CN109903275B - 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 - Google Patents

Abstract

本发明提供了一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法，该方法能够消除光照分布不均匀的影响并识别和定位酒醅的发霉区域。本发明方法首先采用最小值滤波、高斯滤波与自适应二维伽马函数相结合的方法来预处理图像以消除光照不均带来的影响，再利用HSV空间侧重于色彩表示的特性，通过基于直方图对比的方法，对酒醅中的白色发霉区域进行检测，获得发霉区域坐标值。与现有的技术相比，本发明结合了HSV色彩空间与直方图对比的特性，削弱了光照分布不均带来的影响，提高了检测准确度，加快了检测速度。

Description

一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检 测方法

技术领域

本发明属于图像处理领域，尤其涉及一种运用于酒厂白酒酿造过程中酒醅发霉区域的自动检测，其特征为首先在HSV颜色空间中采用多尺度滤波和自适应校正来消除光照影响，然后在HSV颜色空间中采用直方图对比的方法对酒醅发霉区域进行判断。

背景技术

在白酒酿造过程中，酒醅是指粮食蒸煮发酵获得的酿酒原料，由于酿造过程中储存不当表面易产生霉菌，需要将发霉的区域检测出来并铲除才能进行下一步蒸馏发酵操作。传统的人工处理人力成本高且整个铲除速度慢，设计基于机器视觉的自动铲除***具有较大的应用前景和经济价值。机器视觉***需要采集图像并进行处理，以得到需要铲除区域。图像处理中由于受到光照的影响，图像会产生亮度分布不均匀的区域，从而出现噪声点，影响了RGB空间的色彩表达，再者，由于样本的多样性，传统的纹理算法、灰度方差等算法对不同批次的酒醅适应能力差，泛化性不强，很难清晰判断发霉位置。因此，设计一种既能消除光照影响又能准确检测不同环境下的酒醅发霉区域的方法有其重要性所在。

发明内容

本发明提供了一种通过机器视觉的自动检测酒醅发霉区域方法，该方法能够消除光照分布不均匀的影响并识别和定位酒醅的发霉区域。为实现该目的，所采用的技术方案是：先采用最小值滤波、高斯滤波与自适应二维伽马函数相结合的方法来预处理图像以消除光照不均带来的影响，再利用HSV空间侧重于色彩表示的特性，通过基于直方图对比的方法，对酒醅中的白色发霉区域进行检测，获得发霉区域坐标值。整个流程包括以下步骤：

步骤1，采集未发霉酒醅的图片，将其作为参照模板图，保存到计算机中；

步骤2，获取待检测区域图像作为输入图像，并将输入图像从RGB颜色空间转到HSV颜色空间，得到色调分量H、饱和度分量S和亮度分量V；

步骤3，针对亮度通道V，先通过多尺度最小值滤波和高斯卷积得到图像的光照分量图，然后使用二维伽马函数，在不同场景光照下调整伽马函数的指数大小，实现对不同场景下光照不均匀图像的自适应校正处理；

步骤4，对于步骤1中的参照模板图，计算其HSV空间中的直方图，并将其作为正常酒醅区域的参考模板；

步骤5，在步骤3处理之后的图像上设置一个矩形框，让矩形框在图像上滑动，每滑动到一个位置就将该位置下矩形框覆盖到的区域和步骤4中的参考模板进行直方图对比，计算每一个位置的相似度；

步骤6，设置一个相似度阈值d₀，当步骤4中计算出来的相似度小于该阈值T时，将该坐标值保存下来并进行铲除。

进一步的，步骤2中将输入图像从RGB转到HSV空间，处理方式为，

其中R、G、B分别表示输入彩色图像的三个通道红、绿、蓝的像素值，C_max是这三个像素中最大的那个，C_min是这三个像素中最小的那个，H是得到的色调分量，S是饱和度分量，V是亮度分量。

进一步的，步骤3的具体实现方式如下，

步骤301，对分离出来的V通道矩阵进行滤波操作，首先通过不同尺度的最小值滤波，依据的表达式如下：

M(x,y)＝min(F(x-w,y-w),F(x-w+1,y-w),...F(x+w,y+w)) (2)

其中，M为经过最小值滤波后的结果，w为滤波核的宽度，F为原图像通道V的矩阵，x，y分别为图像矩阵中的横纵坐标值；

步骤302，通过不同尺度的高斯核矩阵加权卷积得到光照分量，具体实施方法如下所示：

其中G为高斯函数矩阵，λ为调整参数，c为标准差，M(x,y)为经过最小值滤波后的结果矩阵，

为卷积操作，I(x,y)为光照分量；

步骤303，以像素值为底、以光照分量为指数的二维伽马函数对通道V进行校正处理，该函数的表达式如下所示：

其中O(x,y)是伽马函数，F(x,y)是原图像，γ是亮度增强的数值，m是光照分量I(x,y)所有像素点的均值。

进一步的，步骤4的具体实现方式如下，

步骤401，计算未发霉区域参考图区域的直方图，直方图的横坐标是像素值，纵坐标表示图像中具有该像素值的像素数量；

步骤402，将直方图的H,S,V通道分别进行归一化，采用NORM_L2的方法，计算方式如下：

式中A_k为像素值为k的像素数目，

为全部像素数目的平方和。

进一步的，步骤5的具体实现方式如下，

步骤501，在步骤3处理后的图像上设置一个矩形框，矩形框的宽度为该图像宽度的

矩形框的高度为该图像高度的

步骤502，让该矩形框在传入的某一帧图像上滑动，滑动方式为从图像左上角开始先向右滑动再向下滑动，直到到达图像的右下角，滑动步长为1；

步骤503，每滑动到一个位置时，记录下此时该矩形区域覆盖的图像的直方图和步骤4中的模板直方图的相似度，计算相似度所用到的方法如下公式所示：

其中h₁(I)、h₂(I)为待对比两张图像直方图纵坐标的归一化值，

为两张图像直方图所有区间纵坐标的平均值；d(h1,h2)越大代表当前矩形区域颜色和模板颜色越相近，反之则和模板颜色越不同。

与现有的技术相比，本发明结合了HSV色彩空间与直方图对比的特性，削弱了光照分布不均带来的影响，提高了检测准确度，加快了检测速度。

附图说明

图1是本发明的算法流程图。

图2是本发明的去光照分布不均匀原理图。

图3是本发明实施例原图与光照分量图，其中图a为原图，图b为光照分量图。

图4是本发明实施例的发霉区域①和未发霉区域②的位置示意图。

图5是本发明实施例的发霉区域直方图。

图6是本发明实施例的未发霉区域直方图。

图7是本发明的最终铲除区域效果图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

步骤1，人工采集未发霉酒醅的图片，将其作为参照模板图，保存到计算机中；

步骤2，为消除光照不均匀带来的影响，本发明先将图像从RGB空间转换到HSV空间。

将输入图像从RGB转到HSV空间，处理方式为：

其中R、G、B分别表示输入彩色图像的三个通道红、绿、蓝的像素值，C_max是这三个像素中最大的那个，C_min是这三个像素中最小的那个，H是得到的色调分量，S是饱和度分量，V是亮度分量。

步骤3，单独对亮度分量V处理，先依次通过多尺度最小值滤波和高斯滤波得到图像的光照分量矩阵，再使用二维伽马函数进行自适应亮度校正，利用光照分量的分布特性调整二维指数函数的指数大小，降低光照过强区域的亮度值，提高光照过暗区域图像的亮度值，从而消除光照不均匀带来的影响，该步骤的流程图如图2，具体实现方式如下：

步骤301，对分离出来的V通道矩阵进行滤波操作，首先通过不同尺度的最小值滤波，依据的表达式如下：

M(x,y)＝min(F(x-w,y-w),F(x-w+1,y-w),...F(x+w,y+w)) (2)

其中，M为经过最小值滤波后的结果，w为滤波核的宽度，F为原图像通道V的矩阵，x，y分别为图像矩阵中的横纵坐标值。

步骤302，通过不同尺度的高斯核矩阵加权卷积得到光照分量。具体实施方法如下所示：

其中G为高斯函数矩阵，λ为调整参数，c为标准差，M(x,y)为经过最小值滤波后的结果矩阵，

为卷积操作，I(x,y)为光照分量。

在进行高斯卷积的过程中，本发明提供了一种通过多尺度的高斯核进行加权卷积的方法，具体表现为应用5个尺度的高斯核，每个尺度对应的标准差c分别是10,50,150,400,500，其对应的权重分别是1/5，1/5，1/5，1/5，1/5。加权卷积操作如下：

其中G1，G2，G3，G4，G5分别对应五种不同尺度的高斯卷积核,G_a,G_b,G_c,G_d,G_e分别对应五种尺度的卷积结果，I(x,y)为最终求得的光照分量。

步骤303，本发明使用以像素值为底、以光照分量为指数的二维伽马函数对通道V进行校正处理的方法。该函数的表达式如下所示：

其中O(x,y)是伽马函数，F(x,y)是原图像，γ是亮度增强的数值，m是光照分量I(x,y)所有像素点的均值。该表达式表明了γ的大小是由m和I(x,y)共同决定。由于每个场景的光照强度不同，所以求得的m和I(x,y)也不同，进而使得亮度增强的数值γ也不同，从而达到对不同亮度场景的自适应调节。

步骤4，对步骤1中的未发霉区域参考图计算HSV空间中的直方图，并将其作为正常酒醅区域的模板，操作方式如下：

步骤401，计算未发霉区域参考图区域的直方图，直方图的横坐标是像素值，纵坐标表示图像中具有该像素值的像素数量。HSV图像中每个通道的像素值为0～255，将像素值划分为n个分区，即0～255/n,255/n～2×255/n,....n。为了体现差异，本发明将n取值为255。

步骤402，将直方图的H,S,V通道分别进行归一化，采用NORM_L2的方法，计算方式如下：

式中A_k为像素值为k的像素数目，

为全部像素数目的平方和。

步骤5，设置一个矩形框，让矩形框在图像上滑动，每滑动到一个位置都和步骤4中的模板进行直方图对比，计算每一个位置的相似度，具体的实现方法为：

步骤501，在经步骤3处理后的图像上设置一个矩形框，矩形框的宽度为该图像宽度的

矩形框的高度为该图像高度的

步骤502，让该矩形框在传入的某一帧图像上滑动，滑动方式为从图像左上角开始先向右滑动再向下滑动，直到到达图像的右下角，滑动步长为1。

步骤503，每滑动到一个位置时，记录下此时该矩形区域覆盖的图像的直方图和步骤4中的模板直方图的相似度，计算相似度所用到的方法如下公式所示：

其中h₁(I)、h₂(I)为待对比两张图像直方图纵坐标的归一化值，

为两张图像直方图所有区间纵坐标的平均值。

d(h1,h2)越大代表当前矩形区域颜色和模板颜色越相近，反之则和模板颜色越不同，如图4中①区域代表发霉区域，该区域的直方图如图5所示，该区域与参照模板的相似度计算值为0.15298；图4中②区域代表非发霉区域，该区域的直方图如图6所示，该区域与模板的的相似度计算值为0.70899。

步骤6，设置一个相似度阈值d₀，当步骤5中求得的相似度小于d₀时，将该坐标值保存下来，具体操作流程如下：

步骤601，分析步骤5中求得的相似度，当相似度d(h₁,h₂)小于d₀时，则认为该坐标下的矩形区域与模板图像越不相似，即该区域为发霉区域(颜色偏白，且发霉严重时会有亮黄色产生)；反之则认为是发霉区域。本发明在实际测试时使用的d₀为0.6，该步骤实现方法如下所示：

其中1表示为发霉区域，0表示为非发霉区域。

步骤602，记录发霉区域的坐标，并将坐标传给上位机，为后续的机械臂铲除操作提供铲除点坐标。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法，其特征在于，包括如下步骤：

步骤1，采集未发霉酒醅的图片，将其作为参照模板图，保存到计算机中；

步骤2，获取待检测区域图像作为输入图像，并将输入图像从RGB颜色空间转到HSV颜色空间，得到色调分量H、饱和度分量S和亮度分量V；

步骤3，针对亮度通道V，先通过多尺度最小值滤波和高斯卷积得到图像的光照分量图，然后使用二维伽马函数，在不同场景光照下调整伽马函数的指数大小，实现对不同场景下光照不均匀图像的自适应校正处理；

步骤3的具体实现方式如下，

步骤301，对分离出来的V通道矩阵进行滤波操作，首先通过不同尺度的最小值滤波，依据的表达式如下：

M(x,y)＝min(F(x-w,y-w),F(x-w+1,y-w),...F(x+w,y+w)) (2)

其中，M为经过最小值滤波后的结果，w为滤波核的宽度，F为原图像通道V的矩阵，x，y分别为图像矩阵中的横纵坐标值；

步骤302，通过不同尺度的高斯核矩阵加权卷积得到光照分量，具体实施方法如下所示：

其中G为高斯函数矩阵，λ为调整参数，c为标准差，M(x,y)为经过最小值滤波后的结果矩阵，

为卷积操作，I(x,y)为光照分量；

步骤303，以像素值为底、以光照分量为指数的二维伽马函数对通道V进行校正处理，该函数的表达式如下所示：

其中O(x,y)是伽马函数，F(x,y)是原图像，γ是亮度增强的数值，m是光照分量I(x,y)所有像素点的均值；

步骤4，对于步骤1中的参照模板图，计算其HSV空间中的直方图，并将其作为正常酒醅区域的参考模板；

步骤5，在步骤3处理之后的图像上设置一个矩形框，让矩形框在图像上滑动，每滑动到一个位置就将该位置下矩形框覆盖到的区域和步骤4中的参考模板进行直方图对比，计算每一个位置的相似度；

步骤6，设置一个相似度阈值d₀，当步骤5中计算出来的相似度小于该阈值d₀时，将该坐标值保存下来并进行铲除。

2.如权利要求1所述的一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法，其特征在于：步骤2中将输入图像从RGB转到HSV空间，处理方式为，

其中R、G、B分别表示输入彩色图像的三个通道红、绿、蓝的像素值，C_max是这三个像素中最大的那个，C_min是这三个像素中最小的那个，H是得到的色调分量，S是饱和度分量，V是亮度分量。

3.如权利要求1所述的一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法，其特征在于：步骤4的具体实现方式如下，

步骤401，计算未发霉区域参考图区域的直方图，直方图的横坐标是像素值，纵坐标表示图像中具有该像素值的像素数量；

步骤402，将直方图的H,S,V通道分别进行归一化，采用NORM_L2的方法，计算方式如下：

式中A_k为像素值为k的像素数目，

为全部像素数目的平方和。

4.如权利要求1所述的一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法，其特征在于：步骤5的具体实现方式如下，

步骤501，在步骤3处理后的图像上设置一个矩形框，矩形框的宽度为该图像宽度的

矩形框的高度为该图像高度的

步骤502，让该矩形框在传入的某一帧图像上滑动，滑动方式为从图像左上角开始先向右滑动再向下滑动，直到到达图像的右下角，滑动步长为1；

步骤503，每滑动到一个位置时，记录下此时该矩形区域覆盖的图像的直方图和步骤4中的模板直方图的相似度，计算相似度所用到的方法如下公式所示：

其中h₁(I)、h₂(I)为待对比两张图像直方图纵坐标的归一化值，

为两张图像直方图所有区间纵坐标的平均值；d(h1,h2)越大代表当前矩形区域颜色和模板颜色越相近，反之则和模板颜色越不同。

Images