（1.重慶交通大學(xué) 管理學(xué)院 重慶 400074； 2.天津大學(xué) 管理學(xué)院， 天津 300072）

摘 要：設(shè)計(jì)了一種基于平面圖像識(shí)別的袋裝糧數(shù)量智能識(shí)別方法。對(duì)糧庫(kù)現(xiàn)場(chǎng)采集的圖像樣本，運(yùn)用數(shù)字圖像處理技術(shù)對(duì)圖像進(jìn)行降噪和對(duì)象體特征突顯；然后運(yùn)用區(qū)域增長(zhǎng)法對(duì)圖像中每一閉合像素區(qū)域進(jìn)行聚類(lèi)分割；最后根據(jù)相應(yīng)幾何特征值判定糧袋身份并通過(guò)其橢圓度的范圍，以實(shí)現(xiàn)糧袋所屬面的判定，達(dá)到對(duì)糧堆重量的自動(dòng)識(shí)別。

關(guān)鍵詞：圖像識(shí)別； 噪聲消除； 區(qū)域增長(zhǎng)； 幾何矩； 數(shù)量識(shí)別

中圖分類(lèi)號(hào)：TP274文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695(2009)04-1572-03

Research on bag grain quantity recognition based on image recognition

LIN Ying1 ， JIANG Xiao-hui1， DOU Run-liang2

（1.School of Management， Chongqing Jiaotong University， Chongqing400074， China;2.School of Management， Tianjin University， Tianjin300072， China）

Abstract:This paper designed a bag grain quantity recognition method， which was based on plane image recognition. Used digital image processing technique for collected image sample from the scene of grain warehouse， in order to reduce the noise and make the object’s character highlighter. Then made use of the growth method to the each closed pixel district of the picture， so as to carry on the pixel clustering and image segmentation. At last according to the value of corresponding geometric moment of this character to judge the identity of each grain bag， and made the classification of the surface each grain bag belonged to come true by the value of its eccentricity， so as to achieve the automatic identify of grain’s weight.

Key words：image recognition; noise eliminate; region growing; geometric moment; quantity recognition

袋裝糧堆重量的自動(dòng)識(shí)別一直是實(shí)現(xiàn)儲(chǔ)備糧智能稽核的關(guān)鍵，但由于其理論和技術(shù)的局限性，目前國(guó)內(nèi)外都未能有效地解決這一難題。對(duì)于大型堆狀物體重量進(jìn)行測(cè)量的方法，一般可分為兩類(lèi)：a)稱(chēng)重計(jì)量法。一般通過(guò)設(shè)立專(zhuān)用進(jìn)出通道設(shè)施并采用地衡對(duì)進(jìn)出通道的物體進(jìn)行稱(chēng)重，從而知道每次進(jìn)出庫(kù)的重量，并能通過(guò)賬面記錄推算出現(xiàn)有庫(kù)存量[1]。此法對(duì)設(shè)施要求較高，投資及維護(hù)成本也較高，從監(jiān)管和稽核的角度看，該法對(duì)計(jì)量的規(guī)范性操作要求依賴(lài)太強(qiáng)，在操作人員有違規(guī)動(dòng)機(jī)時(shí)，仍需要較高強(qiáng)度的全過(guò)程監(jiān)管，故對(duì)解決監(jiān)管力量不足意義不大。b)主動(dòng)測(cè)量法。它是一類(lèi)基于對(duì)象體表面距離測(cè)量的方法，其較成熟，可采用激光或紅外線(xiàn)掃描、GPS測(cè)距等技術(shù)，測(cè)量對(duì)象體任意表面與探頭的距離，運(yùn)用空間三點(diǎn)確定坐標(biāo)原理，通過(guò)多探頭（一般至少為三個(gè)以上）數(shù)據(jù)的擬合還原對(duì)象體立體圖形，得到對(duì)象體的全數(shù)字化描述，進(jìn)而對(duì)數(shù)字化對(duì)象體進(jìn)行重積分運(yùn)算得到其體積，再以體積乘以密度即可得到對(duì)象體質(zhì)量[2，3]。該技術(shù)因基于對(duì)象體表面的多點(diǎn)掃描，耗費(fèi)時(shí)間較長(zhǎng)，故一般用于靜態(tài)對(duì)象體的識(shí)別，同時(shí)設(shè)備價(jià)格高昂，顯然不適合大批量用于動(dòng)態(tài)場(chǎng)景?；谀壳皩?duì)糧食這一類(lèi)大型堆狀物體重量測(cè)量方法的欠缺，本文提出了一種基于圖像識(shí)別的袋裝糧數(shù)量自動(dòng)識(shí)別方法。該方法嵌套于通用的視頻監(jiān)控系統(tǒng)，通過(guò)監(jiān)控?cái)z像機(jī)采集糧倉(cāng)現(xiàn)場(chǎng)圖像，然后運(yùn)用數(shù)字圖像處理技術(shù)對(duì)圖像進(jìn)行相應(yīng)處理，以提取糧袋數(shù)量的相關(guān)參數(shù)，達(dá)成糧堆重量的測(cè)算。

1 基于圖像識(shí)別的袋裝糧數(shù)量識(shí)別方法分析

對(duì)于袋裝糧數(shù)量測(cè)算，通過(guò)對(duì)袋裝糧堆的特征進(jìn)行分析，首先易知對(duì)于按照規(guī)則堆放的袋裝糧從整體上具有長(zhǎng)方體的特征，如圖1所示；其次在光線(xiàn)因素的作用下，糧堆對(duì)象體表面相鄰兩袋糧食之間點(diǎn)位上的像素顏色比糧袋中央凸起位置的亮度要暗、顏色要深，因此會(huì)形成由中心區(qū)域向周?chē)鷶U(kuò)散的一個(gè)個(gè)亮橢圓“魚(yú)鱗體”，如圖2所示；而且由于糧袋具有特定形狀，在監(jiān)控視野內(nèi)的糧堆三個(gè)相鄰面上形成的橢圓“魚(yú)鱗體”的橢圓度會(huì)不同。據(jù)此，可以有兩種基于平面圖像識(shí)別的袋裝糧數(shù)量識(shí)別思路。

1.1 基于整體的識(shí)別思路

在這種識(shí)別思路下，根據(jù)長(zhǎng)方體的體積=長(zhǎng)×寬×高，即要測(cè)算糧堆長(zhǎng)方體的體積，就必須要測(cè)算出糧堆的長(zhǎng)、寬、高三個(gè)參數(shù)。然而在監(jiān)控?cái)z像機(jī)所拍攝的袋裝糧平面圖像中，只有長(zhǎng)、寬、高各參數(shù)的比例信息，缺乏絕對(duì)尺度信息，故運(yùn)用整體識(shí)別的方法時(shí)，就需要對(duì)糧倉(cāng)現(xiàn)場(chǎng)進(jìn)行場(chǎng)景設(shè)置，以實(shí)現(xiàn)將相對(duì)長(zhǎng)度轉(zhuǎn)換為實(shí)際絕對(duì)長(zhǎng)度。

對(duì)于袋裝糧場(chǎng)景的設(shè)置，可以通過(guò)設(shè)置矩形標(biāo)尺作為標(biāo)準(zhǔn)參照物，以實(shí)現(xiàn)將圖像中糧堆長(zhǎng)、寬、高參數(shù)的相對(duì)長(zhǎng)度轉(zhuǎn)換為實(shí)際的絕對(duì)長(zhǎng)度。由于袋裝糧場(chǎng)景中需要識(shí)別的長(zhǎng)度參數(shù)有三個(gè)，而且處于不同空間平面，三個(gè)參數(shù)受視角偏差的影響大小不同，導(dǎo)致它們?cè)趫D像中長(zhǎng)度與實(shí)際長(zhǎng)度的映射比例也不同。只設(shè)置單一標(biāo)尺同時(shí)作為三個(gè)參數(shù)的參照物肯定會(huì)產(chǎn)生較大誤差，需要設(shè)置三個(gè)標(biāo)尺以分別測(cè)算長(zhǎng)、寬、高參數(shù)。

由上述分析可知，在整體識(shí)別的思路中有兩個(gè)難點(diǎn)：a)標(biāo)尺的設(shè)置位置。首先它必須實(shí)際可行，即在實(shí)際的應(yīng)用中，標(biāo)尺必須要在攝像機(jī)的監(jiān)控視野范圍內(nèi)，不能被糧堆或其他物體完全遮擋，設(shè)置的標(biāo)尺應(yīng)該顏色鮮明、清晰，大小長(zhǎng)度適中，最好是在攝像機(jī)的視野中心位置，以降低標(biāo)準(zhǔn)參照物的視角誤差，提高識(shí)別精度。b)糧堆三個(gè)面的邊界區(qū)分問(wèn)題。這是該識(shí)別思路的核心問(wèn)題，它直接關(guān)系著糧堆長(zhǎng)、寬、高參數(shù)的確定。由于面邊界的特征不明顯，該方法易出現(xiàn)誤識(shí)別情況。

1.2 基于橢圓“魚(yú)鱗體”識(shí)別的思路

該方法的理論依據(jù)是：在光線(xiàn)因素的作用下，糧堆對(duì)象體表面相鄰兩袋糧食之間點(diǎn)位上的像素顏色比糧袋中央凸起位置的亮度要暗、顏色要深，因此會(huì)形成由中心區(qū)域向周?chē)鷶U(kuò)散的一個(gè)個(gè)亮橢圓“魚(yú)鱗體”；而且由于糧袋具有特定的形狀，在監(jiān)控視野內(nèi)的糧堆三個(gè)相鄰面上形成的橢圓“魚(yú)鱗體”的橢圓度會(huì)不同?？梢韵雀鶕?jù)圖像中糧堆目標(biāo)體的灰度值特征與周?chē)Z倉(cāng)環(huán)境的差異對(duì)圖像進(jìn)行降噪等預(yù)處理后，進(jìn)行邊緣檢測(cè)，并用區(qū)域增長(zhǎng)的方法達(dá)成對(duì)閉合像素區(qū)域的聚類(lèi)分割；再通過(guò)對(duì)每一閉合區(qū)域的幾何矩特征識(shí)別完成糧袋身份的判定；最后通過(guò)計(jì)算該閉合區(qū)域的橢圓度以進(jìn)行其所屬面的歸類(lèi)，實(shí)現(xiàn)糧堆袋裝糧數(shù)量的測(cè)算。

該方法可以避免精確檢測(cè)出糧堆區(qū)域的邊緣及擬合成直線(xiàn)這一難點(diǎn)，所以更易于實(shí)現(xiàn)；而且視角偏差對(duì)該方法造成的誤差很小，因此比整體識(shí)別的方法具有更好的魯棒性，具體實(shí)現(xiàn)時(shí)也不必在糧倉(cāng)現(xiàn)場(chǎng)進(jìn)行額外的場(chǎng)景設(shè)置。另外，如果能對(duì)監(jiān)控視野內(nèi)的糧堆相鄰三個(gè)面進(jìn)行分割的前提下，運(yùn)用基于橢圓“魚(yú)鱗體”的識(shí)別方法將會(huì)具有更高的精度。

2 具體實(shí)現(xiàn)

由于基于橢圓“魚(yú)鱗體”識(shí)別的方法相比整體識(shí)別方法有諸多優(yōu)勢(shì)，本文選擇該方法對(duì)袋裝糧數(shù)量識(shí)別進(jìn)行了具體的實(shí)現(xiàn)。根據(jù)其實(shí)現(xiàn)的流程（圖3），將該識(shí)別方法分為六個(gè)階段來(lái)實(shí)現(xiàn)。

2.1 圖像預(yù)處理

在圖像采集、傳輸?shù)倪^(guò)程中，由于機(jī)器設(shè)備、環(huán)境等各方面因素的影響，在所接收的圖像中必然會(huì)存在一定的噪聲，嚴(yán)重影響數(shù)量識(shí)別的精度。所以在對(duì)糧倉(cāng)現(xiàn)場(chǎng)的圖像進(jìn)行數(shù)量參數(shù)提取之前，必須對(duì)圖像進(jìn)行必要的降噪處理，以提高識(shí)別的精度。

圖像噪聲的種類(lèi)有多種，主要有高斯噪聲、瑞利噪聲、伽馬噪聲和脈沖噪聲。其中脈沖噪聲（又稱(chēng)為椒鹽噪聲或雙極性噪聲）在圖像噪聲中最為常見(jiàn)。在圖像生成和傳輸過(guò)程中，經(jīng)常會(huì)產(chǎn)生脈沖噪聲，主要表現(xiàn)在成像的短暫停留中，對(duì)圖像質(zhì)量有較大的影響，需要采用濾波的方法進(jìn)行降噪[4]。

為了提高識(shí)別系統(tǒng)的處理效率，可將圖像轉(zhuǎn)換成灰度圖像來(lái)處理。中值濾波可以有效地濾除脈沖噪聲，具有相對(duì)好的邊緣保持特性，并易于實(shí)現(xiàn)。然而中值濾波同時(shí)也會(huì)改變未被噪聲污染的像素的灰度值，使圖像變得模糊，隨著濾波窗口的長(zhǎng)度增加和噪聲污染的加重，中值濾波效果明顯變壞。因此，比較好的做法就是在濾波處理中加入判斷的過(guò)程，即首先檢測(cè)圖像中的每個(gè)像素是否為噪聲，然后根據(jù)噪聲檢測(cè)結(jié)果再?zèng)Q定某點(diǎn)是否進(jìn)行濾波，這樣有選擇地濾波避免了不必要的濾波操作和圖像的模糊。其具體處理流程如下：

a)為了標(biāo)志脈沖噪聲，建立與待檢圖像的維數(shù)大小相同的矩陣，即噪聲標(biāo)志矩陣 N={N(i，j)，0≤i ≤L，0 ≤j ≤M}，其值為0或1，且初始值都為1，代表原圖像像素。

b)計(jì)算待檢測(cè)像素點(diǎn)d周?chē)稀⑾?、左、右四個(gè)3×3鄰域的灰度平均值A(chǔ)n(i，j)、 As(i，j)、 Aw(i，j) 和Ae(i，j)。

c)分別通過(guò)這四個(gè)鄰域灰度平均值判定其閾值Tp(i，j)（其中p=n、s、w、e），計(jì)算式為

Tp(i，j)=Tb(1-｜Ap(i，j)-127.5｜/127.5)

其中：Tb表示閾值基值，范圍是（0，255），可根據(jù)實(shí)驗(yàn)效果調(diào)整大小。確定了閾值Tp(i，j)后，可根據(jù)判定規(guī)則對(duì)該像素點(diǎn)的灰度值進(jìn)行判定。具體判定規(guī)則是如果一個(gè)像素點(diǎn)的灰度值f ′(i，j)同時(shí)滿(mǎn)足以下條件：

f ′(i，j)> Ap(i，j)+ Tp(i，j)

或 f ′(i，j)< Ap(i，j)- Tp(i，j)

則可以判定為噪聲像素，置標(biāo)志矩陣相應(yīng)元素的值為0；否則認(rèn)為是原像素點(diǎn)，保持表示矩陣中相應(yīng)的值為1。

d)對(duì)于標(biāo)志矩陣中值為0的對(duì)應(yīng)位置處的像素點(diǎn)進(jìn)行中值濾波。濾波中首先以3×3窗口長(zhǎng)度進(jìn)行，如果檢測(cè)出窗口內(nèi)部都為噪聲點(diǎn)的話(huà)，則進(jìn)一步擴(kuò)大窗口為5×5，直至窗口中存在非噪聲點(diǎn)的像素為止。這樣根據(jù)圖像各個(gè)區(qū)域的噪聲污染程度的不同，可以自適應(yīng)地調(diào)整中值濾波窗口的長(zhǎng)度。

2.2 “魚(yú)鱗體”特征突顯

在對(duì)圖像進(jìn)行了降噪處理得到質(zhì)量較好的圖像后，就可進(jìn)入“魚(yú)鱗體”的特征提取模塊。該模塊的主要任務(wù)是將圖像中的每個(gè)橢圓“魚(yú)鱗體”進(jìn)行分割，并對(duì)其進(jìn)行區(qū)域標(biāo)注。其具體實(shí)現(xiàn)可以分為以下兩個(gè)步驟：

a）二值化。為提高識(shí)別精度及運(yùn)算效率，把灰度圖像進(jìn)一步處理成二值圖像。在二值化的處理中，最重要的環(huán)節(jié)就是閾值的選取[5]。在本系統(tǒng)的監(jiān)控?cái)z像機(jī)所拍攝的圖像中，由于光照和對(duì)象體距離攝像機(jī)的遠(yuǎn)近等因素的影響，在離攝像機(jī)較遠(yuǎn)或光照較弱的區(qū)域，圖像灰度值會(huì)比其他區(qū)域低，當(dāng)光照情況不同時(shí)，不同時(shí)刻拍攝的圖像整體灰度值也會(huì)不同。因此最好使用區(qū)域動(dòng)態(tài)閾值，若使用全局固定閾值，必然嚴(yán)重影響識(shí)別效果。

在本系統(tǒng)的處理中，采用的是基于邊緣特征的閾值構(gòu)造方法，它著重于在圖像二值化時(shí)保留圖像的邊緣特征。其主要思路是：首先用Sobel算子檢測(cè)圖像的邊緣，其示意圖如圖4所示；然后在這些邊緣像素點(diǎn)上進(jìn)行二值化閾值的自動(dòng)選擇；最后對(duì)于其他非邊緣像素點(diǎn)則采取常規(guī)方法進(jìn)行二值化處理[6]，即根據(jù)所定義的閾值范圍，判斷其是橢圓區(qū)域的內(nèi)點(diǎn)或邊界點(diǎn)。對(duì)于橢圓的內(nèi)點(diǎn)，設(shè)置像素值為255；而對(duì)于其他點(diǎn)，則將其像素值設(shè)置為0。

該算法描述如下：(a)對(duì)f運(yùn)用Sobel算子進(jìn)行抽取邊緣特征，得到邊緣圖像e。(b)對(duì)e進(jìn)行常規(guī)二值化處理，確定哪些像素點(diǎn)是邊緣像素點(diǎn)，這時(shí)可采用平均灰度值的方法得到二值圖像b。(c)用整體閾值法確定一個(gè)f的整體閾值。(d)確定f每個(gè)像素對(duì)應(yīng)的閾值，這是算法的關(guān)鍵。根據(jù)(a)的結(jié)果進(jìn)行二值化閾值的自動(dòng)選擇，在邊緣像素點(diǎn)進(jìn)行局部閾值計(jì)算。若是邊緣像素點(diǎn)，A等于e(i，j)鄰域相關(guān)的八個(gè)像素點(diǎn)的平均灰度值，將每個(gè)與求e(i，j)相關(guān)的像素f(u，v)的閾值賦值為A；若為非邊緣像素點(diǎn)，將全局閾值設(shè)置為其閾值。(e)根據(jù)求出的閾值輸出二值圖像g。其中：f為去噪后的輸入圖像；g為二值化后的圖像。

由上可知，本系統(tǒng)的二值化效果由像素點(diǎn)的灰度值與其梯度值共同決定。梯度值的計(jì)算采用Sobel算子，這是因?yàn)镾obel算子是一種加權(quán)平均算子，對(duì)靠近中心的點(diǎn)進(jìn)行加權(quán)，能突出邊緣，提取效果較好。Sobel 算子有兩個(gè)，即檢測(cè)水平邊緣的和檢測(cè)垂直邊緣的。其X軸和Y軸方向的梯度值分別為

Gi=(Z7+2Z8+Z9)-(Z1+2Z2+Z3)

Gj=(Z3+2Z6+Z9)-(Z1+2Z4+Z7)

因此對(duì)于某像素點(diǎn)，其梯度值

M(i，j)=G2i+G2j

b）閉合化。為了配合在后續(xù)步驟進(jìn)行各糧袋對(duì)象體的圖像分割，只有將各像素塊進(jìn)行閉合化，才能準(zhǔn)確地對(duì)圖像中的糧袋數(shù)目進(jìn)行計(jì)數(shù)，而不至于將相鄰兩三袋糧食誤判斷為一袋糧。

閉合化的方法采用的是鄰域推斷法，即該點(diǎn)是否是橢圓“魚(yú)鱗體”的內(nèi)點(diǎn)或外點(diǎn)，最終需要通過(guò)與其周?chē)膫€(gè)鄰域進(jìn)行比較。如果該點(diǎn)周?chē)腥齻€(gè)以上的鄰域與此點(diǎn)像素值相同，則保留該點(diǎn)像素值f ′（x，y）不變；否則設(shè)置該點(diǎn)像素值為255- f′（x，y）。這與前述步驟中的噪聲點(diǎn)判斷相似，都是對(duì)該點(diǎn)周?chē)泥徲蜻M(jìn)行灰度平均，而且此時(shí)的圖像由于已經(jīng)處理成二值圖像，對(duì)于像素值的計(jì)算速度會(huì)比灰度圖像更快。

2.3 “魚(yú)鱗體”分割

對(duì)于“魚(yú)鱗體”的分割，本文采取的方法是區(qū)域增長(zhǎng)法，目的是為了實(shí)現(xiàn)對(duì)各閉合糧袋區(qū)域的分割[7，8]。其主要步驟按照掃描法的程序進(jìn)行，首先從ROI的最左下點(diǎn)（0，0）開(kāi)始掃描，尋找二值圖像中的第一個(gè)像素值為255的點(diǎn)，以這個(gè)點(diǎn)開(kāi)始向周?chē)藗€(gè)方向的像素點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，直到在此閉合區(qū)域里找不到像素值為255的點(diǎn)為止；然后對(duì)此像素區(qū)域求其最小外接矩形，再對(duì)此矩形區(qū)域進(jìn)行區(qū)域標(biāo)記，接著繼續(xù)從剩余未標(biāo)記的ROI區(qū)域中進(jìn)行下一像素值為255的點(diǎn)的掃描。

計(jì)算橢圓度的方法是運(yùn)用最小外切矩形（MER）的方法，將物體邊界以每次若干小角度的增量在90°的范圍內(nèi)旋轉(zhuǎn)，每旋轉(zhuǎn)一次，記錄一次其坐標(biāo)系方向上的外切矩形邊界的最大x和y值；當(dāng)旋轉(zhuǎn)到某個(gè)角度時(shí)，外切矩形的面積最小，則取面積最小的外切矩形的參數(shù)為主軸意義上的長(zhǎng)度和寬度，即此時(shí)的長(zhǎng)軸和短軸長(zhǎng)度。

2.4 “魚(yú)鱗體”參數(shù)表述

在本模塊的具體實(shí)現(xiàn)中，本文主要采用的是幾何矩法，即首先通過(guò)對(duì)每一個(gè)閉合像素塊R進(jìn)行矩特征值的計(jì)算，包括質(zhì)心（a，b）、方向角θ和長(zhǎng)、短軸，然后通過(guò)將閉合像素塊的長(zhǎng)短軸之比、方向角、面積等特征參數(shù)與該像素塊的近似橢圓的相關(guān)值進(jìn)行對(duì)比。如果其在80%以上置信區(qū)間內(nèi)相等，則可以判定該閉合像素塊為一糧袋，然后對(duì)該橢圓“魚(yú)鱗體”的橢圓度進(jìn)行計(jì)算，以實(shí)現(xiàn)后續(xù)模塊的“魚(yú)鱗體”類(lèi)別統(tǒng)計(jì)[9]。

對(duì)一個(gè)M×N的圖像，其（i+j）階矩定義為

Mij=∑x∑yxiyjf(x，y)

質(zhì)心（a，b）的值分別為

a=M10/M00=∑x∑yxf(x，y)/∑x∑yf(x，y)

b=M01/M00=∑x∑yyf(x，y)/∑x∑yf(x，y)

像素塊的方向角計(jì)算公式為

θ=arctan(2M11/(M20-M02))/2+Nπ/2

在計(jì)算出了像素塊的質(zhì)心之后，可以依據(jù)以下公式計(jì)算出該像素塊的長(zhǎng)軸major和短軸minor：

major=22ucc+urr+(ucc-urr)2+4u2rc

minor=22ucc+urr-(ucc-urr)2+4u2rc

其中：urr、ucc和urc分別代表二階行矩、二階列矩和二階混合矩。

urr=(1/A)∑(r，c)∈R(r-a)2，ucc=(1/A)∑(r，c)∈R(c-b)2

urc=(1/A)∑(r，c)∈R(r-a)(c-b)

A代表該閉合像素塊的面積。

A=∑(r，c)∈R1

該閉合像素塊的近似橢圓的面積計(jì)算公式為

AE=π major×minor

對(duì)于某個(gè)閉合像素塊，如果其同時(shí)滿(mǎn)足條件：

a)目標(biāo)對(duì)象體面積與近似橢圓面積比r=A/AE≈1；

b)目標(biāo)對(duì)象體方向角θ：0>θ>-100；

c)目標(biāo)對(duì)象體長(zhǎng)縱軸比：0.4

則可以判定該閉合像素區(qū)域即為一袋糧；否則認(rèn)為其為無(wú)效或背景區(qū)域。最后在此基礎(chǔ)上，針對(duì)已經(jīng)判定為糧袋的橢圓像素塊，可以依據(jù)下面公式計(jì)算出橢圓體的橢圓度：

E=[(M20-M02)+4M11]/A 

2.5 “魚(yú)鱗體”類(lèi)別統(tǒng)計(jì)與糧堆重量計(jì)算

由于糧堆上表面、左右側(cè)面的糧袋“魚(yú)鱗體”的橢圓度不同，令其橢圓度分別為t1~t2、l1~l2、r1~r2，其橢圓度范圍互不交叉，可以根據(jù)前述公式計(jì)算出橢圓體的橢圓度進(jìn)行糧袋所屬面的歸類(lèi)，即分別統(tǒng)計(jì)出某個(gè)面上糧袋的數(shù)目，分別記為nt、nl和nr。以n0表示非目標(biāo)糧袋的個(gè)數(shù)。

歸類(lèi)算法描述如下：

ift1＜橢圓度值E≤t2thennt=nt+1

else ifl1＜橢圓度值E≤l2thennl=nl+1

else ifr1＜橢圓度值≤r2thennr=nr+1

else非目標(biāo)個(gè)數(shù)=n0+1

由此，根據(jù)糧堆為長(zhǎng)方體，可以計(jì)算出糧堆的總糧袋數(shù)目為n=nt×ni×nrv。以糧袋的總數(shù)目乘以每袋糧食的標(biāo)準(zhǔn)重量，即可得到該堆糧食的總重量。

3 結(jié)束語(yǔ)

本文采用圖像識(shí)別方法計(jì)算糧堆的重量，并具體介紹了實(shí)現(xiàn)算法。該算法高效、可靠、精度高，可滿(mǎn)足遠(yuǎn)程計(jì)量檢測(cè)的需要，且無(wú)須人工干預(yù)，是一種很好的自動(dòng)計(jì)量工具。從理論上說(shuō)，只要糧堆堆碼規(guī)范，該方法無(wú)測(cè)量誤差，且經(jīng)驗(yàn)驗(yàn)證也是如此；但對(duì)于糧堆堆碼不規(guī)范情況，本方法有一定誤差。這是由于不規(guī)范的堆碼會(huì)導(dǎo)致歸類(lèi)錯(cuò)誤，影響精度，故應(yīng)當(dāng)進(jìn)一步研究如何避免歸類(lèi)錯(cuò)誤問(wèn)題，提高本方法的適應(yīng)性。

參考文獻(xiàn)：

［1］王鐵濱，蘇建民，白玲，等.數(shù)字林業(yè)智能地衡管理系統(tǒng)設(shè)計(jì)[J].林業(yè)機(jī)械與木工設(shè)備，2007， 35(1):34-36.

[2]汪志明，徐亞明，汪志良，等.GPS RTK技術(shù)在武鋼堆料場(chǎng)礦料體積測(cè)量中的應(yīng)用[J].測(cè)繪信息與工程，2003， 28(1):13-14.

[3]李集田，賈欣志，檀慧明.一種大面積煤堆體積自動(dòng)檢測(cè)系統(tǒng)[J].光學(xué)機(jī)械，1991(5):39-45.

[4]范立南，韓曉微，張廣淵.圖像處理與模式識(shí)別[M].北京:科學(xué)出版社，2007.

[5]李立源，陳維南.一種魯棒的完全確定型的快速閾值化方法[J].模式識(shí)別與人工智能，1993， 6(3):225-241.

[6]王坤明，朱雙東，張超.自動(dòng)選取閾值方法比較研究[J].撫順石油學(xué)院學(xué)報(bào)，2002， 22(2):70-73.

[7]胡正平，張曄，譚營(yíng).區(qū)域進(jìn)化自適應(yīng)高精度區(qū)域增長(zhǎng)圖像分割算法[J].系統(tǒng)工程與電子技術(shù)，2007， 29(6):854-857.

[8]趙欽佩，姚莉秀，程建，等.基于顏色信息與區(qū)域生長(zhǎng)的圖像分割新算法[J].上海交通大學(xué)學(xué)報(bào)，2007， 41(4):802-806，812.

[9]唐毅，鄭麗敏，任發(fā)政，等.基于幾何特征的圖像感興趣區(qū)域的自動(dòng)定位研究[J].計(jì)算機(jī)工程， 2007， 33(1):200-202.