【正文】 B真彩色圖像，而依據(jù)灰度直方圖相似性測度原理，需要處理的圖像都是灰度圖像，根據(jù)第三章所介紹的內(nèi)容，首先利用加權(quán)平均法對采集的RGB彩色圖像進行灰度化處理。灰度化之后的各幅圖像如圖47所示。 (a) 干凈的內(nèi)壁灰度圖像 (b) 未清掃的內(nèi)壁灰度圖像 (c) 已清掃的內(nèi)壁灰度圖像 (d) 基本干凈的內(nèi)壁灰度圖像圖47 CCD攝像機拍攝通風(fēng)管道內(nèi)壁圖像灰度化的效果圖在圖像的輸入、采集過程中出現(xiàn)了不可預(yù)測的隨機噪聲，接下來要對圖47的灰度圖像進行平滑和濾波處理來消除噪聲，否則會影響圖像處理的全過程以及最終的輸出。本課題采用的是中值濾波來進行平滑的，這樣使得噪聲消除了而邊緣不模糊，采用拉普拉斯算子銳化法來對圖像進行銳化，使得圖像的邊緣更加清晰。各幅圖像的處理效果在第三章介紹的內(nèi)容中已經(jīng)進行了詳細(xì)的分析。對圖像進行預(yù)處理操作之后，把干凈的內(nèi)壁圖像47(a)設(shè)定為模板圖像，其它幾幅圖像47(b)、47(c)、47(d)分別作為待匹配的圖像，分別與模板圖像想減就可得到幾幅差異圖像，利用上述的直方圖相似性測度原理，則可得到圖48所示的差異圖像直方圖。(a)未清掃內(nèi)壁與干凈內(nèi)壁的差異直方圖(b)已清掃內(nèi)壁與干凈內(nèi)壁的差異直方圖(c)基本清掃干凈的內(nèi)壁與干凈內(nèi)壁的差異直方圖圖48 差異圖像直方圖 匹配結(jié)果及分析從圖48所示的差異圖像直方圖可以很容易的看出，圖48(a)是很臟的內(nèi)壁圖像47(b)和模板圖像47(a)的差異圖像直方圖，它有一個較小的峰值3200出現(xiàn)，且直方圖灰度范圍比較分散，在[0 ]之間出現(xiàn)；圖47(c)為已清掃的內(nèi)壁圖像，其差異圖像直方圖如圖48(b)所示，沒有明顯的峰值出現(xiàn)，即如圖所示的沒有明顯的最大值點，但直方圖灰度范圍也是比較分散的，在[0 ]之間分布；根據(jù)直方圖相似性測度原理可以判斷出來，圖47(b)和47(c)與模板圖像圖47(a)均沒有達到最佳相似。圖47(d)的差異圖像直方圖圖48(c)中出現(xiàn)了明顯的較大的峰值4000，相對應(yīng)圖48(a)中的峰值3200來說是增大了不少，且灰度級集中在一個很窄的范圍[0 ]之間，根據(jù)相似性測度原理可知與模板圖像達到了最佳的相似，它是經(jīng)過清掃之后認(rèn)為基本干凈的圖像。這些結(jié)論與實際操作中人眼識別的結(jié)果是基本吻合的，說明此方法可以作為中央空調(diào)清潔機器人中機器識別的判別標(biāo)準(zhǔn)。 在MATLAB中求取以上幾幅差異圖像直方圖的運算時間分別是：、可見此方法的運算速度比較快。此方法是從圖像的灰度變化入手的，只考慮圖像的灰度信息，而與其它因素沒有太大的關(guān)系，這就大大降低了圖像處理的難度。但是灰度直方圖也只是反映圖像的統(tǒng)計特性，在系統(tǒng)運行中還存在誤判率，對于通風(fēng)管道內(nèi)壁的凸起、凹陷和其他附著物還是不能準(zhǔn)確識別，就需要能采用一種新的算法，既能保證運算速度滿足實時性的要求，又能減少誤判率，能夠較準(zhǔn)確的判別出通風(fēng)管道內(nèi)壁是否清掃干凈。在實驗過程中通過多組圖像進行驗證，表明此方法是有效的，能夠較準(zhǔn)確地識別出通風(fēng)管道內(nèi)壁的附塵度以及是否清掃干凈，完全可以應(yīng)用于清潔機器人自動清掃過程的在線實時檢測。由于在清潔機器人機器視覺系統(tǒng)運行時，我們借助的是Visual C++ ，考慮到實時性和自動化的要求，就需要滿足在Visual C++ ,下一步的工作我們將把MATLAB語言移植到VC環(huán)境中，最終實現(xiàn)實時檢測的目的[50]。 基于機器視覺圖像匹配的一種改進算法 本算法提出的背景和算法的總體思想根據(jù)上面所介紹的兩種算法，我們知道雖然能識別出通風(fēng)管道內(nèi)壁是否清掃干凈，但是存在著誤判率，對于通風(fēng)管道內(nèi)壁的凸起、凹陷和其它的附著物不能準(zhǔn)確識別，本文就提出一種改進的算法，目的是當(dāng)通風(fēng)管道內(nèi)壁圖像有凸起、凹陷和其它的附著物時，能夠?qū)λ鼈儨?zhǔn)確的識別，從而發(fā)出報警信號，就不再對這部分區(qū)域進行重復(fù)的清掃了。由于彩色圖像既有色度信息，又有亮度信息，各種處理算法相對而言都很復(fù)雜，為了說明本算法的可行性，就只考慮灰度圖像，而不對彩色圖像進行分析處理。并且本算法的提出是在灰度直方圖特性的基礎(chǔ)之上，引入圖像分割技術(shù)，通過一定的方法求取合適的閾值而把實時采集的通風(fēng)管道內(nèi)壁圖像分割成五個區(qū)域，即準(zhǔn)干凈區(qū)域、凸起、凹陷和其它的附著物引起的陰影區(qū)域、凸起、凹陷和其它的附著物引起的高亮區(qū)域、及這三個區(qū)域之間的交界區(qū)域，然后求取準(zhǔn)干凈區(qū)域的灰度直方圖。把采集的干凈通風(fēng)管道內(nèi)壁圖像作為模板圖像，求得它的灰度直方圖，把它的直方圖曲線設(shè)定為標(biāo)準(zhǔn)曲線，把準(zhǔn)干凈區(qū)域的灰度直方圖按照某種方法與干凈內(nèi)壁圖像的灰度直方圖進行對比匹配，如果能夠匹配，就認(rèn)為準(zhǔn)干凈區(qū)域是清掃干凈的內(nèi)壁圖像；下一步就是計算準(zhǔn)干凈區(qū)域所占的面積，就向上位機發(fā)出報警信息，說明通風(fēng)管道內(nèi)壁含有凸起、凹陷和其它的附著物，這樣就不會認(rèn)為這些圖像是帶有灰塵的通風(fēng)管道內(nèi)壁圖像而一直反復(fù)的清掃，從而避免了重復(fù)清掃而節(jié)約清掃的成本。 本算法采用的圖像分割方法圖像分割是很重要的圖像分析技術(shù)，它是把數(shù)字圖像分割成互不重疊且有意義的子區(qū)域的過程，是機器視覺中一個很重要的過程。進行圖像分割的目的是使分割后的圖像各個子區(qū)域與實際的物體能夠?qū)?yīng)，方便對圖像更進一步的識別處理。對于圖像分割的研究已經(jīng)有幾十年的歷史，目前已提出了上千種的圖像分割方法，由于圖像的種類不同，沒有一種適合于所有圖像的完全通用的、標(biāo)準(zhǔn)的分割算法。常用的分割算法有：基于閾值的分割，基于區(qū)域的分割、基于邊緣的分割、基于分水嶺算法的分割、基于聚類的分割等[51]，每一種分割方法都有優(yōu)缺點，就需要根據(jù)圖像本身的特征而選擇合適的分割算法。依據(jù)本算法的總體思想，我們要把實時采集的通風(fēng)管道內(nèi)壁圖像分割成黑色區(qū)域、灰色區(qū)域和白色區(qū)域三個部分，首先考慮采用基于閾值的分割方法，運用此方法最主要就是選取合適的閾值，閾值選擇方法有：灰度直方圖峰谷法[52]、最小誤差法[53]、OTSU法[54]、自動閾值法[55]，這幾種閾值選擇方法都是用來確定單閾值的，不適合于本課題的圖像分析，對本課題的圖像則需要設(shè)定兩個閾值。所以考慮采用基于聚類的分割方法，聚類的方法是一種無監(jiān)督學(xué)習(xí)過程，它事先并不知道樣本的類別，聚類是把一個樣本集分割成幾個類，每個類內(nèi)的樣本是相似的，不同類的樣本則是不相似的。本文采用了C均值聚類算法，它可以很方便的進行多閾值的分割。C均值聚類算法又可以分為：硬C均值聚類算法(HCM)和模糊C均值聚類算法(FCM)[56]。本文以HCM為例來介紹C均值聚類算法的原理，我們知道，一幅圖像在程序中可以用一個數(shù)組、一個矩陣或者一個數(shù)列來表示。首先來做如下的假設(shè)：(a)是一個有限的數(shù)據(jù)集，其中是數(shù)據(jù)集中元素的個數(shù)，是數(shù)據(jù)的維數(shù)；(b)C表示聚類中心數(shù)，且C滿足；(c)設(shè)聚類中心為，則樣本點和聚類中心的歐式距離可以表示為：；(d)表示第i個樣本屬于（或者不屬于）j個類；(e)是一個的矩陣，是一個的矩陣。 硬C均值聚類算法就轉(zhuǎn)化為求目標(biāo)函數(shù)的最小值，目標(biāo)函數(shù)的一般表示形式如公式48所示, (48)它應(yīng)該滿足公式49的各個條件： (49)在利用該算法求解時：(a)初始化，令，給聚類中心數(shù)賦值，選取一個任意小的，在給定的數(shù)據(jù)樣本中隨機的選取互不相同的C個樣本作為聚類初始的中心位置；(b)利用公式410來計算； (410)(c)對于任意的來說，用公式411來計算； (411)(d)來判斷計算是否結(jié)束，如果滿足公式412的判定條件就結(jié)束 (412)否則，就令，重新按照步驟(b)進行。從以上的算法可以知道，樣本的歸類原則是：當(dāng)且僅當(dāng)?shù)年P(guān)系式成立時，樣本是歸屬于第類的。把C均值聚類算法應(yīng)用于本系統(tǒng)的圖像分割中，我們知道所利用的是圖像的一維灰度直方圖，所以數(shù)據(jù)維數(shù)；要把圖像分成五個區(qū)域，相當(dāng)于是把圖像數(shù)據(jù)分成五類，則聚類中心數(shù)；確定出這兩個數(shù)之后，就可以利用C均值聚類算法的原理和計算過程來進行圖像的分割了。 本算法對圖像的后續(xù)處理，從圖像分割的結(jié)果可以看出，存在著一些不能正確歸類的點，還有一部分區(qū)域的圖像邊緣不是很平滑，需要再做一些后續(xù)的處理對這些點進行重新的歸類。本文引入模糊熵的思想對分割后的圖像進行后續(xù)的處理。模糊熵表示一個模糊集的模糊性程度，一個模糊集合越模糊，它的模糊熵就越大；反之，一個模糊集合模糊程度越小，它的模糊熵就越小。對模糊熵的一般性定義包括以下幾點[57]：分明集是不模糊的，則分明集的模糊熵是零；是隸屬性最難確定的模糊集，的模糊性應(yīng)該最大；一個模糊集的模糊性應(yīng)該具有單調(diào)變化的性質(zhì)，也就是模糊集越接近，它的模糊性越大，越遠離，它的模糊性越小。設(shè)論域上的模糊集合為,則模糊熵可以用下式表示為： (413)在公式413中，表示元素對于集合的隸屬程度。是經(jīng)過上述C均值聚類分割之后的圖像，在中以點為中心，取一個(在這里n為奇數(shù))的窗口，如果取，則窗口可以用下式表示為： (414)取圖像的五個灰度值(表示黑色的區(qū)域)、(表示黑灰的區(qū)域)、(表示灰色區(qū)域)，(表示黑灰的區(qū)域)，(表示白色區(qū)域)，以窗口為論域來定義5個模糊集合、，它們的隸屬度函數(shù)分別用、表示，則它們分別用公式41414141419定義為： (415) (416) (417) (418) (419)公式41414141419中的是一個常數(shù)，用來保證下式成立。這五個公式分別表示窗口內(nèi)像素對黑色區(qū)域、黑灰區(qū)域、灰色區(qū)域、白灰區(qū)域、白色區(qū)域的隸屬程度，由這五個公式可知，若某一個像素點與它所屬區(qū)域代表值的差值越小，則這個像素點對此區(qū)域的隸屬程度越大；反之，若某一個像素點與它所屬區(qū)域代表值的差值越大，則這個像素點對此區(qū)域的隸屬程度越小。針對經(jīng)過上述分割之后的圖像中的每一個像素點，計算出相對應(yīng)的模糊熵、并且可以獲得這五個值中的最小值，然后令等于最小模糊熵所對應(yīng)的灰度值。假設(shè)所取的窗口是處于灰度值為的區(qū)域中，那么窗口中大部分像素的灰度值都是，所求出的三個模糊熵、中，通常來說如果是最小的，則把點重新歸類為是合理的。 圖像匹配及結(jié)果分析對經(jīng)過C均值聚類分割和模糊熵后續(xù)處理的圖像，根據(jù)所分成的五個區(qū)域，我們關(guān)心的是準(zhǔn)干凈區(qū)域，求取它的灰度直方圖，然后利用均方差特征，與干凈的通風(fēng)管道內(nèi)壁圖像灰度直方圖進行比對。在本文提出的算法中把準(zhǔn)干凈區(qū)域的直方圖曲線和面積作為判別條件：(a)如果這兩幅圖像的灰度直方圖曲線均方差很小，就說明這兩幅圖像是匹配的，即我們認(rèn)定的準(zhǔn)干凈區(qū)域是已經(jīng)清掃干凈的通風(fēng)管道內(nèi)壁圖像，反之，則不是干凈的通風(fēng)管道內(nèi)壁圖像，對于不干凈的通風(fēng)管道內(nèi)壁圖像需要再對其進行清掃，然后再重新采集清掃之后的圖像，重復(fù)以上的過程，如還不能匹配，就把這幅圖像上傳報警；(b)計算準(zhǔn)干凈區(qū)域占整幅圖像的面積，就認(rèn)為這幅圖像是干凈的，否則，就把這幅圖像上傳報警。在試驗中，我們采集模擬的通風(fēng)管道內(nèi)壁圖像，主要對通風(fēng)管道內(nèi)壁含有凸起物的圖像進行處理。圖49是CCD攝像機直接采集的圖像：圖49(a)是我們采集的干凈的通風(fēng)管道內(nèi)壁圖像，圖49(b)是我們采集的含有凸起物的通風(fēng)管道內(nèi)壁圖像。 (a)干凈的通風(fēng)管道內(nèi)壁圖像 (b)含有凸起物的通風(fēng)管道內(nèi)壁圖像圖49 CCD攝像機采集的圖像由于此方法主要考慮使用于灰度圖像，就需要首先對采集的圖像進行灰度化處理，圖410是灰度化處理之后的圖像。 (a) 干凈的通風(fēng)管道內(nèi)壁灰度圖像 (b) 含有凸起物的通風(fēng)管道內(nèi)壁灰度圖像圖410 CCD攝像機采集的圖像灰度化效果圖接下來對410(b)的圖像進行分割，利用上面介紹的C均值聚類方法，設(shè)定的C值為5，就需要設(shè)定四個閾值，在實驗中所設(shè)定的四個圖像閾值分別是1213200、215，而把含有凸起的圖像分成了五個區(qū)域，分割之后的圖像如圖411所示：圖411 C均值聚類分割之后的圖像從圖411中可以看出，經(jīng)過C均值聚類分割之后，圖像中出現(xiàn)了很多雜散的點，就需要對這幅圖像進行后續(xù)的處理，所得的處理結(jié)果如圖412所示：圖412 模糊熵后續(xù)處理的圖像從圖411和圖412的圖像對比可以看出，經(jīng)過模糊熵后續(xù)處理之后，大部分的離散點都已經(jīng)進行了重新的分類，處理之后的圖像效果就好了很多。為了更加清晰的表示出所分割的這五個區(qū)域，就對412所示的圖像進行了拉普拉斯銳化，所得的效果圖如圖413所示：圖413 拉普拉斯銳化的效果圖然后對干凈通風(fēng)管道內(nèi)壁圖像410(a)求取灰度直方圖如下圖414所示，然后通過計算灰度直方圖的二維數(shù)組，重新對灰度直方圖進行繪制，把它輸出為曲線形式如圖415所示。 圖414 干凈通風(fēng)管道內(nèi)壁圖像的直方圖 圖415 繪制的干凈內(nèi)壁圖像的直方圖曲線 接下來，對圖410(b)含有凸起物的通風(fēng)管道內(nèi)壁圖像求取灰度直方圖如圖416所示，對圖413中所分五個區(qū)域中的準(zhǔn)干凈區(qū)域(即白灰區(qū)域)計算它的灰度直方圖的二維數(shù)組，對這部分區(qū)域的灰度直方圖進行繪制，把它輸出為曲線形式如圖417所示。 圖416 含有凸起物內(nèi)壁圖像的直方圖 圖417 繪制的準(zhǔn)干凈內(nèi)壁圖像的直方圖曲線通過求取圖415和圖417的均方差的方法來對這兩個直方圖曲線進行匹配，可以得到均方差匹配的結(jié)果如下圖所示：圖418