[发明专利]一种数字图像轮廓形态的识别方法

说明书

技术领域

本发明涉及一种数字图像轮廓形态的识别方法，属于计算机模式识别技术领域。

背景技术

图像识别广泛地应用于各个领域，并越来越多地用于微小物体的识别分捡、定级工作中，如工业中螺丝钉、电阻、电容的外观分捡；农业中对小麦、谷物质量检测等。图像识别在物体分捡领域的应用在大幅度降低人工成本的同时使得分捡效率成倍提高，并且最大限度降低了误选率。然而，由于处理技术上的原因，对扁平状颗粒体，尤其是对形状轮廓具有一定要求的物体的分捡研究，目前在国内外尚未见到相关的报道。

一般认为，物体的长轴长度、短轴长度和长宽比在图像识别中是三项重要的特征值，其定义为：长轴为在物体图像轮廓上相距最远的两点连线，此两点间距离长度定义为长轴长度；短轴定义为所有与长轴垂直的直线在物体图像轮廓上所截得的线段中长度最大的线段，其长度即为短轴长度；长轴长度与短轴长度之比为长宽比。它们不仅能反映物体的轮廓尺寸，也能反映出物体形状的规则程度，对物体的合格判定有着重要的参考价值。

在本发明作出之前，《中国农业科学》([j].2005，38(9)：1869-1875)“基于图像识别的小麦品种分类研究”一文中，公开了一种对小麦、谷物品种进行分类的图像识别方法，其提取的形态特征分别为籽粒面积、周长、圆形度、长轴长、短轴长、最大/最小半径、半径比、半径均值等，这些形态特征作为分类的特征判据，对物体的合格判定有着重要的参考价值。在对物体图像的长轴长度、短轴长度进行计算时，常规的求解技术方法是：取出物体的数字图像轮廓，以图像轮廓上像素点的任一点作为起始点，用两点间距离公式求得轮廓上任意两像素点之间的最大距离，并最终得出所有距离中的最大值，此即为长轴长度，图像上过长轴中点且垂直于长轴的直线间距离即为短轴长度。

在利用图像识别技术对物体进行分捡处理时，这种方法可用于小麦、谷物分类和质量检测，因为小麦、谷物的分类和质量检测偏重于饱和度，仅需了解几何尺寸的大小即可，不需对每一颗粒的形态进行判定；同样，它也可用于螺丝钉的分捡和谷物质量检测，因为螺丝钉为规则物体，有严格的尺寸指标，然而，对于扁平状颗粒体(如西瓜子)这类的物体在大批量的分捡判定中，其外观常常是作为合格与否的特征值之一，这类物体形状大多不规则，判定时对尺寸要求严格，且对每一个被测物体都要进行特征值提取，而上述常规算法在计算长轴长度时耗时多，求解短轴时精度低，因此，不能适用于对批量大、物体为扁平状颗粒体进行分捡判定时特征值的提取工作。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种精确、高效、适用于大批量设别形状不规则物体的数字图像轮廓形态特征值的提取方法。

为达到以上目的，本发明采用的技术方案是：提供一种数字图像轮廓形态的识别方法，它的处理步骤如下：

(1)以获取的数字图像中心为原点，在图像的轮廓线上取n点，将图像轮廓分为n部分，使任意相邻两点与原点连线的夹角为360/n度，其中n是大于或等于4的整数；

(2)以轮廓线上所取的某一点为起始端点，分别与其余各点连接，得到各线段的长度值，以长度值最大的线段为局部长轴；

(3)以上述局部长轴线段端点中的起始端点相邻点范围内的象素点为起始点，对该局部长轴线段另一端点两侧相邻点形成的轮廓上的所有象素点扫描，得到各线段的长度；

(4)分别以轮廓线上所取的其余各点为起始端点，重复上述(2)、(3)步骤；

(5)将每次扫描得到的最大值相比较，长度最长的线段即为长轴；

(6)长轴将图像分成左、右两部分，在长轴的两个端点范围内，依次以轮廓段上的像素点进行逐行扫描，从左、右两部分的图像轮廓上分别得到到长轴距离最长的左短轴、右短轴及其它们的长度值；

(7)以长轴长度、左短轴长度、右短轴长度、左右短轴间的距离和左右短轴长度差的绝对值为数字图像轮廓形态的识别特征值输入计算机进行数据处理，完成数字图像轮廓形态的识别。

进一步的技术方案，在图像的轮廓线上取n点，n为4的整数倍。

或者，在图像的轮廓线上取n点，n＝8～16。

本发明所依据的原理是：在Sobel等微分算子法的基础上，通过构造阈值和轮廓提取结合提取待测物体图像轮廓。本发明技术方案先利用阈值构造法将目标物体的基本轮廓与背景分割出来，再利用轮廓提取的算法进一步细化物体的轮廓。Sobel等微分算子法本身运行速度快，可以滤除一些噪声，去掉部分伪边缘，并在检测斜向阶跃边缘时具有较好的效果，这几种方法相互结合可以精确的提取待测物体的图像轮廓。