(Luận văn) ứng dụng xử lý ảnh đếm các đối tượng có ảnh chạm nhau

Trang phụNGUN bìa ĐẠI HỌC THÁI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ THANH XUÂN lu an va ỨNG DỤNG XỬ LÝ ẢNH n ĐẾM CÁC ĐỐI TƯỢNG CÓ ẢNH CHẠM NHAU p ie gh tn to nl w d oa LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH ll u nf va an lu oi m z at nh z m co l gm @ Thái Nguyên năm 2020 an Lu n va ac th si i LỜI CAM ĐOAN Tên là: Nguyễn Thị Thanh Xuân Sinh ngày: 10/10/1977 Học viên lớp cao học CHK17A - Trường Đại học Công nghệ Thông tin Truyền thông - Đại học Thái Nguyên Hiện công tác tại: Trường THPT Đồng Hỷ - tỉnh Thái Nguyên Xin cam đoan: Đề tài “Ứng dụng xử lý ảnh đếm đối tượng có ảnh chạm lu nhau” TS Phạm Đức Long hướng dẫn cơng trình nghiên cứu riêng tơi an va Tất tài liệu tham khảo có nguồn gốc, xuất xứ rõ ràng n Tác giả xin cam đoan tất nội dung luận văn nội tn to dung đề cương yêu cầu thầy giáo hướng dẫn Nếu sai tơi hồn tồn p ie gh chịu trách nhiệm trước hội đồng khoa học trước pháp luật oa nl w Thái Nguyên, ngày 01 tháng 10 năm 2020 d Tác giả luận văn ll u nf va an lu oi m z at nh Nguyễn Thị Thanh Xuân z m co l gm @ an Lu n va ac th si ii LỜI CẢM ƠN Sau thời gian nghiên cứu làm việc nghiêm túc, động viên, giúp đỡ hướng dẫn tận tình Thầy giáo hướng dẫn TS Phạm Đức Long, luận văn với Đề tài “Ứng dụng xử lý ảnh đếm đối tượng có ảnh chạm nhau” Tơi xin bày tỏ lịng biết ơn sâu sắc đến: Thầy giáo hướng dẫn TS Phạm Đức Long tận tình dẫn, giúp đỡ tơi hồn thành luận văn Phòng đào tạo Sau đại học Trường Đại học Công nghệ Thông tin Truyền lu an thơng giúp đỡ tơi q trình học tập thực luận văn n va Trường THPT Đồng Hỷ - tỉnh Thái Nguyên nơi công tác tạo điều kiện Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp gia đình động viên, gh tn to tối đa cho thực khóa học p ie khích lệ, tạo điều kiện giúp đỡ tơi suốt q trình học tập, thực hoàn thành luận văn nl w Thái Nguyên, ngày 01 tháng 10 năm 2020 d oa Tác giả luận văn ll u nf va an lu oi m Nguyễn Thị Thanh Xuân z at nh z m co l gm @ an Lu n va ac th si iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC BẢNG iv DANH MỤC CÁC HÌNH VẼ v DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vi ĐẶT VẤN ĐỀ Error! Bookmark not defined lu CHƯƠNG TỔNG QUAN ĐẾM ĐỐI TƯỢNG VÀ NHU CẦU ĐẾM BẰNG an n va XỬ LÝ ẢNH 1.1.1 Đếm thủ công mắt gh tn to 1.1 Đếm đối tượng thực tế ie 1.1.2 Đếm qua thiết bị sensor p 1.1.3 Đếm qua ảnh nl w 1.2 Đặc điểm đếm đối tượng qua ảnh .5 d oa 1.2.1 Ảnh số an lu 1.2.2 Những thuận lợi áp dụng đếm xử lý ảnh va 1.2.3 Khó khăn đếm đối tượng qua ảnh u nf KẾT LUẬN CHƯƠNG 10 ll CHƯƠNG CÁC PHƯƠNG PHÁP ĐẾM BẰNG XỬ LÝ ẢNH 11 m oi 2.1 Đếm đối tượng tách rời .11 z at nh 2.1.1 Thuật toán kinh điểm đếm đối tượng tách rời .11 2.1.2 Đếm sai có đối tượng chạm 12 z gm @ 2.2 Đếm đối tượng có ảnh dính dùng hình thái học kinh điển .14 2.2.1 Hình thái học kinh điển 14 l m co 2.2.2 Hạn chế đếm đối tượng dính .16 2.3 Phối hợp Biến đổi Watershed biến đổi khoảng cách 17 an Lu 2.3.1 Biến đổi khoảng cách (DT - Distance Transform) 17 n va ac th si iv 2.3.2 Phân vùng Watershed (WS-Watershed Segmentation) 19 2.3.3 Phối hợp biến đổi Watershed biến đổi khoảng cách 27 2.4 Sử dụng mạng nơ ron 31 2.5 Đếm đối tượng có ảnh dính dùng hình thái học định hướng 35 2.5.1 Khảo sát Hình thái học gradients kinh điển 35 2.5.2 Hình thái học có định hướng 37 2.6 Xây dựng thuật tốn đếm đối tượng có ảnh dính dùng hình thái học định hướng .41 KẾT LUẬN CHƯƠNG 42 lu CHƯƠNG ỨNG DỤNG XỬ LÝ ẢNH ĐẾM CÂY THÉP QUA ẢNH ĐẦU an n va BÓ 43 3.2 Đếm thép qua ảnh đầu bó 51 gh tn to 3.1 Cơ sở chọn thuật toán nhu cầu thực tế 43 ie 3.3 Kết thực nghiệm 52 p 3.4 Nhận xét đánh giá, so sánh 55 nl w KẾT LUẬN CHƯƠNG 56 d oa KẾT LUẬN .56 an lu HƯỚNG PHÁT TRIỂN 57 va TÀI LIỆU THAM KHẢO .58 ll u nf PHỤ LỤC I oi m z at nh z m co l gm @ an Lu n va ac th si viv DANH MỤC CÁC BẢNG Bảng 2.1 Một số ví dụ biến đổi khoảng cách 18 Bảng 3.1 Quy cách thép cường lực (thép có vằn) 45 Bảng 3.2 Quy cách thép tròn trơn 46 Bảng 3.3 Độ xác kết đếm qua ảnh đầu bó thép (%) .55 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si vvi DANH MỤC CÁC HÌNH VẼ Hình 1.1 Đếm sơ khai trừu tượng với số .2 Hình 1.2 Đếm thủ cơng đầu bó thép dùng sơn mắt thường Hình 1.3 Đếm sensor Hình 1.4 Đếm để ước tính sản lượng Hình 1.5 Đếm hồng cầu qua kính hiển vi Hình 1.6 Đếm tơ đường cao tốc Hình 1.7 Nguyên lý máy ảnh số Hình 1.8 Nguyên lý sensor CCD Trong hình vi điểm ảnh lu an Hình 1.9 Sensor CCD sensor CMOS n va Hình 1.10 Sensor CMOS Hình 1.12 Ảnh hồng cầu bị chạm, chồng lên gh tn to Hình 1.11 Ảnh thiếu sáng chất lượng kém, bị không tin ie Hình 1.13 Ảnh nhiễu khơng nhiễu .9 p Hình 2.1 Tạo điểm ảnh biên cho ảnh I 11 nl w Hình 2.2 Minh họa phương pháp đếm kinh điển 12 d oa Hình 2.3 a) ảnh nguyên b) ảnh nhị phân .13 an lu Hình 2.4 Thực phép co phép dãn nở ảnh nhị phân .13 va Hình 2.5 a) Ảnh nguyên b) Sau dùng phép co c) Sau dùng phép dãn nở u nf 14 ll Hình 2.6 Ảnh nhị phân nguyên sau thực phép hình thái học 15 m oi Hình 2.7 Hình thái học ảnh xám 16 z at nh Hình 2.8 Thực hình thái học ảnh xám 16 Hình 2.9 Dùng phép co để tách đối tượng 17 z gm @ Hình 2.10 Do phép co chưa đủ số lần thực .17 Hình 2.11 Tác dụng ba kiểu biến đổi khoảng cách 19 l m co Hình 2.12 Ngun lý biến đổi lưu vực sơng (watershed transform) nơi giá trị cường độ xác định đồi lưu vực Đối với mục đích phân vùng, lưu an Lu vực bị ngập để kết hợp vùng tương ứng 19 n va ac th si vii Hình 2.13 Địa hình chưa bị ngập nước 20 Hình 2.14 Bắt đầu cho ngập thung lũng 20 Hình 2.15 Vị trí Watershed .20 Hình 2.16 Xây dựng tường ngăn cách vị trí Watershed 20 Hình 2.17 Tồn địa hình bị nhấn chìm .21 Hình 2.18 Ví dụ phân vùng ảnh Watershed 21 Hình 2.19 Watershed transform lưới ô vuông, cho kết nối khác 26 Hình 2.20 Phân vùng mức nhiễu áp dụng cho lát cắt trục hình ảnh CT Ảnh cuối: lưu vực riêng lẻ (individual basins) hợp lu để tạo thành vùng lớn liên tiếp 27 an n va Hình 2.21 Thuật tốn phối hợp biến đổi Watershed biến đổi khoảng cách .29 Hình 2.23 Tách hạt cà phê dính .31 gh tn to Hình 2.22 Phân vùng đồng xu dính 30 p ie Hình 2.24 Trước tiên, mạng CNN-DC thực phát điểm tâm thép mạng CNN (deep CNN), sau áp dụng thuật tốn Phân nl w cụm khoảng cách để có thơng tin số lượng thép d oa vị trí tâm thép 32 an lu Hình 2.25 Minh họa trình phân cụm khoảng cách: (1) Tính khoảng cách .33 va Hình 2.26 Kiến trúc CNN .34 u nf Hình 2.27 Quá trình sử dụng phương pháp dùng mạng nơ ron chập cuộn CNN cho ll đêm định tâm thép 34 m oi Hình 2.28 Ví dụ hình thái học gradient với ảnh đường 36 z at nh Hình 2.29 Hình thái học gradient với tín hiệu 1D có tác dụng cải thiện tín hiệu hai vùng 36 z gm @ Hình 2.30 Ví dụ hình thái học gradient với ảnh mạch .37 Hình 2.31 Quy ước hướng ảnh với thực hình thái học có định hướng 37 l m co Hình 2.32 Hình thái học có hướng 38 Hình 2.33 Các vị trí hướng thực Hình thái học định hướng .39 an Lu Hình 2.34 Góc  thay đổi qua trục thể điểm lõm (a) lồi (b) biên.…39 n va ac th si viii Hình 2.35 Điểm A đổi chiều gradient theo hướng Y-Y 40 Hình 2.36 Tìm tọa độ điểm thực hình thái học định hướng 40 Hình 2.37 Các mặt nạ hình thái học theo hướng a) X-X, b) Y-Y c) Y-X d) X-Y 40 Hình 3.1 Thép xây dựng a) dạng b) dạng cuộn 44 Hình 3.2 Thép trịn trơn thép vằn .45 Hình 3.3 Phơi thép cán 48 Hình 3.4 Đầu thép trịn thép cường lực 48 Hình 3.5 Dây chuyền cán cấu đếm DANIEL (Ytalia) nhà máy Thái Trung – Thái Nguyên 49 lu Hình 3.6 Hệ thống đếm thép Camera của dây chuyền cán Thái Trung (Thái an n va Nguyên) sử dụng công nghệ DANIEL 49 Hình 3.8 a) Hệ thống đếm thép băng tải SINOM GROUP LTD gh tn to Hình 3.7 Dây chuyền cán NasteelVina sử dụng đếm thủ công .49 ie Sai số 0.7 % b) ảnh chương trình xử lý [11] 50 p Hình 3.9 Đưa số đếm vào chương trình mã vạch để quản lý 50 nl w Hình 3.10 Tách đối tượng dùng mẫu 52 d oa Hình 3.11 Mẫu ảnh dùng thực nghiệm 53 an lu Hình 3.12 Các bước thực tách đối tượng ảnh a) ảnh nguyên b) ảnh va xám c) ảnh nhị phân d), e), f) bước trung gian g) tìm biên để xác u nf định hưởng thực hình thái học h) kết tách đối tượng 54 ll Hình 3.13 Kết đếm số đầu bó 55 m oi Hình 3.14 Trường hợp đầu thép bị thụt vào .55 z at nh z m co l gm @ an Lu n va ac th si vi ix DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT AI- Artificial Intelligence Trí tuệ nhân tạo CNN - Convolutional Neural Networks Mạng nơ ron chập cuộn (phần mềm) Mạng nơ ron tế bào CNN- Cellular Neural Netwwork (phần cứng) lu an n va Tốn tử đóng Closing Dilation Phép dãn nở DT - Distance Transform Biến đổi khoảng cách Deep learning Học sâu Erosion Phép co Morphological Operator Tốn tử hình thái học gh tn to Closing Hình thái học Gradient ie Morphological Gradient Tốn tử mở Opening OM - Oriented Morphology Hình thái học định hướng p Opening nl w Cảm biến CCD d oa Sensor CCD (Charge Coupled Device) an lu Sensor Complementary Metal-Oxide-Semiconductor (CMOS) va Cảm biến bán dẫn ô xit kim loại Biến đổi Watershed ll u nf Watershed Segmentation oi m z at nh z m co l gm @ an Lu n va ac th si 52 Hình 3.10 Tách đối tượng dùng mẫu Trong phần thực nghiệm phương pháp đếm số thép qua ảnh đầu bó trình bày phần 2.6 áp dụng để thực xử lý số ảnh đầu lu an bó thép n va tn to 3.3 Kết thực nghiệm Với mục đích thử nghiệm để đưa vào ứng dụng thực tế, mẫu ảnh để xử lý p ie gh Mẫu ảnh: thu thập từ thực tế nhà máy cán thép NasteelViNa cán thép Thái Trung oa nl w Thái Nguyên Ảnh đầu bó thép D10-D16 trơn D10 – D16 cường lực chụp máy ảnh dân dụng thơng thường ống kính 6.2 đến 18.6mm Độ d an lu phân giải 10.1 Mpixels Ánh sáng chụp kho nhà máy ánh sáng tự ll u nf va nhiên không dùng đèn flash oi m z at nh z m co l gm @ an Lu n va ac th si 53 Hình 3.11 Mẫu ảnh dùng thực nghiệm Thực chương trình Ngơn ngữ sử dụng lập trình thực thuật toán 2.6 Matlab phiên 2017 lu  Đọc file ảnh chuyển sang ảnh xám, ảnh nhị phân an n va p ie gh tn to oa nl w b) d a) ll u nf va an lu oi m z at nh z m co l gm d) @ c) an Lu n va ac th si 54 e) f) lu an n va p ie gh tn to nl w g) h) d oa Hình 3.12 Các bước thực tách đối tượng ảnh a) ảnh nguyên b) an lu ảnh xám c) ảnh nhị phân d), e), f) bước trung gian g) tìm biên để xác định va hưởng thực hình thái học h) kết tách đối tượng ll u nf Kết quả: Số đếm ảnh N=108 (hình 3.13) oi m z at nh z m co l gm @ an Lu n =108 n va ac th si 55 Hình 3.13 Kết đếm số đầu bó Bảng 3.3 Độ xác kết đếm qua ảnh đầu bó thép (%) Loại thép Số ảnh Bằng đầu Không xử lý đầu 10 vằn 100 100% 98% 12 vằn 100 100% 99% > 14 100 100% 100%  Trong trường hợp với ảnh thép 10 vằn 12 vằn mà đầu bó thép khơng lu khơng đạt kết 100% Lý giải thích hình 3.14 Với an sai số cần có biện pháp hỗ trợ khí “vỗ” để tạo bó thép đầu Việc va n thực giống cầm bó đũa dỗ đầu xuống bó đũa tn to phía đầu dỗ xuống đầu đũa tiếp xúc với mặt phẳng có bó đũa ie gh đầu Khi chụp ảnh đầu bó đũa phía dỗ xuống khơng có ảnh đầu đũa p bị thụt vào d oa nl w  Với bó đầu kết đạt 100% lu an Đầu thép ll u nf va bị thụt vào oi m z at nh z m co l gm @ Hình 3.14 Trường hợp đầu thép bị thụt vào an Lu 3.4 Nhận xét đánh giá, so sánh n va ac th si 56 Trường hợp đặc biệt: trường hợp hai mũi tên (hình 2.32 trang 39 mục 2.5.2) Khi cần kết hợp watershed xử lý xử lý theo hình thái học định hướng lại có xu hướng kht sâu vào đối tượng mà khơng có hiệu trường hợp khác Hướng phát triển: Đã có nghiên cứu cứng hóa thuật tốn xử lý ảnh Do việc nghiên cứu hoàn thiện phương pháp đề xuất sau thực thuật tốn FPGA để có thiết bị cầm tay sử dụng chuyên dụng cho đếm thép bó loại ảnh đầu bó tương tự hồn tồn khả thi KẾT LUẬN CHƯƠNG lu Chương thực việc tiến hành thực nghiệm để tách thép an ảnh đầu bó thép để thực q trình đếm Với loại thép trịn tính đồng va chúng nên ảnh đầu bó thực tách đếm tương đối dễ dàng sử n tn to dụng hình thái học kinh điển Với ảnh đầu bó thép vằn phương pháp hình thái p ie gh học có định hướng hữu ích tách đối tượng ảnh d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 57 KẾT LUẬN Phương pháp đếm số đối tượng qua ảnh áp dụng nhiều sống nhiều phương pháp để thực việc đếm Khó khăn lớn việc đếm qua ảnh số trường hợp ảnh đối tượng dính với chồng lấn lên Luận văn khảo sát trường hợp ảnh đối tượng dính Để tách đối tượng dính phương pháp hình thái học co ảnh áp dụng Tuy nhiên nhiều trường hợp áp dụng phương pháp thực pháp co ảnh qua lần thực diện tích đối tượng (hoặc nhóm lu đối tượng) bị giảm có giảm đến chưa tách Trong trường an hợp thực hình thái học phương pháp hữu ích va Trong thời gian thực luận văn em hệ thống lại kiến thức n tn to xử lý ảnh nghiên cứu thêm số nghiên cứu giả hình gh thái học gradient, watersheed Thực nghiệm thực với trường hợp cụ p ie thể công nghiệp đếm số thép qua ảnh đầu bó thép Em xin cảm ơn w thày, cô giáo Khoa Công nghệ thông tin trường đại học Công nghệ Thông tin oa nl Truyền thông Đại học Thái Nguyên tận tình trình truyền đạt kiến d thức Cảm ơn thày giáo hướng dẫn TS Phạm Đức Long giải thích, giúp đỡ em lu HƯỚNG PHÁT TRIỂN u nf va an trình thực luận văn Ứng dụng kỹ thuật xử lý ảnh sống nói chung sản xuất ll oi m cơng nghiệp nói chung hướng nghiên cứu ứng dụng có nhiều tiếm z at nh Những phát triển em tập trung vào:  Xây dựng thuật tốn khắc phục trường hợp hình 2.32 z  Xây dựng mạch phát lỗi ví dụ mạch phá lỗi mạch gm @ linh kiện dây chuyền sản xuất m co l  Nghiên cứu cứng hóa chương trình xử lý ảnh; chương trình xử lý ảnh tách rời khỏi máy tính hoạt động ổn định hơn, đáp ứng an Lu môi trường khắc nghiệt công nghiệp, chiến tranh n va ac th si 58 Qua trình thực luận văn có nhiều cố gắng lực cịn có hạn chế lĩnh vực nghiên cứu yêu cầu kiến thức rộng nên luận văn em cịn có khiếm khuyết Em mong nhận bảo, giúp đỡ thày cô giáo Em xin chân thành cảm ơn Thái Nguyên Ngày 01 tháng 10 năm 2020 HỌC VIÊN NGUYỄN THỊ THANH XUÂN lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 59 TÀI LIỆU THAM KHẢO [1] Amruta Pandit, Jyoti Rangole, Literature Review on Object Counting using Image Processing Techniques, International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, Vol 3, Issue 4, April 2014 [2] Sanaullah Khan, Aamir Khan, Faisal Saleh Khattak, Arslan Naseem, An Accurate and Cost Effective Approach to Blood Cell Count, International Journal of Computer Applications (0975 – 8887) Volume 50 – No.1, July 2012 [3] Jeydeo K.Dharpure, Madhukar B.Potdar, Counting Objects using Homogeneous lu Connected Components, International Jourpplications , Volume 63 – No.21, an February 2013 va [4] Pham Duc Long, Construcing hardwave to Count Number of Steel Bar in the n tn to Steel Bunches by Image Processing, TNU Journal of Science and Technology, 6- ie gh 2018 p [5] Jos B.T.M Roerdink, Arnold Meijster, The Watershed Transform: Definitions, Algorithms and Parallelization Strategies, IOS Press, Fundamenta Informaticae 41, w oa nl 187–228, 2001 d [6] Amandeep Kaur, Aayushi, Image Segmentation Using Watershed Transform, lu an International Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231- u nf va 2307, Volume-4, Issue-1, March 2014 [7] Zhun Fan, Jiewei Lu, Benzhang Qiu, Tao Jiang, Kang An, Alex Noel Josephraj, ll oi m and Chuliang Wei, Automated Steel Bar Counting and Center Localization with z at nh Convolutional Neural Networks, Published in ArXiv 2019 [8] Serge Beucher, P Soille, J.F Rivest, Morphological gradients, Proc SPIE z "Image Science and Technology", San Jose, California, Feb 1992 @ gm [9] Pham Duc Long, Oriented Morphology and Application to Count the Number of Technology, 6- 2020 LO Chua, L Yang, Cellular Neral Network Theory, IEEE Transactions on circuits and systems, 1988 an Lu [10] m co l Steelbars in the Bunches by Image Processing, TNU Journal of Science and n va ac th si 60 [11] Zuoxian Nie, Mao-Hsiung Hung, Jing Huang, A Novel Algorithm of Rebar Counting on Conveyor Belt Based on Machine Vision, Journal of Information Hiding and Multimedia Signal Processing Volume 7, Number 2, March 2016 Weiyan Hou, Zhengwei Duan, Xiaodan Liu, “A Template Covering based [12] Algorithm to Count the Bundled Steel Bars,” 2011 4th International Congress on Image and Signal Processing, 2014, pp 1813-1816 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si I PHỤ LỤC Một số mã nguồn chương trình Hiình thái học gradient %% Dilation, erosion, and the morphological gradient % The morphological operator dilation acts like a local maximum operator % Erosion acts like a local minimum operator You can use them together to % compute something called the _morphological gradient_ % %% Dilation lu an % The basic form of grayscale image dilation computes, for each image n va % pixel, the maximum value of its neighboring pixels The neighborhood is tn to % defined by the _structuring element_ For example, this structuring % element: p ie gh d oa %% nl w se1 = strel([1 1]) an lu % defines a neighborhood consisting of the pixel itself, together with its oi m se2 = strel([1; 1; 1]) ll u nf va % left and right neighbors Whereas this structuring element: z at nh %% z % defines a neighborhood consisting of the pixel itself, together with the l gm % @ % pixels above and below it % square: m co % Let's try dilation on everyone's favorite sample MATLAB matrix, the magic an Lu n va ac th si II m5 = magic(5) %% d1 = imdilate(m5, se1) %% % |d1(3,3)|, which is 20, is the maximum of |[m5(3,2), m5(3,3), m5(3,4)]|, or % |[6 13 20]| lu an % n va % Dilating with |se2| computes the 3-pixel local maximum vertically: %% p ie gh tn to d2 = imdilate(m5, se2) an lu %% Erosion d oa nl w % |d2(3,3)| is the maximum of |[m5(2,3), m5(3,3), m5(4,3)]| ll u nf % neighborhood va % Grayscale image erosion computes the minimum of each pixel's oi z at nh %% m e1 = imerode(m5, se1) z m co %% Morphological gradient l gm @ % |e1(3,3)| is the minimum of |[m5(3,2), m5(3,3), m5(3,4)]| % Dilation and erosion are often used in combination to produce a desired an Lu % image processing effect One simple combination is the _morphological n va ac th si III % gradient_ P Soille, in section 3.8 of the second edition of % _Morphological Image Analysis: Principles and Applications_, talks about % three kinds of basic morphological gradients: % % * dilated_image - eroded_image % * original_image - eroded_image % * dilated_image - original_image % % Soille calls the first one the basic morphological gradient, and you lu an % compute it this way using MATLAB and the Image Processing Toolbox: n va % page, and convert it to grayscale: p ie gh tn to % Read in circuit board image, crop it so it's not too big for the blog rgb = imread('board.tif'); d oa nl w I = rgb2gray(rgb(1:256,1:256,:)); an lu se = strel(ones(3,3)); u nf va basic_gradient = imdilate(I, se) - imerode(I, se); ll subplot(1,2,1), imshow(I), imcredit('Image courtesy of Alexander V Panasyuk') oi m z at nh subplot(1,2,2), imshow(basic_gradient, []) z gm @ %% % The second form is called the _half-gradient by erosion_ or _internal m co an Lu internal_gradient = I - imerode(I, se); l % gradient_ n va ac th si IV subplot(1,2,2), imshow(internal_gradient, []) %% % "The internal gradient enhances internal boundaries of objects brighter % than their background and external boundaries of objects darker than % their background For binary images, the internal gradient generates a % mask of the internal boundaries of the foreground image objects." % [Soille, page 86] lu an % n va % The third form is called the _half-gradient by dilation_ or _external gh tn to % gradient_: p ie external_gradient = imdilate(I, se) - I; nl w %% Direction gradients d oa % By using line segments as structuring elements, you can compute ll oi m sev = strel([1;1;1]); u nf seh = strel([1 1]); va an lu % directional gradients z at nh horizontal_gradient = imdilate(I,seh) - imerode(I,seh); vertical_gradient = imdilate(I,sev) - imerode(I,sev); z l gm @ subplot(1,2,1) m co imshow(horizontal_gradient, []), title('Horizontal gradient') an Lu subplot(1,2,2) n va ac th si V imshow(vertical_gradient, []), title('Vertical gradient') %% % Try this on your own grayscale images You can experiment with larger % structuring elements, too, such as |strel('disk',7)| % % I'll be covering ways to combine erosion, dilation, and other fundamental % morphological operators in the near future lu an n va %% % _Copyright 2006 The MathWorks, Inc._ p ie gh tn to % _Steve Eddins_ /////////////////////////// nl w %read a file image oa RGB = imread('anh_toan_bo1.png'); d figure(1),imshow(RGB) ll figure(2),imshow(I) u nf I = rgb2gray(RGB); va an lu %chuyen sang gray se = strel('disk',12); %BW1=bwdist(BW); an Lu BW1=bwdist(BW,'euclidean'); m co % Thuc hien DT l figure (6), imshow(closeBW) gm closeBW(~holes) = 1; @ holes = imfill(closeBW, [1 1]); z closeBW = imopen(BW,se); z at nh figure(3),imshow(BW); oi m BW = im2bw(I, 0.46); n va ac th si VI figure(4),imshow(BW1); BW2=bwdist(BW1,'cityblock'); figure(5),imshow(BW2); BW3 = imread('cac_truong_hop.png'); BW4 = edge(BW3,'canny'); figure (7), imshow(BW4) /////////////////////////////////////////// Đếm thép đầu bó %RGB = imread('dongxu.png');% lu RGB = imread('dau_bo_chua_eosion.png'); an %figure(1),imshow(RGB) n va I = rgb2gray(RGB); gh tn to %chuyen sang gray figure(1),imshow(I) p ie nl w BW = im2bw(I, 0.46);%BW = im2bw(I, 0.47); d oa %BW=imread('dau_bo_chua_eosion.png'); figure(2),imshow(BW); closeBW = imopen(BW,se); holes = imfill(closeBW, [1 1]); m co l %title(['Number =',n]); gm [L,n] = bwlabel(closeBW) @ L = bwlabel(BW,8); z figure (8), imshow(closeBW) z at nh erodedBW = imerode(closeBW,se); oi figure (3), imshow(closeBW) m closeBW(~holes) = 1; ll u nf va an lu se = strel('disk',12); an Lu n va ac th si