1 引言
近年来,实木板材生产中关于木材品质的无损检测,如板材尺寸检测、板材表面粗糙度检测,木材材质微观构造分析、板材表面缺陷分析、板材表面缺陷检测、树种识别和苗木参数测量等方面得到深入研究。因而,本文以木质地板在线分选技术为应用背景,提出了对生产流水线上地板尺寸进行在线测量的方法。测量过程中两幅相关图像的配准是关键部分,而且需要具有良好的准确度和执行速度,才能为后续的处理打下基础。
目前图像匹配方法主要有:基于灰度相关的匹配、基于特征的匹配等。基于灰度相关的匹配优点是方法简单、抗干扰性能好、易于硬件实现,但是计算量大,并不适用与在线测量。基于特征的匹配模式计算速度提高了,但是算法比较复杂,不易于硬件实现。另外,其匹配性能在很大程度上取决于特征提取的质量匹配精度不高[1,2]。由Barnea提出的一种快速的块匹配算法:序列相似性检测算法(SSDA)能很快丢弃不匹配的点,减少花在不匹配点上的计算量,从而提高匹配速度,并且算法比较简单,易于实现[3]。本文采用SSDA进行图像配准,并且考虑地板运动情况限定了搜索范围,进一步加快了运行速度。仿真实验证明,本文方法能准确的得到地板轮廓,进而测得地板尺寸。
2 SSDA简介
序贯相似性检验算法(Sequential Similarity Detection Algorithms,SSDA)是一种比传统的交叉相关更容易实现的算法,他最主要的优点是处理速度快。一方面,提出了一个计算更为简单的相似性度量准则,这一准则即使在非归一化情况下仍可在匹配处获得极小值,并且没有乘法运算。另一方面,这种方法采用了序贯搜索策略。该准则实际上是一个误差绝对值的累加和,在图像不匹配的位置,累加时误差增长的很快,而在图像匹配位置上的误差随着累加次数增长缓慢。如果选择一个简单的固定门限,并规定累加误差一旦超过该门限就停止运算,则在各个不匹配位置上累加运算将提前停止,从而大大节省了运算量。而在匹配位置上,需经过很多点的累加后才能达到固定门限的目的。因而可把累加次数作为匹配的判据,累加次数最大的位置就是匹配位置[4]。这种方法称为固定门限的SSDA方法。本文亦是采用在固定门限法的基础上稍做改进。
3 基于SSDA的长度测量
本文的测量装置系集成于木质地板分选系统之中,并且所实现的在线测量单块地板尺寸亦为分选系统中的一个功能模块。设备简要构成如图1所示。
在此分选系统中,各个待分选加工的地板长度不一,并且使用工业相机在线拍摄时,需要把把拍摄视野和镜头焦距恒定才有实际测量意义。因此,需要把工业相机的视野集中到地板的局部的位置,而后通过后期的处理得到地板的全局图像信息。
综上,系统的测量模块执行过程如下:
(1) 待加工地板由传送带运送至工业相机视野范围之内,工业相机启动电子快门,进行高速连拍,捕捉到该地板多幅各个局部的图像序列,并且在相邻的图像间存在一定的重合部分。
(2) 由上一过程得到的图片序列传送至中央处理机进行图像处理,通过所执行的算法得出该地板的并输出显示,同时,为后续的系统分选策略提供动作依据。
其中,需要考虑在图片序列经过图像处理后,得到的测量结果,需要通过摄像机标定后的换算为最终的地板尺寸测量值。
基于上述测量系统的硬件构成,对于木质地板尺寸测量的算法可主要分成几个部分,分别是边缘提取,图像配准,边缘图像融合,计算地板长度。
3.1 单幅地板图像的边缘提取
图像边缘的提取是对地板图像长度测量的前提,也是图像分割的一个步骤。在单色图像的分割算法中,常常基于图像亮度值的不连续性和相似性这两个基本特征。在图像不连续性上,认为亮度的突变就很容易成为图像的边缘。所以,把得到的待提取图像进行先进行滤波器滤波,通过寻找零交叉来确定图像边缘。
如图2所示,木质地板本身的材质决定,在其表面上会有一些天然的纹理,而这些纹理难免会对图像处理边缘提取算法的执行造成干扰(如图2-b)。所以在进行边缘提取之前,应主要针对感兴趣的边缘进行计算提取。本文通过把原始图片二值化后,进行边缘提取,已得到比较纯粹的地板边缘轮廓(如图2-c,2-d)。
3.2 相邻图像的配准
对于地板长度测量算法的核心在于解决由单方向位移引起的关联图像配准问题。本文中,相邻的两幅相关联的图像,定义其中时间序列较早的一幅为基准图,另一幅平移或变化的图像为待配准图像。两幅图像具有相同的点阵和相似的灰度范围,从实时图选定三个窗口与基准图上的搜索区域的各个可能子图相匹配,子图由左上角坐标参考点唯一确定。因此,配准问题就是寻找匹配点使窗口与该点标识的子图最相似。配准方法的实现包括两个方面:相似性度量和搜索策略[5]。
SSDA算法的步骤如下[6]:
(1) 定义绝对误差值为:
在式(1)中,
为模板覆盖下的搜索子图的像素点
上的亮度值,
为模板位图像素的亮度值,
为搜索子图坐上顶点的坐标值。
(2) 取一个不变的阈值
(3) 在子图
中随机选取像素点,计算它同
中对应点的误差值
然后把这点的差值同其他点对的差值累加起来,当累加
次误差超过阈值
时,则停止累加,并记下累加次数
定义 SSDA的检测曲面为:
(4) 把
值最大的点定为匹配点,因为在这一点上需要很多次累加才能使总误差
超过阈值
考虑到拍摄过程中地板移动造成的图像平移在350个像素以内,因此限定模板图像的搜索范围,使配准速度进一步提高。另一方面,图像运动为单项运动,所以得到的检测曲面实际为一维的曲线,可以很快提高检测速度。
3.3 边缘图像融合与长度计算
由于边缘提取后的图像已经舍掉了细节,所以此阶段的图像融合为决策级的图像融合。在相邻的图像进行位置匹配后,可直接把细节图像对应边缘图像对应累加,即可得到木质地板全局边缘图像,如图4.e所示。
图像匹配后进行轮廓融合后,通过搜索最大最小横纵坐标,即可找到矩形边缘的四个角点,
由公式(3)得到木质地板的长度的像素值。
4 实验结果分析
本文对上述算法进行了仿真,选择四幅时序图片作为处理对象,应用MATLAB 2010b平台实现了上述算法。
(1) 图像匹配结果
如图3所示,每幅图片的白色窗口均与其后相邻图片的黑色窗口相匹配。容易看出,匹配的准确率达到精度要求。
(2) 图像融合结果
如图4所示,所得的地板边缘图像序列进行叠加融合,得到单块地板全局轮廓线。
首先，定性的分析此图像融合方法把各部分子图合并后的得到的地板轮廓是否满意。由于在把地板推到传送带时有一定的任意性，因而会使地板的长边与传送带运动方向不完全平行，经常出现一个小的角度（参见图4e），正是利用这一点，可以定性判断图像融合的效果。如果把融合的效果不佳，则图像边缘势必出现错位和不连贯现象；反之，整幅图像看起来会很连贯。
在本文的仿真实验中，如图4f所示，二值图像中三条直线处，即为各个地板边缘子图的接缝处。可以看出，在每个接缝的位置，并没有出现错位或者图片不连贯的现象。这表明应用此图像融合的方法，可以精确并快速的得到地板轮廓图。
而后，对地板长度进行定量的测算并对测量值与真实值进行对比。针对图片中地板长度的测量，不妨通过计算地板长边白色像素点的值来得到。同时，摄像机的视场固定并且地板的厚度基本一致，可知由摄像机所拍摄图片中地板的尺寸与实际地板尺寸成正比。再考虑如何衡量地板测量值与真实值相仿程度。因为在进行图像融合时，仅会在地板的长度方向存在误差，宽度方向并无影响，所以可以利用长宽比来表示测量值的准确性。
在本次仿真中，仅仅给出此方法测量的误差计算，用以证明方法的精确度。通过读取图片像素点位置，得到地板矩形轮廓线的四个顶点坐标（由左上顶点起逆时针顺序）依次是（39，207）、（1151，183）、（1153，376）、（38，396）。
故求得矩形边长为
其长宽比5.88（1112：189）与地板实际尺寸长宽比5.78（31.2cm : 5.4cm ）基本一致，达到精度要求。
5 结束语
本文提出了一种基于SSDA的地板尺寸测量方法。该方法在程序编写时仅使用到加法,更加适应在运动过程中测量目标的实时性要求,结合边缘特征得到融合后的地板轮廓。在测量过程中,限定了搜索范围,提高了运行效率。实验结果表明,本文方法能实现测量目标,并具有很好的精度。由于本文方法使用了多幅图片序列进行配准融合,当目局部配准误差过大,累加后的总误差会随着图片的增加变化更大,会影响到最后的测量结果甚至超过要求的测量精度。此外,如果机器震动较大,引起的地板和皮带产生相对运动的情况下,将难以获得准确的配准搜索范围,可能导致匹配错误,最终影响测量结果。这些问题将是本文进一步的研究方向。
参考文献:
[1] 王红梅,张科,李言俊等.图像匹配研究进展[J].计算机工程与应用,2004,40(19):42-44,47.
[2] 吴培景,陈光梦.一种改进的SSDA图像匹配算法[J].计算机工程与应用,2005,41(33):76-78.
[3] Barnea D I.A Class of Algorithm for Fast Digital Image Registration[J].IEEE Trans.on Computes,1972,21(2):179-186.
[4] 敬忠良,肖钢[J].图像融合——理论与应用[M].北京:高等教育出版社,2007:26-27.
[5] 钟春香,梁志辉.一种用于图象配准的或图最佳搜索算法 [J].华中理工大学学报,1991,19(3):37-41.
[6] 谢大刚,林喜荣,丁天怀等.基于VFW的滚动按捺指纹拼接系统的设计[J].计算机工程与应用,2007,43(27):206-208.
作者简介:李想（1987－），女，硕士研究生，研究方向:智能检测与控制。