洪漢玉，王 澍，朱 浩，俞喆俊

（武漢工程大學(xué)圖像處理與智能控制實(shí)驗(yàn)室，湖北 武漢 430205）

0 引 言

鋼鐵行業(yè)的智能化發(fā)展日新月異.由于傳統(tǒng)的噴印型字符（見圖1（a））在運(yùn)輸與存放過程中容易因外界原因?qū)е聯(lián)p毀，造成字符識(shí)別工作中出現(xiàn)非算法原因的檢測錯(cuò)誤，嚴(yán)重影響了實(shí)際檢測的穩(wěn)定性，于是嵌入型鋼坯字符被提出運(yùn)用到實(shí)際生產(chǎn)中去.嵌入型鋼坯字符（見圖1（b））在鋼坯出爐階段由機(jī)器打印嵌入鋼坯母體，能夠長時(shí)間穩(wěn)定地保持字符特征，對(duì)鋼坯生產(chǎn)線的智能管理有著長遠(yuǎn)的意義.在新型生產(chǎn)線上，已實(shí)現(xiàn)對(duì)鋼坯端面的精準(zhǔn)定位，將圖像鎖定在端面范圍內(nèi)，工作的重點(diǎn)是對(duì)鋼坯端面上字符信息的提取.由于嵌入型鋼坯字符區(qū)域?qū)Ρ榷群艿?，灰度值與端面背景基本一致，使得傳統(tǒng)的遞歸分割方法無法完成其字符信息的提取工作，因此對(duì)字符邊緣輪廓信息的提取是解決問題唯一的途徑.輪廓提取工作的主要困難是由嵌入型鋼坯號(hào)邊緣本身較低的對(duì)比度、打印時(shí)形成的無效邊緣及鋼坯端面過多的背景噪聲帶來.用于邊緣信息檢測的經(jīng)典方法有：Marr 和 Hildreth提出的LoG算子［1－3］，John Canny提出的Canny算子［4］等.上述方法是基于實(shí)際邊緣的邊緣檢測算法，對(duì)有特定提取要求的圖像有很大的局限性，運(yùn)用于嵌入型鋼坯號(hào)輪廓提取的結(jié)果很不理想.

針對(duì)上述問題，利用基于輪廓測度的LoG算子獲得閉合的字符輪廓信息，將閉合區(qū)域填充后對(duì)提取出的候選區(qū)域建立定量篩選模型，根據(jù)字符與非字符區(qū)域形態(tài)學(xué)特征上的差異提取出目標(biāo)字符區(qū)域.研究結(jié)果表明，基于輪廓測度的LoG算子有著很好的穩(wěn)定性和準(zhǔn)確性，解決了低對(duì)比度條件下嵌入型鋼坯字符提取的關(guān)鍵技術(shù)問題.

圖1 噴印鋼坯字符與嵌入型鋼坯字符Fig.1 Printed billet characters and embedded billet characters

1 嵌入型鋼坯字符邊緣的檢測

1.1 基于輪廓測度的LoG算子

高斯型拉普拉斯算子（Laplacian of Gaussian）主要利用圖像二階導(dǎo)數(shù)的零交叉點(diǎn)來獲取圖像邊緣，檢測到的邊緣強(qiáng)度較好，但對(duì)有特定提取要求的圖像有較大的局限性.鋼坯字符主要由阿拉伯?dāng)?shù)字與英文字母組成，其信息主要分布在水平、豎直和傾斜的幾個(gè)大方向，對(duì)此提出了基于輪廓測度的LoG算子.

LoG算子的主要原理是把拉普拉斯算子與高斯平滑［5］濾波器結(jié)合起來進(jìn)行邊緣檢測.首先對(duì)圖像進(jìn)行高斯平滑濾波，再對(duì)濾波過后的圖像求二階導(dǎo)數(shù)的零交叉點(diǎn)來確定圖像的邊緣.二維高斯函數(shù)和它的二階偏導(dǎo)如式（1）所示：

輪廓的測度主要體現(xiàn)在圖像與濾波器作卷積的模版選取上.根據(jù)公式（4）對(duì)原圖f（x，y）取水平與豎直，傾斜45°與傾斜135°的卷積模版分別與h1（x）h2（y）＋h2（x）h1（y）作卷積：

其中，i的取值為1與2兩個(gè)數(shù)，則有：

1.2 零交叉點(diǎn)檢測

圖2（a）為在方向D上一個(gè)理想的邊緣狀況的示意圖，在邊界點(diǎn)灰度值從a躍升到b.通過LoG算子進(jìn)行卷積處理后，求取到圖像的二階導(dǎo)數(shù)，邊緣情況如圖2（b）所示.圖像邊緣情況表現(xiàn)為零交叉點(diǎn)：低灰度值部分h（x，y）＞0，高灰度值h（x，y）＜0，相素的值分布在0上下較小的范圍內(nèi).

圖2 基于LoG算子的邊緣響應(yīng)示意圖Fig.2 Response of edges to LoG masks

基本的零交叉點(diǎn)檢測方法為如相鄰2個(gè)相素點(diǎn)的符號(hào)異同或者如當(dāng)前點(diǎn)像素值為0，并在其四領(lǐng)域中有兩個(gè)像素符號(hào)相反，則定義像素值絕對(duì)值最小的點(diǎn)為邊緣.本文采用基于Predicate的3×3鄰域謂詞模版［6］，將其與定義好的4種中不同情形的模版相比較，如果匹配就在正確的相素位置上確定邊緣.

在對(duì)卷積圖像中零交叉點(diǎn)的檢測即是邊緣檢測.因此，通過以上的處理可獲得鋼坯字符的邊緣輪廓信息.目標(biāo)區(qū)域基本信息的完好表達(dá)與對(duì)背景噪聲的有效抑制是邊緣提取的基本要求.

2 字符信息的提取

2.1 區(qū)域填充與形態(tài)學(xué)去噪

通過對(duì)零交叉點(diǎn)的檢測，獲得閉合的邊界輪廓.通過極點(diǎn)判別法［7］對(duì)閉合的輪廓區(qū)域進(jìn)行填充，基本原理是經(jīng)輪廓跟蹤得到輪廓點(diǎn)，利用輪廓點(diǎn)與其前后鄰點(diǎn)的位置關(guān)系將輪廓分為極點(diǎn)和非極點(diǎn)，再對(duì)掃描線上的非極點(diǎn)進(jìn)行兩兩配對(duì)和填充.

由于端面圖像定位的關(guān)系，有時(shí)檢測出的圖像中會(huì)出現(xiàn)端面的邊界，并且鋼坯字符在打印時(shí)會(huì)形成一些無效的邊緣.所以待處理的噪聲主要可分為端面的邊界、端面上的離散噪聲和無效邊緣.按照文獻(xiàn)［8］中基于聯(lián)通域算法的區(qū)域測量思想，根據(jù)填充后噪聲區(qū)域與字符區(qū)域形態(tài)學(xué)特征上的區(qū)別提出了適用的去噪方法，基本原理如公式（6）所示：

其中C［k］為當(dāng)前聯(lián)通域的長寬比，L［k］為聯(lián)通域長度，W［k］為聯(lián)通域?qū)挾?，n［k］為聯(lián)通域中相素個(gè)數(shù).當(dāng)C［k］滿足給定條件時(shí)，計(jì)算此聯(lián)通域的相素比重Ar［k］，將Ar［k］與設(shè)定的閾值作比較，判斷其是否為噪聲，從而提取目標(biāo)字符區(qū)域.

2.2 字符標(biāo)準(zhǔn)化

通過上述步驟得到基本的字符信息后，通過基于智能多代理的字符切分處理方法［9］對(duì)字符進(jìn)行切分，然后通過形態(tài)學(xué)處理將切分后的字符變?yōu)闃?biāo)準(zhǔn)字符.根據(jù)標(biāo)準(zhǔn)字符模版的對(duì)應(yīng)信息即可獲得圖像中的字符信息.字符標(biāo)準(zhǔn)化的主要步驟為：1）從輸入的字符中心處將其等分為四分，取每部分的形心為基準(zhǔn)往周圍上下左右四個(gè)方向投影.2）根據(jù)投影的情況結(jié)合字符形態(tài)學(xué)規(guī)律進(jìn)行判斷，得到標(biāo)準(zhǔn)化字符.最后根據(jù)標(biāo)準(zhǔn)化字符對(duì)應(yīng)的數(shù)字模版完成識(shí)別工作［10］.

3 實(shí)驗(yàn)結(jié)果與分析

上述算法在計(jì)算機(jī)（3.09GHz，3.2GB）上使用VC＋ ＋6.0編程，利用灰度CCD相機(jī)（相機(jī)型號(hào)：MVC900DAM－GE30－01Y23）采集圖像.為驗(yàn)證算法的性能進(jìn)行了噴印型鋼坯字符與嵌入型鋼坯字符的分割對(duì)比、嵌入型鋼坯字符的輪廓提取、目標(biāo)區(qū)域提取等實(shí)驗(yàn)，并對(duì)算法的性能進(jìn)行了測試與分析.

實(shí)驗(yàn)一：字符分割對(duì)比試驗(yàn).在傳統(tǒng)的噴印型鋼坯字符檢測上，采用的是局部遞歸分割算法［11］.圖3（a）為端面背景較為復(fù)雜的噴印型鋼坯字符，通過多級(jí)分割濾波處理鋼坯字符被完整的表達(dá)出來，結(jié)果如圖3（e）所示.圖4（a）為嵌入型鋼坯字符，從其遞歸分割的主要過程可以觀察到鋼坯字符區(qū)域始終沒有被有效地分割出來.實(shí)驗(yàn)結(jié)果表明此方法并不適用于嵌入型鋼坯號(hào).

實(shí)驗(yàn)二：字符輪廓信息的提取.圖5（a）是分辨率為1248×832的鋼坯端面灰度圖像，對(duì)其運(yùn)用Canny算子、LoG 算子、DoG 算子［12－13］及提出的方法進(jìn)行嵌入型鋼坯號(hào)輪廓提取實(shí)驗(yàn).圖5（b）為運(yùn)用了Canny算子對(duì)原圖進(jìn)行輪廓提取的結(jié)果，可以觀察到該算子對(duì)噪聲敏感度較高，信噪?yún)^(qū)分度過小.圖5（c）為運(yùn)用LoG算子進(jìn)行處理的結(jié)果，從圖5（c）中可以發(fā)現(xiàn)高斯平滑對(duì)噪聲具有較好的抑制效果，但同時(shí)也削弱了字符邊緣信息，關(guān)鍵區(qū)域的輪廓信息缺失嚴(yán)重.圖5（d）為使用DoG算子對(duì)原圖處理的結(jié)果，DoG算子的主要原理是對(duì)圖像求取兩個(gè)高斯函數(shù)的差值，從圖5中可以觀察到雖然字符邊緣輪廓信息提取得較好，但不能有效地將字符輪廓與噪聲邊緣分離.圖5（e）中運(yùn)用的是本文提出的基于輪廓測度的輪廓提取方法，可以觀察到字符輪廓的信息表達(dá)基本完整，與噪聲區(qū)分度大，能夠滿足后續(xù)對(duì)字符提取工作的要求.

圖3 噴印型鋼坯號(hào)遞歸分割示意圖Fig.3 Recursive segmentations of printed billet characters

圖4 嵌入型鋼坯號(hào)遞歸分割示意圖Fig.4 Recursive segmentations of embedded billet characters

圖5 輪廓提取比較Fig.5 Comparison of edge detection methods

實(shí)驗(yàn)三：區(qū)域填充與目標(biāo)提取.如圖5（d）所示，因?yàn)楦倪M(jìn)的LoG算子提取出的字符輪廓區(qū)域?yàn)殚]合輪廓區(qū)域，所以在此基礎(chǔ)上可對(duì)其進(jìn)行區(qū)域填充，圖6（a）為填充的結(jié)果.根據(jù)公式（6）計(jì)算每個(gè)聯(lián)通域的長、寬、長寬比、面積與面積比重，通過設(shè)定的對(duì)應(yīng)閾值將單個(gè)分離的噪聲聯(lián)通域消除，保留字符聯(lián)通域.圖6（b）為字符提取結(jié)果.表1為對(duì)待處理的聯(lián)通域的分類與形態(tài)學(xué)特征的統(tǒng)計(jì)與分析，通過對(duì)離散噪聲、端面邊緣、無效字符邊緣及目標(biāo)字符邊緣區(qū)域的數(shù)據(jù)分析：字符區(qū)域的提取閾值 C［k］應(yīng)取 0.15／3.0 或者5／7.5；Ar［k］應(yīng)取0.15／0.3或者0.5／0.8.

圖6 區(qū)域填充與去噪Fig.6 Region filling and extraction results

表1 聯(lián)通域域特征分析Table 1 Analysis of connected domain

實(shí)驗(yàn)四：字符的切分與標(biāo)準(zhǔn)化處理.得到基本的字符信息后，首先要對(duì)其進(jìn)行分割與切分獲取單個(gè)字符，其次分別對(duì)單個(gè)字符進(jìn)行標(biāo)準(zhǔn)化處理，最后對(duì)照標(biāo)準(zhǔn)化字符的模版完成識(shí)別工作.圖7（a）為字符的切分結(jié)果與標(biāo)準(zhǔn)化的效果，圖7（b）為軟件的識(shí)別結(jié)果.

實(shí)驗(yàn)五：算法性能測試.圖8（a）為試驗(yàn)中所采用的嵌入型鋼坯端面圖像；圖8（b）為運(yùn)用本文方法提取的結(jié)果.表2為對(duì)相機(jī)采集的隨機(jī)100張圖像進(jìn)行識(shí)別測試的結(jié)果.通過測試可知，在實(shí)際運(yùn)行中算法表現(xiàn)優(yōu)異，魯棒性強(qiáng)，運(yùn)行時(shí)間能夠滿足實(shí)際工程需要（鋼坯生產(chǎn)線上的實(shí)際檢測周期為10s）.

圖7 字符的標(biāo)準(zhǔn)化與識(shí)別Fig.7 Billet character extraction

圖8 典型的嵌入型鋼坯字符圖像的檢測結(jié)果Fig.8 Detection results of some typical images

表2 字符識(shí)別率測試Table 2 Character recognition test

4 結(jié) 語

以上針對(duì)嵌入型鋼坯字符對(duì)比度很低、邊緣干擾信息強(qiáng)的特點(diǎn)，將基于輪廓測度的LoG算子運(yùn)用于嵌入型鋼坯字符圖像的輪廓信息檢測中.結(jié)合區(qū)域填充算法并通過區(qū)分度高的形態(tài)學(xué)特征進(jìn)行了字符信息的提取.實(shí)驗(yàn)結(jié)果表明，本文檢測方法識(shí)別效率高、參數(shù)較少、抗噪聲邊緣干擾性強(qiáng)，可以準(zhǔn)確的提取出圖像中的字符信息，且對(duì)鏡頭焦距長短和傾斜角度要求較小.檢測結(jié)果保留了原有的字符特征，并擁有字符各自的位置和形態(tài)特性，解決了將嵌入型鋼坯字符應(yīng)用于實(shí)際生產(chǎn)線的關(guān)鍵技術(shù)難點(diǎn).

［1］Ulupinar，F(xiàn)aith.Refining edges detected by a LoG operator［J］.Computer Vision Graphics Image Process，1990，51（3）：275－298.

［2］Oie，Takhiro.Adaptive Laplacian－Gaussian filter method for edge detection and diameter estimation of coronary arteries on cineangiograms：Applications to phantom profiles［J］.Stems and Computers in Japan，1992，23（12）：55－65.

［3］賀強(qiáng)，晏立.基于LOG和Canny算子的邊緣檢測算法［J］.計(jì)算機(jī)工程，2011，37（3）：210－212.

［4］Accame，Marco.Edge detection by point classification of Canny filtered images ［J］. Signal Processing，1997，60（1）：11－22.

［5］張?zhí)煨?成像自動(dòng)目標(biāo)識(shí)別［M］.武漢：湖北科學(xué)技術(shù)出版社，2005.

［6］Andres Huertas，Gerard Medioni.Detection of intensity changes with subpixel accuracy using Laplacian－Gaussian Masks［J］.IEEE Transaction Pattern Analysis and Machine Intelligence，1986，8（5）：644－651.

［7］吳章文，楊代倫.區(qū)域填充極點(diǎn)判別算法［J］.計(jì)算及輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2003，15（8）：979－983.

［8］李儀芳，劉景琳.基于連通域算法的區(qū)域測量 ［J］.科學(xué)技術(shù)與工程，2008，9（8）：2492－2494.

［9］洪漢玉，楊義軍.基于智能多代理的復(fù)雜場景鋼坯字符切分算法［J］.光電工程，2012，39（5）：91－100.

［10］楊義軍，洪漢玉，章秀華，等.重軌生產(chǎn)線鋼坯字符識(shí)別方法 ［J］.武漢工程大學(xué)學(xué)報(bào)，2012，34（5）：64－67.

［11］洪漢玉，俞喆俊，章秀華.復(fù)雜光照條件下鋼坯字符檢測方法［J］.武漢工程大學(xué)學(xué)報(bào)，2012，34（6）：65－68.

［12］洪漢玉.現(xiàn)代圖像圖形處理與分析［M］.武漢：中國地質(zhì)大學(xué)出版社，2011.

［13］VanVliet，LucasJ.Edge localization by MoG filters：multiple－of－Gaussians［J］.Pattern Recognition Letters，1994，15（5）：485－496.