基于HSI空间的形态学单板缺陷检测

解 朦，戴天虹，李 琳

(东北林业大学 机电工程学院，哈尔滨 150040)

图像分割是指将一幅完整的图像根据各区域不同特征进行图像边缘提取，从而分割出人们感兴趣的部分[1]。图像边缘特征指图像信号奇异变化的部分，具体表现为局部特征的不连续。边缘点通过有意义的线性关系组合将目标区域从原图像中提取出来。自上个世纪60年代图像分割技术开始引起人们的关注以来，针对不同目标图像的特征人们已经提出了一千余种不同的算法，这些方法中多数是基于灰度图像的研究。与彩色图像相比，灰度图像的图像特征简单，提供的细节信息也较少。而在生活中80%以上的图像都是人眼更容易接受的彩色图像。因此对彩色图像的研究逐渐成为众多学者研究的热点和难点。

随着技术的进步，计算机技术在单板表面图像缺陷检测中逐渐占据了主导地位，改进了原有人工检测的主观影响。但由于板材表面特征(色泽，木材纹理、切面毛刺、死结、虫洞等)复杂，缺陷也各不相同[2]。传统的边缘检测方法对噪声敏感且方向性强，例如Robets算子检测水平和竖直方向的边缘的能力较强，检测不规则或斜向边缘能力很弱；Laplace算子由于其二阶算子的特性，在检测图像边缘过程中对噪声有放大作用。其它如Canny、Sobel、Prewitt等都各自具有其检测局限性，在对板材表面缺陷进行检测时不能有效滤除细小噪声，且容易产生伪边缘，不能很好地反映出真实的边界信息。

自1964年法国巴黎矿业学院的学者首先提出了数学形态学的概念以来，经过半个世纪的发展，数学形态学如今已经成为数字图像处理技术和计算机视觉的一个重要而且相对独立的研究领域。数学形态学是提取图像分量的一种有效工具[3]，尤其是表示区域形状的图像分量(如边界，骨骼等)。因此本文使用改进型形态学双结构元边缘检测算法在HIS彩色空间中对木材缺陷图像进行边缘提取，结果证明该方法能够去除木材表面纹理和细小点状噪声，对于纹理和毛刺细节具有鲁棒性[4]，较准确的提取出圆盘型为主的木材缺陷部分。

1 HSI空间

相比于常用的RGB空间，美国科学家孟塞尔(H.A.Munseu)在1915年提出的HSI模型，使用色度(hue)、饱和度(saturation)和亮度(intensity)三个分量来描述彩色空间。所谓亮度是由物体对光线反射程度决定的物理量；色度又叫色调，它指不同颜色之间的区分，由光学波长决定；饱和度指颜色的纯度，白光混入纯色会使饱和度降低。人眼观察事物时常使用这三种特征量进行识别和区分。与其他空间不同，HSI空间中亮度分量与彩色图像中的彩色信息无关，这为HSI空间成为彩色图像处理算法的理想工具提供了前提条件[5]。然而目前多数彩色图像的边缘检测方法都是基于RGB空间的。RGB图像实际上是由三幅图像在每个像素点上不同颜色强度的叠加形成的图像如图1所示。RGB图像可以通过如下算法转化为HIS模型：

图1 HSI空间模型

(1)

(2)

(3)

(4)

针对木材切面图像纹理细节丰富，细小噪声多的特点，RGB模型容易丢失很多图像信息，而HSI空间三个分量相对独立性使之能摆脱相关性的影响准确定位木材表面缺陷。

2 形态学边缘检测算子

“击中/击不中变换”学说是数学形态学基本思想的来源，它是利用数学中的集合语言描述的一种非线性的图像处理方法[6]。最初应用于从二值图像。用数学形态学处理数字图像的方法是将作为探针的结构元素(structure element)在目标图像内进行平移以检测结构元素的可填充性，从而与原图像进行交集、并集等数学运算，达到处理和识别图像的目的。

数学形态学作为数字图像处理技术中较独立的运算方法，腐蚀(erosion)和膨胀(dilation)两种基本运算是整个形态学运算的基础和核心[7]。若设原图像为结构元素，则腐蚀运算和膨胀运算可以分别定义为：

腐蚀运算：

FΘ=S{x|((F)x⊆S}。

(5)

其中：Θ是腐蚀运算的运算符。腐蚀运算实际上是结构元素S的几何中心在图像F中像素点上平移，它对图像起到消除边界点，使目标图像区域面积缩小的作用；

膨胀运算：

F⊕S={x|(Ŝ)x∩F≠Ø}。

(6)

其中：⊕是膨胀运算的运算符，Ŝ是S的映射。膨胀运算和腐蚀运算定义结构相类似，呈一种对偶关系，它的主要作用可以扩张目标区域边界，使目标图像区域面积增大。

以上两种基本运算为基础，可以将其通过串行复合得到数学形态学的另外两种在集合关系上互补的重要运算方法：开运算(opening)和闭运算(closing)。

开运算：

FоS=(FΘS)⊕S。

(7)

闭运算：

F·S=(F⊕S)ΘS。

(8)

由于对目标区域图像单独进行腐蚀或膨胀操作会改变图像尺寸，开运算对图像进行先膨胀后腐蚀的运算，它能够有效消除细小亮点，削弱狭窄部分连接，平滑较大物体边界并且不改变图像大小，反之闭运算能够填充目标区域细小空洞，消除暗细节，连接断开的临近区域[8]。

3 改进型单板缺陷检测的实现

3.1 结构元素选取

结构元素作为数学形态学的重要基础，在形态学运算中起着至关重要的作用。通常结构元素应选取与目标区域形状类似，角度相同的。大尺寸的结构元素去噪能力强，有较好的滤波效果，但会造成图像细节的缺失，而且检测到的边缘相对粗糙[9]；小尺寸的结构元素对噪声敏感，但是能够准确的检测和保留图像边缘细节；基于木材表面缺陷形状考虑[10]，在处理单板表面图像时选择双结构元如下：

其中：M为5*5钻石(diamond)型结构元素，N为R=1圆盘(disk)形结构元素。

3.2 形态学梯度算子

对原图像用同一算子进行膨胀操作(F⊕S)得到的图像与进行腐蚀操作(FΘS)得到的图像做差称为形态学梯度。由于数学形态学运算具有单调性，平移不变性等特点，相比于文献[5]和文献[11-12]的算法，对目标图像进行先开后闭的运算能对图像进行有效的滤噪处理。故本文提出改进型形态学梯度算子：

E(F)=(I·M)⊕M-(I·M)ΘM。

(9)

I(F)=(FοN)·N。

(10)

3.3 实验步骤

实验步骤如图2所示。

4 实验结果分析

单板表面缺陷包括死结，活结，虫洞等类型。本文在MATLAB 2010a环境下，分别用传统的Prewitt、Sobel及本文算法进行试验，比较结果如图3和图4所示。

图2 实验步骤

图3 死结组图

图4 虫洞组图

从图像中可以看出，传统算法对噪声敏感，抑制噪声能力较差。检测过程中产生了许多伪边界，不能准确体现图像边界特征。本文算法由于采用了双结构元算法，先使用大尺度结构元素M对转化为HIS空间的原图像进行先开后闭的形态学运算，对噪声滤除比较彻底，排除了无用信息干扰，并且与多结构元的复杂计算相比有所简化，有效提高了图像边缘检测效果。

5 结束语

本文基于数学形态学，设计了双结构元形态学梯度算子，分别对HSI空间的H、S、I三个分量进行处理并融合。实验结果图显示，与传统Prewitt、Sobel等算法相比较，本文方法基本消除了木材纹理和毛刺等噪声信号的干扰，较准确的提取出了信噪比高的缺陷图像。而且相比于多结构元梯度算子，该算法相对简单，耗时短，所得到的图形与人工判断基本一致，在单板缺陷检测中有一定的实际意义。

【参 考 文 献】

[1] 章毓晋.图像工程(中册)—图像分析[M].北京：清华大学出版社，2005.

[2] 李远祥，戚大伟.形态学双梯度算子在木材腐朽图像边缘检测中的应用[J].森林工程，2008，24(5)：22-24.

[3] Gonzalez R C.Digital Image Processing Using MATLAB[M].Beijing：Publishing House of Electronics Industry，2005.

[4] 赵 慧.基于数学形态学的图像边缘检测方法研究[D].大连：大连理工大学，2010.

[5] 毛若羽.改进的HSI 空间形态学有噪彩色图像边缘检测[J].计算机应用研究，2013，15(2)：12-13.

[6] 王芬芬，白秋果.基于多结构元素的形态学抗噪边缘检测算法[J].电子测量技术，2008，34(4)：36-37.

[7] 范立南，韩晓微.基于HSL空间彩色图像多结构元形态边缘检测[J].工程图学学报，2005，2(2)：110-113.

[8] 王金凤.基于数学形态学的彩色图像边缘检测[D].秦皇岛：燕山大学，2009.

[9] Song J，Delp E J.The analysis of morphological filters with multiple structuring elements[J].Computer Vision Graphics，and Image Processing，1990，50(3)：308-328.

[10] 程 伟，朱典想.基于计算机视觉的单板自动分级系统设计[J].木材工业，2007，21(3)：24-26.

[11] 高 丽，令晓明.HSI 空间基于形态学的彩色有噪图像边缘检测[J]，兰州交通大学学报，2010，29(6)：96-98.

[12] 孙 鹏，戴天虹，李 野.说话人特征提取算法的研究[J].森林工程，2013，29(2)：143-147.