一种改进特征提取方法在智能装填中的应用

孙棪伊，丁立平，张亚莉，干兴业，汤日佳，韩锐

(上海机电工程研究所，上海 201109)

0 引言

随着军工技术的发展和导弹装备高效智能化水平的提高，传统的人工或机电式导弹装填，耗时长、效率低或存在安全隐患，难以满足快捷、高效、安全的装填需求，发展基于机器视觉的智能装填技术就显得越加重要和关键[1]，也将成为装填技术发展的必然趋势。

基于机器视觉的智能化操作的基本原理，是通过图像摄取装置将被摄取目标转换成图像信号，传送给图像处理系统得到目标形态信息，根据像素分布和亮度、颜色等信息，转变为数字化信号，图像系统对这些信号进行各种运算来抽取目标特征，进而根据判别结果来控制现场设备动作，完成对这一目标的一整套运动的精确操作[2-4]。针对智能装填系统，需要解决筒弹精确定位和抓取装置精准操作等问题，设计思路是选用工业相机捕捉筒弹、装填位置图像，通过图像预处理、边缘特征提取后，实现对筒弹、装填位置的图像识别和准确定位，进而完成装填操作。

在基于机器视觉的智能装填设计中，图像信号处理一般包括图像预处理与边缘特征提取。预处理一般是降噪滤波处理和图像增强处理，主要用于后续图像特征提取[3-15]；边缘特征作为图像的基本特征，对于机器视觉的图像识别与检测具有重要意义。

本文针对导弹装备野外作战，多雾多雨、强光等复杂环境条件，提出一种改进的图像边缘特征提取方法，以提高智能装填系统对靶标的识别和定位准确度。

1 靶标图像预处理

在进行图像边缘提取之前，首先要进行图像预处理，以提高图像的对比度，突出靶标图像边缘。这里提出直方图拉伸和直方图均衡化这2种常用的图像预处理算法，并比较其优劣。

1.1 直方图拉伸

直方图拉伸方法是图像增强处理的经典算法，是将灰度分布不均的原图像进行灰度扩张填充，使其充满整个灰度区间[1]，操作简单方便。首先计算原始图像的最大、最小灰度值Gmax，Gmin；其次统计每一灰度级出现的像素个数，将Gmin映射到0，Gmax映射到255。如果输入图像为f(x,y)，直方图拉伸后的图像表示为g(x,y)，则有

(1)

1.2 直方图均衡化

直方图均衡化算法是将靶标图像分成若干区域，再计算不同区域的直方图特征，并且使图像亮度得到重新分布，这就增强了图像边缘与其他区域的对比度[1]。使用普通的均衡化算法，对每个像素与其周边一个直方图像素进行均衡化，得到一个变换函数，变换函数同像素周边的直方图累积分布函数(cumulative distribution function,CDF)成比例[4]。

处理工作步骤是：将原始图片分割成不重叠的子块，对每个子块进行直方图处理，然后以待处理的像素点为中心，将邻域取为子块，在子块内做直方图处理，处理结果仅映射到该点(消除块效应)，最后，不再逐像素移动，而是以小于子块宽度的步长进行类卷积操作，以确保2个相邻子块有重叠，再在子块内进行第3次直方图均衡，这样每一像素点起码有2次赋值，取每一像素点的均值作为该像素点的最后赋值[5-12]。

直方图均衡化原理如下：若MN为靶标图像像素总数，L为灰度级数量。假设变化前的灰度级为r，0

可以构造变换函数

(2)

式中：ω为形式积分变量。

变换映射

(3)

定义第k灰度级rk出现的频率为nk，则第k个灰度级的出现频率为

(4)

所以变换函数的离散态可以表示为

(5)

通过变换函数将原图像的灰度级rk各像素映射到输出图像灰度级sk，这样就得到了直方图均衡化后的靶标图像。

1.3 预处理对比分析

分别采用上述2种预处理算法，对靶标图像进行预处理实验，如图1，2所示。

由实验结果看出：相比于直方图均衡化而言，经典的直方图拉伸算法处理像素值分布比较均匀的图像，效果尚佳(图3a)为强光下采集，b)为自然光下采集)，但对于自动装填中，进行筒弹的精定位，算法需要对光照具有较高的鲁棒性，而直方图拉伸算法对光照变量敏感，在描述图像细节方面也相对直方图均衡算法粗糙很多。直方图均衡化算法通过对局部区域进行直方图均衡克服了经典算法的这一缺陷。

为此，选取直方图均衡算法来对靶标图像进行图像增强处理，增强图像边缘特征，以便于后续的边缘特征提取。增强后的靶标图像如图4所示。

图1 靶标原图

图2 靶标原图灰度直方图

图3 增强后的灰度直方图

图4 增强后的靶标图像

2 靶标图像边缘特征提取

针对自动装填靶标图像的特点，边缘特征可以作为主要的识别和检测特性。边缘特征提取算法主要由边缘检测和连接边缘形成边界组成。边缘检测通常采用各种边缘检测算子与图像进行卷积操作[6-18]。

2.1 Canny边缘检测算子

Canny算子是很常用且有效的一种多边缘检测算法，由Canny在1986 年提出，并给出了判断边缘检测性能的3个准则：①尽可能多地找到边缘，避免误检漏检。②最佳定位，边缘点要尽量贴近边缘中心，避免产生粗亮边缘，提高边缘检测精度。③单边应答标准是为了确保在单个边缘上只有一个像素应答，减少伪边缘应答[7-11]。

传统的Canny算法实现大概分成4个步骤，即高斯模糊、计算梯度幅值和方向、非最大值抑制及阈值检测与连接边缘4个步骤。

高斯模糊主要用来去除噪声，与边缘同为高频的噪声信号很容易被识别为伪边缘，也是由于边缘信号为高频，因此高斯模糊的半径选择一定要慎重，过大的半径会弱化边缘。

如果f(x,y)为原图像，g1(x,y)为高斯滤波后的图像，那么卷积后有

g1(x,y)=G(x,y,σ)*f(x,y)，

(6)

式中：高斯函数表示为

(7)

图像的边缘方向不同，因此经典Canny算法由2个梯度算子分别计算水平、垂直2方向上的梯度。具体做法是：比较当前点的梯度强度以及同方向其他点的梯度强度。如果当前点梯度强度更大，则保留这一点的梯度值[8-17]。

假设Gx，Gy为图像水平与垂直方向的差分，则梯度模表示为

(8)

梯度角度θ表示为

θ=arctan(Gy/Gx),

(9)

式中：θ范围为(-π,π)，将得到的θ近似到0，90°水平与垂直2个方向上。

(10)

(11)

这些导数以一个2×2的模板来实现。从这2个方向上，以这个2×2的模板为核与靶标图像上的每一点做卷积运算。

图5 传统梯度计算后的边缘提取

在之后进行非最大值抑制操作对图像进行细化，由于卷积后得出的边缘有时不止一个像素，而多个像素就会造成边缘粗大明亮的效果，进而使靶标不能被准确识别或检测到，违背了准则3的要求，而非最大值抑制能尽可能地保留局部最大梯度，也就是保留最突出的边缘[9-20]。如图5为传统算法提取的边缘，效果粗亮，特征不明显。

最后使用双阈值处理和连接分析来检测和连接图像边缘，进一步减少伪边缘点。

2.2 改进的Canny边缘检测算子

Canny算子是常用且有效的边缘检测算子，具有很好的描述图像边缘的能力[10-14]。但由于在自动装填系统中需要快速且高效地对靶标进行定位与识别，因此本文根据该系统的要求与靶标图像的特性提出了一种改进的边缘检测算子。

本文采用3×3的Sobel算子来计算图像梯度，Sobel算子作为非常有效便捷的计算图像梯度的算子，对比于传统Canny算子在进行梯度计算时的 2×2 模板，3×3的模板可以做到有效抑制噪声，减少漏检边缘。这样在上文预处理中所用的直方图均衡化，在这种可透雾算法的迭代作用下，更加符合自动装填系统在野外雨雾天气下的工作要求。

另外为了更加快速地识别靶标，本文未选用双阈值处理，而是选择了单阈值处理方法。单阈值处理方法更适应靶标这样直方图为双峰的、背景与物体灰度差明显的图像。这样提高了算法的效率，适应机动化与快速化的要求。如图6为改进算法提取的边缘，弱化了亮白的伪边缘。

如果s(i,j)为边缘图像，那么Sobel算子如下

s(i,j)=Δxf+Δyf，

(12)

式中：

(13)

s(i,j)=|f(i-1,j-1)+2f(i-1,j)+

f(i-1,j+1)+f(i+1,j-1)+

2f(i+1,j)+f(i+1,j+1)|+

|f(i-1,j-1)+2f(i,j-1)+

f(i+1,j-1)+f(i-1,j+1)+

2f(i,j+1)+f(i+1,j+1)|.

(14)

由于靶标图像背景与物体的像素灰度差异十分明显，全局阈值适用于自动装填系统对靶标系统的识别。首先生成靶标图像的灰度直方图，找到波谷对应的值，选择一个初始阈值T，使用阈值T分割图像得出2组像素G1，G2，G1小于T，G2大于T，计算G1，G2的均值m1，m2，得到一个新阈值T′:

(15)

迭代至T′之间的值小于预定的ΔT，得到所要的T′。

结果对比与分析，见图7，8和表1。

实验结果表明，改进的Canny算子与传统的

图6 改进算法梯度计算后的边缘提取

图7 实验结果1

图8 实验结果2

表1 实验结果分析表

Canny算子相比，运行时间有明显缩短，效率提高显著，识别效果也较为良好。可以明显看出，改进的Canny算子减少了图像白亮的伪边缘，最大程度地保留了靶标图像的边缘细节，边缘连接与传统方法相比也有明显改善。

3 结束语

本文针对自动装填靶标图像的改进算法，节约了时间成本，提高了识别效率；边缘检测精度也有明显提高，减少了伪边缘的产生。由对比试验结果可以看出，本文算法为边缘检测提供了一种新思路，适用于一批双峰直方图、且灰度分布明显的边缘检测。但算法也存在依赖于先验知识、对灰度特征鲁棒性较低的问题。