一种基于形态学的图像特定形状尺寸目标快速分割方法
【技术领域】
[0001] 本发明涉及计算机视觉检测技术领域，特别是一种基于形态学的图像特定形状 尺寸目标快速分割方法。
【背景技术】
[0002] 计算机视觉技术具有非接触性、经济性、灵活性和集成性等优点，在工业测试与在 线检测领域具有广泛的应用前景。
[0003] 为了有效的进行图像的描述和分析，需要先将图像划分为若干有意义的区域。只 有某些部分是系统感兴趣的，这些部分称为检测图像的前景（其他部分称为背景），需将这 些部分分离提取出来，才有可能对前景进行进一步的利用，如进行特征提取和测量。这一为 后续工作有效进行而将检测图像划分为若干有意义的区域的过程称为图像分割。图像分割 是计算机视觉检测的必须步骤，有着至关重要的作用。
[0004] 现有的图像分割方法可分为阈值分割、基于边缘检测的分割和基于区域的分割三 大类。其中，阈值分割的基本思想为：图像中的目标区域与背景区域的灰度是不同的，这 时可将灰度作为依据进行分割，将高于某一灰度的像素划分到一个区域中去，低于某灰度 的像素划到另一个区域；基于边缘的图像分割依赖边缘检测算子找到的图像边缘，这些边 缘标识出了图像在灰度、彩色、纹理等方面的不连续位置；基于区域的分割方法可看作阈值 分割法的改进，其特点在于，分割图像时不但考虑像素的灰度值，还参考像素的空间位置关 系，从而得到更好的分割效果。
[0005] 计算机视觉检测最终往往都只对检测图像的极少部分信息感兴趣，上述三类图像 分割方法分割出来的前景可能仍然包含大量无效信息，在此情况下检测系统典型的后续处 理如特征提取、图像分析等步骤难以同时保证实时性、精度及鲁棒性。这一问题限制了计算 机视觉技术进一步在检测领域的推广。
[0006] 近年，有学者将形态学带通滤波算法运用于特定形状尺寸红外小目标分割，该方 法采用两种与目标尺寸接近的结构元素分别对图像进行形态学开运算，然后将开运算后的 两幅图像相减实现目标分割。但该方法只适用于面积仅几个像素的小目标分割，对于大目 标，采用大结构元素对图像进行开运算非常耗时，且会造成图像严重失真，该方法并不适 用。
【发明内容】
[0007] 本发明所要解决的技术问题是，针对现有技术不足，提供一种基于形态学的图像 特定形状尺寸目标快速分割方法。
[0008] 为解决上述技术问题，本发明所采用的技术方案是：一种基于形态学的图像特定 形状尺寸目标快速分割方法，包括以下步骤：
[0009] 1)对特定形状尺寸的目标标准二值模版进行形态学迭代腐蚀运算，直到该目标完 全消失，记下迭代步数；依据标准二值模版迭代腐蚀至完全消失步数，确定待测图像中目标 不完全消失的腐蚀迭代次数和目标完全消失的腐蚀迭代次数；
[0010] 2)应用大津法对待测图像进行阈值分割，得到待测二值图，若目标在待测二值图 中为黑色，则对待测二值图进行求反运算；
[0011] 3)对所述待测二值图进行形态学迭代腐蚀运算，当迭代次数达到上述目标不完全 消失次数时，将图像保存为标记图像1，继续迭代腐蚀，当迭代次数达到上述目标完全消失 次数时，将图像保存为标记图像2 ;
[0012] 4)以待测二值图为掩膜图，对标记图像1和标记图像2分别进行形态学条件膨胀 运算，得到重构图像1及重构图像2 ;
[0013] 5)对重构图像1和重构图像2进行差分运算，实现特定形状尺寸目标分割。
[0014] 步骤1)中，形态学迭代腐蚀运算的公式为：
[0015] Ln+1 =LηΘa；
[0016] 其中，"Θ"为形态学腐蚀运算符，L。为标准二值模版图像，Ln为标准二值模版第η 次形态学腐蚀运算后得到的二值图像，a为形态学结构元素；
[0017]
[0018] 形态学迭代腐蚀运算的终止条件为目标完全消失，终止条件判断标准为：
[0019] Ln= 0〇
[0020] 目标不完全消失的腐蚀迭代次数和目标完全消失的腐蚀迭代次数的确定方法为： 若目标标准模版形态学迭代腐蚀消失时，记下的迭代步数为k，则目标不完全消失腐蚀迭 代次数4计算公式为：1^=k-r1;目标完全消失腐蚀迭代次数k2计算公式为：k2= 1^+1"2;其 中，;为目标偏小余量常数；;r2为目标偏大余量常数。
[0021] η取值范围为[2~5]像素；r2取值范围为[1~4]像素。
[0022] 步骤2)中，阈值Ts计算公式为：Ts=argmax[σ2(T)];其中， σ2(Τ) =wA(Τ) (uA(T)-u)2+wB(Τ) (uB(Τ)-u)2，u=wA(Τ)uA(Τ) +wB(Τ)uB(Τ)，
N为 待测图像中的像素总数；L为待测图像中的灰度级总数；k=i或r;nk为灰度值是k的像素 个数：T为将图像像素分为A、B两类的判别值，按上式计算时取值范围为（0，L)。
[0023] 对标记图像1或标记图像2进行形态学条件膨胀运算的迭代公式为：In+1 = (In?a)Af_k;其中，"?"为形态学膨胀运算符，I。为标记图像1或标记图像2,In为第η 次运算后得到的约束膨胀图；f_k为步骤2)得到的待测二值图，此处作为掩膜图像；"Λ" 运算符表示两幅图像逐点取最小值；上述迭代终止条件为：Ιη+1=Iη。
[0024] 对重构图像1和重构图像2进行差分运算的公式为：S=Ia_Ib;其中，S为特定形 状尺寸分割图像，Ia、Ib分别为步骤4)得到的重构图像1和重构图像2。
[0025] 与现有技术相比，本发明所具有的有益效果为：本发明引入形态学重构运算，对形 态学带通滤波算法进行改进，可在复杂背景图像中准确的分割出特定形状尺寸目标，大大 减少了后续处理的计算量和干扰信息，使得视觉测量系统的实时性、精度及鲁棒性容易同 时得到保证；采用小结构元素形态学迭代算法替代大结构元素形态学运算，提高了算法的 实时性；对于视觉测量系统中广泛使用的简单形状目标（如椭圆、三角形、矩形等），本发明 方法具有普适性。
【附图说明】
[0026] 图1为本发明一实施例方法流程图；
[0027] 其中，1、目标特性测定，2、大津法分割及求反运算，3、形态学迭代腐蚀，4、形态学 重构，5、差分运算；
[0028] 图2(a)是本发明实施例待测图像；图2(b)是本发明实施例大津法阈值分割并求 反后的待测二值图像；图2(c)是本发明实施例标记图像1;图2(d)是本发明实施例标记图 像2 ;图2(e)是本发明实施例重构图像1 ;图2(f)是本发明实施例重构图像2 ;图2(g)是 本发明实施例分割结果图像。
【具体实施方式】
[0029] 如图1所示，本发明一目标为圆的实施例分割方法过程如下：
[0030] 方法实施前，先测定目标特性，具体