CN111968148B - 一种基于图像处理的空载率计算方法 - Google Patents

一种基于图像处理的空载率计算方法 Download PDF

Info

Publication number
CN111968148B
CN111968148B CN202010697345.2A CN202010697345A CN111968148B CN 111968148 B CN111968148 B CN 111968148B CN 202010697345 A CN202010697345 A CN 202010697345A CN 111968148 B CN111968148 B CN 111968148B
Authority
CN
China
Prior art keywords
image
pixels
value
binarization
circumscribed rectangle
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
CN202010697345.2A
Other languages
English (en)
Other versions
CN111968148A (zh
Inventor
胡志辉
陈清睿
黄茜
刘清斌
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010697345.2A priority Critical patent/CN111968148B/zh
Publication of CN111968148A publication Critical patent/CN111968148A/zh
Application granted granted Critical
Publication of CN111968148B publication Critical patent/CN111968148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于图像处理的空载率计算方法，包括步骤：对货车X射线扫描原始图像进行第一次二值化，得到第一图像；根据第一图像信息，对原始图像进行第二次二值化以去除背景干扰，得到第二图像；对第二图像进行反色处理，得到第三图像，求取第三图像中最大连通域和它的外接矩形以确定货箱部分的位置，记录外接矩形的宽w和高h；对第二图像进行形态学运算以去除干扰区域，得到第四图像；在第四图像上提取最大连通域所在外接矩形中白色像素点个数n；计算空载率r＝n/(w*h)。本发明方法检测的自动化程度高，准确度高，稳定性好。

Description

一种基于图像处理的空载率计算方法
技术领域
本发明涉及图像处理研究领域，特别涉及一种基于图像处理的空载率计算方法。
背景技术
测量货车的载重对于交通安全有着极为重要的意义。传统方法需要对整车重量进行称量，再查明货车自重。二者相减才能得到货物重量。这种方法虽然可以准确的计算货车的载重，但是效率较低，对道路交通和运输效率都有一定的影响。
由于X射线较强的穿透能力，使用X射线对货车的货箱部分进行扫描后，可以得到一幅包含货箱及其内部货物的整体图像。通过对该图像的空白部分和阴影部分的分析和计算，可以快速获取货车的空载率，从而可以筛选出接近甚至超出满载的货车作为重点目标进行载重测量，同时对接近空载的车辆快速放行，从而提高检测效率。目前由货箱X射线图像计算空载率的方法还局限于目测估算，测量人员的经验和状态等都会给测量结果带来较大的影响，影响了通用性。
发明内容
为了克服现有方法的上述缺点与不足，本发明的目的在于提供一种基于图像处理的空载率计算方法，该方法检测的自动化程度高，准确度高，稳定性好。
本发明的目的通过以下的技术方案实现：一种基于图像处理的空载率计算方法，包括步骤：
对货车X射线扫描原始图像进行第一次二值化，得到第一图像；
根据第一图像信息，对原始图像进行第二次二值化以去除背景干扰，得到第二图像；
对第二图像进行反色处理，得到第三图像，求取第三图像中最大连通域和它的外接矩形以确定货箱部分的位置，记录外接矩形的宽w和高h；
对第二图像进行形态学运算以去除干扰区域，得到第四图像；
在第四图像上提取最大连通域所在外接矩形中白色像素点个数n；
计算空载率r＝n/(w*h)。
优选的，使用大津法对货车X射线扫描原始图像I1进行第一次二值化，方法是：
(1-1)计算I1的灰度直方图，并对直方图进行归一化处理；
(1-2)记二值化阈值为i，初始值i＝0；
(1-3)通过归一化的直方图，统计0到i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i到255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；在这里，设图像的总平均灰度为u2，类间方差记为g，则有：
u2＝w0*u0+w1*u1 (1)
g＝w0(u0-u2)2+w1(u1-u2)2 (2)
将u2带入g中，可得：
g＝w0wi(u0-u1)2 (3)
(1-4)记录g的值，然后将i的取值增加1，重复步骤(1-3)，当i的取值为256时结束循环；
(1-5)将最大的g值对应的i值作为图像的阈值。
优选的，根据第一图像信息，对原始像进行第二次二值化，方法是：
(2-1)记第一图像I2的长和宽分别为a和b，新建数组p，令其长度为a*b，对p中的所有元素赋初值-1；
(2-2)设I2(x，y)为I2中坐标(x，y)的点所对应的像素值，I1(x，y)为原始图像I1中坐标(x，y)的点所对应的像素值，遍历I2中的所有像素，若I2(x，y)＝0，则将I1(x，y)记入p；
(2-3)对p中所有不等于-1的元素使用大津法求阈值k，其中灰度范围取0到255，像素总数取p中不等于-1的元素个数；
(2-4)使用阈值k对I1进行二值化处理，得到第二图像I3。
通过采用第二次的二值化，可以将货箱自带的栏杆等部件形成的干扰去掉，从而使提取的货物区域与实际相符，能够显著降低计算误差。
优选的，对第二图像进行形态学运算以去除干扰区域，方法是：
使用c*c的矩阵对第二图像进行闭运算，然后使用相同的矩阵再做一次开运算，得到第四图像。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明可以准确识别货箱区域，并去除大部分由货箱栏杆、挡板等带来的干扰，具有较高的计算准确度。
(2)本发明相较于以往的人力目测具有较强的稳定性，计算结果更为可靠。
(3)本发明适应性强，对绝大部分的货车车型都能得到较为理想的处理结果。
(4)本发明计算速度快，相较于传统方式，能够提升检测效率。
(5)本发明具有较强的抗干扰能力，对原始图像上的噪声不敏感。
附图说明
图1为本发明实施例基于图像处理的空载率计算方法的流程图；
图2为本发明实施例的货车X射线线阵扫描图像；
图3为图2执行第一次二值化后的图像；
图4为图2执行第二次二值化后的图像；
图5为图2执行至具体实施方式中步骤(3)时的反色图像；
图6展示了对应于图2的矩形R的位置；
图7为图2执行完具体实施方式中步骤(5)后的图像。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
如图2所示，本实施例的对象为货车X射线线阵扫描图像，针对该图像，本实施例采用图1所示方法进行空载率计算，包括以下步骤：
(1)使用大津法对原始图像I1进行二值化处理，得到二值图像I2，具体操作方式为：
(1-1)计算I1的灰度直方图，并对直方图进行归一化处理；
(1-2)记二值化阈值为i，初始值i＝0；
(1-3)通过归一化的直方图，统计0到i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i到255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；在这里，设图像的总平均灰度为u2，类间方差记为g。则有：
u2＝w0*u0+w1*u1 (1)
g＝w0(u0-u2)2+w1(u1-u2)2 (2)
将u2带入g中，可得：
g＝w0w1(u0-u1)2 (3)
(1-4)记录g的值，然后将i的取值增加1，重复步骤(1-3)。当i的取值为256时结束循环；
(1-5)将最大的g值对应的i值作为图像的阈值。
(2)获取I2中所有黑色像素的坐标值。取I1中这些坐标对应的像素值，对这些像素值使用大津法再次求取阈值k，进行第二次二值化。具体步骤为：
(2-1)记I2的长和宽分别为a和b，新建数组p，令其长度为a*b，对p中的所有元素赋初值-1；
(2-2)设I2(x，y)为I2中坐标(x，y)的点所对应的像素值，I1(x，y)为I1中坐标(x，y)的点所对应的像素值。遍历I2中的所有像素，若I2(x，y)＝0，则将I1(x，y)记入p；
(2-3)对p中所有不等于-1的元素使用大津法求阈值，其中灰度范围取0到255，像素总数取p中不等于-1的元素个数。具体步骤参见(1-1)～(1-5)；
(2-4)得到阈值k；
(2-5)使用阈值k对I1进行二值化处理，得到二值图像I3。
图3为图2执行第一次二值化后的图像(即图2对应的I2)，图4为图2执行第二次二值化后的图像(即图2对应的I3)。可以明显看出，直接对图2进行二值化处理后，货箱自带的栏杆等部件将被判定为与货物相同的黑色，如果不进行处理，这些区域将在以后的计算中被误认为货物，从而带来巨大的计算误差。在经过第二次二值化的处理后，图2中的上述干扰区域明显减少，而实际的货物区域基本不受影响，算法显著降低了空载率的计算误差。
(3)对I2进行反色处理，得到二值图像IV2。图5为图2执行本步骤的反色图像，图中的白色部分即为要进行进一步分析的货箱与货物区域。事实上，对于绝大部分货车X射线线阵扫描图像，上述结论均成立。
(4)求取IV2中的最大连通域A，而后以水平方向和竖直方向为基准求取A的一个外接矩形R，记录R的左上角坐标(x，y)和宽w，高h。图6展示了对应于图2的外接矩形R的位置。可以看出，R的面积可以近似作为货箱区域的图上面积。对于绝大部分货车X射线线阵扫描图像，上述结论均成立。
(5)使用大小为5*5的全1矩阵M对I3作一次闭运算，得到二值图像I4；使用M对I4作一次开运算，得到二值图像I5。图7为图2进行两次形态学运算后得到的图像I5，图上虚线框表示外接矩形R的位置。可以看出，经过两次形态学滤波操作，干扰部分的面积进一步减小，空载率的计算精确度得到提升。
(6)在I5中确定A对应的矩形区域，该区域以坐标(x，y)为左上顶点，以(x+w-1，y+h-1)为右下顶点，以水平方向和竖直方向为边长方向。计算该区域中的白色像素点个数n。
(7)空载率r＝n/(w*h)；
本实施例通过两次二值化，以及通过形态学运算等处理，可以大大去除干扰部分的面积，准确提取出货物区域的像素点个数，进而得到精准的空载率，检测的自动化程度高，稳定性好，适应性强，对绝大部分的货车车型都能得到较为理想的处理结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于图像处理的空载率计算方法，其特征在于，包括步骤：
对货车X射线扫描原始图像进行第一次二值化，得到第一图像；
根据第一图像信息，对原始图像进行第二次二值化以去除背景干扰，得到第二图像；
对第二图像进行反色处理，得到第三图像，求取第三图像中最大连通域和它的外接矩形以确定货箱部分的位置，记录外接矩形的宽w和高h；
对第二图像进行形态学运算以去除干扰区域，得到第四图像；
在第四图像上提取最大连通域所在外接矩形中白色像素点个数n；
计算空载率r＝n/(w*h)；
使用大津法对货车X射线扫描原始图像I1进行第一次二值化，方法是：
(1-1)计算I1的灰度直方图，并对直方图进行归一化处理；
(1-2)记二值化阈值为i，初始值i＝0；
(1-3)通过归一化的直方图，统计0到i灰度级的像素所占整幅图像的比例w0，假设像素值在此范围的像素叫做前景像素，并统计前景像素的平均灰度u0；统计i到255灰度级的像素所占整幅图像的比例w1，假设像素值在此范围的像素叫做背景像素，并统计背景像素的平均灰度u1；在这里，设图像的总平均灰度为u2，类间方差记为g，则有：
u2＝w0*u0+w1*u1 (1)
g＝w0(u0-u2)2+w1(u1-u2)2 (2)
将u2带入g中，可得：
g＝w0w1(u0-u1)2 (3)
(1-4)记录g的值，然后将i的取值增加1，重复步骤(1-3)，当i的取值为256时结束循环；
(1-5)将最大的g值对应的i值作为图像的阈值。
2.根据权利要求1所述的基于图像处理的空载率计算方法，其特征在于，根据第一图像信息，对原始像进行第二次二值化，方法是：
(2-1)记第一图像I2的长和宽分别为a和b，新建数组p，令其长度为a*b，对p中的所有元素赋初值-1；
(2-2)设I2(x,y)为I2中坐标(x,y)的点所对应的像素值，I1(x,y)为原始图像I1中坐标(x,y)的点所对应的像素值，遍历I2中的所有像素，若I2(x,y)＝0，则将I1(x,y)记入p；
(2-3)对p中所有不等于-1的元素使用大津法求阈值k，其中灰度范围取0到255，像素总数取p中不等于-1的元素个数；
(2-4)使用阈值k对I1进行二值化处理，得到第二图像I3。
3.根据权利要求1所述的基于图像处理的空载率计算方法，其特征在于，对第二图像进行形态学运算以去除干扰区域，方法是：
使用c*c的矩阵对第二图像进行闭运算，然后使用相同的矩阵再做一次开运算，得到第四图像。
CN202010697345.2A 2020-07-20 2020-07-20 一种基于图像处理的空载率计算方法 Active CN111968148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697345.2A CN111968148B (zh) 2020-07-20 2020-07-20 一种基于图像处理的空载率计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697345.2A CN111968148B (zh) 2020-07-20 2020-07-20 一种基于图像处理的空载率计算方法

Publications (2)

Publication Number Publication Date
CN111968148A CN111968148A (zh) 2020-11-20
CN111968148B true CN111968148B (zh) 2023-08-22

Family

ID=73361142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697345.2A Active CN111968148B (zh) 2020-07-20 2020-07-20 一种基于图像处理的空载率计算方法

Country Status (1)

Country Link
CN (1) CN111968148B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017121018A1 (zh) * 2016-01-11 2017-07-20 中兴通讯股份有限公司 二维码图像处理的方法和装置、终端、存储介质
CN107633503A (zh) * 2017-08-01 2018-01-26 南京航空航天大学 一种自动检测谷粒中残留秸秆的图像处理方法
CN109784344A (zh) * 2019-01-24 2019-05-21 中南大学 一种用于地平面标识识别的图像非目标滤除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155442B2 (en) * 2008-02-04 2012-04-10 The Neat Company, Inc. Method and apparatus for modifying the histogram of an image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017121018A1 (zh) * 2016-01-11 2017-07-20 中兴通讯股份有限公司 二维码图像处理的方法和装置、终端、存储介质
CN107633503A (zh) * 2017-08-01 2018-01-26 南京航空航天大学 一种自动检测谷粒中残留秸秆的图像处理方法
CN109784344A (zh) * 2019-01-24 2019-05-21 中南大学 一种用于地平面标识识别的图像非目标滤除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模板算子边缘检测的图像二值化算法;田敬波;;信息技术与信息化(09);第103-106页 *

Also Published As

Publication number Publication date
CN111968148A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN110210409B (zh) 表格单据中表格框线检测方法及***
CN112419250A (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及***
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN102693423B (zh) 一种在强光条件下车牌精确定位的方法
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN109872303B (zh) 表面缺陷视觉检测方法、装置和电子设备
CN110210477B (zh) 一种数字式仪表读数识别方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN109389566B (zh) 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法
CN111027546B (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN111080650B (zh) 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN114723709A (zh) 隧道病害检测方法、装置和电子设备
CN104182976B (zh) 一种野外运动目标精细化提取方法
CN113627257A (zh) 检测方法、检测***、设备和存储介质
CN114972397A (zh) 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法
CN115171218A (zh) 一种基于图像识别技术的物资送样异常行为识别***
CN116071692A (zh) 一种基于形态学图像处理的水尺水位识别方法及***
CN113724322B (zh) 一种用于无人叉车的货物托盘定位方法及***
CN111968148B (zh) 一种基于图像处理的空载率计算方法
CN114037730A (zh) 车流量统计方法、装置、设备及存储介质
CN109978879B (zh) 基于铁路货车装载视频监视的箱角入槽状态检测方法

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
GR01 Patent grant
GR01 Patent grant