摘要：木材在運(yùn)輸前后都需要進(jìn)行計(jì)數(shù)，傳統(tǒng)的人工計(jì)數(shù)的方法既耗時(shí)耗力而且難免出現(xiàn)由于計(jì)數(shù)員的疏忽大意而數(shù)錯(cuò)的現(xiàn)象。隨著社會(huì)的發(fā)展和人工成本的逐年上升，迫切需要利用新技術(shù)采用新方法來(lái)改進(jìn)傳統(tǒng)的計(jì)數(shù)方式?；诖耍疚睦糜?jì)算機(jī)圖像識(shí)別針對(duì)兩類(lèi)圖像實(shí)現(xiàn)木材計(jì)數(shù)。

關(guān)鍵詞：輪廓檢測(cè);特征提取;分水嶺算法;SIFT算法

針對(duì)圖像受背景影響大的圖片，對(duì)預(yù)處理的步驟進(jìn)行了改進(jìn)，并建立了基于SIFT算法的計(jì)數(shù)模型。經(jīng)過(guò)一系列的對(duì)比嘗試后選擇利用灰度處理、圖像降噪、邊緣增強(qiáng)、HSV變換、邊緣檢測(cè)、二值化、圖像分割的方法對(duì)原始圖像進(jìn)行預(yù)處理，預(yù)處理圖像顯示該處理步驟效果較好。接著利用SIFT算法，選取木材堆截面的特征圖與預(yù)處理的圖片進(jìn)行比對(duì)，進(jìn)而計(jì)算得到圖片中的木材數(shù)為652，與實(shí)際的木材數(shù)634相比，相對(duì)誤差為2.8%。因此，這種方法對(duì)于處理背景影響大、存在邊界重合且大小一致的木材圖像具有較好的適用性。

一、模型建立與求解

基于SIFT算法的高噪聲背景木材堆計(jì)數(shù)

在實(shí)際的操作中，這種正面平攝由于工地條件的限制很難完全保證，因此實(shí)際能夠拍攝的圖片多為一定角度的仰視圖，這就造成背景值會(huì)對(duì)目標(biāo)值產(chǎn)生較大的影響。下面將以所給圖片為例，分析在背景值影響較大的情況下，如何處理木材照片并通過(guò)算法實(shí)現(xiàn)對(duì)木材進(jìn)行有效計(jì)數(shù)。

通過(guò)將此圖片與上一小節(jié)中木材端面圖片的對(duì)比得知，在這張圖片中有兩個(gè)突出的特點(diǎn)：

（一）背景值影響大，其中，背景包括天空、地面陰影和地面沙子;

（二）由于木材已經(jīng)過(guò)初步加工成方形，因此邊緣重合度較高，不易區(qū)分。

這些因素會(huì)對(duì)預(yù)處理和計(jì)數(shù)結(jié)果產(chǎn)生較大影響，因此這將是在處理時(shí)需要著重解決的兩個(gè)問(wèn)題。

（三）圖片預(yù)處理

首先需要對(duì)圖片進(jìn)行預(yù)處理，提取出每個(gè)木材端面的邊界，為下一步的計(jì)數(shù)做準(zhǔn)備。圖像預(yù)處理的具體流程如圖1所示

（四）邊緣增強(qiáng)處理

由于此類(lèi)木材經(jīng)過(guò)初步的加工，已形成較為規(guī)則的邊界，這種邊界的重合度較高，因此在邊緣增強(qiáng)方面處理尤為重要。先嘗試使用梯度運(yùn)算提高圖像邊緣的對(duì)比度，該方法處理的結(jié)果如下圖2所示。

二、HSV變換

由于方形端面木塊的邊界重合度較高，且地面沙子的灰度值與木塊的灰度值接近，在計(jì)數(shù)時(shí)可能對(duì)木塊的計(jì)數(shù)產(chǎn)生影響，因此需要將地面上沙子所在的區(qū)域去除。針對(duì)原始木材端面的RGB圖像進(jìn)行HSV變換，可顯示出木材陰影與沙子較明顯的區(qū)分線(xiàn)，為背景與目標(biāo)的圖片分割基礎(chǔ)。

經(jīng)過(guò)HSV變換后的圖像如圖3所示，從圖片中可以明顯地看出木材陰影與沙子的分界線(xiàn)。

三、邊緣檢測(cè)

經(jīng)過(guò)上一步HSV變換可以明顯地看出地面沙子和木塊堆的分界線(xiàn)，現(xiàn)需要檢驗(yàn)出分界線(xiàn)。分別采用連通法、傅里葉變換法、canny邊緣檢測(cè)法進(jìn)行邊緣檢測(cè)。

經(jīng)過(guò)實(shí)驗(yàn)可得利用連通法進(jìn)行邊緣檢測(cè)的效果最好。利用工具裁剪掉灰度途中紅色部分。

四、二值化處理

二值化的建模過(guò)程，采用自適應(yīng)閾值進(jìn)行處理，處理結(jié)果如圖4所示：

五、SIFT特征向量的匹配

首先，進(jìn)行相似性度量。一般采用各種距離函數(shù)作為特征的相似性度量，如歐氏距離、馬氏距離等。

通過(guò)相似性度量得到圖像間的潛在匹配。本文中采用歐氏距離作為兩幅圖像的相似性度量。獲取SIFT特征向量后，采用優(yōu)先k—d樹(shù)進(jìn)行優(yōu)先搜索來(lái)查找每個(gè)特征點(diǎn)的2近似最近鄰特征點(diǎn)。在這兩個(gè)特征點(diǎn)中，如果最近的距離除以次近的距離少于某個(gè)比例閾值，則接受這一對(duì)匹配點(diǎn)。降低這個(gè)比例閾值，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定。

其次，消除錯(cuò)配。通過(guò)相似性度量得到潛在匹配對(duì)，其中不可避免會(huì)產(chǎn)生一些錯(cuò)誤匹配，因此需要根據(jù)幾何限制和其它附加約束消除錯(cuò)誤匹配，提高魯棒性。常用的去外點(diǎn)方法是RANSAC隨機(jī)抽樣一致性算法，常用的幾何約束是極線(xiàn)約束關(guān)系[9]。

六、計(jì)數(shù)結(jié)果

結(jié)合上述模型，利用Python實(shí)現(xiàn)，可得計(jì)數(shù)結(jié)果如圖5所示。

圖中共分為左右兩個(gè)部分，左邊為被匹配的圖像或?yàn)樵瓐D轉(zhuǎn)換的二值化圖，右上角為匹配的圖像（匹配的圖像為被匹配圖像中的單位木塊），圖中的紅色圓點(diǎn)代表的是被匹配圖像的特征，圖中綠色的直線(xiàn)代表的是被匹配圖像和匹配圖像的特征匹配。

七、計(jì)數(shù)結(jié)果

人工計(jì)數(shù)可得圖原圖中的木材數(shù)為634，相對(duì)誤差為2%。通過(guò)分析圖像，產(chǎn)生誤差的原因主要在于預(yù)處理，可分為兩個(gè)方面：

（一）未處理圖片左上角的木塊（如圖6所示）。沒(méi)有考慮到該木塊不只有端面圖像，還有側(cè)面圖像，導(dǎo)致重復(fù)計(jì)數(shù)，影響計(jì)數(shù)結(jié)果。

（二）圖片左下角的木塊由于在未處理前的初始狀態(tài)時(shí)處于陰影中，灰度值過(guò)大在梯度處理時(shí)被當(dāng)成背景去除，造成計(jì)數(shù)過(guò)小。

（三）匹配圖像的選擇存在誤差。

八、模型推廣

基于背景影響大與背景影響小的木材圖像模型，可以實(shí)現(xiàn)利用計(jì)算機(jī)算法來(lái)處理木材圖片，從照片中計(jì)算得到木材的數(shù)量。這種處理方法可推廣到光照不均勻、角度傾斜、邊緣密集、形狀不同的木材圖像處理，可以通過(guò)增加環(huán)境參數(shù)進(jìn)一步提高計(jì)數(shù)的準(zhǔn)確度。

此外，在實(shí)際生活中，通常會(huì)涉及對(duì)木材堆的管理和計(jì)數(shù)工作。目前，主要以實(shí)現(xiàn)功能為主，下一步必須優(yōu)化程序結(jié)構(gòu)，改善用戶(hù)界面，提高程序的交互能力。真正實(shí)現(xiàn)快速有效的計(jì)算機(jī)輔助木材計(jì)數(shù)系統(tǒng)。

參考文獻(xiàn)：

[1]黨文靜. 圖像區(qū)域分割算法的研究與應(yīng)用[D].安徽理工大學(xué)，2018.

[2]陳基偉. 基于數(shù)字圖像處理的棒材計(jì)數(shù)方法研究[D].山東大學(xué)，2012.

[3]吳麗瓊. 基于梯度的圖像插值放大算法研究[D].山東大學(xué)，2017.

作者簡(jiǎn)介：

閆相佩（1998.07-）男，漢族，河南漯河市人，河南大學(xué)，本科，通訊作者：童海濱。