基于双边缘模板匹配的类圆颗粒检测

打开文本图片集

摘  要：在各种不同应用场合，经常需要统计类圆颗粒数目，如工业领域的棒材计数、医学领域的细胞分割等，这些类圆颗粒通常形状并非十分规则，且有部分重叠。本文针对类圆堆叠颗粒的二值图像，提出了一种基于双边缘模板匹配的检测方法。首先利用粒度测量方法，得到类圆颗粒的估计半径，然后通过此半径构造一组边缘模板，同时使用Sobel算子将待检测的二值图像分别在两个方向上检测边缘，最后使用构造的模板对边缘进行匹配，并通过限制条件得到预期结果。实验表明，此方法可以有效检测此类颗粒，并且可以解决轻度堆叠、孔洞等影响。

关键词：类圆颗粒;模板匹配;图像标记

中图分类号：TP391     文献标识码：A

Abstract：In a variety of applications，it is often necessary to count the number of circle-like granules，such as bar counting in the industrial field，cell segmentation in the medical field，etc.These circle-like granules usually are very irregular in shape and partially overlapped.In this paper，a double edge template matching based detection method is proposed for the binary image of the circle-like stacking granules.Firstly，the granulometry is used to obtain the estimated radius of the circle-like granules，and then a set of edge templates is constructed by using this radius.At the same time，the binary image is detected by the Sobel operators in two directions.Finally，the constructed template is used to match the edges and get the expected results by limiting the conditions.Experiments show that this method can effectively detect such kind of granules and can solve the problems of stacking and holes.

Keywords：circle-like granules;template matching;image marking

1   引言（Introduction）

類圆形颗粒图像分析是图像处理和计算机视觉领域的一个备受关注的研究课题，在医学细胞分析、工业工件粒度测量、农业果实品质分析等各种应用领域都有广泛的应用前景。颗粒分割是其中一个尤为关键的核心问题，分割性能的好坏直接影响颗粒分析结果的准确度。然而，当类圆形颗粒图像中的大量颗粒同时存在形状尺寸不规则、排列紧密堆叠，相互之间纹理、灰度相似等因素时，将堆叠形成的大量复杂颗粒组合结构准确分离成独立的颗粒个体，并有效提取各个颗粒的完整轮廓将变得异常困难，这也给经典的图像分割方法提出了挑战。

本文选取形状尺寸不规则，相互之间存在部分堆叠的大量类圆形颗粒的二值图像作为研究对象，围绕颗粒分割问题中的难点问题——颗粒的定位展开研究和探讨。具体的研究内容如下：

针对本文研究对象中一类相互尺寸接近的类圆形堆叠颗粒，提出了基于双边缘模板匹配的类圆颗粒检测算法。该算法首先通过粒度测量方法[1-3]，得到图像中的类圆颗粒的估计半径，利用此半径值构造一组边缘模板。然后利用此模板对Sobel算子[4]处理后的图像进行模板匹配，得到中心估计结果。最后通过多个限制条件，提取中心估计结果图中的有用信息，从而得到所需的颗粒的中心标记。仿真实验结果证明：针对不同程度的堆叠颗粒，该算法可以有效提取中心标记，并且避免因颗粒中的孔洞带来的误差，比常用的形态学方法的准确性更高，可以利用基于标记的分水岭分割算法[5]得到良好的分割效果。

2   算法设计 （Algorithm design）

2.1   问题分析

本文以经过处理后的二值图像为研究对象，如图1所示。该图中的类圆形颗粒大小不一，形状并非理想圆形，还有部分粘连、空洞，若使用极限腐蚀、距离变换等方法，会额外产生很多非中心标记无法去除，同时也会因孔洞的影响，使中心标记偏移，产生错误标记。

2.3   模板匹配

在模式识别中一个最基本的方法，就是模板匹配法[7]（template matching）。为了在图像中检测出已知形状的目标物，我们使用这个目标物的形状模板（或窗口）与图像匹配，在约定的某种准则下检测出目标物图像，通常称其为模板匹配法。它能检测出图像中上线条、曲线、图案等。

在本文中，使用的模板是根据Sobel边缘检测的结果样式而生成的。图像的边缘是指图像局部区域灰度变化显著的像素的集合，这些像素位于两个区域的边界上，提取图像边缘的算法就是捡出符合边缘特性的像素的数学算子，常用的边缘检测方式依据梯度最大值或者二阶导数过零的特点，提取边缘点。常用的边缘检测算子有：Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、LOG算子、Canny算子等。

Sobel算子是一种离散性差分算子，用来计算图像亮度函数的梯度的近似值。Sobel算子是一种奇数大小3×3的模板下的全方向微分算子。

从图11中可以看到，距离变换方法由于精度较低，在图像较小的时候，会有很多像素因距离变换后数值相同而产生多个峰值，得到多个无法去除的结果，产生的多峰值问题和中心偏移问题严重。正八边形模板匹配法由与其算法限制，在较大的圆形内部会有较大的中心标记，但是并不影响计数。由于孔洞的影响，距离变换的标记位置会有很大的偏差，而模板匹配法则很好地避开了这个问题。

从图12中可以看出，当图像质量较差时，类圆颗粒中心出现了孔洞、裂纹、甚至产生了断裂，此时距离变换的效果就变得非常不理想，识别率很低。此时正八边形模板匹配法虽然也可以得到大部分中心点标记，但是由于某些颗粒孔洞过大，会影响识别结果，甚至丢失中心标记。使用本文提出的方法，所有颗粒都得到了正确标记，但是由于个别裂纹的特殊纹理，产生错误标记。

本方法对于堆叠颗粒也有较好的效果。在图13中，由于个别颗粒堆叠程度过高，导致算法无法将其区分成多个颗粒，性能下降。但对于一般程度的堆叠有较好的效果。

为了测试对颗粒堆叠的标记性能，本实验采用了SIMCEP计算框架生成了100张不同堆叠程度的颗粒图像，利用此数据集进行实验，得到了以下结果，如表1所示。

从表1中可以看出本文提出的方法对于堆叠也有较好的效果。在无堆叠的情况下，本文提出的方法可以准确无误地识别所有颗粒，而在有堆叠的情况下，也可以保证较高的准确率，与距离变换、正八边形模板匹配方法相比有明显的优势。

4   结论（Conclusion）

类圆颗粒在多个领域都有不同的应用。本文利用了模板匹配方法，设计了一组边缘模板，可以有效避开部分孔洞的影响，并且可以应对颗粒形状、大小不统一的影响，并且通过引入粒度测量方法，不需要知道图像中的半径的先验信息。此方法相对于极限腐蚀[13]等形态学方法，可以有效减少计算量，同时避免了孔洞对于检测的影响，同时对于堆叠情况也可以有效检测到颗粒中心，得到效果较为理想的结果图。通过最后的限制、筛选步骤，可以减少错误识别的情况，使效果更为理想。

参考文献（References）

[1] Rao K N R M，Dempster A G.Modification on distance transform to avoid over-segmentation and under-segmentation[C].International Symposium on VIPromCom Video/Image Processing and Multimedia Communications.IEEE，2002：295-301.

[2] Thomas S M，Chan Y T.A simple approach for the estimation of circular arc center and its radius[J].Computer Vision，Graphics，and Image Processing，1989，45（3）：362-370.

[3] 尤育赛，于慧敏，刘圆圆.基于粒度测量的重叠圆形颗粒图像分离方法[J].浙江大学学报（工学版），2005（07）：962-966.

[4] Duda R O，Hart P E，Stork D G.Pattern classification and scene analysis[M].New York：Wiley，1973.

[5] Najman L，Schmitt M.Watershed of a continuous function[J].Signal Processing，1994，38（1）：99-112.

[6] Gonzalez R C，Woods R E.Digital image processing[M].Publishing House of Electronics Industry，2011：407-410.

[7] Brunelli R.Template matching techniques in computer vision：theory and practice[M].John Wiley & Sons，2009.

[8] Lyon A.Why are normal distributions normal？[J].The British Journal for the Philosophy of Science，2013，65（3）：621-649.

[9] Thomas G B，Weir M D，Hass J，et al.Thomas" Calculus：Early Transcendentals[M].Boston：Pearson，2010.

[10] Green C.Improved alpha-tested magnification for vector textures and special effects[C].ACM SIGGRAPH 2007 courses.ACM，2007：9-18.

[11] Da Z，Zhi X，Jiangshan A.Research on rebar section positioning method in online rebar counting system[J].Chinese Journal of Scientific Instrument，2010，31（5）：1173-1178.

[12] 侯维岩，段政伟，赵慧.基于多模板匹配的捆扎棒材计量方法[J].自动化仪表，2013，34（04）：7-9;13.

[13] Bo Z Y M H H，Mingxi L.Separate Algorithm for Overlapping Spots in Crop Disease Image[J].Transactions of the Chinese Society for Agricultural Machinery，2008，39（2）：112-115.

作者簡介：

孙光民（1960-），男，博士，教授.研究领域：信号与图像处理，神经网络与应用，人工智能与模式识别.

孙   凡（1993-），男，硕士生.研究领域：电子信息，图像与视频信号处理.

推荐访问:匹配 颗粒 模板 检测