微孔板圖片微孔中心的精確定位方法

郭玉彬，曾曉銀，吳少乾，李西明，王璇

（華南農(nóng)業(yè)大學(xué)，廣州 510642）

0 引言

微孔板是一種多用途的檢測(cè)試驗(yàn)板，在臨床實(shí)驗(yàn)、化學(xué)試驗(yàn)、獸醫(yī)的試劑檢測(cè)等方面均有廣泛的應(yīng)用。而隨著人工智能的發(fā)展，臨床實(shí)驗(yàn)的工作人員對(duì)智能化自動(dòng)化的實(shí)驗(yàn)需求越來(lái)越高。實(shí)現(xiàn)微孔板智能化識(shí)別可以加快臨床實(shí)驗(yàn)的人工智能化，大大解放實(shí)驗(yàn)工作人員的勞動(dòng)力，推動(dòng)社會(huì)的發(fā)展。進(jìn)一步地，精確定位微孔板的孔圓心可以快速提取圓孔內(nèi)的實(shí)驗(yàn)試劑，將實(shí)驗(yàn)數(shù)字化，便于機(jī)器的學(xué)習(xí)及機(jī)器的智能識(shí)別，使臨床實(shí)驗(yàn)的智能化自動(dòng)化成為可能。

對(duì)微孔板的微孔圓心的定位，實(shí)際上就是一種特殊的前景與背景的圖像分割（前景是指圓孔，而背景是非圓孔）。在圖像分割方面，國(guó)內(nèi)外的研究大多數(shù)都是基于機(jī)器學(xué)習(xí)算法的圖像分割，例如汪粼波、郭延文、夏天辰等人提出的樣本驅(qū)動(dòng)的半自動(dòng)圖像集前背景分割方法[6]，通過(guò)手動(dòng)分割樣本的前景和背景，利用SVM訓(xùn)練分類，從而實(shí)現(xiàn)半自動(dòng)圖像集的前背景分割；覃曉、梁偉、元昌安等人提出的基于遺傳優(yōu)化譜聚類的圖形分割方法[7]，通過(guò)對(duì)譜聚類算法的優(yōu)化，將遺傳算法應(yīng)用于譜聚類算法以提高譜聚類的圖像分割質(zhì)量；許雪梅、黃征宇、李麗嫻等人提出的一種基于HSV顏色分割和模糊級(jí)聯(lián)分類器的人臉檢測(cè)技術(shù)[8]，通過(guò)對(duì)圖像選擇性光線補(bǔ)償，并利用HSV進(jìn)行膚色檢測(cè)，在形態(tài)學(xué)處理及特征比例篩選后通過(guò)模糊級(jí)聯(lián)分類器進(jìn)行分割人臉與圖像的背景，從而實(shí)現(xiàn)人臉檢測(cè)。但是利用機(jī)器學(xué)習(xí)需要大量樣本作為訓(xùn)練，而微孔板的使用是一次性，因此通過(guò)機(jī)器學(xué)習(xí)算法來(lái)定位圓孔中心不是很好的方法。另外，微孔板圓孔的背景包括實(shí)驗(yàn)臺(tái)及微孔板，而微孔板本身的特征和圓孔的特征相似，這些方法都很難從相似的背景（微孔板）中分割出圓孔。為了解決這一難題，以及提高識(shí)別圓孔的精度，本文以一種全新的思路，充分利用已知的微孔板與圓孔之間的比例不變的關(guān)系，提出了一種自然拍照的微孔板圖片中微孔中心的精確定位方法。

1 算法主流程

1.1 思路解析

如圖1所示，由于圓孔在微孔中的位置都是固定的，因此，通過(guò)計(jì)算出圓孔半徑與微孔板邊長(zhǎng)的比例，以及各個(gè)圓孔的圓心位置在整個(gè)微孔板中相對(duì)比例，則便可在一張標(biāo)準(zhǔn)的微孔板圖片中標(biāo)出各個(gè)圓孔的中心了。

圖1 模具示意圖

本算法就是充分利用微孔板的圓孔與微孔板之間的比例不變關(guān)系，將要解決的問題即如何精確定位微孔板的各個(gè)孔中心轉(zhuǎn)換為如何精確定位微孔板的矩形邊界（這大大降低了問題的復(fù)雜度，使算法的效率大大提高）。如果矩形邊界精確定位后，則可將矩形的圖像，即整個(gè)微孔板通過(guò)標(biāo)準(zhǔn)透視變換提取出來(lái)，再根據(jù)微孔板的相應(yīng)比例通過(guò)數(shù)學(xué)簡(jiǎn)單計(jì)算便可直接標(biāo)出微孔板的孔中心，從而實(shí)現(xiàn)自然拍照的微孔板圖片中微孔中心的精確定位。

在定位矩形邊界這個(gè)問題上，可以根據(jù)前人的研究[1-5]，利用圖像處理技術(shù)與直線擬合檢測(cè)的方法進(jìn)行矩形邊界的定位，通過(guò)對(duì)圖像進(jìn)行預(yù)處理并除去相關(guān)噪點(diǎn)，再利用直線擬合找到微孔板矩形的邊界，從而實(shí)現(xiàn)矩形的邊界定位。

1.2 算法主要步驟

如圖2所示，該算法主要由圖像預(yù)處理、直線擬合檢測(cè)矩形、計(jì)算并標(biāo)出孔坐標(biāo)這三大部分構(gòu)成。最終，可通過(guò)該算法精準(zhǔn)地獲取矩形微孔板的邊界線，并定位好微孔板中心區(qū)域各孔位置，繼而提取出各個(gè)圓孔內(nèi)的樣品溶液圖片。

2 算法實(shí)現(xiàn)

2.1 圖像預(yù)處理

圖像預(yù)處理主要是將圖像簡(jiǎn)化并刪除圖像中的噪點(diǎn)，突出圖像的特征信息。如圖3所示，圖像預(yù)處理包括讀取圖像、轉(zhuǎn)換灰度圖、二值化處理及除去噪點(diǎn)四步：

（1）讀取圖像：讀取一幅圖像。

（2）轉(zhuǎn)換灰度圖：將讀取的圖像轉(zhuǎn)換為灰度圖。

（3）二值化處理：先對(duì)灰度圖進(jìn)行高斯低通濾波處理，再使用Canny算子對(duì)邊緣進(jìn)行二值化處理。

（4）除去噪點(diǎn)：計(jì)算并對(duì)圖像的連通區(qū)域進(jìn)行面積大小排序，將80%～90%的小連通域毛刺刪除掉，只保留主連通域。

圖2 算法主流程圖

圖3 圖像預(yù)處理流程圖

2.2 直線擬合檢測(cè)矩形

計(jì)算直線求交點(diǎn)是孔定位當(dāng)中至關(guān)重要的一步，如果邊界線定位不精確，那么便會(huì)導(dǎo)致定位的微孔板圓心也會(huì)出現(xiàn)偏差。但上一階段的圖像預(yù)處理大大地刪除了噪點(diǎn)，為這一步的直線擬合的準(zhǔn)確性做了大大的保證。因此，通過(guò)簡(jiǎn)單的隔點(diǎn)擬合直線的方法便可精確地求出邊界線了。如圖4所示，隔點(diǎn)擬合直線主要分為以下四步：

（1）獲取基準(zhǔn)點(diǎn)：從上下左右四個(gè)方向分別做像素點(diǎn)檢測(cè)，遇到像素為1的像素點(diǎn)則停止檢測(cè)，并記錄該位置，繼續(xù)下一個(gè)像素點(diǎn)的獲取，這樣便可獲得四組基準(zhǔn)點(diǎn)。

（2）隔點(diǎn)連線：由于考慮到相鄰兩點(diǎn)所做的直線偏差過(guò)大，因此各組分別提取每相隔5個(gè)點(diǎn)的兩點(diǎn)來(lái)擬合出多條直線，但各組只保留直線上點(diǎn)數(shù)最多的一條作為該組的邊界線，從而得出矩形的四條邊界線。

（3）求出矩形頂點(diǎn)：對(duì)這四條邊界線進(jìn)行相鄰組合成方程組，求出這兩條直線的交點(diǎn)，即頂點(diǎn)。

圖4 直線擬合檢測(cè)矩形流程圖

2.3 計(jì)算孔坐標(biāo)

基于上一階段的矩形定位，可通過(guò)透視變換對(duì)矩形進(jìn)行標(biāo)準(zhǔn)矯正，即可提取出標(biāo)準(zhǔn)微孔板圖片。通過(guò)微孔板的標(biāo)準(zhǔn)比例即可計(jì)算出圓孔坐標(biāo)。如圖5所示，計(jì)算孔坐標(biāo)可以分為以下3個(gè)步驟實(shí)現(xiàn)：

（1）透視變換：利用標(biāo)準(zhǔn)微孔板的長(zhǎng)寬比例，將上一階段識(shí)別的矩形圖像透視變換成符合相應(yīng)比例的微孔板圖像。

（2）求出孔坐標(biāo)：根據(jù)標(biāo)準(zhǔn)微孔板的比例關(guān)系，求出微孔板圖像中各個(gè)圓孔的半徑長(zhǎng)度及中心坐標(biāo)。

（3）霍夫檢測(cè)：（此步驟可省略）此步驟是對(duì)矩形邊界識(shí)別不準(zhǔn)確的一種保障方法，霍夫檢測(cè)可以降低由于矩形邊界識(shí)別不準(zhǔn)確導(dǎo)致計(jì)算的坐標(biāo)誤差，提高本算法的精確度及靈活性，減少對(duì)矩形邊界的依賴性。

圖5 計(jì)算孔坐標(biāo)流程圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 測(cè)試結(jié)果

（1）測(cè)試硬件環(huán)境：PC C4 1.7G，內(nèi)存4G，機(jī)械硬盤500G

（2）測(cè)試軟件環(huán)境：Windows7 系統(tǒng)，.NET Framework 3.5，MATLAB2017a，OpenCV3.20

（3）結(jié)果：為了驗(yàn)證本算法的正確性和高效性，自然拍攝獸醫(yī)學(xué)院的120張實(shí)驗(yàn)微孔板圖片作為樣本測(cè)試，其中準(zhǔn)確定位出微孔板矩形的有100張圖片，準(zhǔn)確定位出各個(gè)圓孔圓心的有117張，可見微孔板矩形的準(zhǔn)確率為83%，圓孔圓心的準(zhǔn)確率98%，在矩形偏差情況下成功通過(guò)霍夫變換糾正圓孔圓心的矯正率為85%，其中霍夫變換可以將圓心的準(zhǔn)確率大約提高15%。另外，測(cè)試完120張圖片一共花費(fèi)了50秒，平均定位一張圖片大概為416毫秒。

3.2 預(yù)處理結(jié)果與分析

如圖6所示，它是預(yù)處理后的圖像。從這張圖中，可以發(fā)現(xiàn)預(yù)處理效果是非常好的，基本上把微孔板的邊界的特征都完好保留下來(lái)。

圖6 預(yù)處理效果圖

3.3 直線擬合檢測(cè)矩形結(jié)果與分析

如圖7所示，它是定位微孔板矩形邊界的其中一張效果圖（其中微孔板邊界用白色虛線標(biāo)注）。從這幅圖中，可以發(fā)現(xiàn)微孔板矩形邊界的定位是相當(dāng)精準(zhǔn)的，在測(cè)試的120張圖片中，只有20張識(shí)別不準(zhǔn)（大部分圖片是由于微孔板過(guò)于偏斜導(dǎo)致，有兩三張是由于拍攝的圖片噪點(diǎn)過(guò)多，導(dǎo)致直線擬合失?。?，其他的都相當(dāng)精準(zhǔn)。

圖7 識(shí)別矩形邊界效果圖

3.4 計(jì)算孔坐標(biāo)結(jié)果與分析

如圖 8（a）、8（b）所示，8（a）表示矯正后的標(biāo)準(zhǔn)微孔板圖，8（b）表示在標(biāo)準(zhǔn)微孔板中所計(jì)算出的微孔中心坐標(biāo)的效果圖（圖中白色的實(shí)線圓圈所示）。從圖8（a）的結(jié)果展示，可以發(fā)現(xiàn)矯正后的矩形可以使微孔板的圓孔定位變得非常簡(jiǎn)單，另外從定位的效果圖可以看出所定位出的半徑及圓心是相當(dāng)準(zhǔn)確的。

4 結(jié)語(yǔ)

本算法利用微孔板的固定比例，將定位圓孔轉(zhuǎn)換為定位微孔板的矩形邊界，從而簡(jiǎn)化了問題，提高了圓孔與非圓孔圖像分割的準(zhǔn)確率，同時(shí)也為分割一個(gè)位置相對(duì)固定的子圖像提供一種比例方法的提取思路。但從效果上看，本算法還存在一點(diǎn)毛刺，例如這種簡(jiǎn)單的矩形檢測(cè)只能適用于這種背景簡(jiǎn)單的檢測(cè)，對(duì)于復(fù)雜或圖片質(zhì)量很差的微孔板的邊界檢測(cè)效果就會(huì)變差了，雖然霍夫變換可以提高準(zhǔn)確率，但那也是得在偏差很小的情況下才能矯正。因此，如果要保證圓心定位的準(zhǔn)確率達(dá)到99%，甚至100%，那么就要保證微孔板矩形邊界識(shí)別的準(zhǔn)確率至少達(dá)到95%以上，這也是下一步要研究的方向，即如何精準(zhǔn)識(shí)別微孔板的矩形邊界。

圖8