玻璃缺陷特征提取

郭振鐸,劉洲峰,徐慶偉,朱永勝

(中原工學(xué)院,鄭州 450007)

玻璃缺陷特征提取

郭振鐸,劉洲峰,徐慶偉,朱永勝

(中原工學(xué)院,鄭州 450007)

根據(jù)玻璃缺陷的特點,研究了玻璃缺陷圖像特征提取的基本原則,有效提取了玻璃圖像中的缺陷目標(biāo)的幾何特征及7個不變矩特征.通過特征有效性分析,選取每幅玻璃缺陷圖像的幾何特征作為識別參數(shù),實驗結(jié)果表明,提取的特征區(qū)分度良好.

特征提取;模式識別;不變矩

模式識別是基于對象模式的目標(biāo)識別及分類技術(shù),是研究圖像或各種物理對象過程的分類和描述的學(xué)科,在視覺領(lǐng)域中稱為圖像識別.模式識別是20世紀(jì)60年代迅速發(fā)展起來的一門學(xué)科.特別是隨著近年來大量科研成果的出現(xiàn),在很多領(lǐng)域得到了成功的應(yīng)用.

為了有效地實現(xiàn)分類識別,就要對原始圖像數(shù)據(jù)進(jìn)行變換,得到最能反映分類本質(zhì)的圖像特征.

圖像特征是指圖像的原始特征或?qū)傩?每一幅圖像都有其本身的特性,其中有些是視覺直接感受到的自然特征,如亮度、邊緣、紋理或色彩等;有些是需要通過變換或測量才能得到的人為特征,如譜、直方圖等.為了正確地對缺陷圖像進(jìn)行有效識別,需要從圖像中提取有效的數(shù)據(jù)或信息,生成非圖像的描述或表示,如數(shù)值、符號等,即抽取圖像特征.一般地,把原始數(shù)據(jù)組成的空間叫做“測量空間”,把分類識別賴以進(jìn)行的空間叫做“特征空間”.通過特征提取,把維數(shù)較高的測量空間中表示的模式轉(zhuǎn)化為在維數(shù)較低的特征空間中表示的模式,從而為圖像識別提供數(shù)據(jù)樣本.

1 特征選取依據(jù)

對于待識別的缺陷圖像,通過相關(guān)的處理后,對其經(jīng)過分割和邊緣提取,可以得到圖像的原始特征,但是原始特征的數(shù)量很大,圖像樣本處于一個高維空間中,如何從眾多的特征中選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的,是特征選擇和提取的基本任務(wù).在樣本數(shù)量不是很多的情況下,用很多特征進(jìn)行分類器的設(shè)計,從計算復(fù)雜程度和分類器性能來看都是不合適的.因此研究如何把高維空間特征轉(zhuǎn)化到低維空間特征以便有效地識別圖像就很關(guān)鍵.例如,通過攝像機把一個物體轉(zhuǎn)換為一個二維灰度陣列.一個256×256灰度陣列圖像相當(dāng)于256×256維測量空間中的一個點,不便于識別,更重要的是這樣一種描述并不能直接反映圖像的本質(zhì).

目前,幾乎還沒有解析的方法能夠指導(dǎo)特征的選擇,一般情況下,根據(jù)經(jīng)驗和相關(guān)理論基礎(chǔ)先列出一些可能的特征表,然后用特征排序方法計算不同特征的識別效率.利用其結(jié)果對表進(jìn)行刪減,以選取最優(yōu)的特征組合.具體地,選擇特征的依據(jù)如下[1-3]:

(1)可區(qū)別性.對于屬于不同類的圖像而言,它們的特征應(yīng)具有明顯的差異;

(2)可靠性.對于同類圖像,特征值應(yīng)該比較接近;

(3)獨立性好.所選擇的特征值之間應(yīng)彼此不相關(guān).需要注意的是,有時相關(guān)性很高的特征組合起來可以減少噪聲干擾,但它們一般不作為單獨的特征使用.

⑷數(shù)量少.圖像識別系統(tǒng)的復(fù)雜程度隨著系統(tǒng)維數(shù)(特征個數(shù))成正比增加.特征數(shù)量如果過多,雖然識別的效果會更好一些,但是識別時計算更加耗時,難度更大.

2 玻璃缺陷特征

玻璃產(chǎn)品中最常見的缺陷主要有氣泡、結(jié)石和裂紋,由于產(chǎn)生的原因不同,它們有著不同的特性.

(1)氣泡.氣泡是玻璃制品的最常見缺陷之一.其灰度圖像中氣泡的邊緣灰度值低于背景灰度值,值得注意的是,氣泡中心位置的灰度值高于背景灰度值.

(2)結(jié)石.結(jié)石是玻璃中的固體物質(zhì),是玻璃體內(nèi)最危險的缺陷.它不僅破壞了玻璃制品的外觀和光學(xué)均一性,而且會大大降低玻璃制品的機械強度和熱穩(wěn)定性,甚至?xí)怪破纷孕衅扑?在灰度圖像中,結(jié)石區(qū)域的灰度值明顯低于背景灰度值.

(3)裂紋.裂紋是玻璃在生產(chǎn)線各工序的傳輸過程中因機械劃傷、磕碰等原因造成的.對于含有裂紋的玻璃缺陷圖像,破損處的邊緣及內(nèi)部各點灰度值均低于背景灰度值.

經(jīng)過邊緣提取和圖像分割后,可以得到玻璃缺陷目標(biāo)的邊緣和區(qū)域,進(jìn)而獲得需要處理的玻璃缺陷目標(biāo),結(jié)合玻璃產(chǎn)品中氣泡、結(jié)石和裂紋圖像的特點.本文提取了玻璃缺陷圖像的相關(guān)特征.

(1)面積.面積是物體總尺寸的度量.面積只與物體的邊界有關(guān),而與物體內(nèi)部的灰度級變換無關(guān).快捷的計算方法是統(tǒng)計邊界內(nèi)部(包括邊界點)像素的數(shù)目,計算公式為:

對于二值圖像,如果用1表示物體,用0表示背景,則面積就是計算圖像中值為1的像素點的個數(shù).

(2)周長.周長就是整個邊界的長度.本文采用統(tǒng)計邊緣提取后的邊界點上的像素的個數(shù).

(3)圓形度.圓形度表示目標(biāo)物體形狀接近圓形的程度,計算公式為:

式中:S為區(qū)域的面積;L為周長.R越大,則區(qū)域越接近圓形.

(4)矩.給定二維連續(xù)函數(shù) f(x,y),其 p、q階矩可定義為:

不同 p、q值下可以得到不同的圖像矩Mpq,常用的區(qū)域矩特征值有以下幾個:

③Hu矩組:Hu M K利用二階和三階中心矩構(gòu)造了7個不變矩,并證明了該矩組具有平移不變性、旋轉(zhuǎn)不變性和比例不變性,能有效地反映圖像的本質(zhì)特征.表達(dá)式如下:[4]

3 缺陷特征提取與分析

根據(jù)氣泡、結(jié)石和裂紋3種缺陷的特點,并通過實驗比較,本文提取了缺陷的面積、周長、矩形度、伸長度及不變矩作為缺陷的特征.算法實現(xiàn)的具體步驟如下:

(1)讀取圖像;

(2)對圖像進(jìn)行預(yù)處理,采用中值濾波的方法消除噪聲;

(3)采用迭代最優(yōu)閾值分割和形態(tài)學(xué)操作將玻璃缺陷圖像分割為背景和目標(biāo)2部分;

(4)根據(jù)像素的4鄰域特性提取圖像的邊緣;

(5)統(tǒng)計圖像邊緣中邊緣像素點的個數(shù),從而求得周長;

(6)計算面積A,對經(jīng)過分割后的二值圖像,通過統(tǒng)計分割后的缺陷目標(biāo)中像素值為1(以0表示背景,1表示目標(biāo))的像素點的個數(shù)求出缺陷目標(biāo)的面積;

(7)通過公式 C=(4πA)/(LL)計算缺陷目標(biāo)的圓形度;

(8)計算缺陷目標(biāo)的高度 H;

(9)計算缺陷目標(biāo)的寬度W;

(10)通過公式R=A/(HW)計算缺陷目標(biāo)的矩形度;

(11)通過公式min(H,W)/max(H,W)計算缺陷目標(biāo)的伸長度;

(12)根據(jù)公式(6)—(12)求取缺陷目標(biāo)的7個不變矩;

(13)生成特征矩陣;

(14)通過公式min(H,W)/max(H,W)計算缺陷目標(biāo)的伸長度.

對于如圖1所示的3幅分別含有氣泡、結(jié)石和裂紋的玻璃缺陷圖像所取的特征參數(shù)如表1所示.

圖1 含有缺陷的玻璃圖像

由表1可知,對于氣泡、結(jié)石和裂紋3種缺陷,它們的伸長度均為1,這個特征對于缺陷的分類識別沒有意義,屬于無效特征,因此在對缺陷目標(biāo)識別時不予考慮.只要圖像硬件系統(tǒng)穩(wěn)定,圖像預(yù)處理方法選擇恰當(dāng),基于圖像二值化后像素數(shù)目統(tǒng)計的幾何特征面積和周長是反映目標(biāo)圖像特征較好的2個特征,而且它們的運算量較小、算法容易實現(xiàn),因此這2個特征可以作為缺陷目標(biāo)識別的特征參數(shù).由表1不難看出,圓形度對氣泡、結(jié)石和裂紋3種缺陷有良好的區(qū)分度,因此也可以作為缺陷目標(biāo)識別的特征參數(shù).矩形度雖然對于區(qū)分氣泡和結(jié)石的效果不明顯,但是卻可以明顯地區(qū)分裂紋與氣泡或者結(jié)石這2種缺陷,因此也可以作為缺陷目標(biāo)識別的特征參數(shù).7個不變矩特征具有平移、旋轉(zhuǎn)和比例縮放不變性,它們對缺陷目標(biāo)的識別有一定作用,但是它們計算復(fù)雜,增加了識別系統(tǒng)的復(fù)雜程度,延長了識別時間.對于識別來講,只要能夠保證很好地實現(xiàn)對目標(biāo)缺陷的識別分類這一前提,則特征參數(shù)越少越好,因為參數(shù)越多則越復(fù)雜.

表1 缺陷特征值

基于以上分析,本文選取面積、周長、圓形度和矩形度作為對玻璃缺陷進(jìn)行識別的特征參數(shù).

4 結(jié) 語

文章介紹了圖像的常見特征類型,并根據(jù)玻璃缺陷的特點重點研究了圖像的矩特征和幾何特征及特征提取的依據(jù)和方法.對氣泡、結(jié)石和裂紋圖像中的缺陷目標(biāo)分別提取了它們的面積、周長、圓形度、矩形度、伸長度及7個不變矩特征.通過特征有效性分析,選取每幅玻璃缺陷圖像的面積、周長、圓形度和矩形度為識別參數(shù),從而為缺陷特征識別提供基礎(chǔ).

[1] 李弼程,彭天強.智能圖像處理技術(shù)[M].北京:電子工業(yè)出版社,2004:67.

[2] 陳洪波,湯井田,陳真誠.基于SOM的 H IFU治療中損傷組織特征提取[J].生物醫(yī)學(xué)工程學(xué)雜志,2009,26(4):873-877.

[3] 嚴(yán)俊龍,鄭曉曦,李鐵源.磁瓦表面缺陷自動檢測系統(tǒng)的研究[J].2009,45(36):288-231.

[4] Rafael C Gonzalez,Richard EWoods.數(shù)字圖像處理[M].阮秋琦,阮宇智,譯.北京:電子工業(yè)出版社,2003.

The Feature Extraction of Glass Defection

GUO Zhen-duo,L IU Zhou-feng,XU Qing-wei,ZHU Yong-sheng
(Zhongyuan University of Techno logy,Zhengzhou,450007,China)

According to the p roperties of glass defect image,the basic p rincip le of feature extraction is studied for glass defect image in the paper.Geometrical characteristics and seven moment invariants are extracted fo r defect target in glass image.Geometrical characteristics is selected to pattern recognition by validation analysis.The experimental results show that the distinguishing effect is good the extracted feature in this paper.

feature extraction;pattern recognition;moment invariant

TP206

A DO I:10.3969/j.issn.1671-6906.2010.02.009

1671-6906(2010)02-0035-04

2010-03-09

河南省教育廳自然科學(xué)基金項目(200410465201;200510465002)

郭振鐸(1982-),男,河南駐馬店人,碩士.