玻璃缺陷特征提取

郭振铎,刘洲峰,徐庆伟,朱永胜

(中原工学院,郑州 450007)

玻璃缺陷特征提取

郭振铎,刘洲峰,徐庆伟,朱永胜

(中原工学院,郑州 450007)

根据玻璃缺陷的特点,研究了玻璃缺陷图像特征提取的基本原则,有效提取了玻璃图像中的缺陷目标的几何特征及7个不变矩特征.通过特征有效性分析,选取每幅玻璃缺陷图像的几何特征作为识别参数,实验结果表明,提取的特征区分度良好.

特征提取;模式识别;不变矩

模式识别是基于对象模式的目标识别及分类技术,是研究图像或各种物理对象过程的分类和描述的学科,在视觉领域中称为图像识别.模式识别是20世纪60年代迅速发展起来的一门学科.特别是随着近年来大量科研成果的出现,在很多领域得到了成功的应用.

为了有效地实现分类识别,就要对原始图像数据进行变换,得到最能反映分类本质的图像特征.

图像特征是指图像的原始特征或属性.每一幅图像都有其本身的特性,其中有些是视觉直接感受到的自然特征,如亮度、边缘、纹理或色彩等;有些是需要通过变换或测量才能得到的人为特征,如谱、直方图等.为了正确地对缺陷图像进行有效识别,需要从图像中提取有效的数据或信息,生成非图像的描述或表示,如数值、符号等,即抽取图像特征.一般地,把原始数据组成的空间叫做“测量空间”,把分类识别赖以进行的空间叫做“特征空间”.通过特征提取,把维数较高的测量空间中表示的模式转化为在维数较低的特征空间中表示的模式,从而为图像识别提供数据样本.

1 特征选取依据

对于待识别的缺陷图像,通过相关的处理后,对其经过分割和边缘提取,可以得到图像的原始特征,但是原始特征的数量很大,图像样本处于一个高维空间中,如何从众多的特征中选出一些最有效的特征以达到降低特征空间维数的目的,是特征选择和提取的基本任务.在样本数量不是很多的情况下,用很多特征进行分类器的设计,从计算复杂程度和分类器性能来看都是不合适的.因此研究如何把高维空间特征转化到低维空间特征以便有效地识别图像就很关键.例如,通过摄像机把一个物体转换为一个二维灰度阵列.一个256×256灰度阵列图像相当于256×256维测量空间中的一个点,不便于识别,更重要的是这样一种描述并不能直接反映图像的本质.

目前,几乎还没有解析的方法能够指导特征的选择,一般情况下,根据经验和相关理论基础先列出一些可能的特征表,然后用特征排序方法计算不同特征的识别效率.利用其结果对表进行删减,以选取最优的特征组合.具体地,选择特征的依据如下[1-3]:

(1)可区别性.对于属于不同类的图像而言,它们的特征应具有明显的差异;

(2)可靠性.对于同类图像,特征值应该比较接近;

(3)独立性好.所选择的特征值之间应彼此不相关.需要注意的是,有时相关性很高的特征组合起来可以减少噪声干扰,但它们一般不作为单独的特征使用.

⑷数量少.图像识别系统的复杂程度随着系统维数(特征个数)成正比增加.特征数量如果过多,虽然识别的效果会更好一些,但是识别时计算更加耗时,难度更大.

2 玻璃缺陷特征

玻璃产品中最常见的缺陷主要有气泡、结石和裂纹,由于产生的原因不同,它们有着不同的特性.

(1)气泡.气泡是玻璃制品的最常见缺陷之一.其灰度图像中气泡的边缘灰度值低于背景灰度值,值得注意的是,气泡中心位置的灰度值高于背景灰度值.

(2)结石.结石是玻璃中的固体物质,是玻璃体内最危险的缺陷.它不仅破坏了玻璃制品的外观和光学均一性,而且会大大降低玻璃制品的机械强度和热稳定性,甚至会使制品自行破碎.在灰度图像中,结石区域的灰度值明显低于背景灰度值.

(3)裂纹.裂纹是玻璃在生产线各工序的传输过程中因机械划伤、磕碰等原因造成的.对于含有裂纹的玻璃缺陷图像,破损处的边缘及内部各点灰度值均低于背景灰度值.

经过边缘提取和图像分割后,可以得到玻璃缺陷目标的边缘和区域,进而获得需要处理的玻璃缺陷目标,结合玻璃产品中气泡、结石和裂纹图像的特点.本文提取了玻璃缺陷图像的相关特征.

(1)面积.面积是物体总尺寸的度量.面积只与物体的边界有关,而与物体内部的灰度级变换无关.快捷的计算方法是统计边界内部(包括边界点)像素的数目,计算公式为:

对于二值图像,如果用1表示物体,用0表示背景,则面积就是计算图像中值为1的像素点的个数.

(2)周长.周长就是整个边界的长度.本文采用统计边缘提取后的边界点上的像素的个数.

(3)圆形度.圆形度表示目标物体形状接近圆形的程度,计算公式为:

式中:S为区域的面积;L为周长.R越大,则区域越接近圆形.

(4)矩.给定二维连续函数 f(x,y),其 p、q阶矩可定义为:

不同 p、q值下可以得到不同的图像矩Mpq,常用的区域矩特征值有以下几个:

③Hu矩组:Hu M K利用二阶和三阶中心矩构造了7个不变矩,并证明了该矩组具有平移不变性、旋转不变性和比例不变性,能有效地反映图像的本质特征.表达式如下:[4]

3 缺陷特征提取与分析

根据气泡、结石和裂纹3种缺陷的特点,并通过实验比较,本文提取了缺陷的面积、周长、矩形度、伸长度及不变矩作为缺陷的特征.算法实现的具体步骤如下:

(1)读取图像;

(2)对图像进行预处理,采用中值滤波的方法消除噪声;

(3)采用迭代最优阈值分割和形态学操作将玻璃缺陷图像分割为背景和目标2部分;

(4)根据像素的4邻域特性提取图像的边缘;

(5)统计图像边缘中边缘像素点的个数,从而求得周长;

(6)计算面积A,对经过分割后的二值图像,通过统计分割后的缺陷目标中像素值为1(以0表示背景,1表示目标)的像素点的个数求出缺陷目标的面积;

(7)通过公式 C=(4πA)/(LL)计算缺陷目标的圆形度;

(8)计算缺陷目标的高度 H;

(9)计算缺陷目标的宽度W;

(10)通过公式R=A/(HW)计算缺陷目标的矩形度;

(11)通过公式min(H,W)/max(H,W)计算缺陷目标的伸长度;

(12)根据公式(6)—(12)求取缺陷目标的7个不变矩;

(13)生成特征矩阵;

(14)通过公式min(H,W)/max(H,W)计算缺陷目标的伸长度.

对于如图1所示的3幅分别含有气泡、结石和裂纹的玻璃缺陷图像所取的特征参数如表1所示.

图1 含有缺陷的玻璃图像

由表1可知,对于气泡、结石和裂纹3种缺陷,它们的伸长度均为1,这个特征对于缺陷的分类识别没有意义,属于无效特征,因此在对缺陷目标识别时不予考虑.只要图像硬件系统稳定,图像预处理方法选择恰当,基于图像二值化后像素数目统计的几何特征面积和周长是反映目标图像特征较好的2个特征,而且它们的运算量较小、算法容易实现,因此这2个特征可以作为缺陷目标识别的特征参数.由表1不难看出,圆形度对气泡、结石和裂纹3种缺陷有良好的区分度,因此也可以作为缺陷目标识别的特征参数.矩形度虽然对于区分气泡和结石的效果不明显,但是却可以明显地区分裂纹与气泡或者结石这2种缺陷,因此也可以作为缺陷目标识别的特征参数.7个不变矩特征具有平移、旋转和比例缩放不变性,它们对缺陷目标的识别有一定作用,但是它们计算复杂,增加了识别系统的复杂程度,延长了识别时间.对于识别来讲,只要能够保证很好地实现对目标缺陷的识别分类这一前提,则特征参数越少越好,因为参数越多则越复杂.

表1 缺陷特征值

基于以上分析,本文选取面积、周长、圆形度和矩形度作为对玻璃缺陷进行识别的特征参数.

4 结 语

文章介绍了图像的常见特征类型,并根据玻璃缺陷的特点重点研究了图像的矩特征和几何特征及特征提取的依据和方法.对气泡、结石和裂纹图像中的缺陷目标分别提取了它们的面积、周长、圆形度、矩形度、伸长度及7个不变矩特征.通过特征有效性分析,选取每幅玻璃缺陷图像的面积、周长、圆形度和矩形度为识别参数,从而为缺陷特征识别提供基础.

[1] 李弼程,彭天强.智能图像处理技术[M].北京:电子工业出版社,2004:67.

[2] 陈洪波,汤井田,陈真诚.基于SOM的 H IFU治疗中损伤组织特征提取[J].生物医学工程学杂志,2009,26(4):873-877.

[3] 严俊龙,郑晓曦,李铁源.磁瓦表面缺陷自动检测系统的研究[J].2009,45(36):288-231.

[4] Rafael C Gonzalez,Richard EWoods.数字图像处理[M].阮秋琦,阮宇智,译.北京:电子工业出版社,2003.

The Feature Extraction of Glass Defection

GUO Zhen-duo,L IU Zhou-feng,XU Qing-wei,ZHU Yong-sheng
(Zhongyuan University of Techno logy,Zhengzhou,450007,China)

According to the p roperties of glass defect image,the basic p rincip le of feature extraction is studied for glass defect image in the paper.Geometrical characteristics and seven moment invariants are extracted fo r defect target in glass image.Geometrical characteristics is selected to pattern recognition by validation analysis.The experimental results show that the distinguishing effect is good the extracted feature in this paper.

feature extraction;pattern recognition;moment invariant

TP206

A DO I:10.3969/j.issn.1671-6906.2010.02.009

1671-6906(2010)02-0035-04

2010-03-09

河南省教育厅自然科学基金项目(200410465201;200510465002)

郭振铎(1982-),男,河南驻马店人,硕士.