CC BY
4
УДК 004.021
Казаков А.В. аспирант
кафедра математического и программного обеспечения ЭВМ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Череповецкий государственный университет» научный руководитель: Царев В.А., к.т.н.
доцент, генеральный директор ООО «Малленом Системс Россия, г. Череповец АЛГОРИТМ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ ТРУБНОГО ПРОКАТА ДЛЯ ОПРЕДЕЛЕНИЯ ПОТЕНЦИАЛЬНЫХ ЗОН РАСПОЛОЖЕНИЯ МАРКИРОВКИ Аннотация: Статья посвящена разработке алгоритма предварительной обработки изображения трубного проката для определения потенциальных зон расположения маркировки для их дальнейшей локализации и распознавания. Трубы в точках контроля перекладываются транспортным механизмом на рольганг. Во время перекладывания и движения по рольгангу труба совершает вращение, во время которого необходимо выполнять идентификацию трубы, проходящей точку контроля, т.е. распознавать нанесенную маркировку.
Ключевые слова: алгоритм, обработка изображения, машинное зрение, локализация, идентификация, маркировка.
Kazakov A. V., graduate student of the department of mathematics and computer software Federal State Budget Educational Institution of Higher Professional
Education «Cherepovets State University»
Россия, Череповец
Supervisor - Tsarev V.A., Candidate of Engineering Sciences, Docent
General Director OOO «Mallenom Systems» ALGORITHM FOR PRELIMINARY IMAGE PROCESSING OF TUBE PRODUCTS FOR DETERMINATION OF POTENTIAL ZONES OF
MARKING LOCATION Annotation: The article is devoted to the development of an algorithm for preliminary processing of the image of tube products for determining the potential marking zones for their further localization and recognition. Tubes in the control points are shifted by the transport mechanism to the roller table. During the shifting and movement along the roller table, the tube make rotates, during which it is necessary to identify the tube passing the control point, i. E. recognize the inflicted marking
Keywords: algorithm, image processing, machine vision, localization, identification, marking.
Идентификация труб в технологическом потоке является одной из самых сложных задач в металлургии. Трубы в точках контроля перекладываются транспортным механизмом на рольганг. Во время перекладывания и движения по рольгангу трубный прокат совершает вращение, во время которого необходимо выполнять идентификацию трубы, проходящей точку контроля, т.е. распознавать маркировку, нанесенную на трубу.
Для выделения потенциальных зон, содержащих маркировку, необходимо выполнить над исходным изображением ряд преобразований для выделения информативных частей.
Пусть на вход алгоритма подается исходное изображение, представленное на рисунке 1._
/
Рисунок 1 - Исходное изображение трубного проката. На выходе алгоритма предобработки получаем два изображения: 1. Изображение, к которому применен фильтр оптической плотности. Данное изображение используется в дальнейших алгоритмах сегментации и распознавания маркировки трубного проката.
Фильтр оптической плотности определяет инверсию значений пикселей на основе логарифмической шкалы. Результатом является выходное изображение, которое отображает плотность объектов на входном изображении путем определения количества проходящего через них света (яркости пикселей). Более плотные объекты и функции представлены более светлыми пикселями на выходном изображении.
Яркость пикселя на выходном изображении определяется по следующей формуле:
/[¿,7"] = 100 * ^(255) - 100 * ^(/[¿,у]), где /[¿,У] - яркость пикселя с координатами 1,] на изображении I. Результат применения фильтра оптической плотности к исходному изображению представлен на рисунке 2.
Рисунок 2 - Результат применения фильтра оптической плотности. 2. Изображение, к которому применен ряд фильтров для повышения информативности маркировки. Данное изображение используется в алгоритме локализации маркировки трубного проката. Фильтры применяются в следующем порядке: а) Фильтр Собеля.
Исходное полутоновое изображение подвергается свертке с вертикальным фильтром Собеля [2]. Маска вертикального фильтра выглядит следующим образом:
В результате получается изображение, на котором присутствуют только вертикальные границы объектов. Поскольку символы маркировки содержат значительное количество вертикальных границ - данный фильтр позволяет отсеять протяженные горизонтальные объекты, такие как блики и края трубы.
Результат применения фильтра Собеля к исходному изображению представлен на рисунке 3.
Рисунок 3 - Результат применения фильтра Собеля.
Ь) Бинаризация с автоматическим порогом
Целью бинаризации является преобразование входного изображения к более информативному виду, отсекании малоинформативных областей и объектов. В предметной области данного исследования довольно часто присутствуют искажения, локализованные в определенных областях, вызванные, например, отражением света, недостатками оптической системы.
Бинаризация позволяет достичь следующих показателей:
• в результате применения бинаризации могут быть получены изображения, содержащие меньшее количество помех и шумов;
• проведение предварительной бинаризации существенно уменьшает объем дальнейших вычислений;
• применение адаптивных процедур бинаризации усиливает определенные особенности наблюдаемой картины [5].
О, I[i,j] < t 1: I[i,j] > t'
где I[i:j] - яркость пикселя с координатами i,j на изображении I, t - порог бинаризации.
Порог бинаризации можно рассчитывать несколькими методами. В данном исследовании порог рассчитывается при помощи метода Оцу [1]. Метод Оцу - это алгоритм вычисления порога бинаризации для полутонового изображения. С его помощью можно отделить фоновые пиксели, путем расчета порога, при котором внутриклассовая дисперсия будет минимальной.
Для определения порога используется гистограмма изображения, с уровнями яркости от 0 до 255. Метод сводится к поиску минимума внутриклассовой дисперсии, которая задаётся как взвешенная сумма дисперсий двух классов, взвешенная сумма дисперсий.
Результат применения бинаризации к изображению границ объектов
представлен на рисунке 4.
«I «М я ИШВЁЗДШ®
Ш ШЙ 1№4 ¡Йг,ЙИ| (й ¡¡рз?№
Рисунок 4 - Результат применения бинаризации.
с) Эрозия
Данный этап позволяет создать бинарное изображение, которое является результатом обработки исходного бинарного изображения морфологическим фильтром эрозии со структурным элементом О. Поскольку на предыдущих шагах мы выделяли вертикальные границы на изображении то структурный элемент О имеет размерность 1хМ Матрица О должна содержать элементы, равные 0 или 1. В данном исследовании используется структурный элемент размерности 1х3:
G = [1 1 1]
При эрозии [3] бинарного изображения пиксел исходного изображения устанавливается в 0, если хотя бы один из пикселов окрестности, соответствующий ненулевому элементу О, равен 0. Таким образом, эрозия позволяет удалить объекты определенной формы и размера, задаваемые структурным элементом О.
Результат применения эрозии к бинарному изображению границ объектов представлен на рисунке 5.
Рисунок 5 - Результат применения эрозии
ё) Дилатация
Данный этап позволяет создать бинарное изображение, которое является результатом обработки исходного бинарного изображения морфологическим фильтром наращивания со структурным элементом О. Структурный элемент О имеет размерность 1хМ Матрица О должна содержать элементы, равные 0 или 1. В данном исследовании используется структурный элемент размерности 1х15.
G = [111111111111111]
При наращении бинарного изображения пиксел исходного изображения устанавливается в 1, если хотя бы один из пикселов окрестности, соответствующий ненулевому элементу О, равен 1. Таким образом, дилатация позволяет заполнить «дырки» определенной формы и размера, задаваемые структурным элементом.
Результат применения дилатации к изображению представлен на рисунке 6.
Рисунок 6 - Результат применения дилатации
е) Медианный фильтр
Медианный фильтр обычно используется для уменьшения шума или «сглаживания» изображения.
Алгоритм медианного фильтра [4] следующий: Для текущего пикселя, пиксели, которые «попадают» в структурный элемент, сортируются, и выбирается средние значение из отсортированного массива. Это значение и является выходным для текущего пикселя.
Структурный элемент О имеет размерность МхЫ. Матрица О должна содержать элементы, равные 0 или 1. В данном исследовании используется структурный элемент размерности 5х5.
G = 1 1 1 1 1
Результат применения медианного фильтра к наращенному изображению представлен на рисунке 7.
Рисунок 7 - Результат применения медианного фильтра Таким образом применение последовательности определенных фильтров позволило получить изображение с выделенными зонами расположения маркировки и некоторым количеством посторонних объектов, которые на этапе локализации маркировки можно отсеять по их геометрическим размерам.
Использованные источники:
1. N. Otsu (1979). «A threshold selection method from gray-level histograms». IEEE Trans. Sys., Man., Cyber. 9: 62-66.
2. Sobel I., Feldman G. «A 3x3 Isotropic Gradient Operator for Image Processing», 1968.
3. Вудс Р. Цифровая обработка изображений. Издание 3 -е, исправленное и дополненное. / Р. Вудс, Р. Гонсалес. М.: Техносфера, 2012. — 1104 с.
4. Прэтт У. Цифровая обработка изображений. В двух книгах. М.: Мир, 1982.
5. Абакумов В.Г., Крылов В.Н., Антощук С.Г. Обнаружение и распознавание признаков объектов с помощью сферической модели зрительного анализатора // Электроника и связь. 2000. Т. 2. № 8. С. 211-212
