基于HSV空间与形态学的石油套管计数方法

李良 杨洁明

摘 要： 针对人工盘点套管效率和准确率低，提出一种基于图像处理的自动检测方法。首先采集套管端面原始数字图像在空间域去噪，然后转到HSV空间中利用H通道的高低阈值限定与形态学开闭操作形成清晰的轮廓，再提取形状特征去除干扰，得到准确的识别计数结果。对现场采集的图片进行实验，验证了该算法计数准确、高效。

关键词： 套管计数； HSV空间； 中值滤波； 开闭操作； 轮廓提取； 自动检测

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）15?0079?04

Oil casing pipe counting approach based on HSV space and morphology

LI Liang， YANG Jieming

（MOE Shanxi Key Lab of Advanced Transducers and Intelligent Control System， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract： An automatic detection method based on image processing is proposed to improve the efficiency and accuracy of artificial casing pipe counting. The original digital image of the casing pipe end?face is collected for denoising in the spatial domain， and then converted it into HSV space. The high?low threshold limitation of H?channel and morphological open?close operation are used to form the clear contour of the image. The shape feature of the contour is extracted to remove the interference， and get the accurate identification and counting results. The accurate and efficient counting of the algorithm was verified in an experiment with the pictures collected on the spot.

Keywords： casing pipe counting； HSV space； median filtering； open?close operation； contour extraction； automatic detection

石油套管出库时，必须有专人进行盘点，而人工盘点效率低，容易出错，尤其是难以匹配现在的自动化生产及管理方式[1]。图像处理技术应用于棒材计数的算法较多，常采用的是基于灰度阈值化及边缘检测的方法[2?4]，但其结果在很大程度上依赖于图像二值化的质量，抗干扰能力差。基于模板匹配的方法也常用于辨识棒材端面，虽然模板法可以避免棒材端面图像的狭小粘连对数目统计产生的影响，但是需要将模板向各个方向平移，耗时较长，实时性差，并且对目标的尺寸较为敏感[5?7]。考虑到套管端面的颜色信息明显，充分利用HSV顏色特征分割的准确性和对光照的抗干扰能力，通过HSV空间色度通道的高低阈值进行分割得到目标区域，然后引入数学形态学操作处理区域中的空洞粘连等干扰，为后面的计数提供清晰的轮廓。该方法可以避免精确检测出套管区域的边缘这一难点，而且视角偏差对该方法造成的误差很小，所以更易于实现准确计数。

1 套管计数总流程

套管计数的总流程如图1所示。主要由图像预处理、套管端面识别计数两部分组成。实际获得的端面图像由于受到图像传感器质量和周围环境的干扰产生图像噪声，图像平滑可以减少噪声，从而优化目标分割的质量；转化到HSV空间提取颜色阈值进行目标区域分割，是因为该颜色空间比RGB更接近于人们的经验和对彩色的感知，并且结合HSV三个分量之间的无关性，在进行图像分割时对光照等影响的抗干扰能力强，保证了目标提取的精确性；尽管大部分套管端面区域被颜色阈值分离出来了，但遭到阳光照射、源图像端面颜色分布不均、噪声波动等干扰，分割出的套管端面区域内产生了很多黑孔、端面边界有杂乱的白噪声，严重的会有多个端面连在一起，阻止连通区域的形成，为此使用适当大小的开闭运算能很好地去除噪声及平滑目标边界，实现图像的区域块连通。最终提取目标的轮廓，根据形状特征进行校正与识别计数。

2 套管计数算法

2.1 图像平滑

中值滤波是一种统计排序滤波器。如式（1）：

[f（x，y）=median（s，t）∈Sxy{g（s，t）}] （1）

令[sxy]代表中心在[（x，y）]，尺寸为[m×n]的矩形子图像窗口的坐标组。中值滤波的过程就是计算由[sxy]定义的区域中被干扰图像[g（s，t）]的中值[8]，[f（x，y）]为核中心点[（x，y）]处图像复原后的值。即模板核覆盖区域的所有像素值排序，位置处在中间的像素用来更新核中心点的像素值。因为对于多种随机噪声，它都有良好的降噪能力，且在相同尺寸下比起其他线性滤波器引起的模糊较少[9]，因此采用中值平滑。

2.2 图像分割

2.2.1 HSV颜色空间阈值提取

将平滑后的图像转化到HSV颜色空间，截取多张套管端面图片并粘连成一张训练样本图像，从中提取各通道的颜色阈值。训练算法流程如图2所示，HSV通道的取值范围分别为0～180，0～255，0～255，所以定义两个变量数组Hax[3]={0，0，0}与Hin[3]={180，255，255}，[ω]取值为0，1，2分别对应H，S，V通道。[η[γ][θ][ω]]作为输入，由两个嵌套的for（）循环语句得到，代表样本中[ω]通道[（γ，θ）]点的像素值。

2.2.2 阈值分割

提取到的颜色阈值有明显的双分界特征，可以用双阈值法进行二值化操作。根据提取的阈值预先设定好式（2）中的阈值变量[T1]和[T2]，且[T1

[dx，y=255，0， T12.3 形态学处理

[1] 楊旭，刘书海，李丰，等.套管检测技术研究进展[J].石油机械，2013，41（8）：17?22.

YANG Xu， LIU Shuhai， LI Feng， et al. Research progress in casing detection technology [J]. China petroleum machinery， 2013， 41（8）： 17?22.

[2] 邹应国，康宜华.成捆钢筋快速计数方法的研究[J].机床与液压，2006，30（2）：176?178.

ZOU Yingguo， KANG Yihua. Research on a method to count the number of steel bars bundle automatically and rapidly [J]. Machine tool and hydraulics， 2006， 30（2）： 176?178.

[3] 倪超，李奇，夏良正.粘连棒材图像自动分割计数技术[J].数据采集与处理，2007，22（1）：72?77.

NI Chao， LI Qi， XIA Liangzheng. Automatic segmentation and counting of touching bar images [J]. Journal of data acquisition and processing， 2007， 22（1）： 72?77.

[4] GHAZALI M F， WONG L K， SEE J. Automatic detection and counting of circular and rectangular steel bars [J]. Lecture notes in electrical engineering， 2017， 30（49）： 199?207.

[5] 侯维岩，段政伟，赵慧.基于多模板匹配的捆扎棒材计量方法[J].自动化仪表，2013，34（4）：7?9.

HOU Weiyan， DUAN Zhengwei， ZHAO Hui. Measurement method for binding bar based on multiple templates matching [J]. Process automation instrumentation， 2013， 34（4）： 7?9.

[6] 周群，胡光锐.基于模板覆盖法的钢筋在线计数方法[J].上海交通大学学报，1999（11）：1462?1464.

ZHOU Qun， HU Guangrui. Online bar counting method based on template covering [J]. Journal of Shanghai Jiao Tong University， 1999（11）： 1462?1464.

[7] LIU N N. Steel bar adaptive counting based on gray?level co?occurrence matrix and template matching [J]. Computer technology and development， 2015， 22（7）： 46?51.

[8] 张国亮，谢宗武，蒋再男，等.模糊化多视觉信息融合的视觉跟踪策略[J].西安交通大学学报，2009，43（8）：33?37.

ZHANG Guoliang， XIE Zongwu， JIANG Zainan， et al. Visual tracking strategy based on fuzzy multi vision information fusion [J]. Journal of Xian Jiaotong University， 2009， 43（8）： 33?37.

[9] 顾大晔.弱小目标红外图像的盲元处理算法研究[D].西安：西安电子科技大学，2012.

GU Daye. Blind element processing algorithm for infrared images of dim targets [D]. Xian： Xidian University， 2012.

[10] 徐胜.基于面阵CCD的轨道磨耗测量与研究[D].成都：西南交通大学， 2013.

XU Sheng. Rail abrasion measurement and research based on CCD [D]. Chengdu： Southwest Jiaotong University， 2013.

[11] GONZALEZ R C， WOODS R E.数字图像处理[M].北京：电子工业出版社，2010.

GONZALEZ R C， WOODS R E. Digital image processing [M]. Beijing： Publishing House of Electronics Industry， 2010.