一种堆积颗粒图像边缘检测方法.pdfVIP

一种堆积颗粒图像边缘检测方法 王玉涛疙玮琦程图辉王师 东北太学信息科学与工程擘院沈阳 110006 摘要： 本文提出了一种堆积颗粒图像的边缘检测方法。该方法由两个部分组成：首先 通过一种基于灰度极小值算法对原始图像进行边缘候选象素提取，并获得边缘候选图像； 以边缘侯选图像中边缘侯选象素及其邻域象素的灰度值作为训练样本，对由非监督学习和 监督学习组成的神经网络进行训练，其中非监督学习用于获取图像的边缘聚类特征，监督 学习获得图像的边缘矢量信息。实验结果表明：该方法获得的边缘图像边缘封闭性较好， 孽 描述较真实，适用于堆积颗粒图像的边缘检测。 1 引言 图像边缘检测是图像分析的重要内容，图像的边缘检测方法有很多种，如差分算子法， 广义H0ugh交换法，模板算法，模糊算法等等。这些算法针对一定的对象能将物体从背景 中分离出来，但是对于工业传送带上的堆积颗粒图像和工业生产中的零部件及其组台等各 组成部分较接近的图像边缘检测效果却不理想。目前，颗粒图像边缘检测的研究基本上局 限于离敷的颗粒图像，即图像中目标和背景的边界灰度有跃变，而工业流程中堆积粒之间 紧靠在～起，颗粒是由同一种材料构成，表面灰度相近，且随着光线照射角度的不同，颗 粒不光滑的表面使颗粒图像的光强不均匀。这些特征给颗粒图像边缘检测带来很大的困 难，很多分割方法不能采用，如W话d，aI”等通过对传送带上的颗粒图像边缘检测研究，实 验得出阈值方法不适用；Lang【2】应用纹理分析进行实验，也由于图像模型变化太大效果不 好．而神经网络具有自组织，自学习性和容错性等特征，使神经网络能够通过对样本的学 习将图像的边缘特征表达在动态的连接权之中。 本文提出了一种堆积颗粒图像的边缘检测方法，该方法由两部分组成：首先采用一种 基于灰度极小值的算法进行原始图像边缘侯选象紊的提取，并得到边缘侯选图像，然后以 边缘候选象素及其领域象索的灰度值作为神经网络的训练样本，对神经网络进行训练。其 中神经网络是由监督学习网络和非监督学习网络组成，监督学习用于获取侯选图像输入模 式的聚娄特征，监督学习用于获取原始图像的边缘矢量信息。 簟 2基于灰度极小值算法 视觉观察颗粒形状获取的是颗粒的边缘信息，而不是表面信息。颗粒的边缘通常位子 ’辽宁省科学技术基金资助课题、辽宁省教委课题 ——856—— 灰度迅速变化的区域，颗粒的边缘灰度值较低，颗粒的表面灰度值较高。对于表面不光滑 的颗粒，由于光照射角度不同，有时某些部位颗粒边缘的灰度值可能接近或高于较暗部位 的表面灰度值，但通常两个相连颗粒边缘的灰度值比这两个颗粒表面的灰度值低，边缘候 选图像提取的目的就是找到具有灰度极小值的点，这些点包含且完全包含全部颗粒边缘信 息。 由于光线的作用，具有灰度极小值的图像边缘可能有几个灰度值相同的象素组成。根 据颗粒尺寸的大小可以定义检测窗口的幅度，一般可以定义一个5×5的边缘候选象紊的检 测窗口，基于灰度极小值的边缘侯选象素的提取可分为三种类型： ● 1． 具有单个灰度极小值的边缘候选象煮的提取：当检测窗口内仅有一个灰度极小值 象素时，以窗口中心象素为中心将邻域八象素分为0。，45。，90。，135。，四个检 测方向，每个检测方向有三个象索，只要中心象素灰度值为某一检测方向上的极 小值，则窗口中心象索为边缘侯选象素； ● 2． 具有两个相同灰度极小值的边缘候选象素的提取：当检测窗口内有两个灰度极小 值相同象素时，以窗口中心象素为中心将邻域八象素分为0。，459，90。，135。， 两个象素灰度值相等且为某一检测方向上的极小值，则窗口中心象素为边缘侯选 象素； 3． 具有三个相同灰度