金属表面脏污区域的分割和量化算法研究

唐 健，贺连梁，梁金刚，仇 维

(1.中国人民解放军驻七二四厂军代室，辽宁沈阳110045;2.沈阳理工大学信息科学与工程学院，辽宁沈阳110159)

金属表面脏污区域的分割和量化得到的参数可以判定整个金属表面的缺陷程度，是图像处理技术在表面缺陷检测中应用的一个实例。在国外，基于图像处理的产品表面缺陷检测技术已经较为成熟，普遍应用在半导体行业以及电子行业，拥有丰富的技术及其产品。而在中国，此行业属于新兴领域，加之基于图像处理的产品技术的普及程度不够，导致只能在低端方面有应用。主要应用在矿泉水瓶盖的检测，印刷色彩的检测以及指纹检测等领域，当然其他领域也有很大的应用空间，如文献［1］利用图像处理技术分析玉米、黄瓜的叶部图像，从而识别和诊断玉米叶或黄瓜叶表面是否发生病虫害。文献［2］结合数字图像处理技术和人工神经网络以及模式识别技术研究木材的表面缺陷，从而根据木材表面的缺陷程度对其进行分级等。总之，表面缺陷检测方面的技术越来越成熟，应用越来越广泛，但图像处理与模式识别领域中的许多新算法目前很难应用于实际工程项目。因此，图像处理技术在这类检测任务中的应用，仍然是一个难题。

在数字图像处理技术［3］中，图像分割是由图像处理到图像分析的关键步骤。对于表面有脏污的金属，其表面区域的基本特征比较复杂。如金属表面脏污区域不具有固定的形状，脏污的面积大小也各不相同以及脏污的位置不固定等。因此，利用脏污区域的这些基本特征来对其进行分割比较困难。通过对大量表面有脏污的金属图像进行观察，发现图像中包含了大量的细节信息。并且颜色的灰度色级范围较小，本文通过对几种比较常用的阈值分割算法做详细的分析和比较后结合图像特征提出了本文的分割和量化方法。

1 图像阈值分割算法

图像分割中最常用的是阈值分割［4］算法，阈值分割是一种区域分割技术，对背景和物体对比度较强的景物分割时特别有效。它的计算非常简单，而且能用连通和封闭的边界来定义其中互不交叠的区域。常用的图像阈值分割算法有迭代法、均匀性度量法、类间最大距离法、最大熵法。本文主要介绍迭代法和类间最大距离法。

1.1 迭代法

迭代法的设计思想是开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这个估计值，直到满足给定的准则为止。在迭代的过程中，关键在于改进策略时选择何种阈值。好的改进策略应当具有两个特点:一是可以快速地收敛，二是在每一次迭代过程中，新的阈值应该优于上一个阈值。下面介绍一种迭代法［5］:

(1)选取图像中灰度值的中值作为运算的初始阈值Th;

(2)利用阈值Th把图像分割为两个区域C1和C2，用下式计算区域C1和C2的灰度均值μ1和μ2，

(3)计算出μ1和μ2后，用下式计算出新的阈值Thnew;

(4)重复(2)和(3)，直到Thnew和 Th的差小于某个特定的值。

1.2 类间最大距离法

类间最大距离法的设计思想是选取某个适当的阈值，以图像分割后的背景与前景目标两个类别之间的差异最大时为最佳的阈值。在这里，两个类别(背景与目标)的差异，用阈值与两个类别的中心之间的距离差来度量。具体步骤如下:

(1)设定一个初始阈值Th，将图像完整地划分为C1和C2两类;

(2)计算两类的灰度均值μ1和μ2;

(3)计算两类的相对距离值S，

(4)选择最佳的阈值Thnew，使得图像按照该阈值分为C1和C2两类后，满足max{S}。

对于目前的各种阈值分割算法，都有各自的优缺点，到目前为止尚无一种固定的分割评价标准。分割的好坏取决于实际需求和技术人员的主观因素。

1.3 本文的算法

对于脏污区域的分割，本文将结合金属表面的脏污特征进行处理。对于经过增强处理后的金属图像，其图像对比度增强，从而有利于对金属表面的脏污特征进行分析。通过对大量经增强处理后的图像进行分析，得出增强后的图像中脏污区域与金属区域具有以下区别:

(1)对于脏污区域，其与金属自身颜色的亮度相差较大，脏污和划痕区域的亮度较小。

(2)脏污区域的形状不规则，而它的颜色色调主要为黑色，而金属区域颜色趋于银白色和灰色。

综上所述，结合脏污区域的颜色特征和亮度信息可将脏污区域与原金属区域分割开来。由于脏污区域的边缘细节信息较复杂，而且直方图又具有双峰特性，迭代法能最大限度地保留细节信息，因此本文采取此方法进行脏污区域的图像分割。

2 图像脏污的量化

对于脏污的量化，本文主要通过计算它的面积［7］来实现。由于目前各种常用的目标面积［8］计算方法均具有各自的适用范围和优缺点，因此，需要结合金属脏污的实际情况选择或者设计一种有效的目标区域面积［9］计算方法。

2.1 改进的形态滤波

传统的数学形态学运算能达到一定的滤波效果，但要想针对不同的图像，做同样的单步运算，很难达到理想的效果。本文改进了形态滤波的算法，设计了一种自适应滤波法，针对不同金属图像的自身特点，进行相应的滤波算法，达到较理想的效果。算法的具体实现如下:

Step1对原始图像进行二值化处理。

Step2进行自适应形态滤波。具体实现过程如流程图1所示。

Step3对于边缘像素点，统计周边的三个像素值，方法同上。直至遍历每一像素点。

本文算法的设计思想是为了保证滤波后的图像能在填补漏洞的同时，去除一些干扰的孤立节点和边缘毛刺噪声。因此，在算法设计中，主要针对这几种情况，根据局部像素值的特征来判断，进行相应的滤波操作。

图1 改进的自适应滤波算法流程图

2.2 本文脏污量化方法

根据金属表面脏污区域的数目、形状以及分布的特点等，本文结合数学形态学和像素计数面积法，设计一套针对金属表面脏污的量化方法，具体计算过程如图2所示。

图2 脏污量化流程图

综上所述，最后累加的像素点数目表示脏污区域的面积。可以根据上述参数来判定整个金属表面的缺陷程度。

3 实验结果与分析

3.1 图像阈值分割算法的实验结果

图3 迭代分割法

图4 类间最大距离法

图5 图像增强后的迭代分隔法

由图3～图5可知，用迭代算法分割的图像效果较好，基于迭代算法的阈值能较明显地分离出图像中背景和前景的区域。对于谷底比较深，直方图双峰比较明显的图像，迭代算法可以较快地获得满意的结果。虽然类间最大距离法计算简单，准确高效，但对直方图模型有一定要求。图5是对图像进行图像增强后，采用迭代法进行分割，此方法最大限度地保留了图像的边缘细节信息，得到了较理想的效果。

3.2 脏污量化结果与分析

由图6可以看出采用改进的数学形态学算法进行滤波，针对各个区域的局部特征，进行每一步的运算操作，能够很好地弥补传统的形态学滤波方法带来的负面影响，如造成图片的缺失，或者使图像面积增大从而边缘变得模糊，丢失了许多细节信息。

图6 改进的形态学滤波方法

图7给出了经过滤波的图像量化后图像，表1给出了图像中脏污面积以及所占图像的百分比。

图7 脏污量化

表1 脏污量化结果

4 结论

本文研究了金属表面脏污的分割和量化方法，首先研究了基于阈值的图像分割算法中几种常用的算法，分析了它们的原理和步骤。通过对比各种阈值分割算法，并结合脏污图像的颜色特征和亮度信息以及结构特征，选择迭代阈值法对图像进行分割，得到了比较好的分割效果。对于脏污的量化计算，结合金属表面脏污的特征，采用改进的基于数学形态学的滤波方法即自适应滤波方法，将其和像素计数法结合来求取脏污区域的面积，此方法能弥补传统的形态学滤波方法带来的负面影响，如图片缺失或者使图像面积增大从而边缘变得模糊，丢失许多细节信息等。

［1］陈慧楠.玉米、黄瓜叶部病害的图像处理技术研究［D］.沈阳:沈阳理工大学，2008.

［2］尹建新.基于计算机视觉木材表面缺陷检测方法研究［D］.杭州:浙江工业大学，2007.

［3］Rafael C.Gonzalez，Richard E.Woods.数字图像处理(第二版)［M］.阮秋琦等译.北京:电子工业出版社，2007.

［4］董明.图像分割技术研究与应用［D］.长春:长春理工大学，2009.

［5］黑光月.基于迭代阈值的女书分割算法研究［J］.软件导刊，2011，10(9):61 －63.

［6］Y.W.Lim，S.U.Lee.On the color image segmentation algorithm based on the thresholding and the fuzzy C-means techniques［J］.Pattern Recognit，1990，9(23):935－952.

［7］葛伟华，陈优光.基于边界跟踪的区域面积计算［J］.计算机应用与软件，2008，25(6):239 －240.

［8］李波，刘东华，梁光明，等.一种计算任意形状封闭区域面积的新方法［J］.国防科技大学学报，2002，24(4):61－64.

［9］祁广云，马晓丹.基于图像的植物叶面积计算方法的研究［J］.佳木斯大学学报(自然科学版，2009，27(2):201－202.