孫棪伊，丁立平，張亞莉，干興業(yè)，湯日佳，韓銳

(上海機電工程研究所，上海 201109)

0 引言

隨著軍工技術(shù)的發(fā)展和導(dǎo)彈裝備高效智能化水平的提高，傳統(tǒng)的人工或機電式導(dǎo)彈裝填，耗時長、效率低或存在安全隱患，難以滿足快捷、高效、安全的裝填需求，發(fā)展基于機器視覺的智能裝填技術(shù)就顯得越加重要和關(guān)鍵[1]，也將成為裝填技術(shù)發(fā)展的必然趨勢。

基于機器視覺的智能化操作的基本原理，是通過圖像攝取裝置將被攝取目標(biāo)轉(zhuǎn)換成圖像信號，傳送給圖像處理系統(tǒng)得到目標(biāo)形態(tài)信息，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變?yōu)閿?shù)字化信號，圖像系統(tǒng)對這些信號進行各種運算來抽取目標(biāo)特征，進而根據(jù)判別結(jié)果來控制現(xiàn)場設(shè)備動作，完成對這一目標(biāo)的一整套運動的精確操作[2-4]。針對智能裝填系統(tǒng)，需要解決筒彈精確定位和抓取裝置精準(zhǔn)操作等問題，設(shè)計思路是選用工業(yè)相機捕捉筒彈、裝填位置圖像，通過圖像預(yù)處理、邊緣特征提取后，實現(xiàn)對筒彈、裝填位置的圖像識別和準(zhǔn)確定位，進而完成裝填操作。

在基于機器視覺的智能裝填設(shè)計中，圖像信號處理一般包括圖像預(yù)處理與邊緣特征提取。預(yù)處理一般是降噪濾波處理和圖像增強處理，主要用于后續(xù)圖像特征提取[3-15]；邊緣特征作為圖像的基本特征，對于機器視覺的圖像識別與檢測具有重要意義。

本文針對導(dǎo)彈裝備野外作戰(zhàn)，多霧多雨、強光等復(fù)雜環(huán)境條件，提出一種改進的圖像邊緣特征提取方法，以提高智能裝填系統(tǒng)對靶標(biāo)的識別和定位準(zhǔn)確度。

1 靶標(biāo)圖像預(yù)處理

在進行圖像邊緣提取之前，首先要進行圖像預(yù)處理，以提高圖像的對比度，突出靶標(biāo)圖像邊緣。這里提出直方圖拉伸和直方圖均衡化這2種常用的圖像預(yù)處理算法，并比較其優(yōu)劣。

1.1 直方圖拉伸

直方圖拉伸方法是圖像增強處理的經(jīng)典算法，是將灰度分布不均的原圖像進行灰度擴張?zhí)畛?，使其充滿整個灰度區(qū)間[1]，操作簡單方便。首先計算原始圖像的最大、最小灰度值Gmax，Gmin；其次統(tǒng)計每一灰度級出現(xiàn)的像素個數(shù)，將Gmin映射到0，Gmax映射到255。如果輸入圖像為f(x,y)，直方圖拉伸后的圖像表示為g(x,y)，則有

(1)

1.2 直方圖均衡化

直方圖均衡化算法是將靶標(biāo)圖像分成若干區(qū)域，再計算不同區(qū)域的直方圖特征，并且使圖像亮度得到重新分布，這就增強了圖像邊緣與其他區(qū)域的對比度[1]。使用普通的均衡化算法，對每個像素與其周邊一個直方圖像素進行均衡化，得到一個變換函數(shù)，變換函數(shù)同像素周邊的直方圖累積分布函數(shù)(cumulative distribution function,CDF)成比例[4]。

處理工作步驟是：將原始圖片分割成不重疊的子塊，對每個子塊進行直方圖處理，然后以待處理的像素點為中心，將鄰域取為子塊，在子塊內(nèi)做直方圖處理，處理結(jié)果僅映射到該點(消除塊效應(yīng))，最后，不再逐像素移動，而是以小于子塊寬度的步長進行類卷積操作，以確保2個相鄰子塊有重疊，再在子塊內(nèi)進行第3次直方圖均衡，這樣每一像素點起碼有2次賦值，取每一像素點的均值作為該像素點的最后賦值[5-12]。

直方圖均衡化原理如下：若MN為靶標(biāo)圖像像素總數(shù)，L為灰度級數(shù)量。假設(shè)變化前的灰度級為r，0

可以構(gòu)造變換函數(shù)

(2)

式中：ω為形式積分變量。

變換映射

(3)

定義第k灰度級rk出現(xiàn)的頻率為nk，則第k個灰度級的出現(xiàn)頻率為

(4)

所以變換函數(shù)的離散態(tài)可以表示為

(5)

通過變換函數(shù)將原圖像的灰度級rk各像素映射到輸出圖像灰度級sk，這樣就得到了直方圖均衡化后的靶標(biāo)圖像。

1.3 預(yù)處理對比分析

分別采用上述2種預(yù)處理算法，對靶標(biāo)圖像進行預(yù)處理實驗，如圖1，2所示。

由實驗結(jié)果看出：相比于直方圖均衡化而言，經(jīng)典的直方圖拉伸算法處理像素值分布比較均勻的圖像，效果尚佳(圖3a)為強光下采集，b)為自然光下采集)，但對于自動裝填中，進行筒彈的精定位，算法需要對光照具有較高的魯棒性，而直方圖拉伸算法對光照變量敏感，在描述圖像細節(jié)方面也相對直方圖均衡算法粗糙很多。直方圖均衡化算法通過對局部區(qū)域進行直方圖均衡克服了經(jīng)典算法的這一缺陷。

為此，選取直方圖均衡算法來對靶標(biāo)圖像進行圖像增強處理，增強圖像邊緣特征，以便于后續(xù)的邊緣特征提取。增強后的靶標(biāo)圖像如圖4所示。

圖1 靶標(biāo)原圖

圖2 靶標(biāo)原圖灰度直方圖

圖3 增強后的灰度直方圖

圖4 增強后的靶標(biāo)圖像

2 靶標(biāo)圖像邊緣特征提取

針對自動裝填靶標(biāo)圖像的特點，邊緣特征可以作為主要的識別和檢測特性。邊緣特征提取算法主要由邊緣檢測和連接邊緣形成邊界組成。邊緣檢測通常采用各種邊緣檢測算子與圖像進行卷積操作[6-18]。

2.1 Canny邊緣檢測算子

Canny算子是很常用且有效的一種多邊緣檢測算法，由Canny在1986 年提出，并給出了判斷邊緣檢測性能的3個準(zhǔn)則：①盡可能多地找到邊緣，避免誤檢漏檢。②最佳定位，邊緣點要盡量貼近邊緣中心，避免產(chǎn)生粗亮邊緣，提高邊緣檢測精度。③單邊應(yīng)答標(biāo)準(zhǔn)是為了確保在單個邊緣上只有一個像素應(yīng)答，減少偽邊緣應(yīng)答[7-11]。

傳統(tǒng)的Canny算法實現(xiàn)大概分成4個步驟，即高斯模糊、計算梯度幅值和方向、非最大值抑制及閾值檢測與連接邊緣4個步驟。

高斯模糊主要用來去除噪聲，與邊緣同為高頻的噪聲信號很容易被識別為偽邊緣，也是由于邊緣信號為高頻，因此高斯模糊的半徑選擇一定要慎重，過大的半徑會弱化邊緣。

如果f(x,y)為原圖像，g1(x,y)為高斯濾波后的圖像，那么卷積后有

g1(x,y)=G(x,y,σ)*f(x,y)，

(6)

式中：高斯函數(shù)表示為

(7)

圖像的邊緣方向不同，因此經(jīng)典Canny算法由2個梯度算子分別計算水平、垂直2方向上的梯度。具體做法是：比較當(dāng)前點的梯度強度以及同方向其他點的梯度強度。如果當(dāng)前點梯度強度更大，則保留這一點的梯度值[8-17]。

假設(shè)Gx，Gy為圖像水平與垂直方向的差分，則梯度模表示為

(8)

梯度角度θ表示為

θ=arctan(Gy/Gx),

(9)

式中：θ范圍為(-π,π)，將得到的θ近似到0，90°水平與垂直2個方向上。

(10)

(11)

這些導(dǎo)數(shù)以一個2×2的模板來實現(xiàn)。從這2個方向上，以這個2×2的模板為核與靶標(biāo)圖像上的每一點做卷積運算。

圖5 傳統(tǒng)梯度計算后的邊緣提取

在之后進行非最大值抑制操作對圖像進行細化，由于卷積后得出的邊緣有時不止一個像素，而多個像素就會造成邊緣粗大明亮的效果，進而使靶標(biāo)不能被準(zhǔn)確識別或檢測到，違背了準(zhǔn)則3的要求，而非最大值抑制能盡可能地保留局部最大梯度，也就是保留最突出的邊緣[9-20]。如圖5為傳統(tǒng)算法提取的邊緣，效果粗亮，特征不明顯。

最后使用雙閾值處理和連接分析來檢測和連接圖像邊緣，進一步減少偽邊緣點。

2.2 改進的Canny邊緣檢測算子

Canny算子是常用且有效的邊緣檢測算子，具有很好的描述圖像邊緣的能力[10-14]。但由于在自動裝填系統(tǒng)中需要快速且高效地對靶標(biāo)進行定位與識別，因此本文根據(jù)該系統(tǒng)的要求與靶標(biāo)圖像的特性提出了一種改進的邊緣檢測算子。

本文采用3×3的Sobel算子來計算圖像梯度，Sobel算子作為非常有效便捷的計算圖像梯度的算子，對比于傳統(tǒng)Canny算子在進行梯度計算時的 2×2 模板，3×3的模板可以做到有效抑制噪聲，減少漏檢邊緣。這樣在上文預(yù)處理中所用的直方圖均衡化，在這種可透霧算法的迭代作用下，更加符合自動裝填系統(tǒng)在野外雨霧天氣下的工作要求。

另外為了更加快速地識別靶標(biāo)，本文未選用雙閾值處理，而是選擇了單閾值處理方法。單閾值處理方法更適應(yīng)靶標(biāo)這樣直方圖為雙峰的、背景與物體灰度差明顯的圖像。這樣提高了算法的效率，適應(yīng)機動化與快速化的要求。如圖6為改進算法提取的邊緣，弱化了亮白的偽邊緣。

如果s(i,j)為邊緣圖像，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)

由于靶標(biāo)圖像背景與物體的像素灰度差異十分明顯，全局閾值適用于自動裝填系統(tǒng)對靶標(biāo)系統(tǒng)的識別。首先生成靶標(biāo)圖像的灰度直方圖，找到波谷對應(yīng)的值，選擇一個初始閾值T，使用閾值T分割圖像得出2組像素G1，G2，G1小于T，G2大于T，計算G1，G2的均值m1，m2，得到一個新閾值T′:

(15)

迭代至T′之間的值小于預(yù)定的ΔT，得到所要的T′。

結(jié)果對比與分析，見圖7，8和表1。

實驗結(jié)果表明，改進的Canny算子與傳統(tǒng)的

圖6 改進算法梯度計算后的邊緣提取

圖7 實驗結(jié)果1

圖8 實驗結(jié)果2

表1 實驗結(jié)果分析表

Canny算子相比，運行時間有明顯縮短，效率提高顯著，識別效果也較為良好。可以明顯看出，改進的Canny算子減少了圖像白亮的偽邊緣，最大程度地保留了靶標(biāo)圖像的邊緣細節(jié)，邊緣連接與傳統(tǒng)方法相比也有明顯改善。

3 結(jié)束語

本文針對自動裝填靶標(biāo)圖像的改進算法，節(jié)約了時間成本，提高了識別效率；邊緣檢測精度也有明顯提高，減少了偽邊緣的產(chǎn)生。由對比試驗結(jié)果可以看出，本文算法為邊緣檢測提供了一種新思路，適用于一批雙峰直方圖、且灰度分布明顯的邊緣檢測。但算法也存在依賴于先驗知識、對灰度特征魯棒性較低的問題。