[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113643290B - 一种基于图像处理的吸管计数方法、装置及存储介质 - Google Patents

一种基于图像处理的吸管计数方法、装置及存储介质 Download PDF

Info

Publication number
CN113643290B
CN113643290B CN202111194929.9A CN202111194929A CN113643290B CN 113643290 B CN113643290 B CN 113643290B CN 202111194929 A CN202111194929 A CN 202111194929A CN 113643290 B CN113643290 B CN 113643290B
Authority
CN
China
Prior art keywords
image
straw
matching
sample
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111194929.9A
Other languages
English (en)
Other versions
CN113643290A (zh
Inventor
徐建海
王美兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Changya New Material Technology Co ltd
Original Assignee
Ningbo Changya New Material Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningbo Changya New Material Technology Co ltd filed Critical Ningbo Changya New Material Technology Co ltd
Priority to CN202111194929.9A priority Critical patent/CN113643290B/zh
Publication of CN113643290A publication Critical patent/CN113643290A/zh
Application granted granted Critical
Publication of CN113643290B publication Critical patent/CN113643290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于图像处理的吸管计数方法、装置及存储介质，方法包括：获取端面图像，所述端面图像包括待计数的多个吸管的端面；根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；根据所述封闭边缘轮廓生成样本集；根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板；将所述权值模板集合中的所述吸管匹配模板与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。本发明提高了吸管计数的准确度。

Description

一种基于图像处理的吸管计数方法、装置及存储介质
技术领域
本发明涉及吸管生产技术领域，具体而言，涉及一种基于图像处理的吸管计数方法、装置及存储介质。
背景技术
传统的吸管包装过程中，一般采用人工计数或称重法对吸管数量进行计数。但是人工计数劳动量大、计数效率低；称重法则计数准确性较差。
随着图像处理技术的不断发展，目前已有通过图像处理技术进行吸管计数，常用的图像处理方法包括基于块的检测计数方法，基于霍夫（Hough）变换的圆检测方法和基于最小二乘圆拟合的计数方法等。
基于块的检测计数方法是将吸管横截面图像区域当作一个个独立的块，通过相应的增强处理和形态学操作对目标进行分割，然后计算图像中独立块的个数，即得到吸管的数量。基于块的检测计数方法运算速度较快，但对于吸管因挤压变形等情景下的吸管检测和计数效果不理想。
基于霍夫变换的圆检测方法是检测圆或椭圆的一种实用有效的方法，其实质是将图像的空间问题转换为参数空间的映射问题，将空间中难以全局检测的问题转换为参数空间中的简单峰值问题，表现为从空间坐标系向极坐标系的变换。但基于霍夫变换的圆检测方法存在如下缺点：一是占用内存大，不适合于工业生产线上吸管的快速计数；二是吸管壁薄容易挤压变形，而基于霍夫变换的圆检测方法对不规则的类圆物体检测效果不佳。
基于最小二乘椭圆拟合的计数方法该种方法是较为常见的椭圆拟合方法。最小二乘法是在随机误差为正态分布时，由最大似然法推出的一个最优估计方法，它可使测量误差的平方和最小。吸管计数中采用的拟合方法是对提取的吸管边缘图像点进行函数拟合，来检测所测边缘是否为待检测的边缘，通过检查每一条边，确定正确的边缘个数，得到吸管的根数。对模型的椭圆方程进行拟合，由连续的边缘点构建该边缘的椭圆拟合函数。若拟合函数得到的椭圆参数判断为椭圆，则方程解得的参数得到椭圆的描述参数。但这样会将包含较大误差样本点在内的所有样本点直接用最小二乘法进行椭圆拟合，误差较大。
这些方法在对吸管进行计数时，计数准确度都不太高。
发明内容
本发明解决的问题是如何提高吸管计数的准确度。
为解决上述问题，本发明提供一种基于图像处理的吸管计数方法、装置及存储介质。
第一方面，本发明提供了一种基于图像处理的吸管计数方法，包括：
获取端面图像，所述端面图像包括待计数的多个吸管的端面；
根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；
根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；
根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数；
根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板；
将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
可选地，所述根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理包括：
对所述端面图像进行灰度化处理，获得灰度图像；
采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强，获得第一增强图像；
对所述第一增强图像进行中值滤波，获得滤波图像；
采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像；
对所述第二增强图像进行均值滤波，获得所述预处理后的图像。
可选地，所述采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强包括：
按照预设顺序在所述预处理后的图像中依次选择像素点作为待处理像素点；
根据所述待处理像素点生成比较序列；
确定所述比较序列和预先确定的参考序列之间的灰色关联度；
将所述灰色关联度和预设阈值进行对比，根据对比结果确定所述待处理像素点是否为边缘点；
若是，则不做处理；若否，则调整所述待处理像素点的像素值，以抑制噪声。
可选地，所述采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像包括：
对所述滤波图像进行灰度开运算，获得开运算后的图像，其中，所述灰度开运算包括通过结构元素对所述滤波图像依次进行腐蚀处理和膨胀处理；
根据所述开运算后的图像对所述滤波图像进行简化，获得所述第二增强图像。
可选地，所述根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓包括：
采用Canny算子提取所述预处理后的图像中的吸管轮廓边缘，根据所述吸管轮廓边缘进行形态学孔洞填充，获得填充图像；
对所述填充图像中的吸管边缘进行提取，获得与各个所述吸管对应的所述封闭边缘轮廓。
可选地，所述根据所述封闭边缘轮廓生成样本集包括：
分别计算各个所述封闭边缘轮廓的所述几何参数，所述几何参数包括质心坐标和半径；
将各个所述封闭边缘轮廓的所述质心坐标和所述半径组成所述样本集，并确定样本范围，所述样本范围包括所有的所述封闭边缘轮廓。
可选地，所述根据所述样本集进行形态学重构，生成权值模板集合包括：
对所述预处理后的图像中的所述样本范围进行消除负值影响的处理，获得关于孔洞集合的样本图像，所述孔洞集合包括所述预处理后的图像中八连通点阵组成的闭合圈内的像素点集；
根据所述样本图像和所述样本集进行形态学重构，确定所述样本图像中的各个前景图形；
确定各个所述前景图形的几何中心点，并根据所述几何中心点计算各个所述前景图形的偏移量；
根据所述偏移量对各个所述前景图形进行偏移聚中处理，获得所述权值模板集合，所述权值模板集合包括多个处理后的前景图形，每个所述处理后的前景图形为一个所述吸管匹配模板。
可选地，所述将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配包括：
将所述权值模板集合中的各个所述处理后的前景图形分别与所述预处理后的图像进行卷积，获得匹配图像；
采用阈值分割法在所述匹配图像中确定匹配图形，对所述匹配图形进行计数，获得所述吸管的数量。
第二方面，本发明提供了一种基于图像处理的吸管计数装置，包括：
获取模块，用于获取端面图像，所述端面图像包括待计数的多个吸管的端面；
增强模块，用于根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；
提取模块，用于根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；
处理模块，用于根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数；
重构模块，用于根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板；
计数模块，用于将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于图像处理的吸管计数方法。
本发明的基于图像处理的吸管计数方法、装置及存储介质的有益效果是：获取包括待计数的多个吸管的端面的图像，通过场景图像灰度增强算法和灰度形态学增强算法对端面图像进行联合增强预处理，能够增强端面图像的质量，减少端面图像中的噪声，以提高后续吸管计数的准确度。可根据形态学孔洞填充算法对吸管边缘轮廓中的孔洞进行填充，再进行封闭边缘轮廓提取，能够提取到完整且封闭的吸管边缘轮廓，不仅能够实现对圆形的吸管边缘轮廓的提取，也可以提取不规则形状的吸管边缘轮廓，防止提取到不完整的吸管边缘轮廓，影响后续吸管计数的准确度。根据封闭边缘轮廓生成样本集，并根据样本集进行形态学重构，生成权值模板集合，权值模板集合包括多个吸管匹配模板，将各个吸管匹配模板与预处理后的图像中的封闭边缘轮廓进行匹配，匹配成功，则表示该封闭边缘轮廓对应一个吸管，根据匹配结果就可快速确定出待计数的吸管的数量。本发明的技术方案提高了吸管计数的准确度，并且能对挤压变形的吸管进行计数，适用性强。
附图说明
图1为本发明实施例的一种基于图像处理的吸管计数方法的流程示意图；
图2为本发明实施例的一种基于图像处理的吸管计数装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
如图1所示，本发明实施例提供的一种基于图像处理的吸管计数方法，包括：
步骤S110，获取端面图像，所述端面图像包括待计数的多个吸管的端面。
具体地，由于不同吸管的粗细、长短和形状不一，差别较大，而吸管的端面通常为圆形或椭圆形，因此对吸管的端面进行识别和检测比对吸管的其它特征进行识别更加简单和准确。可采用高帧率的相机对待计数的吸管的端面进行拍摄，获得端面图像，可用于检测吸管生产环节中传送带上的吸管，或吸管包装环节中捆扎的吸管。
步骤S120，根据场景图像灰度增强算法（Gray Enhancement of Scene Image，GESI）和灰度形态学增强算法（Gray Morphology Enhancement，GME）对所述端面图像进行联合增强预处理，获得预处理后的图像。
具体地，对端面图像进行联合增强预处理，去除端面图像中的噪声和无用信息，能够减少后续计算量，同时增强场景图像的质量。
步骤S130，根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓。
步骤S140，根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数。
步骤S150，根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板。
步骤S160，将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
本实施例中，获取包括待计数的多个吸管的端面的图像，通过场景图像灰度增强算法和灰度形态学增强算法对端面图像进行联合增强预处理，能够增强端面图像的质量，减少端面图像中的噪声，以提高后续吸管计数的准确度。可根据形态学孔洞填充算法对吸管边缘轮廓中的孔洞进行填充，再进行封闭边缘轮廓提取，能够提取到完整且封闭的吸管边缘轮廓，不仅能够实现对圆形的吸管边缘轮廓的提取，也可以提取不规则形状的吸管边缘轮廓，防止提取到不完整的吸管边缘轮廓，影响后续吸管计数的准确度。根据封闭边缘轮廓生成样本集，并根据样本集进行形态学重构，生成权值模板集合，权值模板集合包括多个吸管匹配模板，将各个吸管匹配模板与预处理后的图像中的封闭边缘轮廓进行匹配，匹配成功，则表示该封闭边缘轮廓对应一个吸管，根据匹配结果就可快速确定出待计数的吸管的数量。本发明的技术方案提高了吸管计数的准确度，并且能对挤压变形的吸管进行计数，适用性强。
可选地，所述根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理包括：
对所述端面图像进行灰度化处理，获得灰度图像。
具体地，将端面图像从RGB颜色空间转换到YUV颜色空间，其中，Y表示端面图像中像素点的亮度，反映的是该像素点的灰色等级，RGB颜色空间到YUV颜色空间的转换关系如第一公式所示，所述第一公式包括：
Figure DEST_PATH_IMAGE002
，
建立亮度Y与端面图像的三个颜色分量R（红色）、G（绿色）和B（蓝色）的对应关系，根据对应关系将端面图像转换为灰度图像，对应关系如第二公式所示：
Figure DEST_PATH_IMAGE004
。
采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强，获得第一增强图像。
对所述第一增强图像进行中值滤波，获得滤波图像。
具体地，在采用场景图像灰度增强算法对灰度图像进行部分处理后，再对处理后的第一增强图像进行中值滤波，能够对剩余噪声进行平均。
采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像；
对所述第二增强图像进行均值滤波，获得所述预处理后的图像。
具体地，对第二增强图像进行均值滤波，能够去除灰度形态学增强算法带来的伪边缘效应，使得预处理后的图像具有更好的增强效果。
可选地，所述采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强包括：
按照预设顺序在所述预处理后的图像中依次选择像素点作为待处理像素点。
根据所述待处理像素点生成比较序列。
具体地，平坦区域为预处理后的图像中圆形端面区域内非边缘上的点的集合，可获取预处理后的图像中平坦区域的像素及其领域像素点确定参考序列，例如假设像素点
Figure DEST_PATH_IMAGE006
为平坦区域的一个像素，表示预处理后的图像中的第i行第j列的像素点，则根据像素点
Figure DEST_PATH_IMAGE007
及其四邻域像素点生成参考序列，参考序列为
Figure DEST_PATH_IMAGE009
。当待处理像素点不是预处理后的图像的四条边上的像素点时，根据待处理像素点及其四领域像素点生成比较序列。当待处理像素点为预处理后的图像的四条边上的像素点时，将所述待处理像素点相邻行或列上相应位置的像素值作为该待处理像素点缺失的领域像素点，生成比较序列。
确定所述比较序列和预先确定的参考序列之间的灰色关联度；
将所述灰色关联度和预设阈值进行对比，根据对比结果确定所述待处理像素点是否为边缘点。
具体地，利用灰色关联度识别出预处理后的图像中的边缘点和非边缘点，灰色关联度用于确定比较序列和参考序列之间的关联程度。
若是，则不做处理；若否，则调整所述待处理像素点的像素值，以抑制噪声。
具体地，将预处理后的图像中的所有像素点看作两个集合，即边缘点集合和非边缘点集合，非边缘点集合包括吸管端面内的内部点和非吸管端面内的噪声点。根据待处理像素点确定比较序列，并确定参考序列来区分内部点和噪声点。通过计算两个序列之间的灰色关联度来识别待处理像素点所属的集合，当待处理像素点为边缘点时，该待处理像素点的值保持不变，边缘信息不变。当待处理像素点为非边缘点时，调整该待处理像素点的像素值，增强灰度，抑制噪声，并增强内部点之间的相似性。
本可选的实施例中，通过场景图像灰度增强算法对预处理后的图像进行处理，能够突出吸管端面边缘点的特征，有利于后续进行图像识别和吸管计数。
可选地，所述采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像包括：
对所述滤波图像进行灰度开运算，获得开运算后的图像，其中，所述灰度开运算包括通过结构元素对所述滤波图像依次进行腐蚀处理和膨胀处理。
根据所述开运算后的图像对所述滤波图像进行简化，获得所述第二增强图像。
具体地，在数学形态学中，其基本变换都是利用基本对称结构进行迭代运算的，最基本的形状有正方形、长方形和钻石型等，具有上述基本形状的矩阵叫做结构元素，可采用结构元素进行腐蚀和膨胀等运算。例如，二位结构元素可以理解为一个二维矩阵，矩阵元素的值为0或者1，通常结构元素要小于待处理的图像。
假设滤波图像f（x, y）被量化为任意数量的灰度级，根据灰度图像膨胀的极值法，通过结构元素b对图像f（x, y）的腐蚀处理和膨胀处理，腐蚀处理可采用第三公式表示：
Figure DEST_PATH_IMAGE011
，
其中，
Figure DEST_PATH_IMAGE013
为腐蚀后的图像，
Figure DEST_PATH_IMAGE015
为滤波图像的像素中心点坐标。
膨胀处理可采用第四公式表示：
Figure DEST_PATH_IMAGE017
，
其中，
Figure DEST_PATH_IMAGE019
为膨胀后的图像。
因此，对滤波图像f（x, y）进行灰度开运算可采用第五公式进行表示：
Figure DEST_PATH_IMAGE021
，
其中，
Figure DEST_PATH_IMAGE023
为开运算后的图像。
根据所述开运算后的图像可采用第六公式对所述滤波图像进行简化，第六公式包括：
Figure DEST_PATH_IMAGE025
，
其中，
Figure DEST_PATH_IMAGE027
为所述第二增强图像。
本可选的实施例中，对滤波图像依次进行腐蚀处理和膨胀处理，能够滤波结构元素的较弱的明亮细节，即通过开运算移除滤波图像中黑暗背景上的明亮噪点，同时可以保持图像整体灰度和较为明亮的区域信息不变，便于在图像中提取目标特征，降低噪点对吸管计数的影响，有利于后续进行吸管计数，提高了计数准确度。
可选地，所述根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓包括：
采用Canny算子提取所述预处理后的图像中的吸管轮廓边缘，根据所述吸管轮廓边缘进行形态学孔洞填充，获得填充图像；
对所述填充图像中的吸管边缘进行提取，获得与各个所述吸管对应的所述封闭边缘轮廓。
本可选的实施例中，可采用Canny算子等对填充图像中的吸管边缘进行提取，采用Canny算子直接提取预处理后的图像中的吸管轮廓边缘时，提取的轮廓不一定时完整且封闭的，并且提取的轮廓边缘经常会出现锯齿状的波动，不利于后续进行吸管计数。通过根据吸管轮廓边缘进行形态学孔洞填充，然后对填充图像中的吸管边缘进行提取，可以提取到更加理想的吸管边缘轮廓，能够提高吸管计数准确度。
可选地，所述根据所述封闭边缘轮廓生成样本集包括：
分别计算各个所述封闭边缘轮廓的所述几何参数，所述几何参数包括质心坐标和半径；
将各个所述封闭边缘轮廓的所述质心坐标和所述半径组成所述样本集，并确定样本范围，所述样本范围包括所有的所述封闭边缘轮廓。
具体地，对于任一封闭边缘轮廓
Figure DEST_PATH_IMAGE029
，
Figure DEST_PATH_IMAGE031
为所有封闭边缘轮廓组成的集合，根据第七公式计算该封闭边缘轮廓的质心坐标，第七公式包括：
Figure DEST_PATH_IMAGE033
，
其中，
Figure DEST_PATH_IMAGE035
为该封闭边缘轮廓中的任意一点的坐标，
Figure DEST_PATH_IMAGE037
为该封闭边缘轮廓的质心坐标。根据质心坐标可采用几何测量的方法确定该封闭边缘轮廓的半径。
可选地，所述根据所述样本集进行形态学重构，生成权值模板集合包括：
对所述预处理后的图像中的所述样本范围进行消除负值影响的处理，获得关于孔洞集合的样本图像，所述孔洞集合包括所述预处理后的图像中八连通点阵组成的闭合圈内的像素点集。
具体地，对预处理后的图像中的样本范围求二次方，以消除样本范围的负值影响。
根据所述样本图像和所述样本集进行形态学重构，确定所述样本图像中的各个前景图形。
具体地，采用3×3的块对样本图像进行扫描，并用计数器记录块覆盖的9个像素点中，灰度值为255的点的个数。对于扫描到样本图像中的任一待处理的像素点时，即块的中心点位于所述待处理的像素点，若块覆盖的9个像素点中有至少5个像素点的灰度值为255，则认定该待处理的像素点为前景像素点，将该待处理的像素点的灰度值赋值为255，否则，认定该待处理的像素点为背景像素点，所有前景像素点组成前景图形。
确定各个所述前景图形的几何中心点，并根据所述几何中心点计算各个所述前景图形的偏移量。
具体地，对于任一前景图形
Figure DEST_PATH_IMAGE039
，采用第八公式计算该前景图形的几何中心点，所述第八公式包括：
Figure DEST_PATH_IMAGE041
，
其中，
Figure DEST_PATH_IMAGE043
为前景图形
Figure DEST_PATH_IMAGE045
的几何中心点，
Figure DEST_PATH_IMAGE047
为前景图形
Figure DEST_PATH_IMAGE048
中各个点的横坐标组成的集合，
Figure DEST_PATH_IMAGE050
为前景图形
Figure 762478DEST_PATH_IMAGE045
中各个点的纵坐标组成的集合。
假设前景图形
Figure 679618DEST_PATH_IMAGE045
的长为m，宽为n，则前景图形
Figure 193776DEST_PATH_IMAGE045
的偏移量包括：
Figure DEST_PATH_IMAGE052
，
其中，
Figure DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE056
为偏移量。
根据所述偏移量对各个所述前景图形进行偏移聚中处理，获得所述权值模板集合，所述权值模板集合包括多个处理后的前景图形，每个所述处理后的前景图形为一个所述吸管匹配模板。
具体地，对于各个前景图形
Figure DEST_PATH_IMAGE057
，采用第九公式进行偏移聚中处理，第九公式包括：
Figure DEST_PATH_IMAGE059
，
其中，n为前景图形的数量，
Figure DEST_PATH_IMAGE061
为权值模板集合。
可选地，所述将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配包括：
将所述权值模板集合中的各个所述处理后的前景图形分别与所述预处理后的图像进行卷积，获得匹配图像；
采用阈值分割法在所述匹配图像中确定匹配图形，对所述匹配图形进行计数，获得所述吸管的数量。
具体地，根据实际情况设置阈值，将各个像素点的灰度值与阈值进行对比，当像素点的灰度值大于阈值时，则该像素点为目标像素点，当像素点的灰度值小于或等于阈值时，则该像素点不是目标像素点。目标像素点组成匹配图形，对每个匹配图形的中心点进行计数，就可以得到吸管的数量。
将权值模板集合中的各个处理后的前景图形分别与预处理后的图形中封闭边缘轮廓进行匹配，即将吸管匹配模板与预处理后的图形中的吸管边缘轮廓进行匹配。
本可选的实施例中，基于形态学孔洞填充算法在预处理后的图像中提取吸管的边缘轮廓，能够提取出完整的、封闭的边缘轮廓，避免提取的轮廓不完整导致的计数错误，提高了计数准确度。去除非目标的背景噪声和轮廓，然后检测封闭边缘轮廓的数量即可确定吸管的数量，提高了计数速度和计数准确度。
如图2所示，本发明实施例提供的一种基于图像处理的吸管计数装置，包括：
获取模块，用于获取端面图像，所述端面图像包括待计数的多个吸管的端面；
增强模块，用于根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；
提取模块，用于根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；
处理模块，用于根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数；
重构模块，用于根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板；
计数模块，用于将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
本发明又一实施例提供的一种电子设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的基于图像处理的吸管计数方法。
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于图像处理的吸管计数方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种基于图像处理的吸管计数方法，其特征在于，包括：
获取端面图像，所述端面图像包括待计数的多个吸管的端面；
根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；
根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；
根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数；
根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板，其中，所述根据所述样本集进行形态学重构包括：根据所述预处理后的图像进行消除负值影响的处理，获得样本图像；根据所述样本图像和所述样本集进行形态学重构，确定所述样本图像中的各个前景图形；对各个所述前景图形进行偏移聚中处理，获得所述权值模板集合；
将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
2.根据权利要求1所述的基于图像处理的吸管计数方法，其特征在于，所述根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理包括：
对所述端面图像进行灰度化处理，获得灰度图像；
采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强，获得第一增强图像；
对所述第一增强图像进行中值滤波，获得滤波图像；
采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像；
对所述第二增强图像进行均值滤波，获得所述预处理后的图像。
3.根据权利要求2所述的基于图像处理的吸管计数方法，其特征在于，所述采用场景图像灰度增强算法对所述灰度图像进行去噪和边缘信息加强包括：
按照预设顺序在所述预处理后的图像中依次选择像素点作为待处理像素点；
根据所述待处理像素点生成比较序列；
确定所述比较序列和预先确定的参考序列之间的灰色关联度；
将所述灰色关联度和预设阈值进行对比，根据对比结果确定所述待处理像素点是否为边缘点；
若是，则不做处理；若否，则调整所述待处理像素点的像素值，以抑制噪声。
4.根据权利要求2所述的基于图像处理的吸管计数方法，其特征在于，所述采用灰度形态学增强算法去除所述滤波图像中的噪点，获得第二增强图像包括：
对所述滤波图像进行灰度开运算，获得开运算后的图像，其中，所述灰度开运算包括通过结构元素对所述滤波图像依次进行腐蚀处理和膨胀处理；
根据所述开运算后的图像对所述滤波图像进行简化，获得所述第二增强图像。
5.根据权利要求1至4任一项所述的基于图像处理的吸管计数方法，其特征在于，所述根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓包括：
采用Canny算子提取所述预处理后的图像中的吸管轮廓边缘，根据所述吸管轮廓边缘进行形态学孔洞填充，获得填充图像；
对所述填充图像中的吸管边缘进行提取，获得与各个所述吸管对应的所述封闭边缘轮廓。
6.根据权利要求1至4任一项所述的基于图像处理的吸管计数方法，其特征在于，所述根据所述封闭边缘轮廓生成样本集包括：
分别计算各个所述封闭边缘轮廓的所述几何参数，所述几何参数包括质心坐标和半径；
将各个所述封闭边缘轮廓的所述质心坐标和所述半径组成所述样本集，并确定样本范围，所述样本范围包括所有的所述封闭边缘轮廓。
7.根据权利要求6所述的基于图像处理的吸管计数方法，其特征在于，所述根据所述样本集进行形态学重构，生成权值模板集合包括：
对所述预处理后的图像中的所述样本范围进行消除负值影响的处理，获得关于孔洞集合的样本图像，所述孔洞集合包括所述预处理后的图像中八连通点阵组成的闭合圈内的像素点集；
根据所述样本图像和所述样本集进行形态学重构，确定所述样本图像中的各个前景图形；
确定各个所述前景图形的几何中心点，并根据所述几何中心点计算各个所述前景图形的偏移量；
根据所述偏移量对各个所述前景图形进行偏移聚中处理，获得所述权值模板集合，所述权值模板集合包括多个处理后的前景图形，每个所述处理后的前景图形为一个所述吸管匹配模板。
8.根据权利要求7所述的基于图像处理的吸管计数方法，其特征在于，所述将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配包括：
将所述权值模板集合中的各个所述处理后的前景图形分别与所述预处理后的图像进行卷积，获得匹配图像；
采用阈值分割法在所述匹配图像中确定匹配图形，对所述匹配图形进行计数，获得所述吸管的数量。
9.一种基于图像处理的吸管计数装置，其特征在于，包括：
获取模块，用于获取端面图像，所述端面图像包括待计数的多个吸管的端面；
增强模块，用于根据场景图像灰度增强算法和灰度形态学增强算法对所述端面图像进行联合增强预处理，获得预处理后的图像；
提取模块，用于根据形态学孔洞填充算法提取所述预处理后的图像中所述吸管的封闭边缘轮廓；
处理模块，用于根据所述封闭边缘轮廓生成样本集，所述样本集包括各个所述封闭边缘轮廓的几何参数；
重构模块，用于根据所述样本集进行形态学重构，生成权值模板集合，所述权值模板集合包括多个吸管匹配模板，其中，所述根据所述样本集进行形态学重构包括：根据所述预处理后的图像进行消除负值影响的处理，获得样本图像；根据所述样本图像和所述样本集进行形态学重构，确定所述样本图像中的各个前景图形；对各个所述前景图形进行偏移聚中处理，获得所述权值模板集合；
计数模块，用于将所述权值模板集合中的各个所述吸管匹配模板分别与所述预处理后的图像中的所述封闭边缘轮廓进行匹配，根据匹配结果确定所述吸管的数量。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至8任一项所述的基于图像处理的吸管计数方法。
CN202111194929.9A 2021-10-14 2021-10-14 一种基于图像处理的吸管计数方法、装置及存储介质 Active CN113643290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194929.9A CN113643290B (zh) 2021-10-14 2021-10-14 一种基于图像处理的吸管计数方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194929.9A CN113643290B (zh) 2021-10-14 2021-10-14 一种基于图像处理的吸管计数方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113643290A CN113643290A (zh) 2021-11-12
CN113643290B true CN113643290B (zh) 2022-04-08

Family

ID=78426747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194929.9A Active CN113643290B (zh) 2021-10-14 2021-10-14 一种基于图像处理的吸管计数方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113643290B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619811B (zh) * 2022-12-16 2023-04-14 北京远舢智能科技有限公司 一种烟支数量的确定方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056118B (zh) * 2016-06-12 2018-08-24 合肥工业大学 一种用于细胞的识别计数方法
CN207895488U (zh) * 2018-02-07 2018-09-21 楼东来 一种吸管自动计数装置
CN108765436A (zh) * 2018-04-21 2018-11-06 卞家福 基于改进Roberts算子的不规则饮料瓶码放图像边缘检测方法

Also Published As

Publication number Publication date
CN113643290A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN108898610B (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN108229475B (zh) 车辆跟踪方法、系统、计算机设备及可读存储介质
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN108171688B (zh) 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN107490582B (zh) 一种流水线工件检测系统
CN112132153B (zh) 基于聚类和形态学处理的番茄果实识别方法及系统
CN108846844B (zh) 一种基于海天线的海面目标检测方法
CN111489337B (zh) 一种自动光学检测伪缺陷去除方法及系统
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN117911419A (zh) 中厚板转钢角度增强检测方法及装置、介质、设备
CN112052859A (zh) 一种自由场景下的车牌精准定位方法及装置
CN104408430B (zh) 一种车牌定位方法及装置
CN115511884B (zh) 基于计算机视觉的冲孔复合模表面质量检测方法
CN117372487A (zh) 图像配准方法、装置、计算机设备和存储介质
CN111353324A (zh) 玻璃内部点阵二维码读取方法
CN107704864A (zh) 基于图像对象性语义检测的显著目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 315221 No. 766, Dongsheng Road, Jiaochuan street, Zhenhai District, Ningbo City, Zhejiang Province (one photo multiple address)

Applicant after: Ningbo changya New Material Technology Co.,Ltd.

Address before: 315221 No. 766, Dongsheng Road, Jiaochuan street, Zhenhai District, Ningbo City, Zhejiang Province

Applicant before: Changya New Materials Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant