基于数字图像处理技术的面粉麸星和白度的检测
4.1.3面粉样品图像的获取及处理
为保证实验结论的准确性，我们拍摄两张照片，CCD摄像机将信号传送至PC机图像处理工作将有程序完成。
经过摄像机和图像采集卡获得的图像要进行图像滤波。扰,产生噪声的原因很多,如光电元件产生的随机噪声,数字化产生的量化噪声等。噪声表现在图像中产生杂色点、条纹或明暗不均匀等现象。噪声的存在会造成图像的运算变得复杂,会给计算结果带来严重偏差。本文通过下面式（4-10），（4-11），（4-12）分别在R、G、B彩色分量中对图像进行均值滤波
（4-10）
其中S表示点（x, y）的邻域。由于目前图像采集卡采集的图像比较大,全部进行运算使得计算量过大,也没有意义。所以选取处于图像中心的块区域，因为图像中心区域的光照条件和镜头的成像条件都比较好。进而将这块区域继续划分成等大的9块,求每块区域的图像方差,选择平均方差最小的1块区域作为图像样本进行处理和计算。图像方差小代表图像均匀度好、滤波效果好。 由式（4.9）可知图像中的亮度信息Y有：按照标准我们将氧化镁板亮度值记作
。此
。
将用作为100%白度线性基准,由于
零亮度对应零白度,得到亮度白度线性转换关系,见下式,其中BD表示面粉白度样本的白度值,Y表示面粉白度样本的亮度测量值。
（4-11）
4.2面粉麸星的识别 4.2.1数字图像的灰度化
数字图像的灰度化是指按照一定的规律修改像素的灰度值，使图像的亮度或对比度发生改变，使之更便于分辨，或达到某种预定视觉效果的过程。
数字图像的灰度化是图像处理技术中最为基础，使用最为广泛的一种处理方法。之所以要对图像进行灰度变换，是因为由数码产品得到的彩色数字图像实际
- 22 -
基于数字图像处理技术的面粉麸星和白度的检测
上是一个像素的二维数组，其中每个像素的颜色由构成这种颜色的红(R)、绿(G)、蓝(B)三种基本色的分量来表示。典型情况下，颜色的每一个分量都用一个字节来表示，因此每种颜色共有256个级别，而真彩图片每个像素使用3个字节，RGB值(颜色)达到256×256×256=16777216种，如此庞大的颜色级别对于人眼来说很难区分，即使是计算机处理起来也比较麻烦。此外，由于彩色信息的区分度不高，如果直接对彩色图像的像素进行操作所得到的检测结果精度往往不高，而将图像进行灰度处理后，图像每一个像素的RGB值都是相同的，其范围从(0,0,0)， (1,1,1)一直到(255，255，255)，(0,0,0)为纯黑色，(255，255，255)纯白色，中间的是不同级别的灰色，这样图像就以亮度信息为主要信息，彩色信息为次要信息，十分便于比较区分，这可以在很大程度上提高检测精度，因此需将图像进行灰度处理，把彩色图像转换成为灰度图像。
图像的灰度变换通常都是采用单调函数来实现，其定义域和结果域都在灰度的取值范围之内。常用的方法有3种：最大值法、平均值法以及加权平均值法，其计算公式分别为：
其中，
(2-2) (2-3)
(2-4)
为转换后的像素值；R,G,B为转换前的像素值。由于人眼对
绿色的敏感最高，而对蓝色的敏感最低，因此，按式(2-4)进行处理后还需给操作人员展示出处理后的图像效果，因此本系统选用了式(2-2)的最大值法来进行灰度变换，这样不仅可以得到便于观察的最大亮度图像，而且避免了浮点乘法，加快了计算机的处理速度和精度。
4.2.2数字图像的二值化
数字图像的二值化是指将图像分成对象和背景两部分的一种操作，首先需要确定一个灰度值，然后将大于、等于此灰度值的像素判别为“对象”并用一个灰度值表示，而将小于此灰度值的像素判别为“背景”并用另一个灰度值表示；或者反之，将对象和背景的灰度值关系对调，如式（2-5）所示。二值化处理的结果就是将灰度图像变换成了二值图像，从这个意义上讲，二值化操作可以看成是一种特殊的灰度变换。
(2-4)
- 23 -
基于数字图像处理技术的面粉麸星和白度的检测
上文所述的起分界作用的灰度值在图像处理过程中被称为分割阈值，二值化操作的关键就是对阈值的确定。确定阈值的计算方法有很多，目前应用比较广泛的有大津法 ，即最大类间方差法、最小方差法、最大熵法以及矩量保持法等。通过对多种图像二值化处理方法的试验比较分析，并针对麸星检测的特点本系统采用了最大熵法来对面粉图像进行二值化处理。
最大熵法是一种动态全局阈值选取方法，其优点是可以针对不同图像的不同情况选取相应的阈值，这使得本系统的检测精度和推广性很高。该方法最早是由Pun提出的，其目的就是将图像的灰度直方图分成独立的类，使得各类的总熵最大。设S是潜在的分割阈值点，其分为两个概率分布如下：
是图像灰度级的概率分布，现将
其中，L是灰度级的数目。图像分割后的熵为：
其中：
则分割图像的最佳阈值为：
4.2.3数字图像的滤波
在众多的图像处理方法中，图像滤波一直是研究中的重点和难点。所谓图像滤波是指去除图像中噪声的运算过程，其主要是根据噪声高频、孤立、大偏差等特点而实现的。目前比较成熟的数字图象滤波方法有很多种，例如：邻域平均、中值滤波、高斯滤波等，这些方法虽然能够有效的抑制脉冲、椒盐噪声等于扰，
- 24 -
基于数字图像处理技术的面粉麸星和白度的检测
但这些算法都存在一个共同的不足，就是它们虽然能够平滑噪声，但却使图像中的细节变得模糊化，这样处理后的图像并不能达到令人满意的效果。
4.2.4麸星的识别
图象的识别与检测是一项极其复杂的工作，目前比较成熟的图像识别检测算法至少有成千上万种，具体到某一领域的应用，虽然可行的算法有很多种，但这些算法通常都无法达到最佳的效果，只能是提供一些借鉴作用。针对面粉麸星的识别，基本可行的算法许多，包括投影法，差影法、模板匹配法、K均值聚类法等，下面分别介绍一下各算法的原理及优缺点。
一. 投影法
投影法就是把图像在水平方向或垂直方向上进行投影，在投影图上可以反映出图像中目标对象的尺寸、位置等信息。将RGB图像转换成HIS图像就是一种投影直方图的典型应用，把一幅图像各像素点的某一个特征分别投影在水平轴和垂直轴上，就可得到这一特征信息在X和Y方向上的分布情况。投影法的缺点是空间感比较差，不能够精确的表示形状的空间分布信息，因此投影法主要用于车牌中字母、数字、汉字的对照识别，这是因为车牌包含的信息量有限，比较便于对比处理。此外，投影法还可用于图像的对比检索使用。
二. 差影法
差影法的实质是对两幅图像进行点对点的减法而得到输出图像的运算，又被称为减影技术。利用差影法得到的差值图像提供了图像间的差异信息，对图像背景的消除有显著的作用。图像相减可以去除一幅图像中不需要的加性背景，加性背景可能为缓慢变化的背景阴影、加性噪声、或者是图像上每一像素处均已知的附加污染等。差影法同样可以用于检测同一场景的两幅图像之间的变化。差影法尤其适合工业领域中在线检测工件缺陷，只需将标准工件与待检测工件相比较，得出二者之间的差异，再与设定的阐值相比较，就可以判定工件是否合格。但对于本文要测定面粉图像中麸星的面积，并不合适。
三. 模板匹配法
模板匹配法是模式识别中最原始、最基本的一种识别方法。其原理是事先给定一幅图像，然后与另一幅(或几幅)已知类别的图像进行对比，以此得到不同图像之间的相似度，再根据设定的相似度阈值来判定两幅图像是否匹配。图像之间的匹配可以是整幅的图像间的匹配，也可以是一个较小的图像与一幅较大的图像中的～部分进行匹配。匹配的目的一般有两种：一是确定两幅图像之间的相似程度；二是确定小图像在大图像中是否存在以及所处的位置。目前比较常用的图像匹配方法共有两大类：基于灰度的图像匹配法和基于特征的图像匹配法。
(1)基于灰度的图像匹配法
- 25 -
基于数字图像处理技术的面粉麸星和白度的检测
这种方法首先从参考图像中提取目标作为匹配的模板，然后用该模板在待匹配的图像中进行搜索，通过相似性判断寻找最佳的匹配点，该方法直接利用每一个像素点的灰度值进行判别，无需进行特征提取，是应用较为广泛的一种方法。
(2)基于特征的图像匹配法
基于特征的图像匹配方法包含特征提取与特征匹配两个主要部分，首先从两幅图像中提取变化明显的点特征、线特征以及面特征组成特征点集，然后在两幅图像对应的特征点集中利用特征匹配算法将存在对应关系的特征点对选择出来，从而实现两幅图像之间的匹配对应关系。
四.K均值聚类法
K均值聚类法属于动态聚类法的一种。首先选择一些合适的初始聚类中心，让样本依据某种准则划分到各类中，得到初始的分类，然后再用某种准则进行修改，直到分类比较合理时为止。K均值聚类法使用的是误差平方和准则，通过反复迭代优化聚类结果，使所有样本到各自所属类别中心的距离平方和达到最小。从K均值聚类法的聚类准则可以看出这是一种无监督的学习算法，该算法在面粉图像颜色范围较大时能够准确识别出麸星，但是在麸星和面粉对比度比较低时识别率较差。此外，利用K均值聚类法进行图像分割时，每次迭代优化都需要重新计算聚类中心和类间距，因此耗费大量的计算时间，不利于计算机编程实现。
- 26 -