基于LabVIEW图像识别的物体外观实时分类研究

据ＲＧＢ和孜∥颜色空问的变化关系可建立亮度ｌ，与像的灰度值。处理效果如图１所示。

Ｒ、Ｃ、Ｂ三个颜色分量的对应，以这个亮度值表示图

（２）

一 机械研究与应用 一

研究与分析

域其梯度大，在灰度变化平缓的区域其梯度小，而在灰度均匀的区其梯度值为零。

求出图像梯度变化后，使图像的灰度表示为：

Ｒ１－Ｇ１＝Ｂ１＝０．３Ｒ＋Ｏ．５９Ｇ＋０．１１Ｂ

小∽＝｛Ｌ乏竺∥净卅

（８）

其中：丁为阀值，此法将背景和边缘用二值图像

图ｌ灰度处理后

图２图像相减

２．３目标物体提取

在模式识别前先提取一幅图像氕（石，Ｙ）作为背景，在模式识别过程中，实时图像为正（菇，），），目标物体图像用两幅图像的差值表示：

八石，，，）＝ｔｆ．（菇，，，）－ｆｂ（菇，Ｙ）Ｉ

（３）

为了提高识别速度，提取出目标物体区域进行后续处理。在确定选取范围时可适当扩大，以免边界信息丢失。下图为实时图像与背景图像相减，绿色边框是提取范围。２．４图像增强

图像增强处理用于图像的边缘及灰度跳变部分，为了实现在图像的增强，必须采用“微分”算法ＭＪ，微分运算是求信号的变化率，有加强高频分量的作，从而使图像轮廓清晰。为了使图像中间任何方向伸展的边缘和轮廓的模糊变清楚，希望对图像的某种导数运算是各向同性的。本文采用常用的梯度算法。

对图像函数尺茗，），），它在点（菇，，，）处的梯度是一个矢量，定义为：：

Ｇ［八茹，Ｙ）］＝（４）梯度幅度用Ｇ［尺菇，，，）］表示，其表达式如下：

Ｇ［八”）］＝［（篙）２＋（等）２］１龙

（５）

对于数字图像而言，梯度幅度可以简化为：

ＧＬ厂（茹，Ｙ）］＝１７≮ｉ√）一以ｉ＋ｌＪ）ｌ＋

叭ｆ√）一以ｉ√＋１）Ｉ

（６）

以上梯度法是水平垂直差分法，另一种是交叉差

分计算法，公式如下：

Ｇ［八菇，Ｙ）］＝Ｉｆ（ｉ，ｊ）一，（ｉ＋１√＋１）Ｉ＋

Ｉｆ（ｉ＋ｌ√）一厂（ｆ√＋１）ｌ

（７）

以上两种方法在图像最后一行或最后一列的象素的梯度无法标得，可以前一行和前一列的梯度值近似表示。由此可知，在图像中灰度变化较大的边沿区

１

万　８ 方数据

表示。

２．５轮廓坐标重建

图像经处理后，轮廓和背景灰度值有很大的差异，且图像可以用一个二维数组代表，所以可以用如

下的算法用行边界坐标提取。

首先寻找一点使ｇ（石。，Ｙｏ）＝Ｌｃ，坐标记为（菇。，‰），然后以ｇ（ｘ。，Ｙｏ）为中心点，比较周围８个点，依据灰度值选择第二点（菇。，Ｙ。），以此类推寻找到物体轮廓坐标（菇：，托），（石，，Ｙ３），…（％，Ｙ。）由此形成目标物体坐标集｛（菇ｉ，Ｙ；），…，ｉ＝０，…ｎ｝。

图３为提取到的点在Ｌａｂ—

ＶＩＥＷＸＹＧｒａｐｈ中重绘结果，

从图中可以看出结果能真实的反应出被识别物体的边界。２．６模式识别

本文所讨论的目标有圆形，三角形和矩形，根据其特性

图３轮廓重绘

可分为Ｏ，３，４个顶点，为了实现计算机对顶点的自动化判别，可根据其型心到目标轮廓的距离峰值或者波谷个数进行判断。

其型心坐标为：

ｎ

，

｛

ｆ菇。２者；气”

（ｉ＝０，１，…，ｎ）（９）

【ｙ。＝者；ｙｔ

型心到轮廓坐标集的距离为：

ｄｌ＝［（菇‘一菇。）２＋（Ｙ‘一Ｙｃ）２］１庀（ｉ＝Ｏ，ｌ，…，１）（１０）

图４识别特征图

图４为三个待测物体型心到边界的距离图，从图中可以明显看出目标物体的特性，三角形、圆形和矩形分别只有３、４、０个峰值。由此可以确定各待测物体的顶点数，从而确定物体的形状和类型。

（下转第２３页ｌ