应用改进分水岭算法对木材表面缺陷图像分割试验1)

王金聪 宋文龙 张彭涛

(东北林业大学，哈尔滨，150040)

According to the characteristics of the wood defect sample image, it is preprocessed by histogram equalization and gradation transformation so that the contrast between the defect target and the background is larger, and the defect target image is highlighted. The method of multiple comparison experiments is applied to the defects of the live knots (sample 1), dead knots (sample 2) and wormhole (sample 3). The traditional watershed algorithm and the improved watershed algorithm are used to segment the sample defect images, and the differences between the two methods are analyzed. The comparison of experimental results show that the improved watershed segmentation method can quickly and better segment the image of wood defects, and the defect contours are more clear and complete, and the curves are smoother; this also makes up for the insufficiency of the traditional watershed transition segmentation and under-segmentation, achieving comparatively the ideal segmentation effect. The improved segmentation algorithm has higher segmentation efficiency than the traditional method, and the segmentation time is shorter and more accurate. This experiment proved the feasibility and reliability of the improved watershed algorithm.

在木料缺陷检测领域，相对于人工目测木料缺陷的方法，计算机检测缺陷要求的高精度、非接触、具有综合分析能力的识别方法是目前所面临的难题。在计算机检测木料缺陷系统中，数字图像技术[1]中的图像分割技术是不可或缺的。无论是人工目测木料缺陷，还是计算机检测，边缘检测的准确性是最基本的需要。分水岭具有原理简单、算法效率较高的特点，在图像分割领域，分水岭算法作为经典算法；但是，分水岭算法仍然存在一些缺点，在对图像进行分割时，由于放大的困难，可能会出现算法效率较低，耗费时间较长的现象；同时，还可能会出现对图像的过度分割情况[2-3]。为此，本文根据木材缺陷样本图像特点，用直方图均衡化和灰度变换对其进行预处理，对活节、死节、虫眼缺陷采用多组对比试验的方法，采用传统分水岭算法和改进分水岭算法分割样本缺陷图像，分析两种方法的差异。旨在为木材缺陷检测方法的优选提供参考。

1 材料与方法

试验用计算机的配置是Intel(R) Core(TM) i7-2600的处理器，主频3.40 GHz，4G内存卡，win7.0 32位操作系统，matlab7.0处理软件。

试验中的处理对象是课题实验组拍摄的木材表面缺陷样本图像，主要包含死节(样本1)、活节(样本2)、虫眼(样本3)3种典型缺陷(见图1)。算法分割之前需要将彩色缺陷图像变换成灰度图像(见图2)，在不影响分割结果的前提下减少处理时间，提高试验效率。

样本图像灰度变换增强：每幅图像都由像素点组成，像素点的灰度值直观体现视觉效果。因此，可根据期望的视觉效果，通过改变图像中像素的灰度实现对图像的处理。该方法是对图像中每个像素点进行处理，采用的是直接灰度映射[4]。本试验指定灰度映射规则，改变图像中像素灰度；利用灰度映射，对图2对应木材表面缺陷样本灰度图进行灰度增强，并绘制其对应的直方图(见图3)。

图1 木材表面缺陷样本原图像

图2 对应木材表面缺陷样本灰度图

图3 对应样本图像的灰度变换增强图

样本图像直方图均衡加强：经过灰度映射，木材表面缺陷图像灰度得到了变换增强；在图像直方图的表现，是在某一灰度范围内集中大量图像像素，而其他灰度范围内的图像像素很少。采取直方图均衡化[5]对图像进行第二步处理，通过直方图均衡化，将原本的像素灰度集中分布转变为像素在全灰度范围内均匀分布。这种做法相当于对图像进行线性拉伸，使图像像素的灰度均匀分布。对应木材缺陷样本图像(死节、活节、虫眼)直方图均衡化后的图像如图3所示。

通过以上两种预处理，处理后图像缺陷目标图像更突出背景图像，以便于后期分割处理。

2 传统与改进分水岭算法分割试验比较

2.1 传统分水岭算法分割试验

传统分水岭算法分割[6]的依据是梯度变化，因此，对于不同梯度函数的选用，会得到不同的图像分割结果。本试验对样本图像做传统分水岭算法分割(见图4)，结果显示：样本1活节图像，完成的分割时间为10.721 s；样本2死节图像，完成的分割时间为9.568 s；样本3虫眼图像，完成的分割时间为8.942 s。

图4 传统分水岭分割对应样本图

由图5可见：传统的分水岭算法对均衡化样本图像的分割，对样本1活节、样本2死节图像产生过分分割，除了对缺陷的分割以外，把缺陷边缘附近均误判为缺陷。图5中样本1活节、样本2死节周围都出现了过分分割的情况，外围轮廓不太平滑；样本3虫眼也存在一定的过分分割，较前两个不明显。

图5 形态学处理对应样本图

2.2 改进分水岭算法分割试验

改进分水岭算法[7-8]，是在数学形态学理论基础上的图像分割算法。本试验采用数学形态学中常用的开启、闭合、膨胀、腐蚀运算处理样本图像。由图5可见：各样本图像经过形态学的处理，目标缺陷比之前更突出，重建后的图像缺陷更为准确。然后可以对形态学操作处理过的图像进行目标提取。

改进分水岭算法分割流程见图6。程序中首先读入前面试验中预处理的样本图像，接着对其图像滤波，然后进行梯度变化和修改，运用分水岭算法分割，之后运用形态学开启、关闭、膨胀等操作进行区域合并，最后目标提取完成分割。

由图7可见：改进分水岭算法分割，对样本1活节的分割比较准确，分割曲线比传统方法平滑，样本1活节图像完成分割的时间为5.482 s；对样本2死节的分割准确无误，没有产生过分分割的情况，其完成分割的时间为4.834 s；对样本3虫眼图像分割没有存在欠分割和过分割，分割图像相对完整，外部曲线轮廓光滑，其完成分割的时间为4.678 s。

图6 改进分水岭算法分割流程图

图7 改进分水岭分割算法对应样本图

从改进分水岭算法分割木材缺陷样本图像试验结果得出：改进算法的样本图像，分割效果更有效，目标提取更准确，克服了传统分水岭算法分割图像存在过分割和欠分割的缺点，木材缺陷轮廓更完整清晰，去噪效果明显提高，分割时间较之前缩短(见表1)。

表1 两种方法完成分割时间

3 结论

针对活节、死节、虫眼样本图像，本试验采用两种方法——传统分水岭算法和改进分水岭算法分割样本图像。分割前，为了使目标缺陷和背景对比度更大，凸显目标缺陷图像，对原始样本灰度图像采取了灰度变换增强和直方图均衡增强，然后再分别采用两种方法进行图像分割。结果显示：改进的分水岭算法分割木材缺陷样本图像，效果较理想，能准确地分割出样本缺陷，克服了传统分水岭算法的过分割和欠分割的缺陷，也改善了其边缘对梯度算子敏感的缺点，使样本缺陷图像轮廓更为平滑清晰，其分割时间明显缩短，提高分割效率。通过两个分割方法的试验对比，改进分水岭算法的图像分割更为高效率，节省分割时间，提高分割精度，证明了其可行性和准确性。将数学形态学应用到分水岭算法在木材缺陷图像检测识别中，本文处理结果明显，更能较好还原缺陷本身图像，为木材缺陷检测奠定良好基础。