本發(fā)明屬于圖書館管理
技術領域：
，具體涉及一種基于圖像分割和隨機hough變換的架上圖書清點方法。
背景技術：
：圖書清點是圖書統(tǒng)計指標中的基礎數(shù)據(jù)，是圖書館管理的一個難點問題。通過清點圖書可以準確確定圖書館現(xiàn)有的圖書財產(chǎn)，對于客觀地反映學校辦學實力、爭取更多的經(jīng)費投入具有重要的參考價值。因此，圖書清點工作對于圖書館的日常管理非常必要，但是傳統(tǒng)的人工清點方式既耗時又費力，存在勞動力需求大、信息更新不及時等缺點。對于圖書館管理來說，將傳統(tǒng)的圖書清點工作進行數(shù)字化、自動化改進是一個重要的研究方向，近年來，圖像處理技術在圖書管理方面得到了卓有成效的應用，為圖書清點提供了一種新的方法。
背景技術：
[劉汝翠.基于書脊圖像特征和空域濾波的自動圖書清點方法:中國，ZL201410383904.7，2016.05.04]，采用圖像特征和空域濾波的方法對書脊圖像進行處理，實現(xiàn)了單排圖書的自動清點，提高了圖書清點的效率，該方法的主要步驟為：1)采集書庫內(nèi)的書脊圖像，確保圖像內(nèi)只含有一排圖書；2)獲取圖書的排列方向傾角，對邊緣像素進行投影，獲得書脊文字投影波形圖；3)對邊緣投影波形圖進行濾波，得到平滑的邊緣投影波形圖；4)檢測邊緣投影波形中波峰的個數(shù)，即為圖像中包含圖書的冊數(shù)。上述方法采用了圖像處理的方法實現(xiàn)了單排圖書的清點，提高了工作效率；但其主要針對簡單的單排圖書的圖像處理，即只能對書架上單個圖書擺放格內(nèi)的圖書進行清點，而現(xiàn)在圖書館的藏書數(shù)量十分巨大，每一書架上有多個圖書擺放格，上述方法難以高效清點這些海量藏書；另一方面，上述方法采用邊緣投影檢測的方法來計算書脊文字的積累峰值，該方法對書脊背景狀況要求較高；當圖書書脊上文字較少或者與背景區(qū)分不大時，容易導致圖書漏檢；而當文字較多，在書脊上呈兩列分布時，容易導致圖書虛報。上述問題的出現(xiàn)，限制了
背景技術：
的實用性和應用范圍。技術實現(xiàn)要素：1.要解決的技術問題本發(fā)明的目的是提出一種基于圖像分割和隨機hough變換的架上圖書清點方法，從而克服現(xiàn)有技術的不足，大幅提高圖書清點的效率。2.技術方案本發(fā)明提供了一種基于圖像分割和隨機hough變換的架上圖書清點方法，采用技術方案步驟如下：步驟1：圖像預處理采集包含書架框體和書脊的彩色圖像，對圖片進行修正，得到水平方向一致的圖片，并確保書架框體占滿整幅圖像，該圖像記為P；以圖像左下角為原點，建立x-y直角坐標系，其中坐標系x軸方向與圖像下邊界重合，坐標系y軸方向與圖像左邊界重合；令i和j分別為圖像在坐標系x和y方向的像素單元數(shù)，則圖像P可以表示成像素矩陣的形式其中p(i,j)為像素單元(i,j)處的像素值，I為圖P在x方向總的像素個數(shù)，J為y方向總的像素個數(shù)；步驟2：圖像分割(1)把彩色圖像P轉(zhuǎn)化為256級的灰度圖F，該灰度圖在x-y直角坐標系中可以表示成像素矩陣的形式其中f(i,j)為像素單元(i,j)處的像素值；對于任意像素單元f(i,j)，通過鄰域單元像素進行微分處理計算x方向的梯度fx和y方向的梯度fy則圖像在坐標單元(i,j)處的梯度幅值為梯度方向為α(i,j)＝arctan(fy/fx)，其中arctan()表示求反正切函數(shù)；(2)通過非極大值抑制來提取邊緣的局部極值，從而剔除部分非邊緣點的影響；首先，根據(jù)α(i,j)的取值，將像素單元f(i,j)處的梯度方向均勻劃分為四個扇區(qū)區(qū)間，分別代表水平方向、左傾方向、右傾方向和豎直方向的梯度：其中，s(i,j)為坐標單元(i,j)處梯度方向所屬的扇區(qū)，π為180°角對應的弧度數(shù)；然后根據(jù)s(i,j)取值，查找坐標單元(i,j)處同一梯度方向的兩個8鄰域坐標單元其中，和分別為(i,j)的兩個8鄰域坐標單元在坐標系x和y方向的像素單元數(shù)；最后，將坐標單元(i,j)處的梯度幅值與同一梯度方向的鄰域像素比較，提取梯度幅值的局部極大值：(3)采用雙閾值門限對梯度幅值進行二值化處理，設低閾值門限為σlow，高閾值門限為σhigh，對圖像進行邊緣檢測得到二值化圖像其中b(i,j)為像素單元(i,j)處的二值化像素值：對于梯度幅值介于σlow和σhigh之間的坐標單元(i,j)，b(i,j)的取值根據(jù)8鄰域像素單元的梯度確定其中，Mmax為坐標單元(i,j)處8鄰域像素單元梯度的極大值；(4)每一格書架框架的邊緣是水平和垂直方向的直線，而框架內(nèi)圖書的邊緣則存在較多對角的斜線，因此采用一個對角線矩陣對二值化圖像B進行濾波處理，得到新的像素值：b(i,j)＝max[b(i,j),b(i-1,j-1),b(i+1,j+1),b(i-1,j+1),b(i+1,j-1)]，其中，max[]表示取極大值運算；然后將二值圖像分別向水平和垂直方向投影，得到圖像在水平方向的積累參數(shù)Qx(i)和垂直方向的積累參數(shù)Qy(j)：根據(jù)積累參數(shù)的水平檢測門限γx和垂直檢測門限γy，提取Qx(i)谷值對應的序列號存入數(shù)組Dx，提取Qy(j)谷值對應的序列號存入數(shù)組Dy：其中，arg[·]表示滿足約束條件[·]的序列號，則Dx數(shù)據(jù)對應書架框架在水平方向的坐標，Dy數(shù)據(jù)對應書架框架在垂直方向的坐標；(5)接下來利用框架的信息將原圖像分割成多個子圖像，每個子圖像對應書架中一個矩形擺放格中的書脊圖像；首先，提取書架框架的位置坐標Dx和Dy，從而實現(xiàn)對書架中各矩形擺放格的定位；然后，根據(jù)矩形擺放格的邊界對彩色圖像P進行分割，得到多個子圖像，實現(xiàn)原始圖像的分割處理：其中N為子圖像的總個數(shù)，Pn表示第n個子圖像。步驟3：隨機采樣(1)對于第n個子圖像Pn，記In為其在x方向總的像素個數(shù)，Jn為其在y方向總的像素個數(shù)；進行預處理，得到像素單元(i,j)處的梯度方向αn(i,j)；然后將αn(i,j)均勻劃分為四個扇區(qū)區(qū)間；用sn(i,j)表示子圖像Pn在坐標單元(i,j)處梯度方向所屬的扇區(qū)；進行邊緣檢測得到二值化圖像其中bn(i,j)為子圖像Pn在像素單元(i,j)處的二值化像素值；(2)在二值化圖像Bn中隨機選取一個非零元素的像素單元(i1,j1)，使得0.3Jn≤j1≤0.7Jn且bn(i1,j1)≠0，該像素單元對應的梯度方向區(qū)間為sn(i1,j1)；(3)在二值化圖像Bn中選取第二個非零元素的像素單元(i2,j2)≠(i1,j1)，使得0.3Jn≤j2≤0.7Jn且bn(i2,j2)≠0，該像素單元對應的梯度方向區(qū)間為sn(i2,j2)；如果sn(i1,j1)≠sn(i2,j2)，重新采樣，直到sn(i1,j1)＝sn(i2,j2)，將兩個像素單元(i1,j1)和(i2,j2)組成一個隨機采樣像素對；；(4)重復采樣，得到L個隨機采樣像素對。步驟4：參數(shù)積累計算積累單元距離，建立hough參數(shù)空間(ρ,θ)，ρ和θ分別為空間中的距離和角度參數(shù)；將隨機采樣的兩個像素單元(i1,j1)和(i2,j2)通過hough變換投影到參量空間，計算相應的參數(shù)單元(ρhough,θhough)，ρhough和θhough分別為hough變換后參數(shù)空間中的距離和角度參數(shù)；在相應的積累單元進行投票積累，使對應同一直線的采樣點能夠落入相同的積累單元，得到參數(shù)積累矩陣H(ρ,θ)，具體方法如下：(1)根據(jù)離散間隔Δρ和Δθ對參數(shù)ρ和θ進行離散化處理，形成參數(shù)空間(ρ,θ)，在(u,v)個參數(shù)單元的中心點參數(shù)為ρu和θv：ρu＝(u-1/2)Δρ,u＝1,2,…,U，θv＝(v-1/2)Δθ-π/2,v＝1,2,…,V，其中，u和v分別為參數(shù)ρ和θ的序號，ρ的參數(shù)單元數(shù)目U以及θ的參數(shù)單元數(shù)目V取值分別為：V＝Int(π/Δθ)，Int()表示取整運算，π為180°角對應的弧度數(shù)；建立參數(shù)積累矩陣H(ρ,θ)，置每一單元初始值為0；(2)將第一個隨機采樣的像素對(i1,j1)和(i2,j2)通過hough變換投影到參量空間，計算該像素對所確定的參數(shù)ρhough和θhough：θhough＝arctan[-(i1-i2)/(j1-j2)]；ρhough＝0.5(i1+i2)cos(θhough)+0.5(j1+j2)sin(θhough)；(3)在參數(shù)空間(ρ,θ)中查找相應的單元(ρu,θv)，使得||ρhough-ρu||≤Δρ,||θhough-θv||≤Δθ；如果(ρu,θv)存在，則在參數(shù)積累矩陣H(ρ,θ)的存儲單元(ρu,θv)中進行累加：H(ρu,θv)＝H(ρu,θv)+1；否則，將(ρhough,θhough)插入?yún)?shù)空間(ρ,θ)，并取初始值H(ρhough,θhough)＝1；(4)重復積累，直到L個隨機采樣像素對都映射到參數(shù)空間，得到參數(shù)積累矩陣H(ρ,θ)。步驟5：峰值檢測(1)根據(jù)檢測門限G1，對參數(shù)積累矩陣H(ρ,θ)進行檢測，令H(ρ,θ)中取值小于G1的元素值為零，檢測門限設置為G1＝0.3Jn；考慮圖書傾斜角，設置角度約束值θT，令H(ρ,θ)中θ絕對值小于θT的元素值為零；(2)在H(ρ,θ)中任何一個不為零的參數(shù)單元(ρu,θv)，定義其局部搜索區(qū)域Ω(ρu,θv)為：Ω(ρu,θv)＝{(ρ,θ)|[||ρ-ρu||≤5,θ＝θv,H(ρ,θ)≠0]}；(3)接下來根據(jù)Ω(ρu,θv)進行判斷：如果Ω(ρu,θv)為空，這參數(shù)單元(ρu,θv)為一個局部峰值；如果Ω(ρu,θv)不為空，若H(ρu,θv)的取值大于等于區(qū)域Ω(ρu,θv)中所有單元的取值：H(ρu,θv)≥H(ρ,θ)，(ρ,θ)∈Ω(ρu,θv)，則參數(shù)單元(ρu,θv)為一個局部峰值；(4)提取H(ρ,θ)所有的局部峰值單元，計算局部峰值的個數(shù)tn，則子圖像Pn中圖書的冊數(shù)為tn-1；步驟6：計數(shù)清點當n的取值從1到N變化時，對于所有的子圖像Pn，重復步驟3到步驟5的過程，檢測得到所有子圖像參數(shù)積累矩陣中的峰值個數(shù)tn,n＝1,2,…,N，則整個書架上圖書的冊數(shù)T為:3.有益效果和
背景技術：
相比，本發(fā)明的有益效果說明：(1)本發(fā)明采用的一種基于圖像分割和隨機hough變換的架上圖書清點方法，首先通過圖像分割將圖像分割成多個子圖像，然后對每個子圖像進行圖書清點，可以解決海量架上圖書的清點問題，具有良好的實際應用價值；(2)通過隨機hough變換對圖書邊界區(qū)域進行快速積累，檢測確定邊界峰值的數(shù)量，可以降低處理的計算量，提高清點的準確性。附圖說明附圖1是本發(fā)明的整體流程圖；附圖2是本發(fā)明實施例中要處理的架上圖書圖像；附圖3是本發(fā)明實施例中二值化處理后的圖像；附圖4是本發(fā)明實施例中濾波處理后的圖像；附圖5是本發(fā)明實施例中水平和垂直方向像素積累結果圖；附圖6是本發(fā)明實施例中圖像分割后得到的子圖像；附圖7是本發(fā)明實施例中第一個子圖像邊緣檢測結果；附圖8是本發(fā)明實施例中第一個子圖像參數(shù)積累結果；附圖9是本發(fā)明實施例中門限檢測和角度約束后的參數(shù)積累圖；附圖10是本發(fā)明實施例中第一個子圖像中局部峰值檢測結果；具體實施方式本發(fā)明主要采用試驗的方法進行驗證，所有步驟、結論都在Matlab2010a上驗證。以下結合說明書附圖1對本發(fā)明的一種基于圖像分割和隨機hough變換的架上圖書清點方法進行詳細描述。如附圖1所示，本發(fā)明處理過程可以分成3個模塊：M1是圖像分割模塊，主要根據(jù)圖像信息提取書架框架，從而根據(jù)書架的擺放格進行分割，把圖像分成多個子圖像；M2是隨機hough變換處理模塊，主要通過hough映射實現(xiàn)子圖像中邊緣像素在參數(shù)空間中的積累；M3是峰值檢測模塊，主要通過參數(shù)空間局部峰值的檢測實現(xiàn)圖書冊數(shù)的計數(shù)清點。本發(fā)明的具體處理流程如下：步驟1：圖像預處理采集包含書架框體和書脊的彩色圖像，對圖片進行修正，得到水平方向一致的圖片，并確保書架框體占滿整幅圖像，該圖像記為P，如圖2所示；以圖像左下角為原點，建立x-y直角坐標系，其中坐標系x軸方向與圖像下邊界重合，坐標系y軸方向與圖像左邊界重合；令i和j分別為圖像在坐標系x和y方向的像素單元數(shù)，則圖像P可以表示成像素矩陣的形式其中p(i,j)為像素單元(i,j)處的像素值，I為圖P在x方向總的像素個數(shù)，J為y方向總的像素個數(shù)；步驟2：圖像分割(1)把彩色圖像P轉(zhuǎn)化為256級的灰度圖F，該灰度圖在x-y直角坐標系中可以表示成像素矩陣的形式其中f(i,j)為像素單元(i,j)處的像素值；對于任意像素單元f(i,j)，通過鄰域單元像素進行微分處理計算x方向的梯度fx和y方向的梯度fy，則圖像在坐標單元(i,j)處的梯度方向為α(i,j)＝arctan(fy/fx)，梯度幅值為(2)通過非極大值抑制來提取邊緣的局部極值，從而剔除部分非邊緣點的影響；首先，根據(jù)α(i,j)的取值，將像素單元f(i,j)處的梯度方向均勻劃分為四個扇區(qū)區(qū)間s(i,j)，分別代表水平方向、左傾方向、右傾方向和豎直方向的梯度；然后根據(jù)s(i,j)取值，查找坐標單元(i,j)處同一梯度方向的兩個8鄰域坐標單元最后，將坐標單元(i,j)處的梯度幅值與同一梯度方向的鄰域像素比較，提取梯度幅值的局部極大值；(3)采用雙閾值門限對梯度幅值進行二值化處理，設低閾值門限為σlow，高閾值門限為σhigh，對圖像進行邊緣檢測得到二值化圖像其中b(i,j)為像素單元(i,j)處的二值化像素值；對于梯度幅值介于σlow和σhigh之間的坐標單元(i,j)，b(i,j)的取值根據(jù)8鄰域像素單元的梯度確定；處理后得到的二值化圖像如圖3所示，可見書架框架像素與圖書像素之間存在細微差別，但是區(qū)分度不大；(4)每一格書架框架的邊緣是水平和垂直方向的直線，而框架內(nèi)圖書的邊緣則存在較多對角的斜線，因此采用一個對角線矩陣對二值化圖像B進行濾波處理，得到新的像素值；濾波后得到的圖像如圖4所示，可見經(jīng)過濾波處理后，有效降低了背景的影響，增加了框架像素與圖書像素之間的差異性；(5)將二值圖像分別向水平和垂直方向投影，得到圖像在水平方向的積累像素Qx(i)和垂直方向的積累像素Qy(j)，如圖5所示，其中圖5(a)為水平方向的像素積累圖，圖5(b)為垂直方向的像素積累圖；對比圖2和圖5可以看出，圖5中像素積累的谷值正好對應圖2中書架的框架位置；(6)根據(jù)積累參數(shù)的水平檢測門限γx和垂直檢測門限γy，提取Qx(i)谷值對應的序列號存入數(shù)組Dx，提取Qy(j)谷值對應的序列號存入數(shù)組，則Dx數(shù)據(jù)對應書架框架在水平方向的坐標，Dy數(shù)據(jù)對應書架框架在垂直方向的坐標；利用框架的信息將原圖像分割成多個子圖像，每個子圖像對應書架中一個矩形擺放格中的書脊圖像，實現(xiàn)原始圖像的分割處理，得到圖像分割結果如圖6所示；可以看出，經(jīng)過圖像分割后，原始圖像按照書架擺放格的位置準確分割成了4個子圖像，分割效果較好；步驟3：隨機采樣(1)對于第n＝1個子圖像，進行預處理，得到像素單元(i,j)處的梯度方向αn(i,j)；然后將αn(i,j)均勻劃分為四個扇區(qū)區(qū)間；用sn(i,j)表示子圖像Pn在坐標單元(i,j)處梯度方向所屬的扇區(qū)；進行邊緣檢測得到二值化圖像如圖7所示；可以看出，經(jīng)過處理后，圖書的邊緣較為明顯；(2)在二值化圖像Bn中隨機選取一個非零元素的像素單元(i1,j1)，使得0.3Jn≤j1≤0.7Jn且bn(i1,j1)≠0，該像素單元對應的梯度方向區(qū)間為sn(i1,j1)；(3)在二值化圖像Bn中選取第二個非零元素的像素單元(i2,j2)≠(i1,j1)，使得0.3Jn≤j2≤0.7Jn且bn(i2,j2)≠0，該像素單元對應的梯度方向區(qū)間為sn(i2,j2)；如果sn(i1,j1)≠sn(i2,j2)，重新采樣，直到sn(i1,j1)＝sn(i2,j2)，將兩個像素單元(i1,j1)和(i2,j2)組成一個隨機采樣像素對；(4)重復采樣，得到L個隨機采樣像素對；步驟4：參數(shù)積累計算積累單元距離，建立hough參數(shù)空間(ρ,θ)，ρ和θ分別為空間中的距離和角度參數(shù)；將隨機采樣的兩個像素單元(i1,j1)和(i2,j2)通過隨機hough變換投影到參量空間，計算相應的參數(shù)單元(ρhough,θhough)；在相應的積累單元進行投票積累，使對應同一直線的采樣點能夠落入相同的積累單元，得到參數(shù)積累矩陣H(ρ,θ)，如圖8所示，其中圖8(a)為三維立體直方圖，圖8(b)為H(ρ,θ)向ρ-θ平面投影后得到的二維顯示圖；從圖中可以看出，由于采用了隨機hough變換進行積累，得到的參數(shù)積累矩陣是稀疏的，該方法只需進行有限采樣像素點的映射就能實現(xiàn)圖書邊界的稀疏積累，因此其計算量比傳統(tǒng)的hough變換要低；步驟5：峰值檢測(1)根據(jù)檢測門限G1＝0.3Jn，對參數(shù)積累矩陣H(ρ,θ)進行檢測，令H(ρ,θ)中取值小于G1的元素值為零；考慮圖書傾斜角，設置角度約束值θT＝10°，令H(ρ,θ)中θ絕對值小于θT的元素值為零，得到結果如圖9所示；與圖8(b)對比可知，經(jīng)過門限檢測和角度約束后，圖9中排除了大量無關積累單元；(2)在H(ρ,θ)中任何一個不為零的參數(shù)單元(ρu,θv)，定義其局部搜索區(qū)域Ω(ρu,θv)為：Ω(ρu,θv)＝{(ρ,θ)|[||ρ-ρu||≤5,θ＝θv,H(ρ,θ)≠0]}；(3)接下來根據(jù)Ω(ρu,θv)進行判斷：如果Ω(ρu,θv)為空，參數(shù)單元(ρu,θv)為一個局部峰值；如果Ω(ρu,θv)不為空，若H(ρu,θv)的取值大于等于區(qū)域Ω(ρu,θv)中所有單元的取值：H(ρu,θv)≥H(ρ,θ)，(ρ,θ)∈Ω(ρu,θv)，則參數(shù)單元(ρu,θv)為一個局部峰值；(4)提取H(ρ,θ)所有的局部峰值單元，如圖10所示，其中白色矩形表示局部峰值的位置，對峰值數(shù)量進行計數(shù)可得t1＝48，則子圖像P1中圖書的冊數(shù)為t1-1＝47，這與該子圖像中圖書的冊數(shù)一致；步驟6：計數(shù)清點當n的取值從1到N變化時，對于所有的子圖像Pn，重復步驟3到步驟5的過程，檢測得到所有子圖像參數(shù)積累矩陣中的峰值個數(shù)，如表1所示：表1圖書清點結果圖像類別實際冊數(shù)檢測冊數(shù)(θT＝5°)檢測冊數(shù)(θT＝10°)子圖像P1474747子圖像P2373737子圖像P3444444子圖像P4383538整體圖像P166163166為了便于比較，表1在角度約束值θT的取值分別為5°、10°的環(huán)境中進行驗證，可以看出θT的取值對方法的性能影響較大；例如，在子圖像P4中，由于部分圖書的傾斜角較大，當θT取值較小時，會造成漏檢；通過調(diào)整θT的取值，可以提高圖書清點的準確性，如果在圖書擺放時盡量使圖書垂直放置，本方法清點的效果更好。從實施例驗證結果可以看出，本發(fā)明很好地解決了架上圖書的清點問題：首先，根據(jù)圖像邊緣像素積累提取框架信息，從而把圖像分成多個子圖像，每個子圖像代表書架上一個擺放格中的書脊圖像；然后，通過隨機hough映射實現(xiàn)子圖像中圖書邊界直線在參數(shù)空間中的快速積累；最后，在參數(shù)空間中檢測局部峰值，從而實現(xiàn)書架上每一擺放格中圖書冊數(shù)的計數(shù)清點，并最終得到書架上所有圖書的冊數(shù)；本發(fā)明較好地結合了圖像處理和隨機hough變換的優(yōu)點，采用計算機處理實現(xiàn)架上圖書的自動清點；方法簡單高效，易于實施，大大降低了圖書清點的工作量，具有較強的實用性和推廣應用價值。本實施例沒有詳細敘述的部分屬本行業(yè)公知的常用手段，這里不一一敘述。當前第1頁1 2 3