一种基于图像处理的木材单板节子数量和大小的识别方法.pdf

一种基于图像处理的木材单板节子数量和大小的识别方法，方法如下：a)图像采集；b)转化为灰度图片；c)依据熵函数定义公式求一维最大熵对应灰度值，将其设为阈值；d)依该阈值对图片二值化处理，只显黑和白两种颜色，将N个初选节子从背景中分离出来，N大于或等于零；e)形态学闭运算去除各节子外部孤立的点和周边干扰特征；f)分别处理每个初选节子：①查找轮廓点并判断是否具有连通区域，否，滤掉；有，则获取拟合椭圆并进行下步；②计算拟合椭圆长轴和短轴的长度及两者的比值，如比值<0.5或者>2.0，则滤掉；如0.5<比值<2.0，则继续；③根据连通区域所有点与获取的拟合椭圆的匹配度过滤掉干扰因素；g)统计节子数量，计算最大节子的面积。

权利要求书
1.  一种基于图像处理的木材单板节子数量和大小的识别方法，其特征在于方法如下：
a)首先对待识别的木材单板进行图像采集；
b)将采集到的图像转化为灰度图片；
c)依据熵函数定义公式求出一维最大熵对应的灰度值，将其设为阈值；
d)根据得到的阈值对上述灰度图片进行二值化处理，使图片显示出只有黑和白两种颜色，将N个初选节子从背景中分离出来，其中N大于或等于零；
e)通过进行形态学闭运算去除各初选节子外部的孤立的点和周边干扰特征；
f)分别对每个初选节子进行如下处理：
①查找该初选节子的轮廓点，并判断是否具有连通区域？否，则直接滤掉；有，则获取该初选节子的拟合椭圆并进行下一步；
②计算该拟合椭圆长轴和短轴的长度，并计算出长轴和短轴的比值，如果长轴/短轴<0.5或者长轴/短轴>2.0，则不识别为节子，滤掉；如0.5<长轴/短轴<2.0，则继续下一步；
③根据连通区域所有点与获取的拟合椭圆的匹配度过滤掉干扰因素，识别其是否为节子；
g)统计节子数量，计算最大节子的面积。

2.  如权利要求1所述的基于图像处理的木材单板节子数量和大小的识别方法，其特征在于所述步骤c中依据的熵函数定义公式为：

式中：pt=Σi=0tpiHt=-Σi=0tpilgpiHL-1=-Σi=0L-1pilgpi,]]>pi为灰度级i出现的概率；L为灰度等级，其取值范围为1～256。

3.  如权利要求1所述的基于图像处理的木材单板节子数量和大小的识别方法，其特征在于：所述步骤f①中是利用NET调用FindContours函数查找该初选节子的轮廓点，找出连通区域后，先统计该连通区域的轮廓点个数，若连通区域的轮廓点个数小于40，直接过滤掉；若大于或等于40个，则把该连通区域的一组轮廓点输入到椭圆拟合函数中，通过最小二乘法获取与该组轮廓点最匹配的拟合椭圆。

4.  如权利要求3所述的基于图像处理的木材单板节子数量和大小的识别方法，其特征在于：所述步骤f③中，计算该初选节子连通区域的所有轮廓点与拟合椭圆的匹配度，匹配度标准是拟合优度计算距离小于3，如匹配度不满足要求，滤掉；如匹配度满足要求，则判别为节子。

5.  如权利要求1所述的基于图像处理的木材单板节子数量和大小的识别方法，其特征在于图像转为灰度图片时灰度值计算公式为：
Y＝0.299R+0.587G+0.114B；式中，Y为灰度值，R为红色亮度值，G为绿色亮度值，B为蓝色亮度值。

说明书一种基于图像处理的木材单板节子数量和大小的识别方法
技术领域
本发明涉及一种基于图像处理的木材单板节子数量和大小的识别方法，属于木材检测科学与技术领域。 
背景技术
木材单板的分等中，节子是一个重要评价指标，板面节子的数量和最大的一个节子的面积一定程度上决定了其等级归属。而以往木材单板的节子识别，主要依靠肉眼观察方法，效率较低。 
专利申请“木材的节子探查方法及装置和程序(专利公开号：CN101180536)”中提出将拍摄图像按规定阈值裁剪成的部分设置为节子候选，圆形度较大的作为节子检出的标准，但未能提出圆形度的考量方法以及其它干扰特征的去除，精确度待于提高；文章“梯度算子与灰度阈值融合的实木地板节子识别方法研究”(《林业科技》2012年01期)，提出了实木地板表面节子的分割、提取和识别，但未能过滤掉节子形状等其它影响因素，可能会检出非节子特征，准确度待于提高。 
发明内容
本发明的目的是提供一种基于图像处理的木材单板节子数量和大小的识别方法，其克服了现有技术的不足，可以精准的对木材单板节子的数量和大小进行识别。 
为实现上述目的，本发明采取以下设计方案： 
一种基于图像处理的木材单板节子数量和大小的识别方法，其方法如下： 
a)首先对待识别的木材单板进行图像采集； 
b)将采集到的图像转化为灰度图片； 
c)依据熵函数定义公式求出一维最大熵对应的灰度值，将其设为阈值； 
d)根据得到的阈值对上述灰度图片进行二值化处理，使图片显示出只有黑和白两种颜色，将N个初选节子从背景中分离出来，其中N大于或等于零； 
e)通过进行形态学闭运算去除各初选节子外部孤立的点和周边干扰特征； 
f)分别对每个初选节子进行如下处理： 
①查找该初选节子的轮廓点，并判断是否具有连通区域？否，则直接滤掉；有，则获取该初选节子的拟合椭圆并进行下一步； 
②计算该拟合椭圆长轴和短轴的长度，并计算出长轴和短轴的比值，如果长轴/短轴<0.5或者长轴/短轴>2.0，则不识别为节子，滤掉；如0.5<长轴/短轴<2.0，则继续下一步； 
③根据连通区域所有点与获取的拟合椭圆的匹配度过滤掉干扰因素，识别其是否为节子； 
g)统计节子数量，计算最大节子的面积(像素数)。 
所述基于图像处理的木材单板节子数量和大小的识别方法中，所述步骤c中依据的熵函数定义公式为： 

式中：pt=Σi=0tpiHt=-Σi=0tpilgpiHL-1=-Σi=0L-1pilgpi,]]>pi为灰度级i出现的概率；L为灰度等级，其取值范围为1～256。 
所述基于图像处理的木材单板节子数量和大小的识别方法中，所述步骤f①中是利用NET调用FindContours函数查找该初选节子的轮廓点， 找出连通区域后，先统计该连通区域的轮廓点个数，若连通区域的轮廓点个数小于40，直接过滤掉；若大于或等于40个，则把该连通区域的一组轮廓点输入到椭圆拟合函数中，通过最小二乘法获取与该组轮廓点最匹配的拟合椭圆。 
所述基于图像处理的木材单板节子数量和大小的识别方法中，所述步骤f③中，计算该初选节子连通区域的所有轮廓点与拟合椭圆的匹配度，匹配度标准是拟合优度计算距离小于3，如匹配度不满足要求，滤掉；如匹配度满足要求，则判别为节子。 
所述基于图像处理的木材单板节子数量和大小的识别方法中，图像转为灰度图片的灰度值计算公式为：Y＝0.299R+0.587G+0.114B；式中，Y为灰度值，R为红色亮度值，G为绿色亮度值，B为蓝色亮度值。 
本发明基于图像处理的木材单板节子数量和大小的识别方法是将阈值计算、节子特征拟合、干扰因素去除等每个识别过程中进行了精确量化，不仅为节子的快速识别提供支持，而且将以往识别的定性变成了定性与定量的结合。 
本发明的优点是： 
1.利用灰度图片一维最大熵所对应的灰度值作为二值化处理的阈值，使图片显示出只有黑和白两种颜色，从而可以将初选节子快速分离出来； 
2.通过对拟合椭圆中长轴/短轴比值的判断，能够过滤掉一些纹理或边框带来的影响；再通过对所甄别节子连通区域与拟合椭圆匹配度的判断，可以过滤掉一些不规则图形带来的影响；继而可以大幅度提高识别的准确度。 
3.本发明通过对节子的识别，可以快速的检出输入图片是否存在节子以及节子的数量和大小，能为木材单板的快速分等提供强有力的技术支撑。 
附图说明
图1为本发明方法的方框流程图。 
图2为本发明一实施例识别前效果示意图。 
图3为图2实施例识别后效果示意图。 
图4为本发明又一实施例的二值化后的图像。 
图5为图4的图像经过闭运算后处理结果的图像。 
图6为本发明另一实施例中对轮廓点数的识别处理示意图。 
图7为本发明再一实施例中轮廓点与获取的拟合椭圆的匹配度示意图。 
下面结合附图及具体实施例对本发明做进一步的说明。 
具体实施方式
如图1、图2和图3所示，本发明基于图像处理的木材单板节子数量和大小的识别方法具体步骤如下： 
a)首先通过影像采集设备(如摄像机或扫描设备)对待甄别的木材单板进行图像采集(该待甄别的木材单板可能不带有节子，亦或带有一个或多个节子)，参见图2，其为一实施例中原始获取的图像。 
b)将采集到的图像转化为灰度图片，优选方案是：图像转为灰度图片的灰度值选取公式为：Y＝0.299R+0.587G+0.114B 
式中，Y为灰度值，R为红色亮度值，G为绿色亮度值，B为蓝色亮度值。 
c)计算上步骤得到的灰度图片的一维最大熵，其最大熵对应的灰度值，就是本发明所需要的最佳阈值T； 
其中，一维最大熵求阈值的方法如下： 
在灰度范围为[0,L-1]的图像中，熵函数定义为 

式中：pt=Σi=0tpiHt=-Σi=0tpilgpiHL-1=-Σi=0L-1pilgpi,]]>pi为灰度级i出现的概率；L为灰度等级，其取值范围为1～256。 
计算，当熵函数取得最大值时，对应的灰度值t就是本发明所求的最佳阈值T。 
d)根据得到的阈值T对上述灰度图片进行二值化处理，使图片显示出只有黑和白两种颜色，将所有初选节子(N个，N为自然数且大于或等于零)从背景中分离出来，参见图3所示，对于本发明的图像中，黑色区域(灰度值为255)被认为是初步选定的节子，白色区域(灰度值为0)被认为是木材单板背景。 
此步骤中，二值化处理方法为本领域的熟知技术，其基本方法如下： 
设原始图像为f(x,y)，按照一维最大熵的计算方法在该图像中找到特征值(亦即上述步骤中所求得的阈值T)，根据特征值将图像分割为两个部分，分割后的图像为： 
g(x,y)=b0...f(x,y)<Tb1...f(x,y)&GreaterEqual;T]]>
式中，b0为黑，b1为白，即为图像的二值化。 
e)参见图4，由于二值化后的图像，初选节子(黑色区域)周边会有很多参差不齐的孤立点以及孤立的特征量，影响黑色区域外轮廓的拟合，所以要再通过进行形态学闭运算去除各初选节子外部的孤立点和周边干扰特征，图5是经过闭运算后处理结果的图像，各初选节子周边很多孤立的点及特征量就去除了，外轮廓比较明显。 
在所述的形态学中，结构元素是最重要最基本的概念。用B(x)代表结构元素，对工作空间E中的每一点x，腐蚀和膨胀的定义为： 
腐蚀：
膨胀：Y＝E⊕B＝{y:B(y)∩E≠Φ} 
用B(x)对E进行腐蚀的结果就是用B(x)结构元素，扫描二值图像的每一个像素，用结构元素与其覆盖的二值图像做“与”运算，如果都为1，结构图像的该像素为1，否则为0，结果使二值图像减小一圈。用B(x)对E进行膨胀的结果就是用B(x)结构元素，扫描二值图像的每一个像素，用结构元素与其覆盖的二值图像做“与”运算，如果都为0，结构图像的该像素为0，否则为1，结果使二值图像扩大一圈。需要说明的是，本技术腐蚀膨胀都是针对白色目标区域的。先膨胀后腐蚀的过程称为闭运算，它具有去除外部孤立的点以及节子周边的干扰特征的作用，本发明正是为达到该目的，故采用形态学闭运算的方法。 
f)分别对每个初选节子进行如下处理： 
①查找该初选节子的轮廓点，并判断是否具有连通区域？否，则直接滤掉；有，则继续检测初选节子的轮廓点数是否大于或等于40个，如连通区域的轮廓点个数小于40，直接过滤掉，不进行椭圆拟合和节子判断，对连通区域的轮廓点个数大于或等于40的初选节子作为继续识别的对象，获取这些初选节子的拟合椭圆并进行下一步。 
对于上述处理方法，可以是利用NET中的FindContours函数找出所有连通区域，统计每个连通区域的轮廓点个数并转化为数组，判断每个连通区域的轮廓点个数是否大于40，若大于或等于40个，则调用EllipseLeastSquareFitting(包含opencv的cvFitEllipse2函数)函数，通过最小二乘法获取与轮廓点最匹配的椭圆，该方法是本领域的熟知技术，故其过程此处不赘述。 
图6示出的一实施例中：第1个连通区域(最左方位的初选节子)的轮廓点个数小于40，直接过滤掉，不进行椭圆拟合和节子判断，只判断其它剩下的2个连通区域(中间和最右的初选节子轮廓点个数大于40)。 
②得到拟合椭圆后，计算该拟合椭圆长轴和短轴的长度，并计算长轴和短轴的比值，与标准设定值进行比较(该标准设定值是根据木材中实际 的节子形状，设定0.5<长轴/短轴<2的椭圆判定为节子)，如果长轴/短轴<0.5，或者长轴/短轴>2.0，则不识别为节子，滤掉，从而过滤掉一些纹理或边框等狭长型特征带来的影响；如0.5<长轴/短轴<2.0，则继续下一步； 
③木材单板节子的形状类似于椭圆，但图片中一些不规则图形的连通区域根据算法拟合也会形成椭圆，故计算连通区域所有轮廓点与拟合椭圆的匹配度，匹配度较好(goodnessoffit计算距离小于3)的椭圆区域作为最终识别的节子，根据连通区域所有轮廓点与获取的拟合椭圆的匹配度过滤掉干扰因素，识别其是否为节子。图7中左边的节子就是不符合goodnessoffit算法距离小于3的特征量，因为轮廓点和拟合椭圆匹配的不好，距离太远了，应直接滤掉；图7中右边的节子的轮廓点都在拟合椭圆上，被识别为节子。 
其中，goodness of fit算法简述如下： 
选择之前连通区域的离线点，计算每个点到拟合椭圆的最小距离的平方值，汇总后除以离线点总数，再取开方；该方法亦为本领域的熟知技术，故不再具体举例说明。 
g)当所有的初选节子被依序按上方法步骤全处理完后，最终统计识别为节子的数量，计算最大节子的面积(像素数)。 
以图2和图3为例进一步说明如下： 
②、④为图像识别后判别为的节子(对应的是原采集的图像显示出的单板表面的节子①、③)；⑥为图像识别后判别为的非节子(对应的是原采集的图像显示出的单板表面的节子⑤)，其不符合拟合椭圆0.5<长轴/短轴<2.0的特征量；⑧为图像识别后判别为的非节子(对应的是原采集的图像显示出的单板表面的节子⑦)，不符合goodnessoffit算法距离小于3的特征量。 
最终识别的结果是：识别节子2个，所有节子中，最大节子的面积3108像素。 
上述各实施例可在不脱离本发明的保护范围下加以若干变化，故以上的说明所包含及附图中所示的结构应视为例示性，而非用以限制本发明申请专利的保护范围。