基于雙邊緣模板匹配的類圓顆粒檢測

孫光民 孫凡

摘 ?要：在各種不同應用場合，經常需要統計類圓顆粒數目，如工業領域的棒材計數、醫學領域的細胞分割等，這些類圓顆粒通常形狀并非十分規則，且有部分重疊。本文針對類圓堆疊顆粒的二值圖像，提出了一種基于雙邊緣模板匹配的檢測方法。首先利用粒度測量方法，得到類圓顆粒的估計半徑，然后通過此半徑構造一組邊緣模板，同時使用Sobel算子將待檢測的二值圖像分別在兩個方向上檢測邊緣，最后使用構造的模板對邊緣進行匹配，并通過限制條件得到預期結果。實驗表明，此方法可以有效檢測此類顆粒，并且可以解決輕度堆疊、孔洞等影響。

關鍵詞：類圓顆粒;模板匹配;圖像標記

中圖分類號：TP391 ? ? 文獻標識碼：A

Abstract：In a variety of applications，it is often necessary to count the number of circle-like granules，such as bar counting in the industrial field，cell segmentation in the medical field，etc.These circle-like granules usually are very irregular in shape and partially overlapped.In this paper，a double edge template matching based detection method is proposed for the binary image of the circle-like stacking granules.Firstly，the granulometry is used to obtain the estimated radius of the circle-like granules，and then a set of edge templates is constructed by using this radius.At the same time，the binary image is detected by the Sobel operators in two directions.Finally，the constructed template is used to match the edges and get the expected results by limiting the conditions.Experiments show that this method can effectively detect such kind of granules and can solve the problems of stacking and holes.

Keywords：circle-like granules;template matching;image marking

1 ? 引言（Introduction）

類圓形顆粒圖像分析是圖像處理和計算機視覺領域的一個備受關注的研究課題，在醫學細胞分析、工業工件粒度測量、農業果實品質分析等各種應用領域都有廣泛的應用前景。顆粒分割是其中一個尤為關鍵的核心問題，分割性能的好壞直接影響顆粒分析結果的準確度。然而，當類圓形顆粒圖像中的大量顆粒同時存在形狀尺寸不規則、排列緊密堆疊，相互之間紋理、灰度相似等因素時，將堆疊形成的大量復雜顆粒組合結構準確分離成獨立的顆粒個體，并有效提取各個顆粒的完整輪廓將變得異常困難，這也給經典的圖像分割方法提出了挑戰。

本文選取形狀尺寸不規則，相互之間存在部分堆疊的大量類圓形顆粒的二值圖像作為研究對象，圍繞顆粒分割問題中的難點問題——顆粒的定位展開研究和探討。具體的研究內容如下：

針對本文研究對象中一類相互尺寸接近的類圓形堆疊顆粒，提出了基于雙邊緣模板匹配的類圓顆粒檢測算法。該算法首先通過粒度測量方法[1-3]，得到圖像中的類圓顆粒的估計半徑，利用此半徑值構造一組邊緣模板。然后利用此模板對Sobel算子[4]處理后的圖像進行模板匹配，得到中心估計結果。最后通過多個限制條件，提取中心估計結果圖中的有用信息，從而得到所需的顆粒的中心標記。仿真實驗結果證明：針對不同程度的堆疊顆粒，該算法可以有效提取中心標記，并且避免因顆粒中的孔洞帶來的誤差，比常用的形態學方法的準確性更高，可以利用基于標記的分水嶺分割算法[5]得到良好的分割效果。

2 ? 算法設計 （Algorithm design）

2.1 ? 問題分析

本文以經過處理后的二值圖像為研究對象，如圖1所示。該圖中的類圓形顆粒大小不一，形狀并非理想圓形，還有部分粘連、空洞，若使用極限腐蝕、距離變換等方法，會額外產生很多非中心標記無法去除，同時也會因孔洞的影響，使中心標記偏移，產生錯誤標記。

2.3 ? 模板匹配

在模式識別中一個最基本的方法，就是模板匹配法[7]（template matching）。為了在圖像中檢測出已知形狀的目標物，我們使用這個目標物的形狀模板（或窗口）與圖像匹配，在約定的某種準則下檢測出目標物圖像，通常稱其為模板匹配法。它能檢測出圖像中上線條、曲線、圖案等。

在本文中，使用的模板是根據Sobel邊緣檢測的結果樣式而生成的。圖像的邊緣是指圖像局部區域灰度變化顯著的像素的集合，這些像素位于兩個區域的邊界上，提取圖像邊緣的算法就是撿出符合邊緣特性的像素的數學算子，常用的邊緣檢測方式依據梯度最大值或者二階導數過零的特點，提取邊緣點。常用的邊緣檢測算子有：Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、LOG算子、Canny算子等。

Sobel算子是一種離散性差分算子，用來計算圖像亮度函數的梯度的近似值。Sobel算子是一種奇數大小3×3的模板下的全方向微分算子。

從圖11中可以看到，距離變換方法由于精度較低，在圖像較小的時候，會有很多像素因距離變換后數值相同而產生多個峰值，得到多個無法去除的結果，產生的多峰值問題和中心偏移問題嚴重。正八邊形模板匹配法由與其算法限制，在較大的圓形內部會有較大的中心標記，但是并不影響計數。由于孔洞的影響，距離變換的標記位置會有很大的偏差，而模板匹配法則很好地避開了這個問題。

從圖12中可以看出，當圖像質量較差時，類圓顆粒中心出現了孔洞、裂紋、甚至產生了斷裂，此時距離變換的效果就變得非常不理想，識別率很低。此時正八邊形模板匹配法雖然也可以得到大部分中心點標記，但是由于某些顆粒孔洞過大，會影響識別結果，甚至丟失中心標記。使用本文提出的方法，所有顆粒都得到了正確標記，但是由于個別裂紋的特殊紋理，產生錯誤標記。

本方法對于堆疊顆粒也有較好的效果。在圖13中，由于個別顆粒堆疊程度過高，導致算法無法將其區分成多個顆粒，性能下降。但對于一般程度的堆疊有較好的效果。

為了測試對顆粒堆疊的標記性能，本實驗采用了SIMCEP計算框架生成了100張不同堆疊程度的顆粒圖像，利用此數據集進行實驗，得到了以下結果，如表1所示。

從表1中可以看出本文提出的方法對于堆疊也有較好的效果。在無堆疊的情況下，本文提出的方法可以準確無誤地識別所有顆粒，而在有堆疊的情況下，也可以保證較高的準確率，與距離變換、正八邊形模板匹配方法相比有明顯的優勢。

4 ? 結論（Conclusion）

類圓顆粒在多個領域都有不同的應用。本文利用了模板匹配方法，設計了一組邊緣模板，可以有效避開部分孔洞的影響，并且可以應對顆粒形狀、大小不統一的影響，并且通過引入粒度測量方法，不需要知道圖像中的半徑的先驗信息。此方法相對于極限腐蝕[13]等形態學方法，可以有效減少計算量，同時避免了孔洞對于檢測的影響，同時對于堆疊情況也可以有效檢測到顆粒中心，得到效果較為理想的結果圖。通過最后的限制、篩選步驟，可以減少錯誤識別的情況，使效果更為理想。

參考文獻（References）

[1] Rao K N R M，Dempster A G.Modification on distance transform to avoid over-segmentation and under-segmentation[C].International Symposium on VIPromCom Video/Image Processing and Multimedia Communications.IEEE，2002：295-301.

[2] Thomas S M，Chan Y T.A simple approach for the estimation of circular arc center and its radius[J].Computer Vision，Graphics，and Image Processing，1989，45（3）：362-370.

[3] 尤育賽，于慧敏，劉圓圓.基于粒度測量的重疊圓形顆粒圖像分離方法[J].浙江大學學報（工學版），2005（07）：962-966.

[4] Duda R O，Hart P E，Stork D G.Pattern classification and scene analysis[M].New York：Wiley，1973.

[5] Najman L，Schmitt M.Watershed of a continuous function[J].Signal Processing，1994，38（1）：99-112.

[6] Gonzalez R C，Woods R E.Digital image processing[M].Publishing House of Electronics Industry，2011：407-410.

[7] Brunelli R.Template matching techniques in computer vision：theory and practice[M].John Wiley & Sons，2009.

[8] Lyon A.Why are normal distributions normal？[J].The British Journal for the Philosophy of Science，2013，65（3）：621-649.

[9] Thomas G B，Weir M D，Hass J，et al.Thomas' Calculus：Early Transcendentals[M].Boston：Pearson，2010.

[10] Green C.Improved alpha-tested magnification for vector textures and special effects[C].ACM SIGGRAPH 2007 courses.ACM，2007：9-18.

[11] Da Z，Zhi X，Jiangshan A.Research on rebar section positioning method in online rebar counting system[J].Chinese Journal of Scientific Instrument，2010，31（5）：1173-1178.

[12] 侯維巖，段政偉，趙慧.基于多模板匹配的捆扎棒材計量方法[J].自動化儀表，2013，34（04）：7-9;13.

[13] Bo Z Y M H H，Mingxi L.Separate Algorithm for Overlapping Spots in Crop Disease Image[J].Transactions of the Chinese Society for Agricultural Machinery，2008，39（2）：112-115.

作者簡介：

孫光民（1960-），男，博士，教授.研究領域：信號與圖像處理，神經網絡與應用，人工智能與模式識別.

孫 ? 凡（1993-），男，碩士生.研究領域：電子信息，圖像與視頻信號處理.