基于幾何及灰度特征的紙病檢測(cè)算法研究

楊 波 周 強(qiáng) 張剛強(qiáng)

(陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021)

基于幾何及灰度特征的紙病檢測(cè)算法研究

楊 波 周 強(qiáng) 張剛強(qiáng)

(陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021)

針對(duì)當(dāng)前紙病在線檢測(cè)系統(tǒng)實(shí)時(shí)性強(qiáng)和信息量大的特點(diǎn)，提出了一種高效、靈活的基于幾何及灰度特征的紙病檢測(cè)算法。首先采用鄰域均值法對(duì)紙病圖像去噪，然后根據(jù)灰度直方圖選取合適閾值將圖像二值化，并運(yùn)用邊界跟蹤法檢測(cè)出紙病邊緣，最后提取出紙病的幾何及灰度特征并分析其特征量將紙病分類。按照該算法依次對(duì)常見(jiàn)5種紙病進(jìn)行檢測(cè)，結(jié)果表明，基于幾何及灰度特征的紙病檢測(cè)算法能夠準(zhǔn)確地檢測(cè)并分類常見(jiàn)紙病。

紙病;在線檢測(cè);幾何特征;灰度特征;特征提取

現(xiàn)代造紙工業(yè)的特點(diǎn)是車速快、紙幅寬，紙病檢測(cè)大多靠人工完成，而人工檢測(cè)和分類處理速度慢、精度低、勞動(dòng)強(qiáng)度大［1］。因此，新一代基于CCD技術(shù)［2］的紙病在線檢測(cè)系統(tǒng)的運(yùn)用，在現(xiàn)代造紙生產(chǎn)過(guò)程中顯得非常重要。各大廠家紛紛引進(jìn)智能化在線檢測(cè)系統(tǒng)，改善檢測(cè)環(huán)節(jié)技術(shù)水平，保證成品紙高合格率。但該系統(tǒng)單位時(shí)間內(nèi)檢測(cè)的紙張面積大，處理的圖像數(shù)據(jù)量多，要求提高系統(tǒng)硬件性能的同時(shí)，還要改善檢測(cè)算法，才能滿足在線檢測(cè)的實(shí)時(shí)性。為此，本研究提出了一種基于幾何及灰度特征的紙病檢測(cè)算法，實(shí)時(shí)、準(zhǔn)確地對(duì)成品紙進(jìn)行檢測(cè)。

1 檢測(cè)算法流程

基于幾何及灰度特征的紙病檢測(cè)算法流程圖如圖1所示:首先讀取CCD相機(jī)拍攝的紙病圖像，然后對(duì)圖像依次進(jìn)行去噪、二值化及邊緣提取的預(yù)處理工作，其次提取預(yù)處理后圖像的特征量并對(duì)其分析，最后根據(jù)分析結(jié)果將檢測(cè)出的紙病分類。

圖1 紙病檢測(cè)算法流程圖

2 紙病圖像預(yù)處理

2.1 去噪

借助CCD相機(jī)拍攝的紙病圖像，是由光信號(hào)轉(zhuǎn)變?yōu)殡娦盘?hào)［3］，在圖像的轉(zhuǎn)變和傳輸中，受環(huán)境光線和CCD相機(jī)自身質(zhì)量等諸多因素的影響，不可避免存在噪聲，所以在進(jìn)行圖像處理前需要去除噪聲。本課題比較了兩種常用的平滑去噪法:鄰域中值法和均值法。根據(jù)濾波處理結(jié)果，得出對(duì)紙病圖像去噪效果較好的方法［4］。

鄰域中值法和均值法的濾波原理為:將每一像素點(diǎn)的灰度值分別設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值和均值。以g(x，y)表示原始圖像在 (x，y)處的灰度值，選取N*N二維窗口 (一般N取3或15)，以G(x，y)表示濾波后圖像在 (x，y)處的灰度值，則鄰域中值法和均值法可以分別表示為:

式中，Med{}表示對(duì)N*N二維窗口里的像素點(diǎn)灰度值排序并取其中值，∑ {}表示對(duì)N*N二維窗口里的像素點(diǎn)灰度值求和，M為窗口內(nèi)的像素點(diǎn)個(gè)數(shù)，n、m為整數(shù)。

借助DALSA公司的在線掃描黑白CCD數(shù)字相機(jī)，拍攝一幀有黑斑的紙張圖像，截取包括黑斑的局部圖像，如圖2(a)所示。利用Visual C++6.0軟件，新建一個(gè)工程，編寫3*3鄰域的中值和均值濾波算法，分別對(duì)圖2(a)進(jìn)行平滑去噪處理，處理結(jié)果如圖2(b)和圖2(c)所示。

圖2 兩種平滑去噪法的濾波效果對(duì)比

從圖2可以看出:鄰域均值法處理后的黑斑輪廓變得相對(duì)模糊，但對(duì)噪聲的處理效果相對(duì)較好，因此本課題采取鄰域均值法對(duì)紙病圖像進(jìn)行平滑去噪處理。

2.2 二值化

圖像二值化常用的方法是閾值法，它是用一個(gè)或幾個(gè)閾值將圖像的灰度值分為幾個(gè)級(jí)別，屬于同一級(jí)別的像素點(diǎn)認(rèn)為是同一目標(biāo)。以濾波處理后的黑斑圖像為例，圖像背景和黑斑分布都比較均勻且灰度值差值較大［5］，選取某一閾值 Th，把圖像分成大于Th的像素群 (背景)和小于等于Th的像素群 (黑斑)兩部分［6］。g(x，y)表示圖像各像素點(diǎn)灰度值，F(xiàn)(x，y)表示對(duì)圖像二值化的輸出，即:

基于新建的工程，編寫直方圖及二值化算法，并對(duì)濾波后的黑斑圖像進(jìn)行二值化處理。根據(jù)圖3(b)中濾波后黑斑圖像的直方圖，選取Th=150，經(jīng)二值化后黑斑的灰度值被置為0，背景灰度值被置為1，黑斑圖像二值化后結(jié)果如圖3(c)所示。可見(jiàn)，黑斑圖像經(jīng)二值化處理后，可以清楚獲得黑斑的區(qū)域范圍。

圖3 黑斑圖像二值化

2.3 邊緣提取

圖像的邊緣是指周圍像素灰度值有階躍變化或屋頂變化的像素點(diǎn)集合，它是圖像最基本的特征之一［7］。圖像邊緣提取的算法很多，常用的有邊緣算子檢測(cè)法、Canny邊緣檢測(cè)法、邊界跟蹤法、數(shù)學(xué)形態(tài)法、小波分析等。本課題采用邊界跟蹤法，對(duì)二值化后的紙病圖像進(jìn)行邊緣提取。

尋找邊緣的邊界跟蹤法是對(duì)圖像按照從右到左，從下到上的順序搜索。找到最右下方的邊界點(diǎn)，以這個(gè)邊界點(diǎn)起始，對(duì)該點(diǎn)8鄰域內(nèi)像素點(diǎn)進(jìn)行搜索，找到下一個(gè)邊界點(diǎn)，依次類推，找到所有的邊界點(diǎn)。此方法的跟蹤準(zhǔn)則是:從第一個(gè)邊界點(diǎn)A開(kāi)始，定義初始的搜索方向?yàn)檠赜疑戏?如果右上方的點(diǎn)為黑點(diǎn)，則為邊界點(diǎn)，否則搜索方向逆時(shí)針旋轉(zhuǎn)45°。這樣一直找到第一個(gè)黑點(diǎn)為止。然后把這個(gè)黑點(diǎn)作為新的邊界點(diǎn)，在當(dāng)前搜索方向的基礎(chǔ)上順時(shí)針旋轉(zhuǎn)90°，繼續(xù)用相同的方法搜索下一個(gè)黑點(diǎn)，直到返回最初找到的第一個(gè)邊界點(diǎn)為止［8］，如圖4(a)所示為邊界跟蹤法示意圖。

圖4 紙病邊緣提取

在新建的工程下，繼續(xù)編寫邊緣提取算法，并對(duì)二值化后黑斑圖像進(jìn)行邊緣提取，效果如圖4(c)所示?？梢钥闯觯吔绺櫡軌驕?zhǔn)確提取出黑斑的邊緣輪廓。

3 紙病圖像特征

CCD相機(jī)每秒鐘拍攝的紙張面積為車速與紙幅寬度的乘積，當(dāng)車速10 m/s、紙幅寬2 m時(shí)，1 s內(nèi)拍攝的紙張面積就可達(dá)20 m2，可見(jiàn)紙病檢測(cè)系統(tǒng)需要實(shí)時(shí)處理的圖像數(shù)據(jù)量很大。因此對(duì)其進(jìn)行實(shí)時(shí)、準(zhǔn)確地檢測(cè)并分類紙病時(shí)，算法必須提取出具有代表性的紙病圖像特征。本課題從幾何及灰度特征兩方面進(jìn)行了分析研究。

3.1 幾何特征

幾何特征屬于圖像的外部特征，以像素點(diǎn)的數(shù)量為度量值。下面從周長(zhǎng)、面積、矩形度及圓形度4方面對(duì)紙病的相關(guān)外部信息進(jìn)行了分析研究。

3.1.1 周長(zhǎng)

采用邊界跟蹤法，對(duì)二值化后紙病圖像進(jìn)行邊緣提取，統(tǒng)計(jì)邊緣上像素點(diǎn)灰度值為0的數(shù)量，將統(tǒng)計(jì)數(shù)值作為紙病周長(zhǎng) (P)，計(jì)算公式如下:

式中，F(xiàn)(x，y)為二值化紙病圖像灰度值，∑{}表示統(tǒng)計(jì)紙病邊緣L上的像素點(diǎn)灰度值F(x，y)=0的個(gè)數(shù)。

3.1.2 面積

在二值化后紙病圖像中，紙病面積 (A)可以定義為它的邊緣所包含區(qū)域內(nèi)像素點(diǎn)灰度值為0的數(shù)量［9］，計(jì)算公式如下:

式中，F(xiàn)(x，y)為二值化紙病圖像灰度值，∑{}表示統(tǒng)計(jì)紙病區(qū)域S內(nèi)的像素點(diǎn)灰度值F(x，y)=0的個(gè)數(shù)。

3.1.3 矩形度

描述矩形度有兩個(gè)參數(shù):矩形擬合因子 (Pr)和寬長(zhǎng)比 (Pwl)，其計(jì)算公式分別如下:

式中，A表示紙病面積，Ar表示紙病最小外接矩形面積，Wr表示紙病最小外接矩形寬度，Lr表示紙病最小外接矩形長(zhǎng)度，矩形擬合因子Pr的值在 (0，1］范圍內(nèi)變化。當(dāng)紙病輪廓為矩形時(shí)，Pr取得最大值1;當(dāng)紙病輪廓為圓形時(shí)，Pr取值為π/4;細(xì)長(zhǎng)、彎曲的紙病Pr取值較小。

3.1.4 圓形度

圓形度 (C)是表示紙病圓形相似度的量，計(jì)算公式如下:

式中，A為紙病面積，P為紙病周長(zhǎng)。根據(jù)定義可以得知圓形紙病的C取得最大值1。正n邊形的圓形度為，當(dāng)n趨向于無(wú)窮大時(shí)，其極限正好是圓的圓形度1。

3.2 灰度特征

灰度特征屬于圖像的內(nèi)部特征，以像素點(diǎn)的灰度值為研究對(duì)象。以下從灰度均值和灰度標(biāo)準(zhǔn)差兩方面進(jìn)行了分析研究。3.2.1 灰度均值

對(duì)濾波后紙病圖像，統(tǒng)計(jì)紙病區(qū)域內(nèi)各像素點(diǎn)灰度值并求其均值，作為紙病灰度均值 (Mean)，計(jì)算公式如下:

式中，g(x，y)表示濾波后圖像在 (x，y)處的灰度值，∑ {}表示對(duì)紙病區(qū)域S內(nèi)像素點(diǎn)灰度值求和，M為紙病區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)。

3.2.2 灰度標(biāo)準(zhǔn)差

灰度標(biāo)準(zhǔn)差 (Var)用以描述紙病區(qū)域內(nèi)灰度值相對(duì)灰度均值的偏離程度，計(jì)算公式如下:

式中，g(x，y)表示濾波后圖像在 (x，y)處的灰度值，Mean為灰度均值，M為紙病區(qū)域S內(nèi)像素點(diǎn)的個(gè)數(shù)。

綜合以上的分析研究，根據(jù)各個(gè)特征量的定義，在之前的工程中編寫幾何及灰度特征的提取算法。

圖55 種常見(jiàn)紙病預(yù)處理后的結(jié)果

4 常見(jiàn)紙病特征提取及分析

從CCD數(shù)字相機(jī)拍攝的紙病圖像中，截取5種常見(jiàn)紙病的局部圖像，如圖5(a)所示依次為:黑斑、劃痕、孔洞、邊緣裂縫、亮斑［10］。按照編寫的預(yù)處理算法對(duì)這些紙病依次進(jìn)行處理，結(jié)果如圖5(b)、(c)、(d)所示，并根據(jù)幾何及灰度特征的提取算法提取對(duì)應(yīng)紙病的特征量，數(shù)據(jù)結(jié)果見(jiàn)表1。

表1 5種常見(jiàn)紙病特征量提取結(jié)果

由表1可以看出，上述7項(xiàng)特征量能夠有效區(qū)分5種常見(jiàn)紙病。具體分析為:選擇周長(zhǎng)、寬長(zhǎng)比及圓形度，主要用來(lái)區(qū)分細(xì)長(zhǎng)紙病與其他紙病，如劃痕、邊緣裂縫，而根據(jù)矩形擬合因子及面積可以區(qū)分出劃痕與邊緣裂縫;選擇面積，主要用來(lái)區(qū)分黑斑、亮斑與其他紙病，而根據(jù)灰度均值可以區(qū)分黑斑與亮斑;對(duì)于孔洞，灰度值偏小且灰度值變化程度最大，根據(jù)灰度標(biāo)準(zhǔn)差可以對(duì)其區(qū)分。

綜上所述，本研究提出的基于幾何及灰度特征的紙病檢測(cè)算法，能夠有效、準(zhǔn)確地檢測(cè)并分類出常見(jiàn)紙病，且該算法的程序?qū)崿F(xiàn)簡(jiǎn)單、靈活，易于Visual C++6.0軟件實(shí)現(xiàn)檢測(cè)算法的編寫。

5 結(jié)語(yǔ)

目前造紙行業(yè)中，新一代基于CCD技術(shù)的紙病在線檢測(cè)系統(tǒng)以其強(qiáng)大的優(yōu)越性，代替人工檢測(cè)已是一種趨勢(shì)，相應(yīng)地，更加完善的檢測(cè)算法也是技術(shù)所需。結(jié)合常見(jiàn)紙病的實(shí)驗(yàn)結(jié)果，表明基于幾何及灰度特征的紙病檢測(cè)算法能夠準(zhǔn)確地檢測(cè)并分類常見(jiàn)紙病。該算法以其簡(jiǎn)單、靈活的特點(diǎn)，對(duì)紙病在線檢測(cè)系統(tǒng)的優(yōu)化起著重要作用。

［1］呂 岑，孫 瑜．基于統(tǒng)計(jì)處理的紙病檢測(cè)研究［J］．中國(guó)造紙學(xué)報(bào)，2003，18(2):151．

［2］Monica Carfagni，Rocco Furferi，Lapo Governi．A real-time machinevision system for monitoring the textile raising process［J］．Computers in Industry，2005(56):831．

［3］韓九強(qiáng)．機(jī)器視覺(jué)技術(shù)及應(yīng)用［M］．北京:高等教育出版社，2009．

［4］徐 杰．基于機(jī)器視覺(jué)的紙病檢測(cè)方法研究與應(yīng)用［D］．南京:南京林業(yè)大學(xué)，2008．

［5］王勇軍，陳文凱，熊智新，等．基于Hough變換的紙病檢測(cè)分析［J］．中國(guó)造紙，2010，29(3):59．

［6］劉科文，周 平，付斌斌．基于機(jī)器視覺(jué)的圓環(huán)形零件形位尺寸自動(dòng)測(cè)量［J］．工業(yè)控制計(jì)算機(jī)，2010，23(7):1．

［7］Hongbin Jia，Yi Lu Murphey，Jianjun Shi，et al．An Intelligent Realtime Vision System for Surface Defect Detection［C］．IEEE，2004．

［8］求是科技，張宏林．精通Visual C++數(shù)字圖像處理典型算法及實(shí)現(xiàn)［M］．2版．北京:人民郵電出版社，2008．

［9］陳艷燕，王 云，葉含笑，等．機(jī)器視覺(jué)鋼化玻璃絕緣子氣泡的缺陷檢測(cè)研究［J］．自動(dòng)化儀表，2010，31(7):51．

［10］關(guān)健華．全幅紙病檢測(cè)技術(shù)及在造紙中的應(yīng)用［J］．中國(guó)造紙，2000，19(6):32．

Study on Algorithm of Paper Defect Detection Based on Geometric and Gray Feature

(School of Electrical and Information Engineering，Shaanxi University of Science and Technology，Xi'an，Shaanxi Province，710021)(*E-mail:382633409@qq．com)

Considering the characteristics of strong real-time and a great deal information of current paper defect on-line detecting system，an efficient and flexible algorithm of paper defect detection based on geometric and gray feature is proposed in this paper．The paper defect image is de-noised by neighborhood averaging method at first．And then binary image is obtained through selecting appropriate threshold according to gray histogram．At last paper defect edge is detected by boundary tracking method．Geometric and gray features of paper defects are extracted and analyzed so as to classify them．Experiment was carried out to verify this algorithm for five common paper defects．The result showed that common paper defects can be accurately detected and classified through the algorithm of paper defect detection based on geometric and gray feature．

paper defect;on-line detection;geometric feature;gray feature;feature extraction

TP391.4

A

0254-508X(2011)09-0050-04

YANG Bo*ZHOU Qiang ZHANG Gang-qiang

2011-06-08(修改稿)

本課題獲得陜西省教育廳科研專項(xiàng)基金 (2010JK420);陜西科技大學(xué)校博士科研啟動(dòng)基金 (BJ10-05);陜西科技大學(xué)校級(jí)學(xué)術(shù)骨干培養(yǎng)計(jì)劃 (2010)資助。

楊 波先生，在讀碩士研究生;主要研究方向:圖像處理、智能檢測(cè)以及其在紙病檢測(cè)中的應(yīng)用等。

(責(zé)任編輯:郭彩云)