2014基于数字图像处理技术的粒度在线检测方法研究

1. 首先将图像\(\mbox{RGB}\longrightarrow\mbox{GRAY}\)（也就是灰度化图像），然后通过中值滤波去除窗口内的极大极小值（统称为噪声点），达到平滑图像的效果；

2. 接着对图像进行形态学重构，消除物体内部和外部的空洞（也就是尺度更大一点儿的噪声点）；

3. 再对图像进行两次分水岭分割算法提取出物体之间的分界线：

   1. 通过极大值变换获取前景标记

      1. 首先对灰度图像进行形态学腐蚀，相当于\(\mbox{floor}\)平滑，即将局部较大像素削平；
      2. 然后获取平滑后的局部极大值区域，并对其进行形态学重建开操作（保留原始图像的边缘信息，去除周围的毛刺）、形态学重建闭操作（保留原始图像的边缘信息，填补内部的空洞）；
      3. 由于有些物体中前景标记到了其边缘，故应该向内收缩一点，即进行形态学腐蚀；
      4. 最后进行极大值修正（变换），去除掉小面积的极大值区域（自定义阈值）；

   2. 第一次分水岭分割获取背景标记（有标记矩阵）

      1. 首先使用\(\mbox{OTSU}\)（最大类间方差法）将图像进行二值化处理，初步分离出物体与背景；
      2. 然后获取距离转换图像（\(\mbox{DT}\)），并对其进行归一化（\(\mbox{normalize}\)），作为实际前景的一部分；
      3. 将原始二值化图进行形态学膨胀，得到的黑色区域便为实际背景的一部分；
      4. 现在已知前景和背景的部分分布，剩下的一部分便是未知区域（\(\mbox{unknown}\)）；
      5. 最后进行分水岭分割，得出各个前景、背景以及分割线（分水岭线），但只需要背景标记；

   3. 第二次分水岭分割（没有标记矩阵）

      1. 将上两步得到的前景标记和背景标记通过按位或融合为一张图；

      2. 对融合后的图进行强制最小技术（\(\mbox{minima}\) \(\mbox{imposition}\)）；

         强制最小技术：将梯度图中的感兴趣区域设置为-∞，这样可以忽略掉已知区域的细枝末节；

      3. 然后对其进行不含标记的分水岭分割，得到最终的前景、背景以及分割线（分水岭线）；

4. 由于CV只能检测表面的物料分布，对于堆叠的物料无能为力，所以利用反向传播神经网络（\(\mbox{BP}\) \(\mbox{CNN}\)）构建出CV检测表面分布为输入、实际筛分整体分布为输出的模型；