CN111292346B - 一种噪声环境下浇铸箱体轮廓的检测方法 - Google Patents

Abstract

本发明公开了一种噪声环境下浇铸箱体轮廓的检测方法，属于图像边缘检测技术领域，其包括以下步骤：步骤1，输入待检测含噪声图像；步骤2，使用双边滤波对输入噪声图像进行降噪处理；步骤3，构建随机结构森林；步骤4，使用训练好的随机结构森林对降噪后图像进行初步轮廓检测；步骤5，对初步轮廓检测结果进行二值化处理；步骤6，通过Hough圆变换拟合浇铸箱体浇口；步骤7，输出最终检测结果图像。本发明的主要用途是可在满足准确检测浇铸箱体直线轮廓的同时也准确拟合出箱体的圆形浇口，并精准定位出圆形浇口的圆心。

Description

一种噪声环境下浇铸箱体轮廓的检测方法

技术领域

本发明属于图像边缘检测技术领域，更具体地说，涉及一种噪声环境下浇铸箱体轮廓的检测方法。

背景技术

在图像边缘检测技术领域中，能准确的检测到含噪声图像的边缘信息，得到物体清晰的边缘图像，并为后续操作提供有利的条件而采用图像边缘检测的方法。在过去几十年里，前人针对物体边缘检测做了大量的工作，传统的基于图像类别可分为：灰度图像轮廓检测、RGB—D图像轮廓检测、彩色图像轮廓检测。灰度图像常见的轮廓检测大多利用图像中的边缘灰度值与背景灰度值之间的突变，这些灰度值的突变称为屋顶或者阶跃变化，在数学模型中可以用一阶和二阶导数来实现，其中Robert算子、Sobel算子、Prewitt算子、Krisch算子、Canny算子等都是采用一阶导数来实现轮廓检测的，而采用二阶导数的算子有Laplacian算子和LOG算子。

彩色图像比灰度图像色度、亮度信息更加丰富。彩色图像的边缘轮廓可以看做色彩发生突变的那些像素，其轮廓检测的方法主要有颜色分量输出融合法和矢量法两类方法。输出融合法是将彩色图像的各颜色通道按照灰度图像边缘检测的方法进行处理，然后对各分量得到的结果进行输出融合，最后得到输出边缘，但这类算法忽略了各分量之间的相关性，容易照成边缘丢失，而且目前没有完善的融合方法。矢量方法将彩色图像中每个像素作为一个三维矢量对待，这样整个图像就是一个二维三分量的向量场，它很好的保存了彩色图像的矢量特性，但容易出现检测到的边缘不连续、漏检等问题。

最近几年，一些新的边缘检测算法被提出。Om Prakash Verma等人，提出了基于细菌搜索算法的彩色图像边缘检测最优模糊***。韩方芳等人，提出了噪声环境下高速运动目标图像边缘检测的算法。Piotr Dollar等人，提出了一种基于结构化森林的快速边缘检测方法。

以上这些方法虽然在轮廓检测中取得了很好的效果，但由于浇铸箱体处在噪声环境下，且浇铸箱体的轮廓除了直线外，还有圆形的浇口轮廓，所以单纯的使用某一种边缘检测算法没有办法解决浇铸箱体的精准检测及定位，而浇铸箱体的精准检测及定位是浇铸机器人进行精准作业的前提。

发明内容

1.发明要解决的技术问题

本发明的目的在于克服现有技术中浇铸箱体轮廓检测不准确的不足，提供了一种噪声环境下浇铸箱体轮廓的检测方法，采用本发明的技术方案，可在满足准确检测浇铸箱体直线轮廓的同时也准确拟合出箱体的圆形浇口，并精准定位出圆形浇口的圆心。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种噪声环境下浇铸箱体轮廓的检测方法，包括以下步骤：

步骤1、输入待检测含噪声图像；

步骤2、使用双边滤波对输入噪声图像进行降噪处理；

步骤3、构建随机结构森林；

步骤4、使用训练好的随机结构森林对降噪后图像进行初步轮廓检测；

步骤5、对初步轮廓检测结果进行二值化处理；

步骤6、通过Hough圆变换拟合浇铸箱体浇口；

步骤7、输出最终检测结果图像。

作为本发明更进一步的改进，步骤2的具体步骤如下：

2a)使用二维高斯函数生成距离模板，使用一维高斯函数生成值域模板，距离模板系数的生成公式为：

其中，(k，l)为模板窗口的中心坐标，(i，j)为模板窗口的其他系数的坐标，σ_d为高斯函数的标准差；

2b)值域模板系数的生成公式为：

其中f(x，y)表示图像在点(x，y)处的像素值，(k，l)为模板窗口的中心坐标，(i，j)为模板窗口的其他系数的坐标，σ_r为高斯函数的标准差；

2c)将上述两个模板相乘就得到了双边滤波器的模板公式：

作为本发明更进一步的改进，步骤3的具体步骤如下：

3a)建立决策树：首先是对输入的图像数据进行采样，假设用N表示训练样本的个数，M表示特征数目，对N个样本采用有放回的取样，然后进行列采样，从M个特征中选择m个子特征(m＜＜M)，之后对每棵决策树用递归的方式将采样的数据归到左右子树，直到叶子节点，决策树f_t(x)的每个节点j都会被关联一个二元分割函数：

h(x，θ_j)∈{0，1}

其中x是输入向量，{θ_j}是独立同分布的随机变量，j代表树中的第j个节点，如果h(x，θ_j)＝1，则将x归类到节点j的左侧节点，否侧归类到右侧节点，输入元素经过决策树预测输出y存放于叶子节点，即输出分布为y∈Y；

3b)采用递归的方法训练每个决策树：对于给定节点j上训练集S_j∈X×Y，目标就是通过训练找个一个最优的θ_j使得数据集得到好的分类结果，在这里需要定义一个信息增益准则：

其中：

选择分割参数θ_j的标准是使得信息增益I_j最大，使用数据集在左右节点进行递归训练，当满足下列条件之一停止训练：a)达到设定的最大深度，b)信息增益或训练集尺度都达到门限值，c)落入节点的样本个数少于设定阈值，

信息增益公式定义如下：

其中：H_entropy(S)＝-∑_ypy log(p_y)表示香农信息熵，p_y是标签为y的元素在集合s中出现的概率；

3c)随机森林结构化输出：将叶子节点的所有结构化标签y∈Y映射到离散的标记集合c∈C，其中C＝{1，...，k}，其映射关系定义如下：

Π：y∈Y→c∈C{1，2，...，k}

将映射过程分成两个阶段，首先是Y空间映射到Z空间，即Y→Z，其中，将这种映射关系z＝Π(y)定义为

维向量，表示分割掩模y的每对像素编码，且对Z进行m维采样，采样后的映射定义为：

Y→Z，再将给定集合Z映射到离散标签集合C，在从Z空间映射到C空间上之前，先采用主成分分析(PCA)将Z的维数降到5维，PCA提取了样本特征中最具有代表性的特征，对于256维空间中的n个样本

降至5维，最后对n个输出标签y₁，...，y_n∈y进行联合形成一个集合模型。

作为本发明更进一步的改进，步骤4的具体步骤如下：

4a)提取输入图像的积分通道：3个颜色通道、1个梯度图和4个不同方向的梯度直方图总共8个通道特征，不同方向和尺度的特征滤波器对边缘的敏感程度不同，因此可以在图像块上提取LUV颜色通道、2个尺度上的1个梯度幅值通道和4个方向梯度直方图通道共13个通道信息，然后求取自相似特征，得到的特征就是形状为(16×16，13)的特征矩阵；

4b)定义映射函数Π：y→z，用(y(j)(1≤j≤256))表示掩膜y的第j个像素点，这样就可以计算在(j₁≠j₂)的情况下y(j₁)＝y(j₂)是否成立，由此可得，定义一个大型二元向量映射函数z＝Π(y)，将每一对j₁≠j₂的特征点对y(j₁)＝y(j₂)编码；

4c)通过边缘映射y′∈Y′来得到最终浇铸箱体轮廓图像。

作为本发明更进一步的改进，步骤6的具体步骤如下：

6a)对输入的二值化后的浇铸箱体轮廓图像，其坐标空间中的一点，在参数空间中就可以映射为相应的轨迹曲线或者曲面，对于已知的圆方程，其直角坐标的一般方程为：

(x-a)²+(y-b)²＝r²

其中：(a，b)为圆心坐标，r为圆的半径；

6b)把图像空间方程(x-a)²+(y-b)²＝r²，变换得到参数空间方程：

(a-x)²+(b-y)²＝r²；

6c)在参数空间找圆交点最多的位置，这个交点对应的圆就是图像空间中经过所有点的那个圆，从而实现圆形浇口的检测。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：

浇铸箱体轮廓的准确检测是浇铸机器人精准作业的前提和基础，但由于浇铸箱体处在噪声环境下，且浇铸箱体的轮廓既包含直线边缘同时也含有圆形浇口，给轮廓检测带来困难。针对上述技术问题问题，本发明提出一种噪声环境下浇铸箱体轮廓的检测方法，在满足准确检测浇铸箱体直线轮廓的同时也准确拟合出箱体的圆形浇口，并精准定位出圆形浇口的圆心。

附图说明

图1是本发明流程图；

图2是本发明对浇铸箱体轮廓检测效果与传统方法检测的效果对比图：

(a)图像真实边缘图，

(b)Canny算法未经双边滤波检测结果图像，

(c)Canny算法经双边滤波检测结果图像，

(d)Laplacian算法经双边滤波检测结果图像，

(e)经双边滤波的随机结构森林检测结果图像，

(f)经双边滤波的随机结构森林检测并二值化后检测结果图像，

(g)经Hough圆变换拟合图；

图3是本发明与传统算法对浇铸箱体轮廓检测结果的准确率曲线对比图；

图4是本发明与传统算法对浇铸箱体轮廓检测结果的召回率曲线对比图。

具体实施方式

为进一步了解本发明的内容，下面结合附图和实施例对本发明作详细描述。

实施例1

如图1所示，本实施例提供了一种噪声环境下浇铸箱体轮廓的检测方法，包括以下步骤：

步骤1，输入待检测含噪声图像；

在计算机中应用phthon3.5开发软件读出提前存储在计算机空间中的含有噪声的浇铸箱体图像。

步骤2，使用双边滤波对输入浇铸箱体图像进行降噪处理，具体步骤如下：

2a)使用二维高斯函数生成距离模板，使用一维高斯函数生成值域模板。距离模板系数的生成公式为：

其中，(k，l)为模板窗口的中心坐标；(i，j)为模板窗口的其他系数的坐标；σ_d为高斯函数的标准差。

2b)值域模板系数的生成公式为：

其中，函数f(x，y)表示要处理的图像，f(x，y)表示图像在点(x，y)处的像素值；(k，l)为模板窗口的中心坐标；(i，j)为模板窗口的其他系数的坐标；σ_r为高斯函数的标准差。

2c)将上述两个模板相乘就得到了双边滤波器的模板公式：

步骤3，构建随机结构森林，具体步骤如下：

3a)建立决策树：首先是对输入的图像数据进行采样，假设用N表示训练样本的个数，M表示特征数目，对N个样本采用有放回的取样，然后进行列采样，从M个特征中选择m个子特征(m＜＜M)，之后对每棵决策树用递归的方式将采样的数据归到左右子树，直到叶子节点。决策树f_t(x)的每个节点j都会被关联一个二元分割函数：

h(x，θ_j)∈{0，1}

其中x是输入向量，{θ_j}是独立同分布的随机变量，j代表树中的第j个节点，如果h(x，θj)＝1，则将x归类到节点j的左侧节点，否侧归类到右侧节点，直到叶子节点，过程结束。输入元素经过决策树预测输出y存放于叶子节点，即输出分布为y∈Y。分割函数h(x，θ_j)是非常复杂的，但是一般通用的做法就是将单一特征维度的输入x与一个阈值做比较，当θ＝(k，τ)以及h(x，θ)＝[x(k)＜τ]，[·]表示指示函数；另外一种常用方法是θ＝(k1，k2，τ)以及h(x，θ)＝[x(k1)-x(k2)＜τ]。

3b)采用递归的方法训练每个决策树：对于给定节点j上训练集S_j∈X×Y，目标就是通过训练找个一个最优的θ_j使得数据集得到好的分类结果。在这里需要定义一个信息增益准则：

其中：

选择分割参数θ_j的标准是使得信息增益I_j最大，使用数据集在左右节点进行递归训练，当满足下列条件之一停止训练：a)达到设定的最大深度；b)信息增益或训练集尺度都达到门限值；c)落入节点的样本个数少于设定阈值。

信息增益公式定义如下：

其中：H_entropy(S)＝-∑_y p_y log(p_y)表示香农信息熵，p_y是标签为y的元素集s中出现的概率。

3c)随机森林结构化输出：结构化输出空间一般是高维的较为复杂，因此可以将叶子节点的所有结构化标签y∈Y映射到离散的标记集合c∈C，其中C＝{1，...，k}，其映射关系定义如下：

∏：y∈Y→c∈C{1，2，...，k}

文中计算信息增益依赖Y上的测量相似度，但是，对于结构化输出空间，计算Y上的相似度比较困难，因此，定义一个从Y到Z临时空间映射，该空间Z的距离比较容易测量，最终将映射过程分成两个阶段，首先是Y空间映射到Z空间，即Y→Z，其中，将这种映射关系z＝∏(y)定义为

维向量，表示分割掩模y的每对像素编码，对于每个y计算z的代价仍然很高，为了降低维度，对Z进行m维采样，采样后的映射定义为：

Y→Z。在Z的采样过程中加入了随机性保证了树足够多样性。

在从Z空间映射到C空间上之前，先采用主成分分析(PCA)将Z的维数降到5维，PCA提取了样本特征中最具有代表性的特征，对于256维空间中的n个样本

降至5维。有两种方法实现给定集合Z映射到离散标签集合C：a)使用k-means聚类方法，将Z聚集成k个簇；b)基于log₂k维度的PCA量化Z，根据Z落入的象限分配离散标签c。两种方法运行相似，但是后一种速度更快。文中使用选择k＝2的主成分分析量化方法。

为了得到唯一的输出结果，需要对n个输出标签y₁，...，y_n∈Y进行联合形成一个集合模型。可采用取m维采样映射函数Π_φ，对于每个标签i计算z_i＝∏_φ(y_i)。以z_k＝∏_φ(y_k)为中心，选择那些使z_k与其他所有z_i的距离和最小的y_k作为输出标签。集成模型依赖m和选择的映射函数Π_φ。

步骤4，使用训练好的随机结构森林对降噪后浇铸箱体进行初步轮廓检测，具体步骤如下：

4a)提取输入浇铸箱体图像的积分通道：3个颜色通道、1个梯度图和4个不同方向的梯度直方图总共8个通道特征，不同方向和尺度的特征滤波器对边缘的敏感程度不同，因此可以在图像块上提取LUV颜色通道、2个尺度上的1个梯度幅值通道和4个方向梯度直方图通道共13个通道信息，然后求取自相似特征，得到的特征就是形状为(16×16，13)的特征矩阵。

4b)定义映射函数∏：y→z。本文定义一种映射函数，用(y(j)(1≤j≤256))表示掩膜y的第j个像素点，这样就可以计算在(j₁≠j₂)的情况下y(j₁)＝y(j₂)是否成立，由此可得，定义一个大型二元向量映射函数z＝∏(y)，将每一对j₁≠j₂的特征点对y(j₁)＝y(j₂)编码。

4c)通过融合多个不相关的决策树的输出结果，从而使得随机结构森林的输出更具有鲁棒性。对多个分割掩膜y∈Y有效融合是非常困难的，因此本文采用边缘映射y′∈Y′来得到最终浇铸箱体轮廓图像。

步骤5，对随机结构森林检测的轮廓图像进行二值化处理，通过反复实验找到最佳阈值。将图像上的像素点灰度值低于此阈值的置为0，高于此阈值的置为255，得到可以反映图像整体和局部特征的二值化图像，从而将图像轮廓从背景中分割出来。

步骤6，通过Hough圆变换拟合浇铸箱体浇口，具体步骤如下：

6a)Hough变换做曲线检测时，最重要的是写出图像坐标空间到参数空间的变换公式。对输入的二值化后的浇铸箱体轮廓图像，其坐标空间中的一点，在参数空间中就可以映射为相应的轨迹曲线或者曲面。对于已知的圆方程，其直角坐标的一般方程为：

(x-a)²+(y-b)²＝r²

其中：(a，b)为圆心坐标，r为圆的半径。

6b)把图像空间方程(x-a)²+(y-b)²＝r²，变换得到参数空间方程：

(a-x)²+(b-y)²＝r²

6c)在参数空间找圆交点最多的位置，这个交点对应的圆就是图像空间中经过所有点的那个圆，从而实现圆形浇口的检测。

步骤7，输出最终浇铸箱体轮廓检测结果图像。

如图2所示，b、c、d、e、f、g各组图均通过不同角度对比检测结果，其中不难看出b、c、d、e四个图中均存在许多杂乱无章的线条，线条越多表明算法对噪声的抗干扰能力越弱，线条越少表明算法对噪声的抗干扰能力越强。

通过图2中b图和c图，可以发现canny算法无论是否经过降噪处理，对箱体边缘检测的效果均不佳。图d是Laplacian检测效果，可以看出Laplacian算法比canny算法检测的边缘更清晰，对噪声有一定抗干扰能力。图e是经过双边滤波以后的随机结构森林算法对边缘的检测结果，相比前两种算法，检测结果发现经本文算法检测后箱体浇口面噪声基本被去除，周边环境噪声也得到一定的改善，从而表明本文算法相对其他算法对噪声的抗干扰能力强。图f是对图e进行二值化处理后的效果，g图在f图的基础上通过Hough圆变换精确检测及定位到浇铸箱浇口，并标注出浇口的中心点。

图3比较不同算法下浇铸箱浇口边缘检测的正确率，可以看出，本文算法的正确率高于其他两个算法，而且对于不同图像算法正确率较稳定，对于不同角度的浇铸箱浇口均有较好的检测结果。从图4所示的召回率可以看出，本文的算法有较高的召回率，说明检测的结果越接近真实边缘图。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.一种噪声环境下浇铸箱体轮廓的检测方法，其特征在于，包括以下步骤：

步骤1、输入待检测含噪声图像；

步骤2、使用双边滤波对输入噪声图像进行降噪处理；

步骤3、构建随机结构森林；

步骤4、使用训练好的随机结构森林对降噪后图像进行初步轮廓检测；

步骤5、对初步轮廓检测结果进行二值化处理；

步骤6、通过Hough圆变换拟合浇铸箱体浇口；

步骤7、输出最终检测结果图像；

其中步骤3的具体步骤如下：

3a)建立决策树：首先是对输入的图像数据进行采样，假设用N表示训练样本的个数，M表示特征数目，对N个样本采用有放回的取样，然后进行列采样，从M个特征中选择m个子特征，m＜＜M，之后对每棵决策树用递归的方式将采样的数据归到左右子树，直到叶子节点，决策树f_t(x)的每个节点j都会被关联一个二元分割函数：

h(x，θ_j)∈{0，1}

其中x是输入向量，{θ_j}是独立同分布的随机变量，j代表树中的第j个节点，如果h(x，θ_j)＝1，则将x归类到节点j的左侧节点，否侧归类到右侧节点，输入元素经过决策树预测输出y存放于叶子节点，即输出分布为y∈Y；

3b)采用递归的方法训练每个决策树：对于给定节点j上训练集S_j∈X×Y，目标就是通过训练找个一个最优的θ_j使得数据集得到好的分类结果，在这里需要定义一个信息增益准则：

其中：

选择分割参数θ_j的标准是使得信息增益I_j最大，使用数据集在左右节点进行递归训练，当满足下列条件之一停止训练：a)达到设定的最大深度，b)信息增益或训练集尺度都达到门限值，c)落入节点的样本个数少于设定阈值，信息增益公式定义如下：

其中：H_entropy(S)＝-∑_yp_ylog(p_y)表示香农信息熵，p_y是标签为y的元素在集合s中出现的概率；

3c)随机森林结构化输出：将叶子节点的所有结构化标签y∈Y映射到离散的标记集合c∈C，其中C＝{1，...，k}，其映射关系定义如下：

Π：y∈Y→c∈C{1，2，...，k}

将映射过程分成两个阶段，首先是Y空间映射到Z空间，即Y→Z，其中，将这种映射关系z＝Π(y)定义为

维向量，表示分割掩模y的每对像素编码，且对Z进行m维采样，采样后的映射定义为：

Y→Z，再将给定集合Z映射到离散标签集合C，在从Z空间映射到C空间上之前，先采用主成分分析(PCA)将Z的维数降到5维，PCA提取了样本特征中最具有代表性的特征，对于256维空间中的n个样本

降至5维，最后对n个输出标签y₁，...，y_n∈Y进行联合形成一个集合模型。

2.根据权利要求1所述的一种噪声环境下浇铸箱体轮廓的检测方法，其特征在于，步骤2的具体步骤如下：

2a)使用二维高斯函数生成距离模板，使用一维高斯函数生成值域模板，距离模板系数的生成公式为：

其中，(k，l)为模板窗口的中心坐标，(i，j)为模板窗口的其他系数的坐标，σ_d为高斯函数的标准差；

2b)值域模板系数的生成公式为：

其中f(x，y)表示图像在点(x，y)处的像素值，(k，l)为模板窗口的中心坐标，(i，j)为模板窗口的其他系数的坐标，σ_r为高斯函数的标准差；

2c)将上述两个模板相乘就得到了双边滤波器的模板公式：

3.根据权利要求1所述的一种噪声环境下浇铸箱体轮廓的检测方法，其特征在于，步骤4的具体步骤如下：

4a)提取输入图像的积分通道：3个颜色通道、1个梯度图和4个不同方向的梯度直方图总共8个通道特征，不同方向和尺度的特征滤波器对边缘的敏感程度不同，因此可以在图像块上提取LUV颜色通道、2个尺度上的1个梯度幅值通道和4个方向梯度直方图通道共13个通道信息，然后求取自相似特征，得到的特征就是形状为(16×16,13)的特征矩阵；

4b)定义映射函数Π：y→z，用(y(j)(1≤j≤256))表示掩膜y的第j个像素点，这样就可以计算在(j₁≠j₂)的情况下y(j₁)＝y(j₂)是否成立，由此可得，定义一个大型二元向量映射函数z＝Π(y)，将每一对j₁≠j₂的特征点对y(j₁)＝y(j₂)编码；

4c)通过边缘映射y′∈Y′来得到最终浇铸箱体轮廓图像。

4.根据权利要求1所述的一种噪声环境下浇铸箱体轮廓的检测方法，其特征在于，步骤6的具体步骤如下：

6a)对输入的二值化后的浇铸箱体轮廓图像，其坐标空间中的一点，在参数空间中就可以映射为相应的轨迹曲线或者曲面，对于已知的圆方程，其直角坐标的一般方程为：

(x-a)²+(y-b)²＝r²

其中：(a，b)为圆心坐标，r为圆的半径；

6b)把图像空间方程(x-a)²+(y-b)²＝r²，变换得到参数空间方程：

(a-x)²+(b-y)²＝r²；

6c)在参数空间找圆交点最多的位置，这个交点对应的圆就是图像空间中经过所有点的那个圆，从而实现圆形浇口的检测。

Images