基于图像融合分割的实木地板表面缺陷检测方法

张怡卓， 许雷， 丁亮， 曹军

(1.东北林业大学 机电工程学院，黑龙江哈尔滨 150040;2.浙江大学 计算机科学与技术学院，浙江杭州 310058;3.东北林业大学理学院，黑龙江哈尔滨 150040)

其中，T1、T2为搜索邻域的阈值限定条件。

0 引言

实木地板表面缺陷直接影响着产品等级，基于计算机视觉的实木地板表面缺陷检测，对木质地板自动分选具有重要的现实应用意义［1－2］。

实木地板计算机视觉检测系统，首先由摄像头完成表面图像的信息采集;然后，运用分割算法检测表面缺陷区域;最后，应用分类算法对缺陷区域进行缺陷类别判断［3－5］。常用的颜色处理模型有RGB模型、HSV模型以及HSI模型［6］;考虑到处理时间，作为面向硬件的RGB模型更为适用，前期试验研究实验表明R分量图像可有效抑制纹理噪声［7］。白雪冰、王林分别运用灰度－梯度共生矩阵和Gabor变换分割木材表面缺陷，这两种方法因计算量大导致分割速度较慢［8－9］。Du－Ming Tsai等利用小波变换分割物体表面缺陷，然而小波变换中没有基于邻界采样的滤波器组，而且重构之后还需对图像做进一步的处理［10－11］。应用数学形态学算法也可以对缺陷有效分割，但是形态学重构过程容易引入噪声［12］。陈永光利用分水岭算法分割木材表面缺陷，但方法对噪声极为敏感，易于产生过分割现象［13］。因此，如何对现有算法进行改进，以满足实木地板在线分选对分割速度和精确度有待进一步研究。

区域生长法是经典的图像分割算法，其思想简单、对具有清晰边缘的图像有较好的分割结果;但是简单的搜索八邻域会消耗大量的时间，且搜索时间和精确度受噪声影响［14－15］。因此，过滤图像噪声，完成种子点优选，制定快速搜索策略是亟待解决的关键问题。针对上述问题，提出一种基于图像融合的缺陷快速定位与禁忌快速搜索方法。方法通过对缺陷图像进行缩小，完成图像的去噪与缺陷的快速定位;然后，运用插值法对缩小图像进行原始图像规模的放大，通过对放大图像的缺陷边缘检测获得标记参考图像;最后，在标记图像作用下，对原图像边界进行禁忌搜索。

1 分选系统概述

实木地板缺陷检测的计算机视觉系统组成如图1所示。系统由传送平台、CCD摄像头、镜头、摄像头支架、光源系统、图像采集卡及缺陷检测软件组成。CCD摄像头为德国Oscar F810C IRF;为了提高图像采集的清晰度，选用两片LED平行光源对检测地板进行照明;采集的地板图像大小影响着图像处理时间与辨识效果，且二者是一对矛盾体，前期研究表明:在512×512，256×256和128×128三类图像中，256×256既能保证处理时间又能有效避免误识率［12］，所以选用256×256的实木地板图像进行后期识别处理。

图1 实木缺陷检测的计算机视觉系统Fig.1 Computer vision system for defects detection of wood plates

2 基于图像融合的缺陷分割流程

参与缺陷分割的图像有两幅，第一幅图像是直接采集的实木地板表面缺陷图像;第二幅图像是由第一幅图像经过图像预处理、图像缩小、缺陷定位、图像放大、缺陷边缘检测所得到的标记图像。原始图像在标记图像作用下进行缺陷的边界搜索，完成缺陷的快速、完整分割。具体流程如图2所示。

图2 实木地板缺陷分割流程Fig.2 Flow chart of wood plates defects segmentation

2.1 图像预处理

选用面向硬件设备的RGB颜色模型，由于R分量图像不仅对纹理有很好的去噪效果，而且R分量转换为灰度图像的时间较R、G、B模型要低［4］，因此，在图像预处理部分，首先从RGB模型中提取R分量，然后进行灰度图像变换。

2.2 图像缩小与缺陷定位

由于噪声分布随机且面积小，图像缩小既可以实现缺陷粗定位又能够过滤噪声。选用等间隔采样完成图像缩小，若原图像中的点f0(x0，y0)在缩小后的图像中对应点f(x，y)，则其中，kx、ky分别为x、y轴方向的缩放倍数。

等间隔采样是通过提取子块中的一个像素点来代替整个子块，进而组合成一幅图像。设原图为f(x，y)，缩小后的图像为g(x，y)，则

如果在低维空间搜索缺陷点，计算量将为原来的1

kxk

，既提高运算速度，又减小图像分割时间。在低维空间搜索缺陷点，并将缺陷置“1”，完成缺陷的初步定位。

2.3 图像放大

图像放大是生成与原始图像大小一致的图像，为缺陷图像的融合分割提供标记图像。图像放大需要在处理效率与结果的平滑度和清晰度上做一个权衡。

梯度插值方法拥有较高的信噪比，且可以很好地保护图像边缘。采用差分算法在原始图像S(m，n)上计算每一点的梯度。在差分网格上，令网格点(i，j)处的梯度为

y

对于插值点(i，j)，令在待插值点(i，j)，令插值方向为左右方向，即按行插值。

2.4 创建标记图像

标记图像是针对原始图像的缺陷区域所创建的参考图像。对于原始输入大小为256×256的R分量图像I－im，定义Neighbor(I－im(x，y))为点I－im(x，y)的八邻域。对于图像中某一区域R，N(R)表示不属于R，但是又和R中某一像素相邻的集合:

定义标记图像Sign，其大小与原图像一致，满足式(7)、式(8)，即

其中，size返回图像的大小。

如对于某个像素，满足点I－im(m，n)∈N(R)且I－im(m，n)∈Neighbor(I－im(i，j))要将I－im(m，n)合并到区域R中，必须满足条件

其中，T1、T2为搜索邻域的阈值限定条件。

2.5 缺陷的边缘检测

边缘检测是在标记图像上找到缺陷边缘，确定边缘种子点图像seed(x，y)，原图像将以种子点进行向外搜索，进一步提高分割速度和精确度。

小波变换不但能够检测边缘，还可以将图像细节以不同程度的尺度呈现，从而实现多类型边缘的检测。

选取小波函数为

其中θ(x，y)≥0是光滑函数且满足:

二维图像f(x，y)所对应的小波变换为:

在尺度2j下，梯度的相角和模分别为

模M2jf(x，y)在φ2jf(x，y)方向的极值点对应图像的边缘点。

边缘检测的具体步骤为:

1)构造小波函数;

2)对图像f(x，y)做小波变换，计算模M2jf(x，y)与相角 φ2jf(x，y);

3)沿相角搜索模的极值点，生成图像的边缘P2jf(x，y);

4)将P2jf(x，y)中模、相角相似点连接，得到单像素的图像边缘D2jf(x，y);

5)对D2jf(x，y)中的边缘，计算P2j－1f(x，y)中的匹配区域，得到下一尺度j－1的边缘图像D2j－1f(x，y)。

2.6 边缘的禁忌搜索

禁忌搜索是参照标记图像Sign(x，y)，从种子点seed(x，y)出发，利用阈值限定生长条件，避开标记点向外搜索缺陷边界，直到缺陷分割完成。

基于图像融合的缺陷分割过程的示意如图3所示。A图是标记图像，黑色部分为标记位置，B图为原始图像，C图表明标记缺陷小于实际缺陷。将C图虚线框放大，如D图所示。D图中的黑点是提取的种子点，a环表示标记图像边缘，b环表示缺陷边界。

图3 基于图像融合的缺陷分割过程的示意Fig.3 The diagram of defects segmenting

3 实验结果与分析

3.1 实例说明

图像处理平台为MATLAB 2011b，采用32位PC机，其主频2GHz，内存2G。实验分割步骤如图4所示，(a)图是大小为256×256的原始R分量图像，对其均匀采样得到低分辨率图像(b)，其大小为32×32;在低维空间搜索缺陷点，得到图(c);然后将其映射到256×256的高维空间，利用形态学方法腐蚀完成缺陷定位，如图(d)所示;提取缺陷边缘点为种子点，如图(e)所示，由种子点出发向边缘进行禁忌搜索完成缺陷的分割，分割结果如图(f)所示。表1是各个步骤CPU耗用时间，总消耗时间为12.006 ms。

图4 分割步骤Fig.4 Segmentation steps

表1 各分割步骤耗用时间Table 1 Elapsed time of each step

3.2 噪声实验分析

运用区域生长方法对图4(a)进行分割，分割结果如图5(b)所示。区域生长算法虽然可以完整分割出节子，但受纹理噪声的干扰，图中圆圈内部为误分割的噪声区域。区域生长算法与本方法的分割参数如表2所示，计算面积时可以将分割结果的缺陷部分标记为‘1’，面积计算公式(16)为

其中，R是像素为1的点的坐标。准确率计算公式为其中，标准面积由人为勾勒缺陷区域得到，图4(a)的标准缺陷面积为698。分割结果表明，本方法的分割准确率明显优于区域生长方法。

图5 两种算法分割结果Fig.5 Segmenting results by two algorithms

表2 传统方法与本文方法分割结果对比Table 2 Comparison of segmentation results by traditional methods and the proposed methods

图6是应用本文所提算法分别就实木地板中常见的活节、死节和裂纹进行的分割检测试验。对20幅样本图像进行分割实验，该方法对缺陷区域的平均分割准确率达到96.8%，而传统方法仅为84.4%.

图6 部分样本分割结果Fig.6 Segmentation results of part of sample images

值得说明的是，在通过图像缩放虽然可以实现缺陷的快速定位，但是会丢失图像的部分信息。由于实验中每隔8个像素点采一次样，因此当缺陷的面积小于8×8个像素点时将很难采样到缺陷点。如图7是对较小缺陷的分割结果，(a)图是原始的R分量图像，(b)图是分割结果，可以看出(a)图红色圆圈内圈起来的3个小虫眼并没有被分割出来，其主要原因就是在采样时丢失了它们的信息。

图7 小缺陷分割结果Fig.7 Segmenting results of small defects

3.3 分割时间分析

针对图4(a)的分割时间进行了记录与比较，时间对比如表3所示。图8是两种方法搜索的区域面积随时间变化的曲线。虚线是基于图像融合分割的时间曲线。其中2～5 ms内，是低维空间向高维空间插值映射过程;5～10 ms内完成种子点提取;10～12 ms内进行缺陷边缘细搜索。实线是区域生长的分割时间曲线，10 ms左右的波谷是过滤噪声、优选种子点引起的。对20幅样本图像进行分割实验，该方法平均分割时间为13.21 ms。

表3 两种算法时间对比Table 3 Elapsed time of two methods

图8 区域面积随时间变化曲线Fig.8 Area of versus time

4 结语

针对于区域生长算法存在的分割速度慢、分割不准确的问题，提出了基于图像融合的缺陷定位方法，方法通过图像缩放实现了缺陷快速定位的同时有效克服了噪声干扰;运用小波变换有效的提取了缺陷边缘，通过对边缘制定的禁忌搜索策略，完成了缺陷精确分割。缺陷分割的时间、精确度和抗扰能力明显优于区域生长方法。

［1］RUZA Gonzalo A，PABLO A Estevez，PABLO A Ramirez.Automated visual inspection system for wood defect classification using computational intelligence techniques［J］.International Journal of Systems Science，2009，40(2):163－172.

［2］PHAM D T，ALCOCK R J.Automated grading and defect detection:A Review［J］.Forest Products Journal，1998，48(3):34－42.

［3］IRENE Y H G，RAUL Vicen.Automatic classification of wood defects using support vector machines［C］//International Conference of Computer Vision and Graphics，November 10－12，2008，Warsaw，Poland.2008:356－367.

［4］PHAM D T，ALCOCK R J.Automated visual inspection of wood boards:selection of features for defect classification by a neural network［J］.Journal of Process Mechanical Engineering，1999，213(4):231－245.

［5］RUZA Gonzalo A，PABLO A Estévez，PEREZ Claudio.A neurofuzzy color image segmentation method for wood surface defect detection［J］.Forest Products Journal，2005，55(4):52－58.

［6］OLLI Silven，MATTI Niskanen，HANNU Kauppinen.Wood inspection with non－supervised clustering［J］.Machine Vision and Applications，2003 13(2):275－285.

［7］ZHANG Yizhuo，TONG Chuan，Wood board defects sorting based on method of possibilistic C-means improved support vector data description.Applied Mechanics and Materials，2012，128－129:1288－1291.

［8］白雪冰，邹丽晖.基于灰度－梯度共生矩阵的木材表面缺陷分割方法［J］.森林工程，2007，23(2):16－18.

BAI Xuebing，ZOU Lihui.Segmentation method of timber surface defects based on gray level-gradient Co-occurrence matrix［J］.Forest Engineering，2007，23(2):16－18.

［9］王林，白雪冰.基于Gabor变换木材表面缺陷图像分割方法［J］.计算机工程与设计.2010，31(5):1066－1069.

WANG Lin，BAI Xuebing.Image segmentation method of surface defects of wood based on Gabor transform［J］.Computer Engineering and Design，2010，31(5):1066－1069.

［10］TSAI Duming，BO Hsiao.Automatic surface inspection using wavelet reconstruction［J］.Pattern Recognition，2001，34(6):1285－1305.

［11］HAN Yanfang，SHI Pengfei.An adaptive level-selecting wavelet transform for texture defect detection［J］.Image and Vision Computing，2007，25(8):1239－1248.

［12］张怡卓，佟川，于慧伶.基于形态学重构的实木地板缺陷分割方法研究.森林工程［J］.2012，28(2):14－17.

ZHANG Yizhuo，TONG Chuan，YU Huiling.Research on wood floor defects segmentation based on morphological reconstruction［J］.Forest Engineering，2012，28(2):14－17.

［13］陈永光，王国柱，撒潮，等.木材表面缺陷边缘形态检测算法的研究［J］.木材加工机械.2003，3:18－22.

CHEN Yongguang，WANG Guozhu，SA Chao，et al.A study of morphology arithmetic for lumber surface defects’edge detection［J］.Wood Processing Machinery，2003，3:18－22.

［14］金立生，王荣本，高龙，等.基于区域生长的智能车辆阴影路径图像分割方法［J］.吉林大学学报:工学版，2006，36:132－135.

JIN Lisheng，WANG Rongben，GAO Long，et al.Shadow path mark segmentation method based on region growing for intelligent vehicle［J］.Journal of Jilin University:Engineering and Technology Edition.2006，36:132－135.

［15］FRANK Y Shih，CHENG Shouxian.Automatic seeded region growing for color image segmentation［J］.Image and Vision Computing，2005，23(5)877－886.

［16］尹奎英，刘宏伟，金林.快速的Otsu双阈值SAR图像分割法［J］.吉林大学学报:工学版，2011，41(6):1760－1765.

YIN Kuiying，LIU Hongwei，JIN Lin.Fast SAR image segmentation method based on Otsu adaptive double threshold［J］.Journal of Jilin University:Engineering and Technology Edition，2011，41(6):1760－1765.