基于位平面的纸病检测算法研究

亢　洁　潘思璐

(陕西科技大学电气与信息工程学院,陕西西安,710021)



基于位平面的纸病检测算法研究

亢洁潘思璐

(陕西科技大学电气与信息工程学院,陕西西安,710021)

摘要：针对当前纸病检测算法存在抗干扰能力差、定位不准确和运算复杂等问题,提出一种基于位平面的纸病检测算法。首先,采用自适应中值滤波算法对纸病图像进行滤波,然后,对滤波后的图像进行位平面分解,并运用格雷码对位平面加以增强,最后,使用数学形态学对其进行边缘检测,得到最终的纸病检测结果。仿真结果表明：该方法运算简单,能够较好地检测出纸病缺陷,并具有较好的抗干扰性和定位准确性。

关键词：自适应中值滤波；位平面；格雷码；数学形态学；纸病检测

随着纸机车速的不断提高,纸张面临着出现更多纸病缺陷的风险，进而对利用机器视觉对纸张外观纸病进行检测提出了更高的要求。

目前,利用机器视觉对纸张外观纸病进行检测的方法一般分为阈值法[1]、形态学方法[2]、灰度级统计法[3-4]三类。阈值法根据不同的纸病设置不同的阈值,是一种简单有效的图像分割方法,但该方法对于不同纸张、不同纸病所选取的阈值都是不同的,所以通用性差,并且抗噪性也不尽如人意；形态学方法采用腐蚀和膨胀的边缘检测算子检测纸病边缘,虽然该方法克服了缺陷检测中不同纸病选取不同阈值的繁琐,对图像细节和边缘定位具有较好的结果,但若单独使用该方法,就会出现边缘信息损失的情况；灰度级统计法利用纸病图像的统计特征检测纸病,基于灰度级统计的方法种类繁多,比较具有代表性的有一维自回归算法、模糊逻辑算法和基于共生矩阵和自组织神经网络的纸病检测方法等。一维自回归算法不能用于纹理建模和缺陷检测,模糊逻辑算法对于缺陷的识别和后续处理比较复杂,而基于共生矩阵和自组织神经网络的纸病检测方法置信度的选择对检测结果影响很大。

针对以上问题,本研究提出一种基于位平面的纸病检测算法,首先使用中值滤波滤除纸病图像中的噪声,再对滤波后的图像进行位平面分解,最后运用数学形态学提取纸病边缘得到最终的检测结果。本算法能够较好地检测出缺陷,并具有较好的抗噪性。

1位平面

数字图像位平面分解多用于图像编码[5]和图像检索[6]等,还有人脸识别[7],而位平面用于缺陷检测的例子比较少[8]。

一幅具有2m个灰度级的灰度图像,可以用一个整数矩阵表示,矩阵的每个元素就是图像中相应位置像素的灰度g,其可以用如下二进制式子表示：

(1)

式中,i表示像素信息位序号,i∈{0,1,…,m-1}；bi表示第i个信息位的取值,bi∈{0,1}；m为用来表示图像像素的二进制位数,具有256个灰度级的图像的m为8,下同。

以具有256个灰度级的灰度图像为例简要说明图像位平面的基本概念。具有256个灰度级的图像的像素灰度都是介于[0,255]的整数,每个像素需要用8位的二进制数来表示。分别提取每个像素的相同二进制比特位组成一个平面,这样得到的平面被称为图像位平面。

如图1所示,以图像作为底面,用表示像素大小的8位二进制数作为高度(如图1中的竖线,并且高位在上、低位在下),形成一个立方体。从整个图形来看,就像是把一个大立方体横切成8片,各像素位置相同的位在同一片上,这样形成的一片就是一个位平面,并且高位位平面在上、低位位平面在下。

图1　具有256个灰度级的图像的位平面

图2　孔洞纸病的原图及位平面分解

借助图像位平面表示形式,可以对图像特定的位平面进行操作,以达到对图像特征描述和分析的目的。图2为常见孔洞纸病的纸张原图像及其8个位平面。

从图2中的纸病位平面图可以看出,最高的几个位平面反映了原始图像的主要内容,包含了视觉可见的有意义信息,体现了明显的图像结构特征,而较低位平面所携带的原始特征信息极少,并且信息的随机性很强,只增加了图像亮度信息,没有提供任何结构信息,故仅用最低位或较低位的位平面不能描述原图的特征,在进行图像分析时可忽略。换言之,选取较高位位平面进行图像分析能够保证分析的准确性。

2基于位平面的纸病检测算法

本研究首先对原始图像运用自适应中值滤波进行滤波预处理,然后对滤波后的纸张图像依次提取其像素的每个二进制比特位组成位平面,为了得到更好的效果,再采用增强位平面对原位平面进行改进,最后结合形态学算法对重要增强位平面进行边界提取得到最终的检测结果。其检测流程如图3所示。

2.1自适应中值滤波

图3　基于位平面的纸病检测算法流程图

中值滤波的基本原理[9]：把数字图像或数字序列中一个点的像素用该点的一个邻域中各像素的中值代替,让周围的像素接近真实值,从而消除孤立的噪声点。

中值滤波具有较好的滤波效果,但其抑制噪声的能力会受到滤波窗口尺寸的影响。滤波窗口较小时,滤噪能力受到限制,滤波效果不理想,但可以较好地保护图像细节；当滤波窗口增大时,其滤噪能力有所增强,但同时对图像细节的保护能力又有所减弱,甚至会滤去图像中的一些细线、尖锐边角等重要细节；滤波窗口尺寸越大,这种影响表现越明显。由于中值滤波需要人为地选取滤波窗口大小,因此,对于随机的噪声干扰,不能自适应地调整滤波窗口的大小。

针对上述问题,本研究采用自适应中值滤波算法进行滤波[10]。该方法能够根据图像受噪声干扰的程度自适应地调整滤波窗口的大小,并输出滤波结果。其算法流程如图4所示。

自适应中值滤波算法结合了小尺度窗口具有较好的细节保护能力和大尺度窗口具有较强的去噪能力的优点,在很大程度上减小了窗口尺寸对滤波性能的影响,缓和了噪声抑制与保持图像清晰度之间的矛盾,取得了较好效果。

图4　自适应中值滤波算法的流程图

图5　孔洞纸病的增强位平面分解

2.2获取图像的增强位平面

对含有纸病的图像进行滤波后,需要对滤波后的图像进行位平面分解。采用位平面分解的方法进行图像分析虽然简单易行,但存在一个固有缺点：即图像像素点灰度的微小变化会对位平面的复杂度产生比较明显的影响,如灰度仅相差1,但是其8个位平面却呈现完全不同的情况。例如,2个相邻像素分别为127和128,它们的二进制形式分别为01111111和10000000,图像每个位平面的这个位置处就会有从0到1(或者从1到0)的过渡,这样就会导致在分解出的所有位平面中,这2个像素对应的二值像素全都不同。这种情况会降低检测精度。为了解决这个问题,算法中采用格雷码对位平面加以改进,以此来减小灰度变化对位平面的影响。对应式(1)中多项式的m比特的格雷码可由式(2)表示：

(2)

式中，⨁为异或操作；ai为位平面分解得到的第i个位平面,即位平面i#；gi是位平面ai的格雷码表示,即增强位平面i#。

格雷码特有的性质是相连的码字只有1个比特位的区别,即对于变换后的增强位平面,不同灰度级的位平面只有1个比特位不同,并且,对于每个用相应的格雷码来表示的二进制位平面,其格雷码是唯一的,反之亦然。仍采用上述例子,2个相邻像素分别为127和128,用式(2)的格雷码表示分别为01000000和11000000。这样,其只在位平面7#(最高位位平面)有从0到1的过渡,而在其他位平面没有变化,进而能够有效避免灰度级变化对位平面造成的影响,具有较强的鲁棒性。图5为孔洞纸病用格雷码表示的增强位平面。

从图5可以看出,与图2的位平面相比,增强位平面的图像复杂度降低,并且具有视觉意义信息的位平面数量更多,增强位平面6#的视觉效果最好(包含有纸病图像中最有用的信息)。这样的分解和选取方式可以大大减少算法的计算量。

2.3用数学形态学算法进行边缘检测

获取图像的增强位平面之后,就需要提取增强位平面6#的边缘。本研究采用数学形态学的方法对增强位平面6#进行边缘检测,获得最终的检测结果。

数学形态学的基本原理是采用具有一定形态的结构元素(如矩形、 圆形或菱形等)提取和度量图像中相对应的形状,从而实现图像的识别与分析。

利用数学形态学提取图像边缘的算法如下：设图像F、B是一个合适的结构元素,首先让F被B腐蚀,然后求取图像F与其腐蚀结果之差,设D为图像的边缘,利用公式表示为：

D=F-(FΘB)

(3)

用这种方法可以检测到图像的弱边缘,而且,定位准确、运算简单、可并行处理、提高运算速度。这种方法也是对图像进行边缘检测时较常用的一种方法。

图8　黑斑纸病的检测结果

图7　裂纹纸病的检测结果

图6　孔洞纸病的检测结果

3仿真结果分析

本研究选择含有孔洞、裂纹和黑斑纸病的纸张图像作为实验对象。在Matlab R2010b实验平台上对本研究算法进行编程验证。

采用本研究提出的基于位平面的纸病检测算法对孔洞、裂纹、黑斑这3种常见纸病进行检测,并分别对这3种常见纸病的纸病原图像进行中值滤波及边缘检测,检测结果如图6～图8所示。

由图6(b)、图7(b)和图8(b)所示的自适应中值滤波结果可以看出,本研究使用的自适应中值滤波方法在保留细节的同时,还能够较好地抑制噪声。

由图6(c)、图7(c)和图8(c)所示的各纸病的增强位平面6#可以看出,其反映了图像的主要内容,并在原图像基础上去除了亮度等对检测无用的信息,从而达到简化计算的目的,这就为随后的边缘检测奠定了良好的基础。

图6(d)、图7(d)和图8(d)分别是对增强位平面6#运用数学形态学进行边缘检测得到的纸病边缘。由此可以看出,最终检测到的纸病图像边缘光滑、清晰,定位准确,并且没有受到噪声的影响,达到了检测的要求。

图6、图7和图8中的(e)和(f)是对纸病原图像分别进行中值滤波,然后再对该滤波结果进行边缘检测的结果。滤波窗口大小为3×3,所得滤波效果最佳；边缘检测算子分别为Prewitt算子和Canny算子。由检测结果可以看出,Prewitt算子对噪声具有一定的抑制能力,但是边缘定位效果不理想,丢失了部分纸病边缘,同时还出现了一些虚假边缘和多像素宽度的边缘。Canny算子定位精确,但是它同时也检测出图像的一些背景杂质,影响了检测效果。

从检测结果可以看出,本研究采用的基于位平面的纸病检测算法检测到的纸病边缘更完整、轮廓更清晰、受背景杂质和噪声的干扰较小(抗噪性较好)、细节较丰富,且没有检测到图像的虚假边缘,该算法检测效果好；同时,该算法运算量小、检测准确快速。

对于大多数纸病,该算法选取增强位平面6#进行边缘检测是有效可行的,但是,对于少数纸病(如低对比度纸病),选取增强位平面6#进行检测的效果并不很理想,还需要提取增强位平面5#或增强位平面7#来进行检测。在以后的研究中,为了能够自动有效地选取进行边缘检测的所有图像(包括低对比度图像)的位平面,还需要做进一步的探讨。

4结束语

本研究采用自适应中值滤波方法对纸病图像进行滤波,在滤波的同时不损失图像的细节,再运用位平面分解来提取滤波后的纸病图像的8个位平面,然后再通过格雷码对位平面进行异或,得到纸病图像的8个增强位平面,最后再运用形态学边缘检测对选取的增强位平面6#进行边缘检测,得到最终的检测结果。本研究首次将位平面运用到纸病检测上；仿真结果表明,该方法简单易实施,能够较好地检测出缺陷,具有较好的抗干扰性和定位准确性,同时克服了传统边缘检测算法抗干扰能力差、定位不准确和运算复杂的缺点。

参考文献

[1]殷燕屏, 熊智新, 胡慕伊. 基于阈值分割及分形特征的纸病图像识别算法研究[J]. 中国造纸学报, 2011, 26(4)： 41.

[2]陈珺, 王亦红. 基于机器视觉的低对比度纸病识别算法研究[J]. 中国造纸学报, 2013, 28(2)： 29.

[3]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.

[4]张学兰, 李军, 孟范孔. 一种基于机器视觉的纸病识别方法[J]. 中国造纸学报, 2013, 28(1)： 48.

[5]李宝峰, 窦勇. 位平面编码存储优化算法及FPGA设计[J]. 计算机辅助设计与图形学学报, 2008, 20(12)： 1535.

[6]周燕, 曾凡智, 卢炎生, 等. 基于压缩感知的图像检索方法研究[J]. 中山大学学报： 自然科学版, 2014, 53(1)： 57.

[7]魏冬梅, 周卫东. 基于位平面和协作表示的人脸识别算法[J]. 北京理工大学学报, 2014, 34(9)： 966.

[8]Priya S, Ashok kumar T, Paul V, et al.Defect detection in woven fabric using weighted morphology[C]//International Conference on Computing Communication & Networking Technologies. 2012: 1.

[9]刘慧忠, 汤伟. 基于FPGA的纸病检测预处理算法的实现[J]. 中国造纸学报, 2014, 29(1)： 53.

[10]Hwang H.Adaptive median filters: new algorithms and results.[J].IEEE Trans Image Process, 1995, 4(4)： 499.

(责任编辑：关颖)

Study on Detection Algorithm of Paper Defects Based on Bit-plane

KANG JiePAN Si-lu*

(SchoolofElectricalandInformationEngineering,ShaanxiUniversityofScienceandTechnology,Xi’an,ShaanxiProvince, 710021)

(*E-mail: pansilu098@163.com)

Abstract：Considering current paper defect detection methods have many problems, for example, anti-noise performance is not good, paper defects edge location becomes inaccurate, operation of algorithm is complicated and so on. A kind of detection algorithm of paper defects based on bit-plane was presented. Firstly, the noise of the images containing paper defects was filtered by adaptive median filter algorithm. Then, the filtered images were decomposed into 8 bit-plane images. After that, the 8 bit-plane images were enhanced with gray code. Finally, the enhanced bit-plane image was edge detected by mathematical morphology operator, thus, the final results of paper defect detection were obtained. The simulation results showed that this method had the advantages of simple calculation, better defects detection ability, better anti-noise performance and positioning accuracy.

Keywords：adaptive median filter; bit-plane; gray code; mathematical morphology; paper defect detection

作者简介：亢洁,女,1973年生；副教授,博士；研究方向：缺陷检测、模式识别。

基金项目：陕西省自然科学基础研究计划项目(2014JM8329)；陕西省教育厅专项科研计划项目(14JK1092)；咸阳市科技计划项目(2011K07- 03)；陕西科技大学博士科研启动基金(BJ10-10)。

收稿日期：2015- 06- 05

中图分类号：TS736+.2

文献标识码：A

文章编号：1000- 6842(2015)04- 0027- 05

*通信联系人：潘思璐,E-mail∶pansilu098@163.com。