数结果。

（二）图片左下角的木块由于在未处理前的初始状态时处于阴影中，灰度值过大在梯度处理时被当成背景去除，造成计数过小。

（三）匹配图像的选择存在误差。

八、模型推广

基于背景影响大与背景影响小的木材图像模型，可以实现利用计算机算法来处理木材图片，从照片中计算得到木材的数量。这种处理方法可推广到光照不均匀、角度倾斜、边缘密集、形状不同的木材图像处理，可以通过增加环境参数进一步提高计数的准确度。

此外，在实际生活中，通常会涉及对木材堆的管理和计数工作。目前，主要以实现功能为主，下一步必须优化程序结构，改善用户界面，提高程序的交互能力。真正实现快速有效的计算机辅助木材计数系统。

参考文献：

[1]党文静. 图像区域分割算法的研究与应用[D].安徽理工大学，2018.

[2]陈基伟. 基于数字图像处理的棒材计数方法研究[D].山东大学，2012.

[3]吴丽琼. 基于梯度的图像插值放大算法研究[D].山东大学，2017.

作者简介：

闫相佩（1998.07-）男，汉族，河南漯河市人，河南大学，本科，通讯作者：童海滨。