论文部分内容阅读
摘要：在道路上核定车辆的载重通常需经过称重、核载、计算等步骤，效率较低使得交通不够顺畅。本文利用软X射线对低密度物体的穿透能力，对货车的货箱部分进行扫描，获得包含车箱及货物的16位射线图像，设计了窗宽窗位自动调整算法，在调窗的8位图像上进行空载率分析。设计了两次二值化，对结果图像进行开、闭处理后，界定了车厢侧面积，通过图像分割的货物侧面积与车厢侧面积之差得到车辆满载率和空载率。因道路交通主要管治超载车辆，本文方法使绝大部分未超载车辆得以快速通过检查，对疑似超载的车辆进一步检查。算法具有较好的实用价值。
关键词：空载率;图像处理;车辆
1.引言
测量货车的载重对于交通安全有着极为重要的意义。传统方法是采用先称量整车重量，再查得货车自重，通过二者相减得出货物重量。虽然这种方法对货车实际载货重量计算较为准确，但核实和输入货车自重需要人工操作，对道路交通畅通和运输效率都有一定的影响。
图像处理技术可以为货车的空载率提供高效自动的解决方案。利用对人体没有伤害的软X射线对低密度物体的穿透能力，对货车的货箱部分进行扫描后，可以得到一幅包含货箱及其内部货物的整体图像，例如所有的植物果蔬类物品图像，快递物品、轻工业类生活物品以及油类等液态物品和粉状水泥等散装物品图像。通过对实时采集的X射线图像在线进行分析和计算，利用图像没有货物的部分和有货物部分的图像比例，快速自动算得货车的空载率，对接近空载和明显没有超载的车辆快速放行，对接近甚至超出满载的货车再重点进行车辆自重和额定载重量核实，并检查实际载重量，使货车的载重检测效率大大提高，也大大减少检测工作人员的工作量。
2.算法原理和流程
16位X射线图像含有较多噪声，有效信号的灰度往往集中在灰度直方图的一小部分区域，分割载货货物的区域时，可以利用调窗算法抑制货物图像的细节，本文设计了极大极小值调窗算法。设灰度值a和b分别代表16位X射线图像灰度直方图中的灰度最小值和最大值，A和B为计算窗宽下限和上限的两个阈值，和分别为直方图的两个幅值阈值，用下式获得原图像调窗后的极小和极大灰度值L和H，进行调窗：
其中，灰度值X对应的幅值为，灰度值S对应的幅值，x为灰度区间[a，X]之间的任意值;灰度值Y对应的幅值为，灰度值Q对应的幅值，y为灰度区间[Q，b]之间的任意值。调窗的结果如图1所示，图1（a）为16位X射线原图，图1（b）为调窗后的图像，实验中a和b均取500，和均取350。
本文以調窗后的8位灰度图像为例说明算法原理，见图2。
首先需要界定车辆的侧面轮廓和有效计算面积，最大限度地将货物与车厢等背景分离，设计了两次二值化处理，并在第二次二值化结果图像的基础上运用开运算和闭运算，进一步去除细小的背景干扰信号。利用最大类间方差法对图2的图像I进行第一次二值化得到图像：
其中阈值由最大类间方差法获取。图3示出图像白色区域即为车厢所在区域，但由于车厢挡板部分区域厚度较小，甚至没有挡板，二值化后不是整个车厢均为白色，不能直接通过统计白色像素个数获得车厢面积。由于货车载货区域形状一般为矩形，本文取最大连通域的最小外接正矩形R作为车厢区域，该矩形面积m即为车厢面积。
为获得车厢内部非货物区域面积，将原图I的特定区域进行第二次二值化处理。先获取车厢坐标集合，Ω={（x，y）|I1（x，y）=1}，提取原图I在该集合坐标处的像素，用最大类间方差法获取这些像素的二值化阈值T2，用公式（3）获得第二次二值化图像I2，如图4所示。
第二次二值化基本区分了车厢内部黑色货物区域与白色非货物区域，但仍然车辆的支架、门框或窗框难以与货物分离，由于车架等干扰部分所占面积很小，且如果车辆空载率很小，货物充满车厢时，这些支架即被货物遮挡，特别是对于超重车辆，空载率计算不会受到车辆支架的影响。为了进一步减少干扰，使区域划分更准确，对进行了一次闭运算和一次开运算，得到图5最终统计图像。此时中位于车厢矩形R区域内所有白色像素的总个数n即为非货物区域面积。车辆空载率
3 实验
本文实验图像全部在某高速公路出口收费处拍摄，共采集了250张X射线图像，本文将空载率计算结果直接交由现场工作人员进行判定，根据工作人员反映空载率计算结果误差在可接受范围之内，该算法可以满足车辆空载率估算应用需求。图7给出了其中六张图的空载率计算结果。
4结论
本文算法快速、高效，大大改善了高速公路和主要运输道路车辆载重检查费时和道路拥堵的状况。本算法得以在实际中顺利使用，考虑了一些实际条件，例如，在空载率较大时，应该作为背景的车辆框架也作为货物纳入计算，但如果这样情况下，空载率还很大，则该车辆载重是安全的;另一方面，当空载率很小时，往往货物已经遮挡了车辆框架，这使得框架被识别为货物部分时对实际应用几乎无影响。另空载率较小时，画面显示为超载，这时需进一步通过车辆实际称重结果核实是否超载，因此，本文算法作为快速的辅助检查方案具有很好的实际作用。
参考文献：
[1]沈琴，蒋谟文，骆建华.一种改进的磁共振图像自动调窗算法[J].中国医疗器械杂志，2011，35（04）
关键词：空载率;图像处理;车辆
1.引言
测量货车的载重对于交通安全有着极为重要的意义。传统方法是采用先称量整车重量，再查得货车自重，通过二者相减得出货物重量。虽然这种方法对货车实际载货重量计算较为准确，但核实和输入货车自重需要人工操作，对道路交通畅通和运输效率都有一定的影响。
图像处理技术可以为货车的空载率提供高效自动的解决方案。利用对人体没有伤害的软X射线对低密度物体的穿透能力，对货车的货箱部分进行扫描后，可以得到一幅包含货箱及其内部货物的整体图像，例如所有的植物果蔬类物品图像，快递物品、轻工业类生活物品以及油类等液态物品和粉状水泥等散装物品图像。通过对实时采集的X射线图像在线进行分析和计算，利用图像没有货物的部分和有货物部分的图像比例，快速自动算得货车的空载率，对接近空载和明显没有超载的车辆快速放行，对接近甚至超出满载的货车再重点进行车辆自重和额定载重量核实，并检查实际载重量，使货车的载重检测效率大大提高，也大大减少检测工作人员的工作量。
2.算法原理和流程
16位X射线图像含有较多噪声，有效信号的灰度往往集中在灰度直方图的一小部分区域，分割载货货物的区域时，可以利用调窗算法抑制货物图像的细节，本文设计了极大极小值调窗算法。设灰度值a和b分别代表16位X射线图像灰度直方图中的灰度最小值和最大值，A和B为计算窗宽下限和上限的两个阈值，和分别为直方图的两个幅值阈值，用下式获得原图像调窗后的极小和极大灰度值L和H，进行调窗：
其中，灰度值X对应的幅值为，灰度值S对应的幅值，x为灰度区间[a，X]之间的任意值;灰度值Y对应的幅值为，灰度值Q对应的幅值，y为灰度区间[Q，b]之间的任意值。调窗的结果如图1所示，图1（a）为16位X射线原图，图1（b）为调窗后的图像，实验中a和b均取500，和均取350。
本文以調窗后的8位灰度图像为例说明算法原理，见图2。
首先需要界定车辆的侧面轮廓和有效计算面积，最大限度地将货物与车厢等背景分离，设计了两次二值化处理，并在第二次二值化结果图像的基础上运用开运算和闭运算，进一步去除细小的背景干扰信号。利用最大类间方差法对图2的图像I进行第一次二值化得到图像：
其中阈值由最大类间方差法获取。图3示出图像白色区域即为车厢所在区域，但由于车厢挡板部分区域厚度较小，甚至没有挡板，二值化后不是整个车厢均为白色，不能直接通过统计白色像素个数获得车厢面积。由于货车载货区域形状一般为矩形，本文取最大连通域的最小外接正矩形R作为车厢区域，该矩形面积m即为车厢面积。
为获得车厢内部非货物区域面积，将原图I的特定区域进行第二次二值化处理。先获取车厢坐标集合，Ω={（x，y）|I1（x，y）=1}，提取原图I在该集合坐标处的像素，用最大类间方差法获取这些像素的二值化阈值T2，用公式（3）获得第二次二值化图像I2，如图4所示。
第二次二值化基本区分了车厢内部黑色货物区域与白色非货物区域，但仍然车辆的支架、门框或窗框难以与货物分离，由于车架等干扰部分所占面积很小，且如果车辆空载率很小，货物充满车厢时，这些支架即被货物遮挡，特别是对于超重车辆，空载率计算不会受到车辆支架的影响。为了进一步减少干扰，使区域划分更准确，对进行了一次闭运算和一次开运算，得到图5最终统计图像。此时中位于车厢矩形R区域内所有白色像素的总个数n即为非货物区域面积。车辆空载率
3 实验
本文实验图像全部在某高速公路出口收费处拍摄，共采集了250张X射线图像，本文将空载率计算结果直接交由现场工作人员进行判定，根据工作人员反映空载率计算结果误差在可接受范围之内，该算法可以满足车辆空载率估算应用需求。图7给出了其中六张图的空载率计算结果。
4结论
本文算法快速、高效，大大改善了高速公路和主要运输道路车辆载重检查费时和道路拥堵的状况。本算法得以在实际中顺利使用，考虑了一些实际条件，例如，在空载率较大时，应该作为背景的车辆框架也作为货物纳入计算，但如果这样情况下，空载率还很大，则该车辆载重是安全的;另一方面，当空载率很小时，往往货物已经遮挡了车辆框架，这使得框架被识别为货物部分时对实际应用几乎无影响。另空载率较小时，画面显示为超载，这时需进一步通过车辆实际称重结果核实是否超载，因此，本文算法作为快速的辅助检查方案具有很好的实际作用。
参考文献：
[1]沈琴，蒋谟文，骆建华.一种改进的磁共振图像自动调窗算法[J].中国医疗器械杂志，2011，35（04）