论文在线分享-基于图像处理的玻璃堆数测量系统-CNKI知网查重网站

论文在线分享-基于图像处理的玻璃堆数测量系统

2021-06-04 14:40:03
作者:杭州千明

  现目前图像处理技术应用广泛,现代工厂大多应用图像处理技术跟踪生产的流程,对于玻璃生产,目前应用的计数方式大多为人工计数、称重等方式,对玻璃数量的掌握既不方便,也缺乏一定的准确性;本文研究的内容是图像处理的玻璃堆数测量系统设计,根据图像识别原理以及测量系统的相关工作特性应用MATLAB设计了图像处理的玻璃堆数测量系统设计并进行调试分析,得到相关特定条件下的图像特征,分析处理图像特征,计算出实际玻璃数量。

  本文首先查阅相关图像处理的玻璃堆数测量系统设计相关资料对图像识别技术方面相关国内外研究进行了分析总结,提出本文图像处理的玻璃堆数测量系统设计方案。阐述图像识别的基本原理,然后对其MATLAB软件进行简单介绍,对其中所用到的图像处理流程模块进行说明。对图像处理的玻璃堆数测量系统设计的设计原理进行了分析建模,然后对其玻璃堆数相关图像处理,图像二值化,图像增强,图像分割相关原理进行分析介绍。对图像处理的玻璃堆数测量系统设计应用到的相关算法进行分析,能够对变压器等玻璃堆数进行准确识别,并设计其程序仿真调试。

  实际生产玻璃时往往因为中间玻璃的某些参数不达标而淘汰,导致最终封装的玻璃数目与生产过程的数目对不上。目前玻璃数量的计算还依靠称重法、直接测量法或人工数的方法,导致数量测量不准或生产效率较低。针对此现状,利用图像处理技术对玻璃堆侧面进行拍照与处理,分析出玻璃堆数的实际数量,提高生产效率与识别准确性。许多研究者在曾经提出了一种基于HSI模态强度的钢化玻璃绝缘子识别方法。该方法采用形态学、连通成分提取和均值阈值分割等方法。图像的强度包含了绝缘子图像的重要信息,是绝缘子图像分割的基础。根据图像的强度特征,将强度图像转化为二值图像是有帮助的。由于二值图像中存在一定的噪声,需要对二值图像进行预处理以降低噪声。这里使用的是形态学上的腐蚀过程。经过上述预处理后,提取的连通分量可以在二值图像中每1个区域进行标记,其中包括绝缘层和噪声部分。然后以每个连接元件的个数的平均值设置阈值范围,作为是否将这些元件分类为绝缘体的阈值。实验结果表明,该方法能对图像中的绝缘子进行分类,且误差较小。基于此,本文以图像处理为切入点,将系统化的对于玻璃堆栈测量系统进行详细的分析,解剖,以及对玻璃堆数测量系统的设计与实现进行一个可行性设计[2]。

  基于图像分析的玻璃堆数状态监测是一种新的方法,可以提高电力系统的自动化水平。不仅可以对视频进行监控和记录,还可以对图像进行分析和识别,从而在线发现早期故障。计算机采集远程设备图像,计算图像的矩不变量作为识别的特征向量,利用支持向量机(SVM)对玻璃堆数进行识别[3]。系统进一步对图像进行分析,找出图像是否具有凸包、强随机噪声或假边缘,从而判断设备运行状态是否正常。将图像识别技术应用于电力系统中,可以及时发现玻璃堆数的故障和隐患,取代以往的人工侦察。这样就可以对玻璃堆数进行检测和维护,提高无人值班变电站的运行可靠性[4]。

  1.2图像处理研究动态

  对于纹理提取的研究应用,在2016年张千发表《层叠太阳能硅片图像纹理提取与计数技术研究》论文,由于在光伏发电领域之中,太阳能硅片是太阳能发电组件的核心原料,并且需求量巨大,当下对其进行的数量统计是在生产流转中重要的必备过程,所以为满足自动化生产中太阳能硅片批量无损的数量统计需求,他基于机器视觉和图像处理技术,从图像的纹理提取特征入手,把层叠的硅片呈现出来的条纹看作是纹理,进行太阳能硅片图像条纹纹理的提取以及计数的研究,基于机器视觉的计数系统设计,搭建了双光源的层叠太阳能硅片图像获取系统;提出基于纹理方向信息的Gabor滤波法,沿着纹理的方向滤波平滑,在滤除噪声的同时也保留了图像的整体纹理特征,增加了图像纹理中脊线以及谷线的辨识度;提出了基于niblack与背景校正结合的提取方法,解决了图像灰度不均以及纹理不清晰时无法提取出纹理的难题,为纹理计数奠定了基础,文中提出的方法在实验室与生产现场均有良好表现,计数速度与精度满足设计需要以及生产需要。

  2012年焦蓬蓬提出利用MATLAB实现灰度共生矩阵纹理特征的提取,发表了《灰度共生矩阵纹理特征提取的Matlab实现》文章,文中深入研究了基于MATLAB灰度共生矩阵(GLCM)纹理特征的提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造,实现基于灰度共生矩阵(GLCM)的特定图像纹理特征的提取等都具有重要参考意义。在计算GLCM时考虑了计算窗口大小,图像灰度级,方向和距离四个方面,基于灰度共生矩阵的纹理提取是分享图像的纹理和处理的有效工具,对灰度共生矩阵的纹理提取研究进行了细分,给出了基于MATLAB的实现代码,优化了基于灰度共生矩阵的纹理特征提取等方式。

  李兵提出了一种基于视频图像的木材和纸张微观变形快速、准确测量方法。利用图像相关技术对两幅或两幅以上未变形和变形的视频图像进行了数字化比较。这种数字计算机模式识别技术允许测量图像中任何点的位移。然后,计算该观测场任意两点之间的应变,从而直接测量法向应变、剪应变和泊松比。独立应变测量结果表明,该方法利用视频图像提供了准确的应变测量结果,可应用于木材和木制品等复杂材料。使用图像分析的应变测量不仅产生正常应变,而且产生正常应变的应变剖面。从应变剖面上可以检测出应变集中的局部区域可能超出弹性范围。由于采用图像相关技术测量一组视频图像的位移和应变,该方法是非接触的,通过改变光学器件的放大倍数可以方便地调整观测场。因此,该方法可应用于木材和木制品的机械试验,从细胞水平到全尺寸木材,不再受试验材料易碎性、行业标准或设备限制的限制。

  蔺帅帅提出了一种自动诊断系统。每年都会因维修不当而发生各种工伤事故。无论对电气设备的维护规定有多严格,由于电气设备数量庞大,人力资源短缺,对电力行业来说始终是一个挑战。提出了一种电气设备缺陷自动诊断系统。在无损检测的基础上,利用红外热像仪实现了诊断过程的自动化。采用基于统计方法和形态学图像处理技术的热图像处理方法对热点和参考温度进行识别。对采集到的信息进行定性和定量分析,经诊断处理后给出检测结果。本文提出的热诊断系统可以应用于各种玻璃堆数,提高检测效率,实验结果表明。

  周岩针对无人值班变电站自动化检测水平的必要性,提出了一种基于图像处理的高压玻璃堆数运行状态监测与诊断的新方法。图像处理技术实现并增强了人的视觉能力。它是一种能够在线监测高压玻璃堆数运行状态的非接触测量方法。近年来,它在许多领域得到了广泛的应用,并取得了丰硕的成果。介绍了高压玻璃堆数运行状态检测过程。在图像预处理和特征提取的基础上,提出了基于径向基函数神经网络(RBFNN)的目标自动识别算法。

  早在2006年,朱红娟发表了《B超图像纹理分析的研究与实现》;随着医学进步和计算机发展,同时当时临床脂肪肝的诊断均是医生的主观经验判断,存在着可能会造成失误的定性判断,因此文中提出多种量化方法,包括光点个数计算、边缘检测法以及纹理分析方法,对比之下发现纹理分析方法是一种有效且准确的图像量化分析工具,文中使用了分形方法和小波包方法两种方式,对肝脏B超图像进行研究,为了便于临床应用,利用MATLAB绘制了用户图形交互界面,对几十幅图像进行特征提取,对不同患者的肝脏超声波图像的能量,粗糙等特征进行测量分析,发现小波包方法随着脂肪肝程度的加重,各特征量的变化呈现一定的规律性,因此将小波包方法作为临床诊断的定量依据。

  对于此研究,国外发展较国内要提前,拉斐尔·C·冈萨雷斯,理查德·E·伍兹介绍了数字图像处理的基本概念和技术,为该领域的进一步研究和开发奠定了基础。图像处理技术分为四大类:图像数字化、图像增强和恢复、图像编码、图像分割和表示。重点是数字化及其对图像质量的影响,以及采样过程的理论处理。编码过程在图像处理中起着中心作用,目的是最小化存储或传输需求。分割和表示技术是自主图像处理和识别系统发展中最重要的考虑因素之一。美国国立卫生研究院的韦恩·拉斯班德(Wayne Rasband)创建了ImageJ,这是一个开源Java编写的程序,目前版本为1.31,用于许多成像应用,包括那些从皮肤分析到神经科学的应用。ImageJ位于公共域中,在任何操作系统(OS)上运行。ImageJ易于使用,可以进行许多成像操作。ImageJ的用户社区由一个非常庞大且知识渊博的团队组成。主题包括成像能力;跨平台;从2004年6月起支持图像格式;扩展,包括宏和插件;以及成像库。国家卫生研究院报告说,目前每月约有24000次下载,下载量数以万计。ImageJ可以读取生物医学图像中使用最广泛和重要的格式。支持的操作包括读取/写入图像文件以及对单独像素、图像区域、整个图像和卷(ImageJ中的堆栈)的操作。支持的基本操作包括卷积、边缘检测、傅立叶变换、直方图和粒子分析、编辑和颜色操作等等。Hyo Sub Yum、Min Hong、Dong Ik-Oh利用RFID标签来登记图书进出。然而,这种自动处理的识别率可能取决于天线和RFID标签的方向。因此我们需要补充系统来提高识别率。该算法从输入图像中建立图书现有区域的感兴趣区域,然后采用Canny边缘检测算法提取图书的边缘。最后,Hough线变换算法允许从提取的边缘检测图书数量。为了评价该方法的性能,我们将该方法应用于350幅不同环境下的图书图像。然后从识别率和失配率两个方面分析了该方法的性能。实验结果表明,图书计数的准确率为97.1%。

  1.3本文研究的内容与章节安排

  结合对现有变电站防误操作技术的分析,提出了一种基于图像识别技术的可视化防误操作系统,将图像采集技术融入到现有防误操作系统中。采用智能图像识别算法进行识别和处理,以反映设备状态的图像和信号为逻辑准则,通过在整个过程中同步显示设备图像,对开关操作进行监控和跟踪,实现对开关操作的远程检测和监控设备[17]。试运行结果表明,该系统能提高开关操作的安全性和效率,减少操作人员的工作量。本文主要研究内容为:

  第一章首先对基于图像处理的玻璃堆数测量系统设计的国内外研究动态进行的描述,通过分析图像处理的玻璃堆数测量系统设计国内外研究动态提出本文图像处理的玻璃堆数测量系统设计的设计方案。

  第二章阐述图像处理相关的基本原理,然后对其MATLAB软件进行简单介绍。

  第三章对图像处理中所用到的算法进行简介,然后使用MATLAB对其变压器等玻璃堆数进行测试分析。

  第四章对图像处理的玻璃堆数测量系统设计的图形界面进行设计,能够实现简单明了的分析。

  第五章对图像处理的玻璃堆数测量系统设计总结

  第2章图像识别技术理论

  2.1图像处理

  处理图像即对于图像实施相应的操作,从而满足预期目标的一种技术。图像处理主要包括模拟化的图像处理与目标型的分割处理。其中模拟化的图像处理主要利用了光学与照相手段进行模拟图像的相应处理,而光学方式处理图像的手段历史比较久远,出现于激光全息型技术之后,其获得了相应的进步与发展。虽然光学方式处理图像的基本理论逐渐的完善成熟,有快速的处理速度,较大的信息容量,极高的分辨率,经济性较高,然而不足之处在于处理精度低,运行稳定性较差,相关设备比较笨重,在操作的时候不方便以及工艺水平较低等,限制了其长远发展。目标型分割处理用具体图像信息得到、传输、保存、转换、显示以及理解,还有综合利用当做主要的研究目标,在20世纪的60年代开始,在计算机技术快速发展的背景下,目标分割的有效处理技术获得了迅速的发展。

  2.2图像分割

  图像分割属于图像处理中的组成,研究以及应用图像的时候,一般都只是对于图像当中特定部分有兴趣。例如:彩色的相关目标区域当中,有兴趣的为图片当中显示的道路。图像分割应用技术当中,感兴趣的某个部分称之为目标也或者是前景,剩余部分叫做背景。一般而言,图像前景与相应的图像内部具备特殊性的区域相对应。为能够辨识以及分析图像的前景,便应当把上述区域全部分离,图像分割即将图像空间整体划分为很多的具备一致性且没有重叠区域,同时提取到感兴趣的需要目标的一种技术以及过程,划分图像空间主要是参考区域具备相似性以及非连续性的特征。相似性即相同区域内部像素特征具备相似点;而非连续性即表示各个区域之间的像素实际特征具备突变性。

  总之,彩色图像所用分割手段能够分成在像元基础上、区域与边缘分割等类型,其中在像元基础上、区域主要基于相似性,而基于边缘主要基于不连续性.

  (1)基于像元的分割

  基于像元的分割主要包括三个种类:直方图式门限技术与色彩空间式聚类、模糊化聚类分割。直方图式门限技术比较常见,因为图像门限式处理具备直观性与容易实现的优势,促使这项技术占据着图像分割当中关键性的地位。

  该方法的基本思想为把RGB式色彩空间有效的转换成HVC也或者是其他的别的色彩空间,随后计算H、V、C的相应一维的直方图,找出最为显著的峰值,普遍选择两个当做门限把图像划分成若干区域。

  (2)基于区域的分割

  基于像素完成图像分割主要经由基于像素性质具体分布的实际来完成,基于区域的图像分割方式主要包括区域生长与区域分离和合并。区域生长即按照预先定义完成的的准则把像素也或者是子区域都聚合为更大的一个区域的全部过程。主要方式为用一组基本“种子”点进而开始把和种子有类似性质的邻近像素全部附加于生长区域当中的各个种子当中;区域的分离和合并为开始的时候,把图像进一步的分割成任意且不相交一系列区域,随后完成聚合以及拆分操作或者是首先把图像划分成彩色与非彩色的不同区域,随后选择直方图式门限法,合并8*8的大小块。

  (3)基于边缘的分割

  边缘检测为本次课题设计中的关键部分,主要包括局部性的边缘检测与全局性的边缘检测。对于边缘检测应用技术而言,比较常见的是Sobel与高斯拉普拉斯算子。而局部性边缘检测当中只需要考虑到像素点相关邻域信息进而决定具体的边缘点,最常见的算法为C-均值式聚类算法;全局性边缘检测需要结合全局的最优化。

  2.3像素的位置关系

  像素p,的4个像素即{p2、p4、p6、p8}叫做像素p相应4-邻域,4个像素与对角线上4个像素也就是左上、右上与左下、以及右下即{p1,p2,p3,p4,p5,p6,p7,p8}叫做像素p相应8-邻域。具体即如图2-1所示。

  图2-1像素的邻域

  2.4三基色原理

  通过实验结果证明,在自然界当中的大部分色彩都是通过三种不同的基色光,用各个比例进行混和来形成的。比如,把红、绿、蓝投射于白色屏幕当中相同位置,不停调整三束光实际强度比,便能够于白色屏幕当中看出各个颜色。例如:红色+绿色=黄色,绿色+蓝色=青色或者红色+蓝色=品红。一般而言,将具备这样特征的颜色称之为三基色。彩色电视当中所利用的三基色为红(R)、绿(G)、蓝(B)。

  第3章玻璃堆数在线监测系统图像预处理

  3.1玻璃堆数的检测图像预处理

  因为MATLAB语言进行图像的处理的时候,要进行玻璃堆数背景部分的识别;所以为了分割出正确的实际标线,一定要把其他部分进行处理,如此方可分割正确且将字符识别出来。然而在实际的使用,光照实际条件的不同、本身的运行变化的不同、拍摄的实际角度的不同、硬件装置自身的不同等是能够直接的对所拍摄的实际图像的具体效果造成影响,在实际的运用中效果普遍不是很理,有很多的噪声存在;行图片信息的预处理工作进而将图像的实际质量改善,从而得到非常有效的数据信息,这样就可以正确以及高效的完成之后的处理步骤。这个过程的具体流程示意图如下图所示:

  图3-1图像预处理流程图

  3.2玻璃堆数的检测灰度处理

  灰度图像为二维图像,与彩色三维图像相比,灰度图像中仅包含图片上的亮度信息,不存在彩色的信息。例如现实生活中存在的黑白照片便为二维的灰度图,它的本质其实就为不同亮度的改变。由此可见,灰度化的实际处理即把彩色的具体三维图像进一步的转变成二维图像。在彩色图像中包括三大分量即R、G、B,灰度化即将R、G、B分量进一步的转化成三个分量,这三个分量之间是相等的。其中,像素点的灰度值较大就会较亮,而像素点的灰度值较小就会较暗。

  进行灰度图像的转换是利用Rgb2gray函数完成的

  Rgb2gray:将RGB图像转换成灰度图像

  格式为:I=rgb2gray(RGB)

  初始阶段,使用监督的方法来标记训练数据集。

  (a)原始图像(b)灰度图像

  图3-2彩色图像灰度化处理

  3.3玻璃堆数的检测图像增强

  选择MATLAB应用软件在灰度化实际图像信息后,便可以让牌照的部分和不属于边线的部分的相应对比度进一步较低,此时无法直接提取边缘,否则提取所得标线的界限便比较模糊,无法确保标线的精准性,进而直接影响到标线识别的精准性。所以,,为了能够提高识别率与准确度,必须在提取边缘前把图像进一步的增强,或者是其他部位相应对比度以及图像进一步的增强,使得灰度化二维图像明暗之间的对比能够更为显著。

  为了得到计算机容易进行识别的有效图像信息,便应当针对图像进行相应加工处理,把图像进一步的增强。为了能够增强图像,一般都是利用图形平滑的处理方式或者是灰度转换以及线性滤波方式[10]。有时还根据图像的域处理进行划分,主要包括了:空间增强和频域增强。其中图像增强过程中一般是选择灰度拉伸、进行中值滤波、直方图实现均衡与高斯滤波方式完成。

  本次课题研究中,将采集所得直方图完成均衡化所用方式就是,将图像增强进行相应处理。由于有时图像上可以形成整体偏暗以及整体偏亮的问题,所以选取MATLAB变换函数将原图像相应直方图均匀的修理,使图像层次能够比较鲜明并且丰富,让直方图可以更为均匀的分布,这样就可以避免图像偏暗或者是偏亮,而这一方式就叫做直方图的均衡化[11]。

  假设r代表原始图像相应灰度级,而s代表通过直方图均衡化所得灰度级。倘若图像具体像元数是,总共有个实际灰度级,而代表灰度级为像元的十几个数,则出现第个灰度级的具体概率便是:

  ,(3-1)

  则变换函数即便可以改写为:

  ,,(3-2)

  仅有以上函数式可知,选择图像相应直方图完成计算,所得像素在均衡之后所得灰度值。

  实现图像增强主要是选择Histeq函数完成

  具体的格式是:I=histeq(gray);

  图3-3图像增强化处理

  3.4玻璃堆数边缘检测提取

  图像灰度的直方图有各种各样的形状,包括双峰且无显著无低谷、双峰和低谷均不够明显,两个区域之间面积比很难明确的问题经常性的出现,选择最大方差选择阈值会获得较好的结果。

  图像地灰度级整体集合假设成S=(1,2,3,…,i,…L),而灰度级是i的实际像素数假设是ni,那么图像所有像素数就是

  (3-3)

  在标准化之后,像素数是,其中,i∈S,pi≥0,(3-4)

  假设图像灰度的直方图中,t代表两个区域分离的实际阈值。通过直方图的相关统计能够被t进一步分离之后所得区域1与区域2的实际面积比与整幅图像、区域1以及区域2的实际平均灰度是:

  区域1实际面积比是:;区域2实际面积比是(3-5)

  又或是

  整幅图像的实际平均灰度是;

  区域1实际平均灰度是;

  区域2实际平均灰度是(3-6)

  在上式当中的G代表图像灰度的具体级数。

  整幅图像的实际平均灰度和区域1以及区域2相应平均化的灰度值存在的函数关系是

  (3-7)

  相同区域中普遍存在灰度类似的特点,不同的区域与区域间灰度差异更为明显,在阈值t被分离成两个不同的区域,其灰度差比较大的时候,两个不同区域相应平均化灰度即u1与u2和整幅图像的实际平均灰度即u的数差会比较大,而区域与区域之间方差即描述差异所用参数,这个参数的函数表达式就如下:

  (3-8)

  在上式中,代表图像在被阈值t进一步分割之后所得两个阈值的实际方差。很明显,t值不同,所得区域方差便有所不同,换而言之,区域方差与区域1的实际均值和区域2的实际均值,还有区域的实际面积比与区域的实际面积比均为阈值t的数学函数,所以式(3-8)便可以写成是:

  (3-9)

  通过数学推导之后所得,区域之间方差能够表示成如下代表式:

  (3-10)

  分割之后两个区域之间方差是最大的时候,便认为两个区域之间的分离处于最佳状态,所以,明确的阈定值即T:,用最大方差选择阈值时无需设置其他的参数,属于自动选取阈值的一种方式,其不但能够选择两个区域相应单阈值,还能够选择多个区域相应多阈值。如图4.3所示为最大类方差法的最终分割结果示意图:

  图3-4边缘提取结果

  3.4玻璃堆数的检测分割

  在边缘检测基础上所用分割方式主要是经由相邻象素的相应特征值实际阶跃性的提取进而得出各个区域之间的边缘。一般而言,边缘检测方式主要用于找出像素点在强度出现变化的相应区域,一般都是选择微分法完成,普遍的灰度一阶与二阶的相应导数当做边缘进行检测所用依据,基于此人们便设计出各种不同的边缘检测所用算子,例如有梯度算子、Sobel算子、Roberts算子以及Prewitt算子,边缘点的检测用来构建边缘。对于各种图像,算子以及手段都是有所不同的,用以边缘点的有效检测。

  1.Roberts边缘算子

  Roberts算子是按照任一组处于互相垂直的差分能够用于梯度计算的原理,选择对角线上相邻的两各不同像素的差,也就是:

  (3-11)

  卷积算子式:

  (3-12)

  两个不同模板是于x方向与y方向相应一阶差分。选择适当的阈值即T,同时做出以下的判断:倘若那么是边缘点,而则是边缘图像。

  Roberts算子选择对角线上相邻的两个不同像素差的实际近似梯度的具体幅值进行边缘的检测。检测水平与垂直边缘的实际效果比倾斜边缘要好一些,定位的准确性比较高,然而却对于噪声非常的敏感。

  2.Sobel边缘算子

  Sobel算子包括了两个卷积的具体计算核。在图像内部所有点均需要这两个核进行卷积,其中第一个核一般是垂直边缘的最大化,第二个核一般是水平边缘的最大化。两个卷积相应最大值当做是这个点的具体输出值,而最终运算结果则为一幅完整的边缘幅度的具体图像。

  Sobel算子的具体定义是:

  G[f(x,y)]=(3-13)

  (3-14)

  (3-15)

  卷积算子是:

  (3-16)

  在上式当中,dx和dy代表x方向与y方向相应一阶微分,而G[f(x,y)]代表Sobel算子实际梯度,f(x,y)代表具备整数像素实际坐标的具体输入图像。在求解梯度之后,便可以设置常数T,在G[f(x,y)]>T的时候,标注这个点是边界点,设置像素是255,剩余的设置成0,将常数T进行适当的调整进而满足最佳的效果。

  Sobel算子中指出邻域像素针对于目前像素所产生的具体影响并不是处于等价状态,因此不同距离的像素,其权值也有所不同,影响到算子结果同样有所不同。普遍而言,距离如果越大,那么影响就会越小。

  3.Prewitt边缘算子

  为了能够实现边缘的有效检测,还能够降低噪声造成的影响,在Prewitt算子中由边缘的检测算子加大入手。通过2×2进一步的扩大至3×3进行差分算子的计算,因此卷积算子便是:

  (3-17)

  图像内部各个像素的具体位置均可以选择2个模板进行卷积,在Prewitt算子中把方向差分的具体运算和局部平均充分结合,具体的表达式即:

  (3-18)

  进行Prewitt梯度的计算,选择合适阈值T,进行梯度图像的相应二值化,获得一幅完整的边缘是二值的图像。选择Prewitt算子事实上不但可以进行边缘点的检测,还能够抑制噪声。上述三种边缘进行检测的最终结果即如下图所示:

  图3-5边缘检测分割结果

  第4章基于MATLAB的玻璃堆数图像识别系统设计

  4.1 MATLAB介绍

  图像相应文件格式即读写和显示。MATLAB当中提供了图像文件所用读入的函数imread(),作用是读取出包括:bmp、tif、tiffpcx、jpg、gpeg、hdf与xwd等格式不同的图像文件;图像所用写出的函数包括imwrite(),而显示图像的函数是image()与imshow()。

  处理图像的运算法则是。MATLAB当中提供了图像差之间等线性的有效运算,卷积和滤波等非线性运算。包括conv2(I,J)就能实现I图像和J图像之间的卷积。

  图像转换。MATLAB当中提供了一维和二维离散型傅立叶转换(DFT)与快速傅立叶变换(FFT)、离散余弦(DCT)、反变换函数与连续小波转换(CWT)、还有离散小波转换(DWT)以及反变换。

  分析与增强图像,针对图像完成统计与计算,MATLAB内部提供了校正与直方图具体均衡、滤波中值、对比度调节、滤波均值等相关图像处理操作。

  以上的MATLAB在图像中的应用都是经由MATLAB内部相关函数实现,应用的过程中,只需按照函数具体调用语法便可以正确输入参数,就能够实现。MATLAB内函数edge()的作用是提取灰度图像的相应边缘时,支持不同的提取方法,主要包括Laplacian法与Canny法。

  4.2系统运行分析

  经由进行视频当中玻璃堆数实际边缘线相应提取,普遍都能够获得道路的实际边缘线,随后便能够进行道路的实际边缘线的相应跟踪以及识别。算法当中,经由图像进行二值化进行路边缘线的提取,随后得到跟踪。如此进行图像内部路标线的有效提取便可,然而需要将下列问题全部解决:

  算法当中,能够循环的进行所有矩形框的相应处理。而对于某一矩形框而言,首先需要计算中心点值,最后计算宽与高等各个数据。想要防止出现识别不准确的问题。就外部标线而言,能够按照表现出来的宽度有没有相同来判断,如此便能够将外部标线排除。

  选择MATLAB中的设计GUI界面,进行二值化,同时形态学的最终滤波结果的具体运行即如下所示:

  图4-1初始界面

  4.3系统运行结果

  为了能够在检测图像当中更好的观察最终识别结果,在程序当中选择自适应线完成边缘检测,也就是按照目标尺寸,让我们可以直观的体会到最终的识别效果。