張怡卓， 許雷， 丁亮， 曹軍

(1.東北林業(yè)大學 機電工程學院，黑龍江哈爾濱 150040;2.浙江大學 計算機科學與技術學院，浙江杭州 310058;3.東北林業(yè)大學理學院，黑龍江哈爾濱 150040)

其中，T1、T2為搜索鄰域的閾值限定條件。

0 引言

實木地板表面缺陷直接影響著產(chǎn)品等級，基于計算機視覺的實木地板表面缺陷檢測，對木質(zhì)地板自動分選具有重要的現(xiàn)實應用意義［1－2］。

實木地板計算機視覺檢測系統(tǒng)，首先由攝像頭完成表面圖像的信息采集;然后，運用分割算法檢測表面缺陷區(qū)域;最后，應用分類算法對缺陷區(qū)域進行缺陷類別判斷［3－5］。常用的顏色處理模型有RGB模型、HSV模型以及HSI模型［6］;考慮到處理時間，作為面向硬件的RGB模型更為適用，前期試驗研究實驗表明R分量圖像可有效抑制紋理噪聲［7］。白雪冰、王林分別運用灰度－梯度共生矩陣和Gabor變換分割木材表面缺陷，這兩種方法因計算量大導致分割速度較慢［8－9］。Du－Ming Tsai等利用小波變換分割物體表面缺陷，然而小波變換中沒有基于鄰界采樣的濾波器組，而且重構之后還需對圖像做進一步的處理［10－11］。應用數(shù)學形態(tài)學算法也可以對缺陷有效分割，但是形態(tài)學重構過程容易引入噪聲［12］。陳永光利用分水嶺算法分割木材表面缺陷，但方法對噪聲極為敏感，易于產(chǎn)生過分割現(xiàn)象［13］。因此，如何對現(xiàn)有算法進行改進，以滿足實木地板在線分選對分割速度和精確度有待進一步研究。

區(qū)域生長法是經(jīng)典的圖像分割算法，其思想簡單、對具有清晰邊緣的圖像有較好的分割結果;但是簡單的搜索八鄰域會消耗大量的時間，且搜索時間和精確度受噪聲影響［14－15］。因此，過濾圖像噪聲，完成種子點優(yōu)選，制定快速搜索策略是亟待解決的關鍵問題。針對上述問題，提出一種基于圖像融合的缺陷快速定位與禁忌快速搜索方法。方法通過對缺陷圖像進行縮小，完成圖像的去噪與缺陷的快速定位;然后，運用插值法對縮小圖像進行原始圖像規(guī)模的放大，通過對放大圖像的缺陷邊緣檢測獲得標記參考圖像;最后，在標記圖像作用下，對原圖像邊界進行禁忌搜索。

1 分選系統(tǒng)概述

實木地板缺陷檢測的計算機視覺系統(tǒng)組成如圖1所示。系統(tǒng)由傳送平臺、CCD攝像頭、鏡頭、攝像頭支架、光源系統(tǒng)、圖像采集卡及缺陷檢測軟件組成。CCD攝像頭為德國Oscar F810C IRF;為了提高圖像采集的清晰度，選用兩片LED平行光源對檢測地板進行照明;采集的地板圖像大小影響著圖像處理時間與辨識效果，且二者是一對矛盾體，前期研究表明:在512×512，256×256和128×128三類圖像中，256×256既能保證處理時間又能有效避免誤識率［12］，所以選用256×256的實木地板圖像進行后期識別處理。

圖1 實木缺陷檢測的計算機視覺系統(tǒng)Fig.1 Computer vision system for defects detection of wood plates

2 基于圖像融合的缺陷分割流程

參與缺陷分割的圖像有兩幅，第一幅圖像是直接采集的實木地板表面缺陷圖像;第二幅圖像是由第一幅圖像經(jīng)過圖像預處理、圖像縮小、缺陷定位、圖像放大、缺陷邊緣檢測所得到的標記圖像。原始圖像在標記圖像作用下進行缺陷的邊界搜索，完成缺陷的快速、完整分割。具體流程如圖2所示。

圖2 實木地板缺陷分割流程Fig.2 Flow chart of wood plates defects segmentation

2.1 圖像預處理

選用面向硬件設備的RGB顏色模型，由于R分量圖像不僅對紋理有很好的去噪效果，而且R分量轉(zhuǎn)換為灰度圖像的時間較R、G、B模型要低［4］，因此，在圖像預處理部分，首先從RGB模型中提取R分量，然后進行灰度圖像變換。

2.2 圖像縮小與缺陷定位

由于噪聲分布隨機且面積小，圖像縮小既可以實現(xiàn)缺陷粗定位又能夠過濾噪聲。選用等間隔采樣完成圖像縮小，若原圖像中的點f0(x0，y0)在縮小后的圖像中對應點f(x，y)，則其中，kx、ky分別為x、y軸方向的縮放倍數(shù)。

等間隔采樣是通過提取子塊中的一個像素點來代替整個子塊，進而組合成一幅圖像。設原圖為f(x，y)，縮小后的圖像為g(x，y)，則

如果在低維空間搜索缺陷點，計算量將為原來的1

kxk

，既提高運算速度，又減小圖像分割時間。在低維空間搜索缺陷點，并將缺陷置“1”，完成缺陷的初步定位。

2.3 圖像放大

圖像放大是生成與原始圖像大小一致的圖像，為缺陷圖像的融合分割提供標記圖像。圖像放大需要在處理效率與結果的平滑度和清晰度上做一個權衡。

梯度插值方法擁有較高的信噪比，且可以很好地保護圖像邊緣。采用差分算法在原始圖像S(m，n)上計算每一點的梯度。在差分網(wǎng)格上，令網(wǎng)格點(i，j)處的梯度為

y

對于插值點(i，j)，令在待插值點(i，j)，令插值方向為左右方向，即按行插值。

2.4 創(chuàng)建標記圖像

標記圖像是針對原始圖像的缺陷區(qū)域所創(chuàng)建的參考圖像。對于原始輸入大小為256×256的R分量圖像I－im，定義Neighbor(I－im(x，y))為點I－im(x，y)的八鄰域。對于圖像中某一區(qū)域R，N(R)表示不屬于R，但是又和R中某一像素相鄰的集合:

定義標記圖像Sign，其大小與原圖像一致，滿足式(7)、式(8)，即

其中，size返回圖像的大小。

如對于某個像素，滿足點I－im(m，n)∈N(R)且I－im(m，n)∈Neighbor(I－im(i，j))要將I－im(m，n)合并到區(qū)域R中，必須滿足條件

其中，T1、T2為搜索鄰域的閾值限定條件。

2.5 缺陷的邊緣檢測

邊緣檢測是在標記圖像上找到缺陷邊緣，確定邊緣種子點圖像seed(x，y)，原圖像將以種子點進行向外搜索，進一步提高分割速度和精確度。

小波變換不但能夠檢測邊緣，還可以將圖像細節(jié)以不同程度的尺度呈現(xiàn)，從而實現(xiàn)多類型邊緣的檢測。

選取小波函數(shù)為

其中θ(x，y)≥0是光滑函數(shù)且滿足:

二維圖像f(x，y)所對應的小波變換為:

在尺度2j下，梯度的相角和模分別為

模M2jf(x，y)在φ2jf(x，y)方向的極值點對應圖像的邊緣點。

邊緣檢測的具體步驟為:

1)構造小波函數(shù);

2)對圖像f(x，y)做小波變換，計算模M2jf(x，y)與相角 φ2jf(x，y);

3)沿相角搜索模的極值點，生成圖像的邊緣P2jf(x，y);

4)將P2jf(x，y)中模、相角相似點連接，得到單像素的圖像邊緣D2jf(x，y);

5)對D2jf(x，y)中的邊緣，計算P2j－1f(x，y)中的匹配區(qū)域，得到下一尺度j－1的邊緣圖像D2j－1f(x，y)。

2.6 邊緣的禁忌搜索

禁忌搜索是參照標記圖像Sign(x，y)，從種子點seed(x，y)出發(fā)，利用閾值限定生長條件，避開標記點向外搜索缺陷邊界，直到缺陷分割完成。

基于圖像融合的缺陷分割過程的示意如圖3所示。A圖是標記圖像，黑色部分為標記位置，B圖為原始圖像，C圖表明標記缺陷小于實際缺陷。將C圖虛線框放大，如D圖所示。D圖中的黑點是提取的種子點，a環(huán)表示標記圖像邊緣，b環(huán)表示缺陷邊界。

圖3 基于圖像融合的缺陷分割過程的示意Fig.3 The diagram of defects segmenting

3 實驗結果與分析

3.1 實例說明

圖像處理平臺為MATLAB 2011b，采用32位PC機，其主頻2GHz，內(nèi)存2G。實驗分割步驟如圖4所示，(a)圖是大小為256×256的原始R分量圖像，對其均勻采樣得到低分辨率圖像(b)，其大小為32×32;在低維空間搜索缺陷點，得到圖(c);然后將其映射到256×256的高維空間，利用形態(tài)學方法腐蝕完成缺陷定位，如圖(d)所示;提取缺陷邊緣點為種子點，如圖(e)所示，由種子點出發(fā)向邊緣進行禁忌搜索完成缺陷的分割，分割結果如圖(f)所示。表1是各個步驟CPU耗用時間，總消耗時間為12.006 ms。

圖4 分割步驟Fig.4 Segmentation steps

表1 各分割步驟耗用時間Table 1 Elapsed time of each step

3.2 噪聲實驗分析

運用區(qū)域生長方法對圖4(a)進行分割，分割結果如圖5(b)所示。區(qū)域生長算法雖然可以完整分割出節(jié)子，但受紋理噪聲的干擾，圖中圓圈內(nèi)部為誤分割的噪聲區(qū)域。區(qū)域生長算法與本方法的分割參數(shù)如表2所示，計算面積時可以將分割結果的缺陷部分標記為‘1’，面積計算公式(16)為

其中，R是像素為1的點的坐標。準確率計算公式為其中，標準面積由人為勾勒缺陷區(qū)域得到，圖4(a)的標準缺陷面積為698。分割結果表明，本方法的分割準確率明顯優(yōu)于區(qū)域生長方法。

圖5 兩種算法分割結果Fig.5 Segmenting results by two algorithms

表2 傳統(tǒng)方法與本文方法分割結果對比Table 2 Comparison of segmentation results by traditional methods and the proposed methods

圖6是應用本文所提算法分別就實木地板中常見的活節(jié)、死節(jié)和裂紋進行的分割檢測試驗。對20幅樣本圖像進行分割實驗，該方法對缺陷區(qū)域的平均分割準確率達到96.8%，而傳統(tǒng)方法僅為84.4%.

圖6 部分樣本分割結果Fig.6 Segmentation results of part of sample images

值得說明的是，在通過圖像縮放雖然可以實現(xiàn)缺陷的快速定位，但是會丟失圖像的部分信息。由于實驗中每隔8個像素點采一次樣，因此當缺陷的面積小于8×8個像素點時將很難采樣到缺陷點。如圖7是對較小缺陷的分割結果，(a)圖是原始的R分量圖像，(b)圖是分割結果，可以看出(a)圖紅色圓圈內(nèi)圈起來的3個小蟲眼并沒有被分割出來，其主要原因就是在采樣時丟失了它們的信息。

圖7 小缺陷分割結果Fig.7 Segmenting results of small defects

3.3 分割時間分析

針對圖4(a)的分割時間進行了記錄與比較，時間對比如表3所示。圖8是兩種方法搜索的區(qū)域面積隨時間變化的曲線。虛線是基于圖像融合分割的時間曲線。其中2～5 ms內(nèi)，是低維空間向高維空間插值映射過程;5～10 ms內(nèi)完成種子點提取;10～12 ms內(nèi)進行缺陷邊緣細搜索。實線是區(qū)域生長的分割時間曲線，10 ms左右的波谷是過濾噪聲、優(yōu)選種子點引起的。對20幅樣本圖像進行分割實驗，該方法平均分割時間為13.21 ms。

表3 兩種算法時間對比Table 3 Elapsed time of two methods

圖8 區(qū)域面積隨時間變化曲線Fig.8 Area of versus time

4 結語

針對于區(qū)域生長算法存在的分割速度慢、分割不準確的問題，提出了基于圖像融合的缺陷定位方法，方法通過圖像縮放實現(xiàn)了缺陷快速定位的同時有效克服了噪聲干擾;運用小波變換有效的提取了缺陷邊緣，通過對邊緣制定的禁忌搜索策略，完成了缺陷精確分割。缺陷分割的時間、精確度和抗擾能力明顯優(yōu)于區(qū)域生長方法。

［1］RUZA Gonzalo A，PABLO A Estevez，PABLO A Ramirez.Automated visual inspection system for wood defect classification using computational intelligence techniques［J］.International Journal of Systems Science，2009，40(2):163－172.

［2］PHAM D T，ALCOCK R J.Automated grading and defect detection:A Review［J］.Forest Products Journal，1998，48(3):34－42.

［3］IRENE Y H G，RAUL Vicen.Automatic classification of wood defects using support vector machines［C］//International Conference of Computer Vision and Graphics，November 10－12，2008，Warsaw，Poland.2008:356－367.

［4］PHAM D T，ALCOCK R J.Automated visual inspection of wood boards:selection of features for defect classification by a neural network［J］.Journal of Process Mechanical Engineering，1999，213(4):231－245.

［5］RUZA Gonzalo A，PABLO A Estévez，PEREZ Claudio.A neurofuzzy color image segmentation method for wood surface defect detection［J］.Forest Products Journal，2005，55(4):52－58.

［6］OLLI Silven，MATTI Niskanen，HANNU Kauppinen.Wood inspection with non－supervised clustering［J］.Machine Vision and Applications，2003 13(2):275－285.

［7］ZHANG Yizhuo，TONG Chuan，Wood board defects sorting based on method of possibilistic C-means improved support vector data description.Applied Mechanics and Materials，2012，128－129:1288－1291.

［8］白雪冰，鄒麗暉.基于灰度－梯度共生矩陣的木材表面缺陷分割方法［J］.森林工程，2007，23(2):16－18.

BAI Xuebing，ZOU Lihui.Segmentation method of timber surface defects based on gray level-gradient Co-occurrence matrix［J］.Forest Engineering，2007，23(2):16－18.

［9］王林，白雪冰.基于Gabor變換木材表面缺陷圖像分割方法［J］.計算機工程與設計.2010，31(5):1066－1069.

WANG Lin，BAI Xuebing.Image segmentation method of surface defects of wood based on Gabor transform［J］.Computer Engineering and Design，2010，31(5):1066－1069.

［10］TSAI Duming，BO Hsiao.Automatic surface inspection using wavelet reconstruction［J］.Pattern Recognition，2001，34(6):1285－1305.

［11］HAN Yanfang，SHI Pengfei.An adaptive level-selecting wavelet transform for texture defect detection［J］.Image and Vision Computing，2007，25(8):1239－1248.

［12］張怡卓，佟川，于慧伶.基于形態(tài)學重構的實木地板缺陷分割方法研究.森林工程［J］.2012，28(2):14－17.

ZHANG Yizhuo，TONG Chuan，YU Huiling.Research on wood floor defects segmentation based on morphological reconstruction［J］.Forest Engineering，2012，28(2):14－17.

［13］陳永光，王國柱，撒潮，等.木材表面缺陷邊緣形態(tài)檢測算法的研究［J］.木材加工機械.2003，3:18－22.

CHEN Yongguang，WANG Guozhu，SA Chao，et al.A study of morphology arithmetic for lumber surface defects’edge detection［J］.Wood Processing Machinery，2003，3:18－22.

［14］金立生，王榮本，高龍，等.基于區(qū)域生長的智能車輛陰影路徑圖像分割方法［J］.吉林大學學報:工學版，2006，36:132－135.

JIN Lisheng，WANG Rongben，GAO Long，et al.Shadow path mark segmentation method based on region growing for intelligent vehicle［J］.Journal of Jilin University:Engineering and Technology Edition.2006，36:132－135.

［15］FRANK Y Shih，CHENG Shouxian.Automatic seeded region growing for color image segmentation［J］.Image and Vision Computing，2005，23(5)877－886.

［16］尹奎英，劉宏偉，金林.快速的Otsu雙閾值SAR圖像分割法［J］.吉林大學學報:工學版，2011，41(6):1760－1765.

YIN Kuiying，LIU Hongwei，JIN Lin.Fast SAR image segmentation method based on Otsu adaptive double threshold［J］.Journal of Jilin University:Engineering and Technology Edition，2011，41(6):1760－1765.