從 飛 張秋菊

(江南大學(xué)機(jī)械工程學(xué)院 江蘇 無(wú)錫 214122) (江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室 江蘇 無(wú)錫 214122)

?

基于形態(tài)學(xué)的非均勻光照?qǐng)D像二值化并行方法

從 飛 張秋菊

(江南大學(xué)機(jī)械工程學(xué)院 江蘇 無(wú)錫 214122) (江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室 江蘇 無(wú)錫 214122)

在傳統(tǒng)工業(yè)場(chǎng)合，尤其在大面積視野下的視覺(jué)拍攝經(jīng)常會(huì)出現(xiàn)所得圖像光照不均勻的問(wèn)題，這給圖像二值化分割以及對(duì)后續(xù)處理帶來(lái)困難。非均勻光照?qǐng)D像處理通常采用局部閾值分割法，然而經(jīng)典的局部閾值分割法通常會(huì)具備噪聲大、處理時(shí)間長(zhǎng)等弊端。針對(duì)這些弊端，提出利用數(shù)學(xué)形態(tài)學(xué)理論，采用改進(jìn)的Sauvola算法對(duì)非均勻光照?qǐng)D像進(jìn)行二值化研究并對(duì)其并行優(yōu)化。通過(guò)對(duì)工業(yè)場(chǎng)合下采集的卡片圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，所述方法不僅可以對(duì)噪聲進(jìn)行有效地抑制，得到較好的識(shí)別效果，而且圖像處理時(shí)間也大大縮短。

Sauvola算法 非均勻光照 二值化 形態(tài)學(xué) 并行優(yōu)化

0 引 言

圖像二值化是圖像處理中非常重要的環(huán)節(jié)，圖像二值化的優(yōu)劣關(guān)系到后續(xù)處理的精確性。對(duì)于光照均勻的圖片，應(yīng)用經(jīng)典的全局閾值方法就能取得較好的效果[1-2]。如：直方圖雙峰閾值法；最大類間方差法(大津法)等。然而在傳統(tǒng)工業(yè)場(chǎng)合中，尤其是對(duì)具備反光特性物體表面的拍攝或者是在大面積視野視覺(jué)拍攝下，相機(jī)所拍攝圖像為非均勻光照的居多。針對(duì)此類圖像，采用經(jīng)典的全局閾值法處理所得到的效果較差，由于是單一閾值，很多目標(biāo)信息將被淹沒(méi)為背景，無(wú)法滿足實(shí)驗(yàn)預(yù)處理及后續(xù)操作要求。

針對(duì)非均勻光照?qǐng)D像的處理，目前處理方法概括下來(lái)大致分為三種[3-5]：(1) 對(duì)圖片根據(jù)光照情況進(jìn)行分塊處理，再對(duì)每一小塊分別取閾值；(2) 采用灰度補(bǔ)償?shù)确椒▽?duì)背景光照做均勻處理，再用全局閾值分割；(3) 對(duì)圖像每一個(gè)像素點(diǎn)逐點(diǎn)根據(jù)其領(lǐng)域特性設(shè)定該點(diǎn)閾值, 即局部閾值法處理。第一種方法由于分塊處理，其結(jié)果會(huì)使得圖片每塊處理的邊界很明顯，尤其是光照分塊不明顯的圖片，缺乏整體性。第二種方法很難對(duì)背景光照進(jìn)行很好的估計(jì)，對(duì)于目標(biāo)與背景相差不大的目標(biāo)分割效果較差。因此對(duì)于非均勻光照?qǐng)D像而言，通常采用局部閾值法得到的效果良好。目前比較典型的局部閾值分割算法[6-7]有Niblack算法、Bernsen算法。相比而言，兩種算法處理出的效果均會(huì)帶來(lái)很多噪音干擾，Niblack算法對(duì)于復(fù)雜圖像的分割效果較Bernsen算法優(yōu)越很多，但其處理時(shí)間則相對(duì)較慢。2000年Sauvola等[8]在Niblack模型基礎(chǔ)上加以改善，提出了Sauvola算法。該算法對(duì)圖像處理所造成的噪聲進(jìn)行了極大的抑制，但卻并不能改善處理時(shí)間較長(zhǎng)的問(wèn)題。在工業(yè)場(chǎng)合中，圖像處理的時(shí)間長(zhǎng)短極大地影響著工業(yè)生產(chǎn)的效率。本文將針對(duì)噪聲大、時(shí)間長(zhǎng)這些弊端，提出基于形態(tài)學(xué)的改進(jìn)的Sauvola算法對(duì)非均勻光照?qǐng)D像進(jìn)行二值化研究并在此基礎(chǔ)上對(duì)算法模型進(jìn)行并行優(yōu)化，算法通過(guò)實(shí)驗(yàn)驗(yàn)證。

1 改進(jìn)的Sauvola算法模型

1.1 經(jīng)典局部閾值法分析

經(jīng)典的局部閾值分割法通常是對(duì)每個(gè)像素點(diǎn)根據(jù)領(lǐng)域像素灰度值進(jìn)行逐點(diǎn)設(shè)定，其算法通式可以定義為：

T(i,j)=T(N(i,j),f(i,j))

(1)

其中N(i,j)為局部領(lǐng)域特性，常見(jiàn)的領(lǐng)域特性N(i,j)則包括所定區(qū)域的均值、方差、標(biāo)準(zhǔn)差等。Niblack算法所應(yīng)用到的領(lǐng)域特性主要是均值和標(biāo)準(zhǔn)差，其算法模型為：

T(x,y)=E(x,y)+k×s(x,y)

(2)

其中k為修正系數(shù)，該算法的核心則是對(duì)區(qū)域大小ω及k值的選取，通常k取經(jīng)驗(yàn)值為0.2。Berson算法所使用的領(lǐng)域特性則是所選區(qū)域的最大最小灰度值，其算法模型如下：

T(x,y)=(Imax+Imin)/2

(3)

單從兩種算法模型比較而言，Niblack算法中使用了均值與標(biāo)準(zhǔn)差的領(lǐng)域特性，這使得每一像素點(diǎn)閾值的選取受該區(qū)域極端值的影響較小。但由于引入了標(biāo)準(zhǔn)差，每一個(gè)像素點(diǎn)閾值都將進(jìn)行平方加開方的運(yùn)算，這使得運(yùn)算量成倍的增長(zhǎng)。Berson算法以最大最小灰度值取代了均值與標(biāo)準(zhǔn)差，避免了過(guò)多的計(jì)算量，算法速度有了極大的改善。但所帶來(lái)的像素點(diǎn)閾值受極端值影響較大的缺陷則無(wú)法避免，這也是Berson算法分割效果不盡如人意的重要原因。從算法處理效果來(lái)看，Niblack算法對(duì)圖像灰度變化較為敏感，且過(guò)分依賴k值的選取，無(wú)論k如何取值，算法都不可避免引入大量噪聲。Berson算法在處理背景區(qū)域時(shí)會(huì)產(chǎn)生大量的偽影，尤其在強(qiáng)光分割區(qū)域，幾乎很難辨識(shí)出任何有用信息，且該算法處理時(shí)間與窗口值數(shù)量密切相關(guān)，窗口數(shù)量增加，算法時(shí)間也大大延長(zhǎng)。

Sauvola算法是在Niblack算法基礎(chǔ)上做了改進(jìn)。其同樣使用了均值和標(biāo)準(zhǔn)差作為領(lǐng)域特性，只是在Niblack算法模型里增添了新的參數(shù)R，算法模型如下：

(4)

R是標(biāo)準(zhǔn)偏差的最大值，通常直接取值128，參數(shù)R的引入不僅很好地改善了背景噪聲的問(wèn)題，也同時(shí)解決了Niblack算法分割效果嚴(yán)重依賴參數(shù)k的問(wèn)題。但同樣此算法中標(biāo)準(zhǔn)差的領(lǐng)域特性并不能在處理時(shí)間上有所改善，而且從該算法處理效果來(lái)看，噪聲干擾也存在進(jìn)一步改善的空間。

1.2 改進(jìn)的Sauvola算法

針對(duì)Sauvola算法依舊不能改善處理時(shí)間的問(wèn)題，本文從領(lǐng)域特性入手，在Sauvola算法模型上引入局部均值偏差δ(x,y)的概念，其定義為：

δ(x,y)=|f(x,y)-E(x,y)|

(5)

局部均值偏差δ(x,y)表示當(dāng)前點(diǎn)像素的灰度值與其所在局部區(qū)域均值的差值，同局部方差一樣，可隨著背景變化而變化，能較好地反映出選定像素的領(lǐng)域特性。以局部均值偏差δ(x,y)替換Sauvola算法模型中的標(biāo)準(zhǔn)差s(x,y)，極大地減小了標(biāo)準(zhǔn)差中二次方加開方運(yùn)算所帶來(lái)的計(jì)算量。因此在有效反映像素點(diǎn)局部特性的同時(shí)大大縮短了算法處理時(shí)間?；赟auvola算法模型，本文算法建立改進(jìn)的Sauvola算法模型如下：

(6)

與Sauvola算法類似，式(6)中的R通常取128，k取值范圍(0,1)。該算法延續(xù)了Sauvola算法模型，多次實(shí)驗(yàn)分析，模型中對(duì)局部均值偏差δ(x,y)采取開方運(yùn)算會(huì)對(duì)噪聲點(diǎn)進(jìn)行更好的抑制作用，且增強(qiáng)了目標(biāo)像素的自適應(yīng)性。

1.3 算法模型并行優(yōu)化

并行計(jì)算是指同時(shí)使用多種計(jì)算資源解決計(jì)算問(wèn)題的過(guò)程，其主要是用于提高復(fù)雜或者龐大數(shù)據(jù)的計(jì)算速度。在傳統(tǒng)圖像處理中用到的大多都是串行計(jì)算，而串行計(jì)算是指在單個(gè)中央處理單元上執(zhí)行軟件寫操作，CPU解決問(wèn)題都是通過(guò)逐個(gè)調(diào)取一系列指令，且其中僅有一種指令可被及時(shí)或隨時(shí)使用。并行算法則是采用多臺(tái)處理機(jī)聯(lián)合求解問(wèn)題，其大致的執(zhí)行過(guò)程是將給定的計(jì)算問(wèn)題首先分解成若干個(gè)盡量相互獨(dú)立的子問(wèn)題。然后將這些子問(wèn)題分給多臺(tái)處理機(jī)同時(shí)求解，通常應(yīng)用在具備龐大計(jì)算量的模型里進(jìn)行算法加速。

本文所改進(jìn)的局部閾值算法模型中需遍歷圖像的每一個(gè)像素點(diǎn)，即使以局部均值偏差替代標(biāo)準(zhǔn)差，計(jì)算量也尤為龐大。所幸，圖像的每個(gè)像素點(diǎn)都是孤立的，這給算法模型的并行優(yōu)化提供先決條件。根據(jù)計(jì)算機(jī)的多核處理系統(tǒng)選擇多個(gè)處理機(jī)對(duì)算法數(shù)據(jù)同時(shí)進(jìn)行并行分布式計(jì)算，大大增強(qiáng)了算法模型的實(shí)時(shí)性。

2 形態(tài)學(xué)濾波器設(shè)計(jì)

為了進(jìn)一步改善對(duì)局部閾值法處理圖像所引起噪聲的抑制作用，本文在改進(jìn)算法模型的基礎(chǔ)上引入數(shù)學(xué)形態(tài)學(xué)濾波器。形態(tài)學(xué)濾波器[9-11]是從數(shù)學(xué)形態(tài)學(xué)發(fā)展起來(lái)的一種非線性濾波器，具有并行快速實(shí)現(xiàn)的特點(diǎn)，在圖像處理中應(yīng)用廣泛。尤其在噪聲抑制、邊緣提取、目標(biāo)檢測(cè)等方面都具備良好的處理效果。因此將形態(tài)學(xué)與局部閾值分割算法的結(jié)合，在不會(huì)增加處理時(shí)間的基礎(chǔ)上會(huì)進(jìn)一步消除噪聲對(duì)目標(biāo)區(qū)域的干擾。形態(tài)濾波器是基于圖像的幾何結(jié)構(gòu)特性，利用預(yù)先定義的結(jié)構(gòu)元素(相當(dāng)于濾波窗)對(duì)信號(hào)進(jìn)行匹配或局部修正，從而達(dá)到抑制噪聲、提取信號(hào)的目的。其基本思想如圖1所示。

圖1 形態(tài)學(xué)濾波思想

2.1 形態(tài)學(xué)運(yùn)算組合

圖像的膨脹和腐蝕被定義為兩種基本的形態(tài)學(xué)運(yùn)算。形態(tài)學(xué)的開運(yùn)算和閉運(yùn)算是兩種基本形態(tài)學(xué)的結(jié)合。開運(yùn)算實(shí)質(zhì)是先對(duì)圖像進(jìn)行腐蝕，然后膨脹其結(jié)果，設(shè)A為輸入圖像，B為結(jié)構(gòu)元素，A被B的形態(tài)學(xué)開運(yùn)算記為A°B[12]，定義如下：

A°B=(A！B)⊕B=∪{(B)z|(B)z?A}

(7)

式(7)可以簡(jiǎn)單理解為B在A內(nèi)完全匹配的平移的并集。形態(tài)學(xué)的閉運(yùn)算A·B則與開運(yùn)算相反，是先膨脹再腐蝕的結(jié)果：

A·B=(A⊕B)！B

(8)

在圖像處理中，開運(yùn)算在一定程度上可以起到補(bǔ)償不均勻的背景亮度的作用，可以去除比結(jié)構(gòu)元素更小的明亮細(xì)節(jié)。相反，閉運(yùn)算可以去除比結(jié)構(gòu)元素更小的暗色細(xì)節(jié)，因此當(dāng)創(chuàng)建完一個(gè)合適的結(jié)構(gòu)元素后，將兩者進(jìn)行結(jié)合形成開-閉濾波器(A°B·B)可以得到去除噪聲平滑圖像的效果。其原理通常是利用開運(yùn)算去除圖像中的雜散點(diǎn)，再由閉運(yùn)算填充由于開運(yùn)算所遺留下的缺口。同樣，閉-開濾波器(A·B°B)一樣可以起到圖像平滑的作用。然而在圖像處理中，單一的開-閉或者閉-開濾波器往往很難達(dá)到理想的濾波效果。且開運(yùn)算的反擴(kuò)展性和閉運(yùn)算的擴(kuò)展性會(huì)使得開-閉濾波器或閉-開濾波器的輸出幅度呈現(xiàn)偏小或偏大現(xiàn)象。本文將設(shè)計(jì)一種串聯(lián)式形態(tài)學(xué)濾波器，即采用開-閉交替順序的組合運(yùn)算形式設(shè)計(jì)形態(tài)學(xué)濾波器。

2.2 結(jié)構(gòu)元素的選取

在形態(tài)學(xué)運(yùn)算組合方式確定以后，結(jié)構(gòu)元素的選取則是影響濾波器輸出的關(guān)鍵因素。由于結(jié)構(gòu)元素對(duì)形態(tài)運(yùn)算的結(jié)果有決定性的作用，因此，需結(jié)合所要處理圖片的實(shí)際應(yīng)用背景和期望所得目標(biāo)合理選擇結(jié)構(gòu)元素的大小與形狀。形態(tài)學(xué)中常用到的有方形、圓形、直線、余弦等形狀的結(jié)構(gòu)元素。從處理經(jīng)驗(yàn)及技巧上，一般會(huì)選擇一個(gè)與希望處理的輸入圖象相同或者類似形狀的結(jié)構(gòu)元素。如圖2實(shí)例所示，這是工業(yè)現(xiàn)場(chǎng)由相機(jī)采集到的非均勻光照局部圖像，其產(chǎn)生不均勻光照的原因一方面是由于該采集視野較大，給四周加以條形光源后會(huì)使得中間部分卡片偏亮。另一方面則是由于卡片安置板的反光特性對(duì)卡片產(chǎn)生光照不均勻的影響。圖像處理的目的則是檢測(cè)出所有卡片輪廓。

圖2 卡片原圖

由于輸入圖像的目標(biāo)信息形狀接近方形，首先可確定方形作為形態(tài)學(xué)濾波器的結(jié)構(gòu)元素形狀。文獻(xiàn)[13]中分別對(duì)形態(tài)學(xué)的組合運(yùn)算進(jìn)行討論分析，得出結(jié)論：多結(jié)構(gòu)元素的腐蝕、膨脹、開、閉濾波在細(xì)節(jié)保護(hù)方面均優(yōu)于單一結(jié)構(gòu)元素的開、閉濾波。因此，為更好地保留輸入圖像目標(biāo)的輪廓信息，本文選取不同尺寸的方形結(jié)構(gòu)元素對(duì)其進(jìn)行形態(tài)學(xué)濾波。結(jié)構(gòu)元素從3×3尺寸開始不斷增大，直至得出較好的檢測(cè)效果。3×3方形結(jié)構(gòu)元素如圖3所示。

圖3 3×3方形結(jié)構(gòu)元素

2.3 形態(tài)學(xué)濾波器設(shè)計(jì)

本文所涉及的濾波器示意圖如圖4所示，其中，結(jié)構(gòu)元素B尺寸不斷增大。

圖4 濾波器設(shè)計(jì)

3 本文算法及驗(yàn)證

3.1 算法流程及實(shí)現(xiàn)步驟

本文算法是基于數(shù)學(xué)形態(tài)學(xué)，結(jié)合改進(jìn)的Sauvola算法模型對(duì)非均勻圖像的二值化處理及并行優(yōu)化，基于本文算法主要思想，制定本文流程如圖5所示。

圖5 本文算法流程圖

具體算法步驟如下：

1) 根據(jù)輸入圖像的目標(biāo)特性創(chuàng)建一個(gè)平坦的結(jié)構(gòu)元素，并設(shè)定結(jié)構(gòu)元素最大尺寸預(yù)定值w。本文根據(jù)卡片的形狀特性首先確定為方形結(jié)構(gòu)元素，結(jié)構(gòu)元素的尺寸選取通常應(yīng)大于噪聲尺寸而小于非噪聲尺寸。本文噪聲來(lái)源于非均勻光照，經(jīng)局部閾值處理后呈現(xiàn)隨機(jī)斑點(diǎn)狀或條紋狀噪聲，結(jié)構(gòu)元素尺寸過(guò)小則無(wú)法覆蓋這些噪聲，過(guò)大則會(huì)造成相鄰兩個(gè)卡片發(fā)生連接導(dǎo)致目標(biāo)破損，最終本文以不大于兩個(gè)相鄰卡片之間的距離設(shè)定最大結(jié)構(gòu)尺寸w=9(即9×9方形尺寸)。

2) 采用形態(tài)學(xué)交替順序?yàn)V波的組合方法對(duì)圖像執(zhí)行開-閉運(yùn)算，其主要形式是從較小的結(jié)構(gòu)元素開始不斷增大結(jié)構(gòu)元素尺寸來(lái)執(zhí)行開-閉濾波。本文從3×3尺寸的結(jié)構(gòu)元素不斷增大到預(yù)定值9×9尺寸。分別進(jìn)行了3×3、5×5、7×7、9×9四次不同尺寸結(jié)構(gòu)元素下的濾波操作。

3) 對(duì)于形態(tài)學(xué)處理之后的圖像，選定合適的模版大小ω，令k在0.1附近取值，計(jì)算出所分割區(qū)域的局部均值，再將任意當(dāng)前點(diǎn)像素值與局部均值的差值代入至改進(jìn)的Sauvola算法模型中進(jìn)行局部閾值分割。式(6)中延續(xù)Sauvola算法中的最大標(biāo)準(zhǔn)差R值，直接取R=128進(jìn)行計(jì)算。

4) 通過(guò)計(jì)算機(jī)的多核處理對(duì)所改進(jìn)的算法模型進(jìn)行并行優(yōu)化。

5) 根據(jù)所得圖像的去噪效果以及目標(biāo)邊緣連續(xù)性返回步驟1)，適當(dāng)增加或降低預(yù)定值w，循環(huán)進(jìn)行步驟2)-步驟4)，直至得出較好的分割效果。本案例以提取所有連通區(qū)域輪廓，以檢測(cè)出正確有效的卡片輪廓數(shù)量和偽輪廓數(shù)量為判別效果好壞的標(biāo)準(zhǔn)。實(shí)驗(yàn)證明，令w=9可以使圖像在保留邊緣信息的基礎(chǔ)上取得最好的去噪效果。

3.2 核心編程的實(shí)現(xiàn)

為了檢驗(yàn)本文算法的可行性，本文在配置為8核的DELL服務(wù)器上以Matlab R2010b作為實(shí)驗(yàn)平臺(tái)，對(duì)圖2所示的卡片圖像進(jìn)行二值化分割。以下是本仿真m語(yǔ)言的二值化核心編程：

for i=3:2:9

%形態(tài)學(xué)交替濾波

se=strel(′square′,i);

%設(shè)置結(jié)構(gòu)參數(shù)

fasf=imclose(imopen(fasf,se),se);

%開閉運(yùn)算

end

matlabpool local 8

%開啟8核并行處理環(huán)境

parfor i=1+ω:H+ω;

%Parfor并行循環(huán)

for j=1+ω:W+ω;

…

m_ij=mean(mean(fasf(ai:bi,aj:bj)));

%局部均值

l=sqrt(abs(double(fasf(i,j))-m_ij));

%局部均值偏差

T=m_ij+m_ij*k*((l/128)-1);

%局部閾值

…

3.3 實(shí)驗(yàn)結(jié)果及分析

本文算法測(cè)試圖片(圖2)來(lái)源于真實(shí)工業(yè)現(xiàn)場(chǎng)的圖像的局部，采集使用工業(yè)相機(jī)拍攝，分辨率為：818×376，圖片格式為BMP，以四面條光作為光源。局部閾值算法中區(qū)域ω值的設(shè)置，既要求能保存足夠份量的局部信息，同時(shí)也要求能夠抑制噪聲及其他干擾對(duì)分割的影響。尺寸若取值過(guò)小，則引入局部信息不充分，易受外界的干擾，特別是在背景區(qū)域，尺寸過(guò)大則會(huì)使目標(biāo)粘連導(dǎo)致目標(biāo)信息丟失，本文以ω值小于相鄰兩卡片距離為標(biāo)準(zhǔn)進(jìn)行選取。修正系數(shù)k值在Niblack算法中影響較大，k越小，則噪音越小，同樣目標(biāo)信息也越容易丟失，在Sauvola算法及本文算法中k值影響較小，通常都需手動(dòng)調(diào)試最優(yōu)。圖6-圖8均是在大量實(shí)驗(yàn)下獲取的分割效果較好的圖像。圖6是用經(jīng)典Niblack算法處理所得效果圖，取ω=9，k=-0.4，為了獲取更好輪廓識(shí)別效果，使目標(biāo)更清晰地顯示出來(lái)，在Niblack算法模型上整體減去2個(gè)灰度值的微調(diào)量。圖7是用Sauvola算法處理所得效果圖，取ω=9，k=0.15。圖8則用本文算法所得效果，取ω=9，k=0.1。

圖6 Niblack算法分割效果

圖7 Sauvola算法分割效果

圖8 本文算法分割效果

從處理效果及算法抗噪性對(duì)比來(lái)看，Niblack算法抗噪性較差，在目標(biāo)被分離出的同時(shí)，背景區(qū)域也會(huì)出現(xiàn)大量偽影及噪音斑點(diǎn)，圖像被進(jìn)一步處理的難度較大。Sauvola算法在很大程度上對(duì)噪聲進(jìn)行了抑制，但明顯可見(jiàn)部分卡片四周仍然存在線狀和斑點(diǎn)狀噪音干擾。本文算法結(jié)合數(shù)學(xué)形態(tài)學(xué)，對(duì)噪聲進(jìn)行了進(jìn)一步的抑制，并且不失目標(biāo)邊緣特性。為更清晰地展現(xiàn)本文算法的優(yōu)越性，本文對(duì)三種算法處理所得圖像中所有連通區(qū)域的輪廓進(jìn)行提取，理論目標(biāo)輪廓數(shù)為84。實(shí)驗(yàn)實(shí)際結(jié)果如圖9所示。

圖9 算法連通區(qū)域的輪廓數(shù)

Niblack算法處理圖像共檢測(cè)出156個(gè)輪廓，其中由于部分目標(biāo)輪廓邊緣缺乏連續(xù)性，導(dǎo)致此部分輪廓缺失，因此有效輪廓數(shù)僅為81，噪音造成的偽輪廓數(shù)為75；Sauvola算法共檢測(cè)出99個(gè)輪廓，有效輪廓數(shù)83，偽輪廓數(shù)16；本文算法共檢測(cè)出84個(gè)輪廓，均為實(shí)際有效輪廓。結(jié)果證明，在抗噪性及邊緣連續(xù)性上，Sauvola算法優(yōu)于Niblack算法，本文算法優(yōu)于Sauvola算法。同時(shí)，分別計(jì)入了算法處理時(shí)間，如表1所示。改進(jìn)的Sauvola算法由于脫離了標(biāo)準(zhǔn)差的計(jì)算，計(jì)算量減小一半，相較于其他兩種算法，在處理時(shí)間上有絕對(duì)的優(yōu)勢(shì)。但是在真正工業(yè)場(chǎng)合下，改進(jìn)算法模型所用時(shí)間依然不能滿足工業(yè)場(chǎng)合下的實(shí)時(shí)性要求。本文在8核計(jì)算機(jī)上，利用8個(gè)處理機(jī)對(duì)算法模型進(jìn)行并行運(yùn)算優(yōu)化。其原理主要采用Matlab中的主從結(jié)構(gòu)的分布式計(jì)算，首先初始化Matlab中的并行環(huán)境，設(shè)置原先進(jìn)程為主節(jié)點(diǎn)，同時(shí)初始化多個(gè)子節(jié)點(diǎn)，子節(jié)點(diǎn)之間獨(dú)立進(jìn)行運(yùn)算，運(yùn)算過(guò)程中互不干擾，最終所有子節(jié)點(diǎn)將運(yùn)算結(jié)果整合后傳遞主節(jié)點(diǎn)。并行優(yōu)化后的處理時(shí)間如表1所示。比較可得，算法模型的并行優(yōu)化在不改變圖像處理效果的基礎(chǔ)上大大縮短圖像處理所用時(shí)間，這給在大視野下較大尺寸的圖像處理提供實(shí)時(shí)性的保障。

表1 算法分割所用時(shí)間

為了進(jìn)一步驗(yàn)證本文算法的通用性，將本文算法脫離工業(yè)場(chǎng)合，應(yīng)用于非均勻光照的文本圖像上進(jìn)行驗(yàn)證。相較于大視野下的非文本圖像處理，文本類圖像的分割則需選取一個(gè)較小的圓形結(jié)構(gòu)元素構(gòu)建形態(tài)學(xué)濾波器，最終分割效果如圖10所示，所用處理時(shí)間分別為：Niblack算法(8.221 3 s)，Sauvola算法(8.002 9 s)，經(jīng)并行優(yōu)化后的本文算法(0.481 5 s)。

圖10 非均勻光照文本圖像處理

4 結(jié) 語(yǔ)

針對(duì)經(jīng)典局部閾值分割法噪音大，處理時(shí)間長(zhǎng)的弊端，本文基于Sauvola算法模型加以改進(jìn)。以局部均值偏差替換標(biāo)準(zhǔn)差作為領(lǐng)域特性進(jìn)行圖像處理，對(duì)圖像處理的算法模型再進(jìn)行并行優(yōu)化，并結(jié)合形態(tài)學(xué)對(duì)非均勻光照下圖像處理所引發(fā)噪聲的抑制能力，處理得到的圖像不僅具備較好的抗噪性，同時(shí)還大大縮短了圖像處理時(shí)間，可以滿足工業(yè)生產(chǎn)要求。形態(tài)學(xué)的單次組合運(yùn)算很難達(dá)到較好的處理效果，本文采用選取不同尺寸的結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)的開-閉交替運(yùn)算濾波方法，得出的圖像平滑效果良好。針對(duì)非均勻光照?qǐng)D像的處理，尤其是大面積視野下小目標(biāo)圖像分割問(wèn)題，本文算法都能在大大縮短算法時(shí)間的同時(shí)進(jìn)行很好的干擾屏蔽，具有一定通用性以及借鑒價(jià)值。

[1] 楊修國(guó).關(guān)于直方圖雙峰法的研究與改進(jìn)[J].電子設(shè)計(jì)工程,2012,20(12):176-179.

[2] 李敏,羅洪艷,鄭小林,等.一種改進(jìn)的最大類間方差圖像分割法[J].南京理工大學(xué)學(xué)報(bào),2012,36(2):332-337.

[3] Sahoo P K,Soltani S,Wong A K C,et al.A survey of thresholding techniques[J].Computer Vision Graphics & Image Processing,1988,41(2):233-260.

[4] 楊杰,付忠良,阮波.照度不均勻圖像的快速自適應(yīng)灰度修正[J].計(jì)算機(jī)應(yīng)用,2005,25(3):598-600.

[5] 黃蒞辰.非均勻光照下文本圖像分割算法研究[D].湖南:湖南科技大學(xué),2015.

[6] 龍鈞宇,金連文.一種基于全局均值和局部方差的圖像二值化方法[J].計(jì)算機(jī)工程,2004,30(2):70-72.

[7] Bernsen J.Dynamic thresholding ofgray-level images[C]//Procof 8th Intel Conf.onPatt. Recon. Paris,France: IEEE Computer Society Press,1986:1251-1255.

[8] Sauvola J,Pietik?inen M.Adaptive document image binarization[J].Pattern Recognition,2000,33(2):225-236.

[9] 郭海濤,徐雷,趙紅葉,等.一種抑制聲吶圖像散斑噪聲的形態(tài)學(xué)濾波器[J].儀器儀表學(xué)報(bào),2015,36(3):654-660.

[10] 郭景峰,申光憲,鄭繩楦,等.數(shù)學(xué)形態(tài)學(xué)在數(shù)字濾波中的應(yīng)用研究[J].機(jī)械工程學(xué)報(bào),2002,38(10):144-147.

[11] 肖啟芝,許凱,關(guān)澤群,等.一種形態(tài)學(xué)濾波結(jié)構(gòu)元的選擇方法[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(21):49-51.

[12] 岡薩雷斯.數(shù)字圖象處理(Matlab版)[M].電子工業(yè)出版社,2005.

[13] 劉志敏,楊杰.基于數(shù)學(xué)形態(tài)學(xué)的圖像形態(tài)濾波[J].紅外與激光工程,1999,28(4):10-15.

BINARIZATIONPARALLELMETHODFORNON-UNIFORMILLUMINATIONIMAGEBASEDONMORPHOLOGY

Cong Fei Zhang Qiuju
(SchoolofMechanicalEngineering,JiangnanUniversity,Wuxi214122,Jiangsu,China) (JiangsuKeyLaboratoryofAdvancedFoodManufacturingEquipmentandTechnology,Wuxi214122,Jiangsu,China)

In traditional industrial occasions, especially in the perspective of large area, the captured images often appear non-uniform illumination problems frequently. This brings a lot of difficulty for the division of image binarization and subsequent processing. Non-uniform illumination image processing usually uses the local threshold segmentation method. However, the classical local threshold segmentation method usually has the disadvantages of large noise, long processing time and so on. In order to improve these disadvantages, this paper put forward a method that use the theory of mathematical morphology and the improved Sauvola algorithm for non-uniform illumination image binarization research and parallel optimization. We have experimentally validated the card images collected under industrial conditions. The results show that the method not only can restrain the noise effectively and get good recognition effect, but also shorten the image processing time greatly.

Sauvola algorithm Non-uniform illumination Binarization Morphology Parallel optimization

2016-08-05。國(guó)家自然科學(xué)基金項(xiàng)目(51575236)。從飛，碩士生，主研領(lǐng)域：機(jī)器人視覺(jué)應(yīng)用，圖像處理技術(shù)。張秋菊，教授。

TP3

A

10.3969/j.issn.1000-386x.2017.08.034