随着工业的快速发展,我国对各类棒材的需求量都有明显提升,此时对棒材数量的监控与统计的意义也愈发重大。目前,大部分的棒材计数还依赖于人工计数。这种方法会增大员工的劳动强度,并且工作效率很低,准确性也会比较差,所以,目前急需迫一些准确度较高的棒材自动计数方法。基于机器视觉的方法,我们可以对图像进行分析,使用模式识别技术来检测棒材,这是实现棒材自动计数的可行方法。通常,人工拍摄的棒材端面图像中,可能会包含较多噪声,并且由于棒材摆放不规整,端面参差不齐,从而产生遮挡,这就会导致分割后的二值图像中,粘连较为严重。另外,对于一些钢材,其端面会被氧化,光学特性发生改变,导致出现颜色不均匀的现象,以上的原因都会降低自动计数的准确率。鉴于此,本文从图像中的端面提取、中心标定计数这两方面入手,实现了棒材端面图像的自动识别计数功能。本文的研究内容主要包括如下几个部分:第一,提出一种基于云模型的棒材端面图像前背景分离方法。在堆叠棒材端面图像中,端面区域的颜色接近,且这些像素分布较为集中。在基于云模型的彩色图像分割算法中,保留了像素间的不确定性关系,且其分割过程易于控制,适合当前端面提取场景,因此本文以基于云模型的彩色图像分割方法为基础,针对当前应用场景提出了改进算法,得到基于云模型的棒材端面图像前背景分离算法。该方法在现有的非均匀量化方法上,融合了一种新的交叉量化方式,根据其统计直方图设计了一种新的合并与归类准则,并且改进了现有的概念提取规则,实现了对图像的适当分割。通过与改进前的算法进行比较,实验结果表明了该方法对彩色图像分割的有效性,同时更适合当前棒材端面分割场景,测试图的平均误分率为5.2%。第二,提出一种基于支持向量回归的棒材图像前景区域提取方法。本方法对前景背景分割结果进行筛选,对面积较大的连通域进行参数提取,其中包含面积、中心位置,并且设计了一个像素聚集度参数,并且根据认知标定回归结果,训练回归模型,根据回归结果选择保留的连通域,以此作为待计数的堆叠棒材端面区域,同时去除其他图像区域(背景部分)。结果表明该方法在绝大多数情况下可以有效去除背景,保留端面区域图像。第三,提出一种基于双边缘模板匹配的类圆颗粒检测算法。由于标准圆形检测的硬判断方法对生活中的棒材图像的实际效果并不理想,因此,受到Sobel边缘检测方法和模糊论的启发,本文设计了一组新的模板进行模板匹配,以增强实用性和鲁棒性,解决不规则圆形检测中出现的问题。针对端面区域图像进行一系列预处理(灰度化、滤波、自适应阈值二值化)得到待计数的二值图像,以此作为研究对象。对于其中的尺寸接近的类圆堆叠颗粒,利用粒度测量方法得到类圆颗粒的估计半径,则无需棒材大小的先验知识。通过此半径构造了一组边缘模板,同时使用Sobel算子将待检测的二值图像分别在两个方向上检测边缘,最后使用构造的边缘模板对边缘进行匹配,并通过设计限制条件得到中心标记结果。实验表明,此方法可以有效检测此类颗粒,并且可以解决轻度堆叠、孔洞缺陷等影响。对中度堆叠的类圆颗粒的检测准确率达到94.9%。本文的研究成果有助于城市建设者对于各类棒材的管理,自动化处理的引入,解决了人工计数的各种问题,提高了工作效率。另外,本文提出的堆叠颗粒检测方法可以在其他领域(如细胞分割等)应用,可以提供一定的参考价值。