基于几何及灰度特征的纸病检测算法研究

2011-11-21张刚强

中国造纸 2011年9期

关键词：黑斑像素点灰度

杨波周强张刚强

(陕西科技大学电气与信息工程学院，陕西西安，710021)

基于几何及灰度特征的纸病检测算法研究

杨波周强张刚强

(陕西科技大学电气与信息工程学院，陕西西安，710021)

针对当前纸病在线检测系统实时性强和信息量大的特点，提出了一种高效、灵活的基于几何及灰度特征的纸病检测算法。首先采用邻域均值法对纸病图像去噪，然后根据灰度直方图选取合适阈值将图像二值化，并运用边界跟踪法检测出纸病边缘，最后提取出纸病的几何及灰度特征并分析其特征量将纸病分类。按照该算法依次对常见5种纸病进行检测，结果表明，基于几何及灰度特征的纸病检测算法能够准确地检测并分类常见纸病。

纸病;在线检测;几何特征;灰度特征;特征提取

现代造纸工业的特点是车速快、纸幅宽，纸病检测大多靠人工完成，而人工检测和分类处理速度慢、精度低、劳动强度大［1］。因此，新一代基于CCD技术［2］的纸病在线检测系统的运用，在现代造纸生产过程中显得非常重要。各大厂家纷纷引进智能化在线检测系统，改善检测环节技术水平，保证成品纸高合格率。但该系统单位时间内检测的纸张面积大，处理的图像数据量多，要求提高系统硬件性能的同时，还要改善检测算法，才能满足在线检测的实时性。为此，本研究提出了一种基于几何及灰度特征的纸病检测算法，实时、准确地对成品纸进行检测。

1 检测算法流程

基于几何及灰度特征的纸病检测算法流程图如图1所示:首先读取CCD相机拍摄的纸病图像，然后对图像依次进行去噪、二值化及边缘提取的预处理工作，其次提取预处理后图像的特征量并对其分析，最后根据分析结果将检测出的纸病分类。

图1 纸病检测算法流程图

2 纸病图像预处理

2.1 去噪

借助CCD相机拍摄的纸病图像，是由光信号转变为电信号［3］，在图像的转变和传输中，受环境光线和CCD相机自身质量等诸多因素的影响，不可避免存在噪声，所以在进行图像处理前需要去除噪声。本课题比较了两种常用的平滑去噪法:邻域中值法和均值法。根据滤波处理结果，得出对纸病图像去噪效果较好的方法［4］。

邻域中值法和均值法的滤波原理为:将每一像素点的灰度值分别设置为该点某邻域窗口内的所有像素点灰度值的中值和均值。以g(x，y)表示原始图像在 (x，y)处的灰度值，选取N*N二维窗口 (一般N取3或15)，以G(x，y)表示滤波后图像在 (x，y)处的灰度值，则邻域中值法和均值法可以分别表示为:

式中，Med{}表示对N*N二维窗口里的像素点灰度值排序并取其中值，∑ {}表示对N*N二维窗口里的像素点灰度值求和，M为窗口内的像素点个数，n、m为整数。

借助DALSA公司的在线扫描黑白CCD数字相机，拍摄一帧有黑斑的纸张图像，截取包括黑斑的局部图像，如图2(a)所示。利用Visual C++6.0软件，新建一个工程，编写3*3邻域的中值和均值滤波算法，分别对图2(a)进行平滑去噪处理，处理结果如图2(b)和图2(c)所示。

图2 两种平滑去噪法的滤波效果对比

从图2可以看出:邻域均值法处理后的黑斑轮廓变得相对模糊，但对噪声的处理效果相对较好，因此本课题采取邻域均值法对纸病图像进行平滑去噪处理。

2.2 二值化

图像二值化常用的方法是阈值法，它是用一个或几个阈值将图像的灰度值分为几个级别，属于同一级别的像素点认为是同一目标。以滤波处理后的黑斑图像为例，图像背景和黑斑分布都比较均匀且灰度值差值较大［5］，选取某一阈值 Th，把图像分成大于Th的像素群 (背景)和小于等于Th的像素群 (黑斑)两部分［6］。g(x，y)表示图像各像素点灰度值，F(x，y)表示对图像二值化的输出，即:

基于新建的工程，编写直方图及二值化算法，并对滤波后的黑斑图像进行二值化处理。根据图3(b)中滤波后黑斑图像的直方图，选取Th=150，经二值化后黑斑的灰度值被置为0，背景灰度值被置为1，黑斑图像二值化后结果如图3(c)所示。可见，黑斑图像经二值化处理后，可以清楚获得黑斑的区域范围。

图3 黑斑图像二值化

2.3 边缘提取

图像的边缘是指周围像素灰度值有阶跃变化或屋顶变化的像素点集合，它是图像最基本的特征之一［7］。图像边缘提取的算法很多，常用的有边缘算子检测法、Canny边缘检测法、边界跟踪法、数学形态法、小波分析等。本课题采用边界跟踪法，对二值化后的纸病图像进行边缘提取。

寻找边缘的边界跟踪法是对图像按照从右到左，从下到上的顺序搜索。找到最右下方的边界点，以这个边界点起始，对该点8邻域内像素点进行搜索，找到下一个边界点，依次类推，找到所有的边界点。此方法的跟踪准则是:从第一个边界点A开始，定义初始的搜索方向为沿右上方;如果右上方的点为黑点，则为边界点，否则搜索方向逆时针旋转45°。这样一直找到第一个黑点为止。然后把这个黑点作为新的边界点，在当前搜索方向的基础上顺时针旋转90°，继续用相同的方法搜索下一个黑点，直到返回最初找到的第一个边界点为止［8］，如图4(a)所示为边界跟踪法示意图。

图4 纸病边缘提取

在新建的工程下，继续编写边缘提取算法，并对二值化后黑斑图像进行边缘提取，效果如图4(c)所示。可以看出，边界跟踪法能够准确提取出黑斑的边缘轮廓。

3 纸病图像特征

CCD相机每秒钟拍摄的纸张面积为车速与纸幅宽度的乘积，当车速10 m/s、纸幅宽2 m时，1 s内拍摄的纸张面积就可达20 m2，可见纸病检测系统需要实时处理的图像数据量很大。因此对其进行实时、准确地检测并分类纸病时，算法必须提取出具有代表性的纸病图像特征。本课题从几何及灰度特征两方面进行了分析研究。

3.1 几何特征

几何特征属于图像的外部特征，以像素点的数量为度量值。下面从周长、面积、矩形度及圆形度4方面对纸病的相关外部信息进行了分析研究。

3.1.1 周长

采用边界跟踪法，对二值化后纸病图像进行边缘提取，统计边缘上像素点灰度值为0的数量，将统计数值作为纸病周长 (P)，计算公式如下:

式中，F(x，y)为二值化纸病图像灰度值，∑{}表示统计纸病边缘L上的像素点灰度值F(x，y)=0的个数。

3.1.2 面积

在二值化后纸病图像中，纸病面积 (A)可以定义为它的边缘所包含区域内像素点灰度值为0的数量［9］，计算公式如下:

式中，F(x，y)为二值化纸病图像灰度值，∑{}表示统计纸病区域S内的像素点灰度值F(x，y)=0的个数。

3.1.3 矩形度

描述矩形度有两个参数:矩形拟合因子 (Pr)和宽长比 (Pwl)，其计算公式分别如下:

式中，A表示纸病面积，Ar表示纸病最小外接矩形面积，Wr表示纸病最小外接矩形宽度，Lr表示纸病最小外接矩形长度，矩形拟合因子Pr的值在 (0，1］范围内变化。当纸病轮廓为矩形时，Pr取得最大值1;当纸病轮廓为圆形时，Pr取值为π/4;细长、弯曲的纸病Pr取值较小。

3.1.4 圆形度

圆形度 (C)是表示纸病圆形相似度的量，计算公式如下:

式中，A为纸病面积，P为纸病周长。根据定义可以得知圆形纸病的C取得最大值1。正n边形的圆形度为，当n趋向于无穷大时，其极限正好是圆的圆形度1。

3.2 灰度特征

灰度特征属于图像的内部特征，以像素点的灰度值为研究对象。以下从灰度均值和灰度标准差两方面进行了分析研究。3.2.1 灰度均值

对滤波后纸病图像，统计纸病区域内各像素点灰度值并求其均值，作为纸病灰度均值 (Mean)，计算公式如下:

式中，g(x，y)表示滤波后图像在 (x，y)处的灰度值，∑ {}表示对纸病区域S内像素点灰度值求和，M为纸病区域内像素点的个数。

3.2.2 灰度标准差

灰度标准差 (Var)用以描述纸病区域内灰度值相对灰度均值的偏离程度，计算公式如下:

式中，g(x，y)表示滤波后图像在 (x，y)处的灰度值，Mean为灰度均值，M为纸病区域S内像素点的个数。

综合以上的分析研究，根据各个特征量的定义，在之前的工程中编写几何及灰度特征的提取算法。

图55 种常见纸病预处理后的结果

4 常见纸病特征提取及分析

从CCD数字相机拍摄的纸病图像中，截取5种常见纸病的局部图像，如图5(a)所示依次为:黑斑、划痕、孔洞、边缘裂缝、亮斑［10］。按照编写的预处理算法对这些纸病依次进行处理，结果如图5(b)、(c)、(d)所示，并根据几何及灰度特征的提取算法提取对应纸病的特征量，数据结果见表1。

表1 5种常见纸病特征量提取结果

由表1可以看出，上述7项特征量能够有效区分5种常见纸病。具体分析为:选择周长、宽长比及圆形度，主要用来区分细长纸病与其他纸病，如划痕、边缘裂缝，而根据矩形拟合因子及面积可以区分出划痕与边缘裂缝;选择面积，主要用来区分黑斑、亮斑与其他纸病，而根据灰度均值可以区分黑斑与亮斑;对于孔洞，灰度值偏小且灰度值变化程度最大，根据灰度标准差可以对其区分。

综上所述，本研究提出的基于几何及灰度特征的纸病检测算法，能够有效、准确地检测并分类出常见纸病，且该算法的程序实现简单、灵活，易于Visual C++6.0软件实现检测算法的编写。

5 结语

目前造纸行业中，新一代基于CCD技术的纸病在线检测系统以其强大的优越性，代替人工检测已是一种趋势，相应地，更加完善的检测算法也是技术所需。结合常见纸病的实验结果，表明基于几何及灰度特征的纸病检测算法能够准确地检测并分类常见纸病。该算法以其简单、灵活的特点，对纸病在线检测系统的优化起着重要作用。

［1］吕岑，孙瑜．基于统计处理的纸病检测研究［J］．中国造纸学报，2003，18(2):151．

［2］Monica Carfagni，Rocco Furferi，Lapo Governi．A real-time machinevision system for monitoring the textile raising process［J］．Computers in Industry，2005(56):831．

［3］韩九强．机器视觉技术及应用［M］．北京:高等教育出版社，2009．

［4］徐杰．基于机器视觉的纸病检测方法研究与应用［D］．南京:南京林业大学，2008．

［5］王勇军，陈文凯，熊智新，等．基于Hough变换的纸病检测分析［J］．中国造纸，2010，29(3):59．

［6］刘科文，周平，付斌斌．基于机器视觉的圆环形零件形位尺寸自动测量［J］．工业控制计算机，2010，23(7):1．

［7］Hongbin Jia，Yi Lu Murphey，Jianjun Shi，et al．An Intelligent Realtime Vision System for Surface Defect Detection［C］．IEEE，2004．

［8］求是科技，张宏林．精通Visual C++数字图像处理典型算法及实现［M］．2版．北京:人民邮电出版社，2008．

［9］陈艳燕，王云，叶含笑，等．机器视觉钢化玻璃绝缘子气泡的缺陷检测研究［J］．自动化仪表，2010，31(7):51．

［10］关健华．全幅纸病检测技术及在造纸中的应用［J］．中国造纸，2000，19(6):32．

Study on Algorithm of Paper Defect Detection Based on Geometric and Gray Feature

(School of Electrical and Information Engineering，Shaanxi University of Science and Technology，Xi'an，Shaanxi Province，710021)(*E-mail:382633409@qq．com)

Considering the characteristics of strong real-time and a great deal information of current paper defect on-line detecting system，an efficient and flexible algorithm of paper defect detection based on geometric and gray feature is proposed in this paper．The paper defect image is de-noised by neighborhood averaging method at first．And then binary image is obtained through selecting appropriate threshold according to gray histogram．At last paper defect edge is detected by boundary tracking method．Geometric and gray features of paper defects are extracted and analyzed so as to classify them．Experiment was carried out to verify this algorithm for five common paper defects．The result showed that common paper defects can be accurately detected and classified through the algorithm of paper defect detection based on geometric and gray feature．

paper defect;on-line detection;geometric feature;gray feature;feature extraction