一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測的鋼管計數(shù)方法
【專利摘要】本發(fā)明提供了一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測的鋼管計數(shù)方法，步驟包括：將待識別的鋼管堆垛橫截面二維圖像處理為堆垛橫截面灰度圖像；利用SVM算法對灰度圖像進(jìn)行分類，再對目標(biāo)子區(qū)域的圓度特征參數(shù)和面積特征參數(shù)進(jìn)行閾值統(tǒng)計，再根據(jù)閾值統(tǒng)計結(jié)果生成圓度閾值范圍和面積閾值范圍；利用斑點檢測算法對堆垛橫截面灰度圖像中的類圓斑點進(jìn)行識別，再利用圓度閾值范圍和面積閾值范圍對識別結(jié)果進(jìn)行篩選，最后統(tǒng)計篩選斑點集合內(nèi)的斑點個數(shù)即為目標(biāo)鋼管數(shù)。該鋼管計數(shù)方法具有很強(qiáng)的抗干擾性和魯棒性，對圖像拍攝的要求較低，對于包含大量鋼管目標(biāo)的圖像識別，在較低算法復(fù)雜度下，表現(xiàn)出優(yōu)秀的性能，適合嵌入移動類設(shè)備實現(xiàn)實時計數(shù)。
【專利說明】
一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測的鋼管計數(shù)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種鋼管計數(shù)方法，尤其是一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測 的鋼管計數(shù)方法。
【背景技術(shù)】
[0002] 建筑行業(yè)和鋼管租賃行業(yè)目前主要采用人工計數(shù)法對鋼管進(jìn)行計數(shù)。堆垛的鋼管 規(guī)模通常在500-1500根不等，整個人工計數(shù)過程耗時長、效率低，勞動強(qiáng)度非常大。研究用 于鋼管生產(chǎn)廠家和鋼管租賃廠家，通過拍攝圖片進(jìn)行鋼管自動識別方法，可以減輕計數(shù)工 人的勞動強(qiáng)度，提高計數(shù)效率。
[0003] 現(xiàn)有的基于圖像識別的鋼管自動計數(shù)方法中，得到廣泛應(yīng)用的主要是基于改進(jìn)的 Hough變換的圓檢測算法與結(jié)合輪廓提取和形態(tài)學(xué)重構(gòu)的圖像分割算法。前者對于由于變 形、堆垛不整齊、拍攝角度、陰影等因素導(dǎo)致的非整圓鋼管圖像，以及雜亂背景下的鋼管圖 像，該方法精度急劇下降，無法滿足工程應(yīng)用的需要。后者可以在一定程度上解決目標(biāo)鋼管 非正圓的識別問題，同時雜亂背景下的鋼管識別具有一定精度。但該方法在復(fù)雜光照條件 下，無法區(qū)分鋼管陰影與堆垛間隙;并且隨著圖片中待識別鋼管的數(shù)量增多，單個鋼管所包 含有效像素點變少，導(dǎo)致復(fù)雜背景與待識別目標(biāo)之間的輪廓特征差異性降低，對子區(qū)域的 篩選閾值變得困難，最終導(dǎo)致識別精度的快速下降。
[0004] 通過對以上算法存在的問題以及解決方法的研究，結(jié)合工程應(yīng)用的實際需求，需 要研究計算結(jié)果更加精確，同時算法實現(xiàn)復(fù)雜度不太高滿足工業(yè)應(yīng)用需要的新計數(shù)方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題是現(xiàn)有的鋼管計數(shù)方法對拍照的環(huán)境要求較高，導(dǎo)致計 數(shù)的精確性嚴(yán)重下降。
[0006] 為了解決上述技術(shù)問題，本發(fā)明提供了一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測 的鋼管計數(shù)方法，包括如下步驟：
[0007] 步驟1，利用圖像灰度化方法將待識別的鋼管堆垛橫截面二維圖像處理為堆垛橫 截面灰度圖像；
[0008] 步驟2,利用SVM算法對灰度圖像中目標(biāo)子區(qū)域與非目標(biāo)子區(qū)域進(jìn)行分類，再利用 統(tǒng)計方法對目標(biāo)子區(qū)域的圓度特征參數(shù)和面積特征參數(shù)進(jìn)行閾值統(tǒng)計，再根據(jù)閾值統(tǒng)計結(jié) 果生成圓度閾值范圍和面積閾值范圍；
[0009] 步驟3,將每一根目標(biāo)鋼管的截面看作圖像中的一個類圓斑點，利用斑點檢測算法 對堆垛橫截面灰度圖像中的類圓斑點進(jìn)行識別，再利用圓度閾值范圍和面積閾值范圍對識 別結(jié)果進(jìn)行篩選獲得篩選斑點集合，最后統(tǒng)計篩選斑點集合內(nèi)的斑點個數(shù)即為識別的目標(biāo) 鋼管數(shù)。
[0010] 作為本發(fā)明的進(jìn)一步限定方案，步驟2的具體步驟為：
[0011] 步驟2.1，利用梯度Hough變換法檢測堆垛橫截面灰度圖像中所有的目標(biāo)圓，統(tǒng)計 計算所有目標(biāo)圓中的最小半徑，并將最小半徑作為鋼管的基準(zhǔn)半徑R〇;
[0012] 步驟2.2,將堆垛橫截面灰度圖像分成N個RoXRo像素的子區(qū)域，對每個子區(qū)域構(gòu)造 一個特征向量集Xi=(P，q，h)，其中，i = l，2,3, . . .，N，另外p、q和h分別為圖像相位一致向 量、紋理特征向量和灰度向量；
[0013] 步驟2.3,在特征向量集Xl中選取一部分目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域的特征向量 作為訓(xùn)練特征向量(Xj，yj)，其中，j e {1，2，3，...，N}，y」為類別標(biāo)志；
[0014] 步驟2.4,設(shè)A和B分別表示目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域，則利用SVM算法的線性最 優(yōu)判別函數(shù)公式對特征向量集^進(jìn)行分類，線性最優(yōu)判別函數(shù)公式為：
[0015] f (x) =sgn(w*x+b*) (1)
[0016] 式（1)中，w*與b*分別為SVM算法中所要求的為實現(xiàn)對所有訓(xùn)練樣本都正確分類所 求得的權(quán)重向量和常量的全局最優(yōu)解，將待分類的特征向量集Xi(i = 1，2，3，...N)帶入公 式(1)中，如果f (xi)的值為1，那么對應(yīng)的B屬于A類，否則xi屬于B類；
[0017] 步驟2.5,對被分類為A的所有子區(qū)域進(jìn)行二值化，然后利用Suzuki算法對所有A類 子區(qū)域進(jìn)行連通區(qū)域標(biāo)記，并分別計算其區(qū)域面積Si，再統(tǒng)計計算獲得所有A類子區(qū)域中的 最大面積Smax和最小面積Smin，再根據(jù)公式2計算對應(yīng)的最大圓度Cmax與最小圓度Cmin，公式 ⑵為：
[0018] ty
[0019] 式(2)中，C為區(qū)域的圓度，S為區(qū)域的面積，p為區(qū)域的周長，將面積閾值范圍[Smin， Smax]代入式(2 ) 即可得圓度閾值范圍為[Cmin，Cmax]。
[0020] 通過步驟2.1計算目標(biāo)鋼管的基準(zhǔn)半徑，可以為步驟2.2通過分割灰度圖像為等大 小的子區(qū)域集，提供子區(qū)域大小的限定。通過限定大小的子區(qū)域分割，可以初步篩選出有可 能成為目標(biāo)子區(qū)域的訓(xùn)練樣本集，減少無效訓(xùn)練樣本進(jìn)入訓(xùn)練集的數(shù)量，以此方法篩選出 的訓(xùn)練樣本集作為SVM算法輸入，可以有效減少SVM算法分類的誤差。
[0021] 通過步驟2確定的目標(biāo)子區(qū)域的面積與圓度的閾值范圍，可為步驟3篩選結(jié)果斑點 集提供輸入?yún)?shù)。通過設(shè)定目標(biāo)斑點的面積和圓度閾值范圍，可以有效限定候選斑點集中 的斑點數(shù)量，降低構(gòu)造結(jié)果斑點集的計算復(fù)雜度，并有效提高斑點檢測的計算精度。
[0022] 作為本發(fā)明的進(jìn)一步限定方案，步驟3的具體步驟為：
[0023] 步驟3.1，通過連續(xù)的一組轉(zhuǎn)換閾值把輸入的堆垛橫截面灰度圖像轉(zhuǎn)換為一個二 值圖像集合{G^Gh . . .Gn}，轉(zhuǎn)換閾值范圍為[Thh]，t為轉(zhuǎn)換閾值的步長，則所有轉(zhuǎn)換閾值 為：
[0024] Ti，Ti+t，Ti+2t，Ti+3t，· · ·，T2 (3)
[0025] 步驟3.2,利用Suzuki輪廓提取算法檢測二值圖像集合{Gi，G2, . . .Gn}中各個二值 圖像的邊界，再提取出每個轉(zhuǎn)換閾值對應(yīng)的二值圖像的連通區(qū)域，由邊界所圍成的不同的 連通區(qū)域就是該二值圖像G k的斑點集合Bk;
[0026 ]步驟3.3，以計算二值圖像零階距的方式計算斑點集合B k中每一個斑點b i k e B k的 斑點面積Slk，并計算斑點輪廓的周長plk，然后根據(jù)公式(2)計算對應(yīng)的圓度Clk，將同時滿足 公式(4)和(5)的斑點b ik加入篩選結(jié)果集，最終構(gòu)造篩選后的斑點集合V k;
[0027] Smax>Sik^Smin (4)
[0028] Cmax>Cik^Cmin (5)
[0029] 步驟3.4，構(gòu)造堆垛橫截面灰度圖像的斑點檢測結(jié)果的集合21={21，22，...，2 (?}， 設(shè)je {1，2,3,. ..，M}，Zj代表第j個灰度圖像斑點的候選斑點有序集，即Zj中的元素都是按 照斑點半徑從小到大排列的；
[0030] 步驟3.5，遍歷每個灰度圖像斑點的候選斑點有序集Zj e Ζτ，從中通過公式(7)計算 出其對應(yīng)的灰度圖的最終檢測結(jié)果特征點c j的中心坐標(biāo)(X j，y j)為：
[0031]
[0032] 式⑴中，（幻k，yjk)為Z沖第k個候選斑點的坐標(biāo)，L為Z沖元素的個數(shù)，特征點(^的 半徑心為1中排在中間位置的斑點的半徑；
[0033] 步驟3.6,計算輸出的所有特征點q的集合CT即為灰度圖像斑點檢測的最終結(jié)果 集，最后統(tǒng)計最終結(jié)果集中灰度圖像斑點的個數(shù)即為目標(biāo)鋼管個數(shù)。
[0034]作為本發(fā)明的進(jìn)一步限定方案，步驟3.4中，Zj的構(gòu)造過程為，遍歷{Gi，G2, . . .Gn} 中的每一個二值圖像Gk的斑點集合V k，并重復(fù)如下步驟：
[0035] 步驟3.4.1，對于每一個bike k，遍歷Ζτ中每一個灰度圖候選斑點集Zj εΖτ，判斷 blk是否屬于新出現(xiàn)的灰度圖候選斑點，即不屬于Ζτ中任何一個已有的灰度圖候選斑點集， 判斷條件為：
[0036] Dik>Tb 且 Dik>Rs 且 DikSRik (6)
[0037] 式(6)中，Dik為bik的質(zhì)心坐標(biāo)(xik，y ik)與Z j中間位置的斑點bs的質(zhì)心坐標(biāo)(xs，y s) 之間的距離，Tb為二值圖像的斑點集合中不同斑點間的最小距離，當(dāng)兩個斑點間距離小于 該值被認(rèn)為是同一個斑點，Rs為斑點b s的半徑，Rik為斑點bik的半徑；
[0038] 步驟3.4.2,將滿足公式(6)的二值圖像斑點blk加入二值圖像Gk的新構(gòu)造的灰度圖 候選斑點集Z Nk中，對于不滿足條件(6)的blk，按照其半徑大小加入Z」的適當(dāng)位置，再將ZNk添 加到Ζτ中。
[0039]本發(fā)明的有益效果在于：（1)采用梯度Hough變換法，檢測灰度圖像中所有目標(biāo)圓， 統(tǒng)計計算所有目標(biāo)圓中的最小半徑作為鋼管基準(zhǔn)半徑，具有很強(qiáng)的抗干擾性和魯棒性，對 圖像拍攝的環(huán)境要求較低；（2)采用SVM算法對灰度圖像中目標(biāo)鋼管子區(qū)域與非目標(biāo)子區(qū)域 進(jìn)行自動分類，并通過統(tǒng)計方法利用分類結(jié)果集進(jìn)行鋼管子區(qū)域圖像特征參數(shù)如圓度、面 積等的閾值統(tǒng)計，而且對于包含大量鋼管目標(biāo)的圖像識別，在較低算法復(fù)雜度下，表現(xiàn)出優(yōu) 秀的性能，適合嵌入移動類設(shè)備實現(xiàn)實時計數(shù)；（3)將每一根目標(biāo)鋼管的截面看作鋼管堆垛 圖像中的一個類圓斑點，采用斑點檢測的算法，輸入目標(biāo)鋼管子區(qū)域特征參數(shù)閾值來實現(xiàn) 鋼管識別與自動計數(shù)，能夠有效增強(qiáng)識別效率。
【附圖說明】
[0040]圖1為本發(fā)明的方法流程圖。
【具體實施方式】
[0041] 如圖1所示，本發(fā)明提供了一種結(jié)合支持向量機(jī)閾值統(tǒng)計與斑點檢測的鋼管計數(shù) 方法，包括如下步驟：
[0042] 步驟1，利用圖像灰度化方法將待識別的鋼管堆垛橫截面二維圖像處理為堆垛橫 截面灰度圖像；
[0043]步驟2,利用SVM算法對灰度圖像中目標(biāo)子區(qū)域與非目標(biāo)子區(qū)域進(jìn)行分類，再利用 統(tǒng)計方法對目標(biāo)子區(qū)域的圓度特征參數(shù)和面積特征參數(shù)進(jìn)行閾值統(tǒng)計，再根據(jù)閾值統(tǒng)計結(jié) 果生成圓度閾值范圍和面積閾值范圍，具體步驟為：
[0044] 步驟2.1，利用梯度Hough變換法檢測堆垛橫截面灰度圖像中所有的目標(biāo)圓，統(tǒng)計 計算所有目標(biāo)圓中的最小半徑，并將最小半徑作為鋼管的基準(zhǔn)半徑R〇;
[0045] 步驟2.2,將堆垛橫截面灰度圖像分成N個RoXRo像素的子區(qū)域，對每個子區(qū)域構(gòu)造 一個特征向量集Xi=(P，q，h)，其中，i = l，2,3, . . .，N，另外p、q和h分別為圖像相位一致向 量、紋理特征向量和灰度向量；
[0046] 步驟2.3,在特征向量集Xl中選取一部分目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域的特征向量 作為訓(xùn)練特征向量(Xj，yj)，其中，j e {1，2，3，...，N}，y」為類別標(biāo)志；
[0047] 步驟2.4，設(shè)A和B分別表示目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域，則利用SVM算法的線性最 優(yōu)判別函數(shù)公式對特征向量集^進(jìn)行分類，線性最優(yōu)判別函數(shù)公式為：
[0048] f(x) =sgn(w*x+b*) (1)
[0049] 式（1)中，w*與b*分別為SVM算法中所要求的為實現(xiàn)對所有訓(xùn)練樣本都正確分類所 求得的權(quán)重向量和常量的全局最優(yōu)解，將待分類的特征向量集Xi(i = 1，2，3，...N)帶入公 式(1)中，如果f (xi)的值為1，那么對應(yīng)的B屬于A類，否則xi屬于B類；
[0050] 步驟2.5,對被分類為A的所有子區(qū)域進(jìn)行二值化，然后利用Suzuki算法對所有A類 子區(qū)域進(jìn)行連通區(qū)域標(biāo)記，并分別計算其區(qū)域面積Si，再統(tǒng)計計算獲得所有A類子區(qū)域中的 最大面積Smax和最小面積Smin，再根據(jù)公式2計算對應(yīng)的最大圓度Cmax與最小圓度Cmin，公式 ⑵為：
[0051]
[0052]式(2)中，C為區(qū)域的圓度，S為區(qū)域的面積，p為區(qū)域的周長，將面積閾值范圍[Smin， Smax]代入式(2 ) 即可得圓度閾值范圍為[Cmin，Cmax];
[0053]步驟3,將每一根目標(biāo)鋼管的截面看作圖像中的一個類圓斑點，利用斑點檢測算法 對堆垛橫截面灰度圖像中的類圓斑點進(jìn)行識別，再利用圓度閾值范圍和面積閾值范圍對識 別結(jié)果進(jìn)行篩選獲得篩選斑點集合，最后統(tǒng)計篩選斑點集合內(nèi)的斑點個數(shù)即為識別的目標(biāo) 鋼管數(shù)，具體步驟為：
[0054]步驟3.1，通過連續(xù)的一組轉(zhuǎn)換閾值把輸入的堆垛橫截面灰度圖像轉(zhuǎn)換為一個二 值圖像集合{G^Gh . . .Gn}，轉(zhuǎn)換閾值范圍為[Thh]，t為轉(zhuǎn)換閾值的步長，則所有轉(zhuǎn)換閾值 為：
[0055] Ti，Ti+t，Ti+2t，Ti+3t，· · ·，T2 (3)
[0056] 由于原灰度圖像可以表示為一個包含若干行若干列的二維矩陣，矩陣中每個數(shù)據(jù) 點取值范圍為TgljT2，通過設(shè)定一個步長t，可以將總的閾值范圍[h，Τ 2 ]劃分為一組連續(xù)的 取值區(qū)間!^，!'#。1^+2^+31...，Τ2,基于每一個取值區(qū)間可以把原灰度圖像轉(zhuǎn)換為一個 二值圖像，表示該二值圖像的矩陣中每個點取值只能是0或1，因此在總的閾值范圍內(nèi)，原灰 度圖像就被轉(zhuǎn)換為若干個不同的二值圖像{GhGs，.. .Gn};
[0057]步驟3.2,利用Suzuki輪廓提取算法檢測二值圖像集合{Gi，G2, . . .Gn}中各個二值 圖像的邊界，再提取出每個轉(zhuǎn)換閾值對應(yīng)的二值圖像的連通區(qū)域，由邊界所圍成的不同的 連通區(qū)域就是該二值圖像Gk的斑點集合B k;
[0058 ]步驟3.3，以計算二值圖像零階距的方式計算斑點集合B k中每一個斑點b i k e B k的 斑點面積Slk，并計算斑點輪廓的周長plk，然后根據(jù)公式(2)計算對應(yīng)的圓度Clk，將同時滿足 公式(4)和(5)的斑點b ik加入篩選結(jié)果集，最終構(gòu)造篩選后的斑點集合V k;
[0059] Smax>Sik^Smin (4)
[0060] Cmax>Cik^Cmin (5)
[0061 ]步驟3.4，構(gòu)造堆垛橫截面灰度圖像的斑點檢測結(jié)果的集合21={21，22，...，2(?}， 設(shè)je {1，2,3,. ..，M}，Zj代表第j個灰度圖像斑點的候選斑點有序集，即Zj中的元素都是按 照斑點半徑從小到大排列的,?的構(gòu)造過程為，遍歷{&，6 2，..Χη}中的每一個二值圖像Gk的 斑點集合Vk，并重復(fù)如下步驟：
[0062] 步驟3.4.1，對于每一個bik e k，遍歷Ζτ中每一個灰度圖候選斑點集Zj e Ζτ，判斷 blk是否屬于新出現(xiàn)的灰度圖候選斑點，即不屬于Ζτ中任何一個已有的灰度圖候選斑點集， 判斷條件為：
[0063] Dik>Tb 且 Dik>Rs 且 DikSRik (6)
[0064] 式(6)中，Dik為bik的質(zhì)心坐標(biāo)(xik，y ik)與Z j中間位置的斑點bs的質(zhì)心坐標(biāo)(xs，y s) 之間的距離，Tb為二值圖像的斑點集合中不同斑點間的最小距離，當(dāng)兩個斑點間距離小于 該值被認(rèn)為是同一個斑點，Rs為斑點b s的半徑，Rik為斑點bik的半徑；
[0065] 步驟3.4.2,將滿足公式(6)的二值圖像斑點blk加入二值圖像Gk的新構(gòu)造的灰度圖 候選斑點集Z Nk中，對于不滿足條件(6)的blk，按照其半徑大小加入Z」的適當(dāng)位置，再將ZNk添 加到Ζτ中；
[0066] 步驟3.5，遍歷每個灰度圖像斑點的候選斑點有序集Zj e Ζτ，從中通過公式(7)計算 出其對應(yīng)的灰度圖的最終檢測結(jié)果特征點c j的中心坐標(biāo)(X j，y j)為：
[0067]
[0068] 式⑴中，（幻k，yjk)為Z沖第k個候選斑點的坐標(biāo)，L為Z沖元素的個數(shù)，特征點(^的 半徑心為1中排在中間位置的斑點的半徑；
[0069] 步驟3.6,計算輸出的所有特征點q的集合CT即為灰度圖像斑點檢測的最終結(jié)果 集，最后統(tǒng)計最終結(jié)果集中灰度圖像斑點的個數(shù)即為目標(biāo)鋼管個數(shù)。
[0070] 本發(fā)明的優(yōu)點在于：
[0071] (1)具有很強(qiáng)的抗干擾性和魯棒性，對圖像拍攝者的要求較低。
[0072] (2)對于包含大量鋼管目標(biāo)的圖像識別，在較低算法復(fù)雜度下，表現(xiàn)出優(yōu)秀的性 能，適合嵌入移動類設(shè)備實現(xiàn)實時計數(shù)。
【主權(quán)項】
1. 一種結(jié)合支持向量機(jī)闊值統(tǒng)計與斑點檢測的鋼管計數(shù)方法，其特征在于，包括如下 步驟： 步驟1，利用圖像灰度化方法將待識別的鋼管堆煤橫截面二維圖像處理為堆煤橫截面 灰度圖像； 步驟2,利用SVM算法對灰度圖像中目標(biāo)子區(qū)域與非目標(biāo)子區(qū)域進(jìn)行分類，再利用統(tǒng)計 方法對目標(biāo)子區(qū)域的圓度特征參數(shù)和面積特征參數(shù)進(jìn)行闊值統(tǒng)計，再根據(jù)闊值統(tǒng)計結(jié)果生 成圓度闊值范圍和面積闊值范圍； 步驟3,將每一根目標(biāo)鋼管的截面看作圖像中的一個類圓斑點，利用斑點檢測算法對堆 煤橫截面灰度圖像中的類圓斑點進(jìn)行識別，再利用圓度闊值范圍和面積闊值范圍對識別結(jié) 果進(jìn)行篩選獲得篩選斑點集合，最后統(tǒng)計篩選斑點集合內(nèi)的斑點個數(shù)即為識別的目標(biāo)鋼管 數(shù)。2. 根據(jù)權(quán)利要求1所述的結(jié)合支持向量機(jī)闊值統(tǒng)計與斑點檢測的鋼管計數(shù)方法，其特 征在于，步驟2的具體步驟為： 步驟2.1，利用梯度化U曲變換法檢測堆煤橫截面灰度圖像中所有的目標(biāo)圓，統(tǒng)計計算 所有目標(biāo)圓中的最小半徑，并將最小半徑作為鋼管的基準(zhǔn)半徑Ro; 步驟2.2，將堆煤橫截面灰度圖像分成N個Ro X Ro像素的子區(qū)域，對每個子區(qū)域構(gòu)造一個 特征向量集Xi=(P，q，h)，其中，i = l，2,3，. ..，N，另外p、q和h分別為圖像相位一致向量、紋 理特征向量和灰度向量； 步驟2.3，在特征向量集XI中選取一部分目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域的特征向量作為訓(xùn) 練特征向量(xj，yj)，其中，^'￡{1，2,3，...，的，7^為類別標(biāo)志； 步驟2.4,設(shè)A和B分別表示目標(biāo)子區(qū)域和非目標(biāo)子區(qū)域，則利用SVM算法的線性最優(yōu)判 別函數(shù)公式對特征向量集XI進(jìn)行分類，線性最優(yōu)判別函數(shù)公式為： f(x) = sgn(w*x+b*) (1) 式（1)中，*^與6^分別為5￥1算法中所要求的為實現(xiàn)對所有訓(xùn)練樣本都正確分類所求得 的權(quán)重向量和常量的全局最優(yōu)解，將待分類的特征向量集xi(i = l，2,3，...N)帶入公式（1) 中，如果f(xi)的值為1，那么對應(yīng)的XI屬于A類，否則XI屬于B類； 步驟2.5,對被分類為A的所有子區(qū)域進(jìn)行二值化，然后利用Suzuki算法對所有A類子區(qū) 域進(jìn)行連通區(qū)域標(biāo)記，并分別計算其區(qū)域面積Si，再統(tǒng)計計算獲得所有A類子區(qū)域中的最大 面積Smax和最小面積Smin，再根據(jù)公式2計算對應(yīng)的最大圓度Cmax與最小圓度Cmin，公式(2)為：(2) 式(2)中，C為區(qū)域的圓度，S為區(qū)域的面積，P為區(qū)域的周長，將面積闊值范圍[Smin，Smax] 代入式(2)即可得圓度闊值范圍為[Cmin，Cmax]。3. 根據(jù)權(quán)利要求2所述的結(jié)合支持向量機(jī)闊值統(tǒng)計與斑點檢測的鋼管計數(shù)方法，其特 征在于，步驟3的具體步驟為： 步驟3.1，通過連續(xù)的一組轉(zhuǎn)換闊值把輸入的堆煤橫截面灰度圖像轉(zhuǎn)換為一個二值圖 像集合{Gi，G2, . . .Gn}，轉(zhuǎn)換闊值范圍為[Τ?，Τ2]，t為轉(zhuǎn)換闊值的步長，則所有轉(zhuǎn)換闊值為： Ti，Ti+t，Ti巧t，Ti+3t，. . .，Τ2 (3) 步驟3.2,利用Suzuki輪廓提取算法檢測二值圖像集合{Gi，G2, . . .Gn}中各個二值圖像 的邊界，再提取出每個轉(zhuǎn)換闊值對應(yīng)的二值圖像的連通區(qū)域，由邊界所圍成的不同的連通 區(qū)域就是該二值圖像Gk的斑點集合化； 步驟3.3, W計算二值圖像零階距的方式計算斑點集合Bk中每一個斑點bike化的斑點面 積Sik，并計算斑點輪廓的周長pik，然后根據(jù)公式（2)計算對應(yīng)的圓度Cik，將同時滿足公式 (4)和(5)的斑點bik加入篩選結(jié)果集，最終構(gòu)造篩選后的斑點集合β/ k;步驟3.4,構(gòu)造堆煤橫截面灰度圖像的斑點檢測結(jié)果的集合Ζτ={Ζι，Ζ2,. . .，Zm}，設(shè)je {1，2,3,. . .，M} ,?代表第j個灰度圖像斑點的候選斑點有序集，即&中的元素都是按照斑點 半徑從小到大排列的； 步驟3.5,遍歷每個灰度圖像斑點的候選斑點有序集&eZT，從中通過公式(7)計算出其 對應(yīng)的灰度圖的最終檢測結(jié)果特征點cj的中屯、坐標(biāo)(xj，yj)為：巧 式(7)中，（X化，y化)為句中第k個候選斑點的坐標(biāo)，1為&中元素的個數(shù)，特征點cj的半徑 扣為&中排在中間位置的斑點的半徑； 步驟3.6,計算輸出的所有特征點cj的集合Ct即為灰度圖像斑點檢測的最終結(jié)果集，最 后統(tǒng)計最終結(jié)果集中灰度圖像斑點的個數(shù)即為目標(biāo)鋼管個數(shù)。4.根據(jù)權(quán)利要求3所述的結(jié)合支持向量機(jī)闊值統(tǒng)計與斑點檢測的鋼管計數(shù)方法，其特 征在于，步驟3.4中，&的構(gòu)造過程為，遍歷{Gi，G2，...Gn}中的每一個二值圖像Gk的斑點集合 B^k，并重復(fù)如下步驟： 步驟3.4.1，對于每一個bike β/ k，遍歷Ζτ中每一個灰度圖候選斑點集Zj e Ζτ，判斷bik是 否屬于新出現(xiàn)的灰度圖候選斑點，即不屬于Ζτ中任何一個已有的灰度圖候選斑點集，判斷 條件為： 0化>打且化k>Rs且化k^Rik (6) 式(6)中，Dik為bik的質(zhì)屯、坐標(biāo)(xik，yik)與Zj中間位置的斑點bs的質(zhì)屯、坐標(biāo)(xs，ys)之間 的距離，Tb為二值圖像的斑點集合中不同斑點間的最小距離，當(dāng)兩個斑點間距離小于該值 被認(rèn)為是同一個斑點，私為斑點bs的半徑，Rik為斑點bik的半徑； 步驟3.4.2,將滿足公式(6)的二值圖像斑點bik加入二值圖像Gk的新構(gòu)造的灰度圖候選 斑點集ZNk中，對于不滿足條件(6)的bik，按照其半徑大小加入Z撕適當(dāng)位置，再將加添加到 幻中。
【文檔編號】G06K9/62GK105976390SQ201610356789
【公開日】2016年9月28日
【申請日】2016年5月25日
【發(fā)明人】郁云, 魏瑾, 徐堅
【申請人】南京信息職業(yè)技術(shù)學(xué)院