盛大富 王亦紅

摘 要：針對(duì)機(jī)器視覺檢測(cè)低對(duì)比度紙病，存在常規(guī)的閾值分割會(huì)引起低對(duì)比度紙病信息丟失以及邊緣檢測(cè)存在魯棒性差的問題，本課題提出了一種基于相位一致性算法識(shí)別低對(duì)比度紙病的方法，并與常規(guī)的閾值分割以及邊緣檢測(cè)中具有代表性的canny算子進(jìn)行了對(duì)比分析。結(jié)果表明，當(dāng)識(shí)別低對(duì)比度紙病時(shí)，本課題提出的方法不僅保留的有用信息較常規(guī)閾值分割的多，而且魯棒性較canny算子的邊緣檢測(cè)好。

關(guān)鍵詞：? 紙病識(shí)別;圖像分割;相位一致性;自適應(yīng)閾值

中圖分類號(hào)：TP273;TS77

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.11980/j.issn.0254-508X.2019.01.009

利用機(jī)器視覺代替人眼識(shí)別紙病，有利于提高效率和檢測(cè)精度，改進(jìn)生產(chǎn)工藝，提高紙張品質(zhì)[1-2]。紙病識(shí)別的關(guān)鍵技術(shù)之一是采用圖像分割的方法提取紙病目標(biāo)[3]。常規(guī)的圖像分割方法有閾值分割法和邊緣檢測(cè)法[4]。閾值分割以一固定閾值來區(qū)分背景和目標(biāo)，適用于目標(biāo)與背景灰度差異明顯的圖像;邊緣檢測(cè)法通過一階或二階微分運(yùn)算找到圖像中灰度值呈階躍變化或斜坡變化的像素點(diǎn)來作為邊緣點(diǎn)，有較高的檢測(cè)精度，但檢測(cè)效果受閾值選取的影響較大，若圖像的對(duì)比度低，梯度閾值的選取較難，偏高會(huì)丟失輪廓信息，偏低則容易引入噪聲造成誤判，因而魯棒性較差，而且對(duì)于紙病的一些細(xì)微特征無法檢測(cè)出來。由此，本課題提出一種基于頻域的相位一致性特征提取算法來檢測(cè)紙病圖像，相位一致性算法模擬人眼的視覺系統(tǒng)檢測(cè)感興趣的目標(biāo)，對(duì)低對(duì)比度圖像仍有較好的檢測(cè)精度，而且經(jīng)相位一致性特征提取后的紙病目標(biāo)可以采用自適應(yīng)閾值進(jìn)行分割，有較高的魯棒性。

1 基于相位一致性的低對(duì)比度紙病圖像特征提取

利用相位一致性算法對(duì)圖像進(jìn)行特征提取，是通過計(jì)算圖像經(jīng)傅里葉變換后相位一致性最高的點(diǎn)來作為圖像特征點(diǎn)。如一維信號(hào)中的方波和三角波，分別將它們經(jīng)過傅里葉變換分解為不同幅值、頻率和相位的正弦波，得到的各個(gè)諧波如圖1所示。在方波的階躍跳變點(diǎn)，相位一致程度最高，各個(gè)諧波的相位值均為0°或180°，而三角波則是在上下頂點(diǎn)處一致程度最高，相位值為90°或270°，而在其他位置，它們的相位一致程度均降低。

2 自適應(yīng)閾值分割

圖像經(jīng)相位一致性特征提取后得到反映目標(biāo)特征的PC圖像，在PC圖像上將目標(biāo)完全分割出來要選定適當(dāng)?shù)拈撝颠M(jìn)行判定，考慮到算法的自適應(yīng)性，一般采用自動(dòng)閾值分割法。常用的自動(dòng)閾值分割法有最大類間方差法、迭代閾值法以及最大熵法等[10-11]，其中迭代閾值法只適合直方圖有明顯波谷的圖像，最大熵法計(jì)算量較大，而最大類間方差法計(jì)算簡(jiǎn)單，以目標(biāo)和背景之間方差最大時(shí)的閾值為最佳閾值，有較好的分離性，因此采用最大類間方差法來計(jì)算閾值。若直接采用最大類間方差閾值進(jìn)行分割，由于提取出的低對(duì)比度紙病目標(biāo)的一些細(xì)節(jié)特征相位一致程度不高，易漏失信息出現(xiàn)目標(biāo)斷裂情況。對(duì)此，本課題提出了一種新的方法，通過設(shè)定兩個(gè)閾值進(jìn)行判定，最大類間方差閾值作為高閾值Th，低閾值為Tl，并令Tl=0.4Th。對(duì)于PC圖像中灰度值高于Th的像素點(diǎn)，判定為目標(biāo);灰度值低于Tl的像素點(diǎn)，判定為背景;對(duì)于灰度值在Tl與Th之間的像素點(diǎn)，為連接斷裂目標(biāo)，并防止目標(biāo)邊緣加粗以及出現(xiàn)偽特征點(diǎn)干擾，采取如下方法：若當(dāng)前像素灰度值在Tl與Th之間，搜索在某一方向上和一定范圍內(nèi)是否存在灰度值高于Th的像素點(diǎn)，在此選定了4個(gè)方向，分別為0°、45°、90°、135°，若在八連通區(qū)域內(nèi)只在其中某一方向兩側(cè)和一定范圍內(nèi)搜尋到高于Th的像素點(diǎn)，則判斷當(dāng)前點(diǎn)為特征點(diǎn)，否則舍棄。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

本課題以低對(duì)比度紙病圖像為研究對(duì)象，待檢測(cè)白紙含疵點(diǎn)圖像如圖2所示。圖2（a）和圖2（b）分別為白紙含褶皺和裂縫的圖像，在Matlab2014a平臺(tái)上驗(yàn)證本算法對(duì)低對(duì)比度紙病圖像檢測(cè)效果，并與閾值分割和canny算子進(jìn)行比較。

首先，對(duì)褶皺和裂縫圖像進(jìn)行閾值分割，為避免引入噪聲和丟失有用信息，設(shè)定最佳閾值大小為192，分割后的這兩種紙病圖像如圖3所示。由圖3

可以看出，兩種紙病疵點(diǎn)均呈斷裂狀，圖3（a）中左側(cè)褶皺短疵點(diǎn)完全丟失。

其次，用canny算子進(jìn)行紙病圖像邊緣檢測(cè)，設(shè)定canny算子上下閾值比為3∶1，檢測(cè)后的圖像如圖4所示。圖4（a）和圖 4（b）分別通過手動(dòng)調(diào)整到最佳閾值，設(shè)定上閾值分別為0.72和0.25，檢測(cè)后圖4（a）中左側(cè)褶皺短疵點(diǎn)丟失，右側(cè)長(zhǎng)疵點(diǎn)出現(xiàn)斷裂，而且出現(xiàn)了虛假邊緣。圖4（b）中裂縫疵點(diǎn)上部信息丟失，下部出現(xiàn)多層邊緣。

最后，用本課題的方法進(jìn)行實(shí)驗(yàn)，將紙病圖像先經(jīng)過灰度化預(yù)處理，再進(jìn)行相位一致性特性提取，選取方向數(shù)o=4，尺度n=4，最小波長(zhǎng)=3，噪聲補(bǔ)償k=12，得到PC圖像如圖5所示。由圖5可以看出，紙病特征明顯。對(duì)比原圖與PC圖像的直方圖如圖6所示，圖6（a）左圖對(duì)應(yīng)圖2（a）直方圖，圖6（a）右圖對(duì)應(yīng)圖5（a）直方圖，圖6（b）左圖對(duì)應(yīng)圖2（b）直方圖，圖6（b）右圖對(duì)應(yīng)圖5（b）直方圖。從直方圖中看出，原圖中背景和目標(biāo)灰度值集中在[170，230]之間，采用單一閾值分割難以區(qū)分背景和疵點(diǎn)目標(biāo)，正如圖3結(jié)果所示，丟失了重要信息。而經(jīng)相位一致性特征提取后，背景像素相位一致性低，PC圖像中大多數(shù)像素灰度值接近0，而灰度值較高的為目標(biāo)像素，較易區(qū)分。

將PC圖像經(jīng)自適應(yīng)閾值分割后的圖像如圖7所示，相比于閾值法，本課題的方法檢測(cè)精度更高，有用信息保留更完整，相比于canny算子，本課題方

法中的參數(shù)經(jīng)一次設(shè)定無需改動(dòng)，有較好的魯棒性，由此說明了本課題提出的方法更適用于識(shí)別低對(duì)比度紙病。

4 結(jié) 論

識(shí)別低對(duì)比度紙病時(shí)，常規(guī)的閾值分割會(huì)引起低對(duì)比度紙病信息丟失，而邊緣檢測(cè)法魯棒性差。對(duì)此，本課題提出了基于頻域的相位一致性方法檢測(cè)紙病，以白紙含褶皺和裂縫疵點(diǎn)圖像為實(shí)驗(yàn)對(duì)象，首先利用相位一致性方法對(duì)紙病圖像進(jìn)行特征提取，然后經(jīng)過自適應(yīng)閾值分割得到紙病目標(biāo)。實(shí)驗(yàn)結(jié)果表明，采用本課題方法識(shí)別低對(duì)比度紙病時(shí)，在有用信息保留上多于常規(guī)閾值分割，而且魯棒性好于canny算子的邊緣檢測(cè)，但該算法比較復(fù)雜，有待進(jìn)一步研究。

參 考 文 獻(xiàn)

[1] ZHOU Qiang， CHEN Ying， SHEN Tianyu， et al. Development of Paper Disease Detection System Based on Machine Vision[J]. China Pulp & Paper， 2016， 35（ 5）： 72.

周 強(qiáng)， 陳 穎， 沈天宇， 等. 基于機(jī)器視覺的紙病檢測(cè)系統(tǒng)發(fā)展綜述[J]. 中國(guó)造紙， 2016， 35（5）： 72.

[2] ZHANG Xue-lan， LI Jun， MENG Fan-kong， et al. A Paper Defects Detection Method Based on Machine Vision[J]. Transactions of China Pulp and Paper， 2013， 28（1）： 48.

張學(xué)蘭， 李 軍， 孟范孔， 等. 一種基于機(jī)器視覺的紙病識(shí)別方法[J]. 中國(guó)造紙學(xué)報(bào)， 2013， 28（1）： 48.

[3] CHEN Jun. Research on the Technology of Fault Diagnosis for Papermaking Equipment based on Machine Vision[D]. Nanjing： Hohai University， 2014.

陳 珺. 基于機(jī)器視覺的造紙?jiān)O(shè)備故障診斷技術(shù)的研究[D]. 南京： 河海大學(xué)， 2014.

[4] GUO Zhen， CHEN Yuan-zhi. Research on image threshold segmentation algorithm[J]. Journal of Communication University of China（Science and Technology）， 2008， 15（2）： 77.

郭 臻， 陳遠(yuǎn)知. 圖像閾值分割算法研究[J]. 中國(guó)傳媒大學(xué)學(xué)報(bào)， 2008， 15（2）： 77.

[5] Morrone M C， Owens R A. Feature Detection from Local Energy[J]. Pattern Recognition Letters， 1987， 6（5）： 303.

[6] Owens R， VenkateshS， Ross J. Edge detection is a projection[J]. Pattern Recognition Letters， 1989， 9（4）： 233.

[7] XIAO Zhi-tao， GUO Cheng-ming， YU Ming， et al. A new aligned with human visual system characteristics wavelet and its application[J]. Signal Processing， 2002， 18（5）： 399.

肖志濤， 國(guó)澄明， 于明， 等. log Gabor函數(shù)在人類視覺系統(tǒng)特性研究中的應(yīng)用[J]. 信號(hào)處理， 2002， 18（5）： 399.

[8] LI Xue-fei. A contour detection model based on phasecongruency[D]. Chengdu： University of Electronic Science and Technology of China， 2011.

李雪菲. 基于相位一致性的圖像輪廓提取算法研究[D]. 成都： 電子科技大學(xué)， 2011.

[9] Kovesi P. Image Features from Phase Congruency[J]. Journal of Computer Vision Research， 1999， 1（3）： 1.

[10] LI Zhong-jie， YANG Guan-liang， XU Xiao-jie. Image segmentation based on automatic thresholding selection andedge detection[J]. Journal of Naval University of Engineering. 2002， 14（4）： 88.

李忠杰， 楊關(guān)良， 徐小杰. 自動(dòng)閾值選取與邊緣檢測(cè)相結(jié)合的圖像分割算法[J]. 海軍工程大學(xué)學(xué)報(bào)， 2002， 14（4）： 88.

[11] ZHANG Yan-li， LI Chun-gui. Improved threshold segmentation algorithm in video vehicle detection[J]. Journal of Guangxi University of Science and Technology. 2017， 28（2）： 61.

張延麗， 李春貴. 視頻車輛檢測(cè)中改進(jìn)的閾值分割算法研究[J]. 廣西科技大學(xué)學(xué)報(bào)， 2017， 28（2）： 61. ?CPP

（責(zé)任編輯：馬 忻）