基于数学形态学的木材缺陷图像分割方法

戴天虹，贾 壮

(东北林业大学，黑龙江 哈尔滨 150040)

基于数学形态学的木材缺陷图像分割方法

戴天虹，贾 壮

(东北林业大学，黑龙江 哈尔滨 150040)

结合数学形态学运算方法，对于板材缺陷图像的提取分割，提出了基于数学形态学的分割方法。利用图像各点间的像素值差异，对板材像素点求取无缺陷标准值，将该值与待测板材进行对应像素点对比，然后将差值求和取平均得到分割阈值；对图像中所有大于该阈值的点进行分割提取，得到分割图像。用数学形态学方法对噪声较大的图像进一步处理，最终得到较为理想的分割图像。

木材缺陷；数学形态学；图像分割

在对木材进行加工处理时，首先考虑的是木材加工后的经济及艺术价值。从经济性考虑，影响木材价值的主要因素是木材质量，而木材缺陷是木材质量的重要衡量标准。木材缺陷主要是指木材在自然生长过程中由于后天原因出现的残缺或者是影响人们正常加工使用的各种缺陷。例如虫眼、节子、腐朽、裂纹等。其中以虫眼和腐朽是比较常见的2种木材缺陷，也是木材加工工艺中比较难处理的2种缺陷，主要原因是这2种缺陷使得木材整体性及观赏性均受到很大影响，更为严重的是使木材的各项力学特性遭到破坏。如果处理不当，将增加加工工艺的难度，降低经济价值，同时使木材加工后成品存在严重安全隐患[1]。

随着检测技术及计算机图像处理技术的提升，加速了木材检测的效率，同时也提高了板材表面缺陷检测的精准性及自动化程度。但由于传统因素(即由木材自然纹理造成的木材缺陷存在多样性及复杂性)没有改变，而且木材缺陷在形状、分布位置及大小等各方面均存在不确定性。这些不确定性也就使得目前存在的任意一种检测技术都不能对所有种类的木材缺陷进行较好的分割处理，加大了加工工艺的处理难度。本文根据木材特性和实际生产加工程序要求的时间等因素，在以往的分割方法基础上，提出一种新的分割方法，其主要理论是数学形态学。

1 数学形态学

数学形态学源自研究矿产开采的地质层分析方法，是由多个数学运算组合成一组运算子，对这组运算方法称之为数学形态学。目前最新研究领域主要在彩色图像处理方面。其最重要的4个运算分别是开启、闭合、膨胀与腐蚀。

数学形态学最初理论基础是从二值图像处理过程中所形成的，然后发展到处理灰度图像，并进一步涉及到彩色图像的处理当中。随着图像采集的清晰度越来越高，使得所要研究的图像越来越复杂，因此对图像研究前必须进行必要的处理。例如去除不需要研究的对象，减少不必要的数据信息等，但还必须保证图像保有原始的特征信息。所以在对图像进行研究的时候，常用数学形态学理论对图像分割及其检测进行结果剖析[2]。

1.1 膨胀和腐蚀

假设图像集合为A，结构元素集合为B。当B对A进行形态学运算操作时，用结构元素式来描述在数学形态学中涉及到的矩阵大小和领域形状。在获取图像信息后，通过所选信息与相应图像元素做对比处理，找出其相应的关系。选取的信息不同，对应图像元素也不相同，得到的关系也不相同。因此，对待的对象不相同时，对结构元素的选取也是不一样的[2]。

对腐蚀的定义，符号记作“Θ”，表示用B来腐蚀A，记为AΘB，公式为：AΘB={x|(B)x⊆A}，式中：腐蚀运算可以表示为：如果A是B的一个子集，当对B进行移动后，A仍然是B的子集，并且子集中包含所有的x。

1.2 开启和闭合

对于数学形态学中膨胀与腐蚀这2种运算公式，如果对图像同时使用2种运算方法，则定义：若先对图像进行腐蚀运算然后进行膨胀运算，则称之为开启运算；相反，如果对图像进行膨胀后再进行腐蚀处理，则称为闭合运算。开启和闭合是数学形态学中2种比较常用的综合算法，可以对复杂的图像信息进行分析处理[2]。

在数学形态学中将开启的运算符定义为“○”，表示A用B来开启，其定义为：A○B=(AΘB)⊕B。定义闭合的运算符为“●”，表示A用B来闭合，其定义为：A●B=(A⊕B)ΘB。

2 分割方法

图像分割是图像处理中最重要的环节之一，为图像结果分析提供数据依据，同时也是计算机视觉处理分析图像的基础。图像分割的定义就是将人们需要处理的图像进行区域分割，根据不同特征的需求将图像分割成相应的特征区域，使得人们对于想要处理的部分可以进行直观的、清晰的处理。

2.1 建立标准模板

由于木材加工工艺对时效的要求日益加快且待检测的木材数量往往较大，传统依靠人类视觉经验检测的方法逐渐变成了计算机视觉检测分析。本文根据现有的分割方法，利用木材的特点，结合实际加工工艺过程中时间短的要求，提出了建立不同板材的无缺陷标准模板阈值，通过待检测的木质板材与无缺陷标准模板阈值进行像素点逐一比较，可以得出所要分割的部分。

2.2 获取分割阈值

2.3 缺陷图像的分割

将色差绝对值大于该阈值的像素点一一提取出来，根据(1)式算法过程，设计编写算法程序，通过计算机视觉系统对板材进行检测，对图像进行处理，得到缺陷分割图像，如图1、图2。

(1)

图3 虫眼缺陷分割最终效果图像 图4 腐朽缺陷分割最终效果图像

所得图像由于木材本身存在的特殊纹理，可能会存在一些不应提取分割的部分，即对图像中板材的纹理进行了错误的分割提取，使得不应该被提取的部分提取出来了，这部分通常称为伪目标或者噪声点。常用的处理方法是再次利用数学形态学中的运算方法对这些伪目标或噪声点进行进一步处理，最终得到待检测板材缺陷的理想分割图像，如图3、图4。

本文所设计的模板匹配的方法基本实现了对板材缺陷部位的分割提取，根据所提取的缺陷部位与实际缺陷相比较，可以得出该方法在准确性和完整性方面具有一定的实用价值。基于上述实验数据可以看出，该方法对缺陷分割提取较为精确，程序对硬件要求较低且缺陷分割提取准确率较高，但是由于在木质板材中对一些特殊纹理或者缺陷部位与纹理颜色较为接近的木质板材尚需进一步的处理，因此对于本文涉及方法需要进一步的试验研究。

图5 木质板材计算机监测流程示意图

3 系统设计

本文所设计的系统主要是基于计算机视觉的实时检测系统，由计算机视觉系统、图像处理系统、传送装置、图像判别分析系统、产品分流系统等系统模块组成。系统流程见图5。

主要工作原理是：首先通过光照系统为图像采集提供良好的光源，避免待检测板材的图像产生阴影造成图像分割提取时的难度；其次是通过计算机视觉系统对待测板材表面进行图像信息采集，然后将图像信息输入到计算机系统的图像处理模块系统中。

图像处理模块系统是以计算机系统和Matlab软件开发平台为基础的应用软件构成，主要作用是将实时采集的板材信息进行分析，判断图像是否存在缺陷，如果存在缺陷则利用已设计的分割算法对缺陷进行分割提取，然后将分割提取后的板材图像信息输入到计算机图像判别分析系统。

图6 硬件系统示意图

由计算机图像判别分析系统将得到的板材图像信息进行判别，如果判别为正常板材，则将信息传输给产品分流系统。经分流装置对所检测的木质板材进行分类，通过传送带将正常板材归入正常类。反之则归入缺陷类。硬件系统见图6。

4 验证实验

实验材料从林场选取200多段带有不同缺陷的木材样本，采集成图像大小为620×480的图片。样本包含了木材的各种缺陷(虫眼、节子、腐朽和裂纹等)，采用本文方法对虫眼和腐朽2种木材缺陷进行处理后的结果见图3、图4。同时在效率上对比阈值法对木材缺陷检测，单位时间内提高了30%左右的检测量。

由实验结果分析，该方法可以有效的减少图像噪声，并对目标缺陷位置进行准确的定位分割，与传统单一方法进行缺陷分割相比，不仅在缺陷位置准确度有所提升，还在检测效率上有了很大的进步。

5 小结

本文主要是基于数学形态学理论，利用建立模板匹配的方法，将板材缺陷部位分割提取出来。结合实际生产的要求，对检测方法的可行性进行了大量的实验，从实验结果来看，符合加工生产需要，实验效果较为理想。实验研究所涉及的仅仅是为木材缺陷分割提取方向的一种方法，同时这种模板匹配的分割方法也适用于其他行业，如钢材的缺陷检测，医学的病理器官对照等。由于使用的样本木材树种有限，应进一步应用于更多树种木材，进一步研究以求完善。

[1]戴天虹.基于计算机视觉的木质板材颜色分类方法的研究[D].哈尔滨：东北林业大学，2008.

[2]王树文，闫成新，张天序，等.数学形态学在图像处理中的应用[J].计算机工程与应用，2004，31(32)：89-92.

[3]戴天虹，王玉珏，赵贝贝，等.基于HSI三分量独立性木材缺陷图像分割[J].机电产品开发与创新，2009，22(6)：110-115.

[4]邹丽晖，白雪冰.数学形态学在木材表面缺陷图像分割后处理中的应用[J].林业机械与木工设备，2006，12(3)：40-42.

[5]王克奇.木质材料表面缺陷计算机视觉测量的识别方法[J].林业科学，1996，32(1)：92-96.

[6]戴天虹，王克奇，白雪冰，等.基于神经网络和颜色特征对木材进行分级的分析[J].森林工程，2006，1(3)：18-21.

Timber Defects based on Mathematical Morphology

DAI Tian-hong，JIA Zhuang

(NortheastForestryUniversity，Harbin150040，Heilongjiang，China)

Combined with mathematical morphology method，we propose a segmentation method based on mathematical morphology for extracting plate defects.The main method is to use the image pixel values of the difference between each point for solving the non-defective standard.Compared with non-defective plates and the test plates，we take the sum of the difference between corresponding points to average，and we call this average is threshold.All the image point is larger than the threshold segmentation point，we take all the point for our picture.Then using mathematical morphology for larger image noise further processing，we can take zhe picture at last.

wood defects；mathematical morphology；timber detection

2014-05-18；

2014-06-29

黑龙江省自然科学基金(基于计算机视觉的木质板材颜色分类和缺陷检测研究，C201414)

戴天虹(1963—)，男，辽宁海城人，东北林业大学教授，博士，从事模式识别与计算机控制研究。E-mail：th_2000@sina.com。

10.13428/j.cnki.fjlk.2015.02.016

S781.5；TP391.41

A

1002-7351(2015)02-0073-04