3種不同模型對木材表面缺陷圖像分割算法的比較*

白雪冰，許景濤,宋恩來，陳凱

(東北林業(yè)大學 機電工程學院,黑龍江　哈爾濱150040)

?

3種不同模型對木材表面缺陷圖像分割算法的比較*

白雪冰，許景濤,宋恩來，陳凱

(東北林業(yè)大學 機電工程學院,黑龍江哈爾濱150040)

木材表面缺陷會嚴重影響木材的質量和使用價值，因此對木材表面缺陷圖像分割的研究有利于提高木材的利用率。本文分別對紅皮云杉含有蟲眼、活節(jié)、死節(jié)3種典型木材缺陷的圖像采用改進的C-V模型、改進的GVF Snake模型和改進的GAC模型進行分割試驗，對3種改進算法的復雜程度、分割時間、分割結果的完整性以及抗噪性進行對比和分析。結果表明，改進的GAC模型算法較為優(yōu)越，其分割算法簡單，運行時間短，缺陷分割效果較好，抗噪性強。而改進的C-V模型算法、改進的GVF Snake模型算法的分割效果和抗噪性最差,不宜作為3種木材表面缺陷圖像的分割算法。

木材表面缺陷；改進GAC模型；改進C-V模型；改進GVF Snake模型

長期以來，木材被廣泛地使用在工業(yè)、農業(yè)和日常生活中，但中國木材資源十分匱乏，而且木材表面會存在多種缺陷，影響木材利用率和木制品的質量[1]。對木材表面缺陷分割檢測，可以充分利用現(xiàn)有資源提高加工效率，緩解森林資源短缺的壓力[2]。中國的木材缺陷檢測技術主要以人工檢測為主，然而隨著計算機視覺技術的提高和圖像處理技術的快速發(fā)展，國內許多學者也在不斷地研究其在木材缺陷分割檢測領域中的應用。中國在20 世紀70 年代末期開始應用無損檢測技術方法對木材缺陷進行檢測，如：微波法、X 射線法等[3]。

本文采用基于C-V模型、GVF Snake模型、GAC模型等活動輪廓模型的改進算法對木材表面缺陷圖像進行分割。試驗對含有多個目標缺陷的木材表面缺陷圖像，運用改進算法進行分割試驗，對比和分析這3種改進算法的分割結果 、分割時間以及分割過程的抗噪性，從中選出較為優(yōu)越的分割算法，作為木材缺陷圖像的分割算法。

1　材料與方法

1.1材料

紅皮云杉(PiceakoraiensisNakai)是松科(Pinaceae Lindl.)云杉(Picea)屬常綠喬木。試驗中采用的樣本均來自東北林業(yè)大學帽兒山實驗林場的紅皮云杉樹林。

1.2方法

1.2.1改進的C-V模型介紹

C-V模型水平集是在level-set思想和Mumford-Shah模型基礎上由Chan和Vese提出的[4]。C-V模型水平集的能量函數(shù)如下[5～7]。

改進C-V模型的分割步驟見圖1。

圖1　改進C-V模型的分割步驟

1.2.2改進的GAC模型介紹

運用改進GAC模型的分割過程見圖2。

圖2　改進GAC模型的分割步驟

1.2.3改進的GVF Snake模型介紹

傳統(tǒng)Snake模型對初始輪廓線位置的選取非常敏感，分割過程中容易陷入局部極值，并且無法深入缺陷的凹陷部分，不能有效地分割出木材表面缺陷。用GVF力場取代傳統(tǒng)外力場，GVF力場看作是對圖像梯度場的逼近，收斂性更好，使得模型捕捉范圍擴大，而且能使活動輪廓深入木材缺陷的凹陷邊界，得到更準確分割結果[18]。但是由于木材表面缺陷較復雜，如果直接采用GVF Snake模型[19～20]進行缺陷分割，對于缺陷邊緣和背景灰度值相似部分的分割效果較差，很難使得輪廓線有效地收斂到缺陷邊緣，另外由于受到木材紋理和邊緣顆粒等噪聲干擾，會使輪廓線收斂速度較慢，迭代次數(shù)增加，分割所需時間較長。所以需要采用維納濾波進行預處理，從而加快分割速度。

圖3　改進 GVF Snake 模型的分割步驟

運用改進GVF Snake模型對木材表面缺陷進行分割檢測的步驟見圖3。

2　結果與分析

2.1多目標缺陷木材圖像分割方法比較

2.1.1蟲眼缺陷圖像分割對比分析

采用3種改進方法分割的多個蟲眼目標缺陷原圖像(圖4)，分割結果如圖5和圖6所示。由圖5、圖6可以看出：采用改進C-V模型分割結果存在過多的背景輪廓區(qū)域分割線無法消除，使得整體分割出現(xiàn)過分割的現(xiàn)象(圖5-a)；采用改進GVF Snake算法的試驗過程中參數(shù)調節(jié)更為繁瑣，受到GVF力場作用向著局部能量極小化區(qū)域收斂，分割結果較差，運行時間較長；采用改進GAC模型分割時，輪廓線可以快速地收斂到缺陷區(qū)域，曲線演化比較平滑(圖5-c)，參數(shù)設置簡單，運行時間短。由于試驗樣本的缺陷目標雜亂且分布零散，所以出現(xiàn)部分欠分割現(xiàn)象。

蟲眼缺陷的木材表面缺陷圖像分割對比結果見表1。

(a)蟲眼1(b)蟲眼2

圖4　蟲眼缺陷原圖像

圖5　3種改進模型對蟲眼1缺陷圖像分割效果對比

圖6　3種改進模型對蟲眼2缺陷圖像的分割效果對比

2.1.2活節(jié)缺陷圖像分割對比分析

采用3種改進方法分割的多個活節(jié)目標缺陷原圖像(圖7)，其分割結果如圖8和圖9所示。試驗結果表明：改進C-V模型可以分割出來3個居中目標缺陷，卻無法分割位于右側邊緣的缺陷，而且干擾曲線在演化過程中無法消除，但分割時間較快；改進GVF Snake模型在整個分割過程中要動態(tài)調整各個參數(shù)，GVF力場作用下輪廓線向著局部極小值收斂而達到平衡，分割不出缺陷區(qū)域，且其過程繁瑣，運行時間長；改進GAC模型可以將圖像中的缺陷目標完整地分割出來，分割線平滑，分割時間最短，分割效果較好。

活節(jié)缺陷的木材表面缺陷圖像分割對比、分析結果見表2。

(a)活節(jié)1(b)活節(jié)2

圖7　活節(jié)缺陷原圖像

圖8　3種改進模型對活節(jié)1缺陷圖像的分割效果對比

圖9　3種改進模型對活節(jié)2缺陷圖像的分割效果對比

2.1.3死節(jié)缺陷圖像分割對比分析

采用3種改進方法分割的多個死節(jié)目標缺陷原圖像(圖10)，其分割結果如圖11和圖12所示。試驗結果表明：改進C-V模型分割的輪廓線能夠收斂到缺陷區(qū)域，但同樣存在干擾曲線問題，而且出現(xiàn)過分割現(xiàn)象；改進GVF Snake模型分割的輪廓線向著能量極小化方向運動，分割過程中需要不斷地調節(jié)參數(shù)，很難有效地分割缺陷目標，且運行時間較長；改進GAC模型分割的輪廓線不受到背景紋理的干擾，且能迅速地收斂到缺陷邊緣，分割結果完整，分割線比較平滑，運行時間短。

死節(jié)缺陷的木材表面缺陷圖像分割對比分析見表3。

(a)死節(jié)1(b)死節(jié)2

圖10　死節(jié)缺陷原圖像

圖11　3種改進模型對死節(jié)1缺陷圖像的分割對比

圖12　3種改進模型對死節(jié)2缺陷圖像的分割效果對比

根據(jù)3組含有多個木材缺陷的圖像分割對比試驗和分析，從而得出：改進GAC模型算法能夠更加快速有效地分割出木材表面缺陷，分割結果比較完整，操作相對簡單，分割時間最短。

2.2木材表面缺陷圖像分割方法的抗噪聲性能比較

2.2.1蟲眼缺陷圖像分割的抗噪聲性能對比分析

對蟲眼缺陷原圖像(圖13)加0.02比例的椒鹽噪聲后，所得出灰度圖像如圖14所示。

圖13 蟲眼缺陷原圖像圖14 加0.02比例的椒鹽噪聲圖像Fig.13 OriginalimageofwormholeFig.14 0.02oftheproportionofthesaltandpeppernoiseimage

采用3種改進方法對加噪聲后的圖像進行分割，分割結果如圖15(a)、(b)、(c)所示。試驗結果說明：改進GVF Snake分割效果較差，而且在試驗過程中調整參數(shù)設置比較困難；改進的GAC算法和C-V算法都可以將目標缺陷分割出來，雖然改進C-V模型的輪廓線可以逼近目標邊緣，但是背景區(qū)域中噪聲也被分割出來，分割結果不準確；改進GAC模型的輪廓線可以不受到噪聲的干擾，快速平滑地將目標分割出來。

(a)改進GAC模型分割結果(b)改進C-V模型分割結果(c)改進GVFSnake模型分割結果

圖153種改進算法對蟲眼缺陷圖像的分割結果

Fig.15Segmentation results of three improved algorithms

2.2.2活節(jié)缺陷圖像分割的抗噪聲性能對比分析

對如圖16所示的活節(jié)缺陷原圖像加0.02比例的椒鹽噪聲后，其灰度圖像如圖17所示。采用3種改進方法對加噪聲后的圖像進行分割，分割結果如圖18(a)、(b)、(c)所示。試驗結果表明：改進C-V算法的分割結果存在背景的干擾輪廓線；改進GVF Snake模型的分割過程中需要調整參數(shù)，運行緩慢，分割輪廓線無法靠近缺陷邊緣；改進GAC算法對木材表面缺陷圖像分割效果較好，分割速度較快，但是分割過程中會有個別噪聲顆粒也被分割出來，同時右下角的缺陷出現(xiàn)部分欠分割情況。

圖16 活節(jié)缺陷原圖像圖17 加0.02比例的椒鹽噪聲圖像Fig.16 OriginalimageoflivingscabFig.17 0.02oftheproportionofthesaltandpeppernoiseimage

(a)改進GAC模型分割結果(b)改進C-V模型分割結果(c)改進GVFSnake模型分割結果

圖18　3種改進算法對活節(jié)缺陷圖像的分割結果

2.2.3死節(jié)缺陷圖像分割的抗噪聲性能對比分析

對如圖19所示的死節(jié)缺陷原圖像加0.02比例的椒鹽噪聲后，其灰度圖像如圖20所示。采用3種改進方法對加噪聲后的圖像進行分割，分割結果如圖21(a)、(b)、(c)所示。試驗結果表明：改進C-V模型能夠將右側缺陷完整分割出來，但對于左側缺陷分割效果較差，曲線輪廓演化到缺陷內部，背景干擾輪廓線也無法消除；改進GVF Snake模型分割效果較差，輪廓曲線在達到平衡力場作用時受到較強的干擾，分割結果相差較大，同時參數(shù)調整復雜，運行時間長，難以將缺陷分割出來；改進GAC模型在噪聲比例增加的情況下，能夠較完整地分割，而且運行速度不受影響。

(a)改進GAC模型分割結果(b)改進C-V模型分割結果(c)改進GVFSnake模型分割結果

圖213種改進算法對死節(jié)缺陷圖像的分割結果

Fig.21Segmentation results of three improved algorithms

3　結論

本文對比了3種改進算法對木材表面缺陷圖像分割的效果，得出如下結論：運用3種改進算法對多目標缺陷圖像進行分割試驗，從算法的復雜程度、分割速度、分割結果完整性以及抗噪聲性等方面進行比較，可見改進GAC算法較為優(yōu)越，分割速度快，缺陷分割結果較完整，抗噪性強。其次為改進的C-V模型算法，改進的GVF Snake模型算法的分割結果和抗噪性最差。

[1]王林.基于Gabor變換的木材表面缺陷圖像分割方法[J].計算機工程與設計,2010,31(5):1066-1069.

[2]王再尚.基于Markov隨機場的木材表面缺陷模式識別方法的研究[D].哈爾濱：東北林業(yè)大學,2012.

[3]苗媛媛.劉一星,劉鎮(zhèn)波,等.木質材料缺陷無損檢測主要研究進展[J].世界林業(yè)研究,2008,5(7):44-50.

[4]徐玲凌,肖進勝,易本順.改進的C-V水平集模型圖像分割算法[J].計算機工程,2009,35(10):209-213.

[5]蘇益杰,王美清.改進的公路破損路面圖像分割 CV模型[J].計算機工程,2011,37(10):192-195.

[6]唐子淑,劉杰,別術林.基于CV 模型的CT圖像分割研究[J].CT理論與應用研究,2014,23(2):193-202.

[7]Caselles V,Kimmel R,Sapiro G. Geodesic active contour[J].International Journal of Computer Vision,1997,22:61-79.

[8]原野,何傳江. LBF活動輪廓模型的改進[J].計算機工程與應用,2009,45(15):177-179.

[9]程兆寧,宋志堅. RSF模型的優(yōu)化及其在MRI腦腫瘤分割中的應用[J].生物醫(yī)學工程學雜志,2013,30(2):265-271.

[10]Xu C,Prince J. Snakes,shapes and gradient vector flow[J]. IEEE Transactions on Image Processing,1998,7(3):359-369.

[11]Gao Song,TIEN D Bui. Image segmentation and selective smoothing by using Mumfod-Shah model[J]. IEEE Transaction on Image Processing,2005,14(10):1537-1549.

[12]Kass M,Witkin A,Terzopoulos D. Snakes:Active contour models[J]. International Journal of Computer Vision,1988,1(4):321-331.

[13]薛晶瀅.基于GAC模型的交互式圖像分割算法的研究及應用[D].西安：西北大學,2009.

[14]Wasi lewsk iM. Active contours using level sets for medical image segmentation[D]. Waterloo:University of Waterloo,2004.

[15]Yang Yu,Caiming Zhang,Yu Wei,etal. Active contour method combining local fitting energy ang global fitting energy dynamically[J].Lecture Notes in Computer Science,2010,61(65):163-172.

[16]喬劍敏.基于GAC模型和C-V模型的圖像分割方法的改進[D].哈爾濱：哈爾濱工業(yè)大學,2011.

[17]Hanh J,LEE C. Geometric attraction-driven flow for image segmentation and boundary detection[J]. Journal of Visual Communication and Image Representation,2010,21(1):55-66.

[18]王元全.Snake模型與深度凹陷區(qū)域的分割[J].計算機研究與發(fā)展,2005,42(7):1179-1184.

[19]趙煥輝.基于GVF Snake模型的醫(yī)學圖像分割技術研究[D].濟南：山東大學,2013.

[20]靳莉宴.基于參數(shù)優(yōu)化的Snake模型及在MRI圖像分割中的應用[D].天津：河北工業(yè)大學,2010.

[21]楊輝,唐建鋒,楊利容,等.基于中值濾波和維納濾波的圖像混合噪聲濾波研究[J].衡陽師范學院學報,2011,32(6):53-55.

Contrast of Three Image Segmentation Algorithms for Wood Surface Defects

BAI Xue-bing,XU Jing-tao,SONG En-lai,CHEN Kai

(College of Machinery Electricity of Northeast Forestry University，Harbin Heilongjiang 150040，P.R.China)

Since the surface defect of the wood can seriously affect the quality and the use value of the wood,the research of image segmentation algorithm for wood surface defects can increase the utilization rate of wood.This paper respectively research three typical wood defects with wormhole,living scab and dead scab. For segmentation test,the improved C-V model,the improved GVF Snake model and the improved GAC model were used,and the complexity of the three improved algorithms,the time required for segmentation,the integrity of segmentation results,and the noise performance of the algorithm were analyzed through the test.The results showed that the improved GAC model was superior to other methods since its segmentation algorithm was simple,its running time was shorter,its defect segmentation results were complete and its noise immunity performance was significant.The image segmentation result and noise immunity of the improved C-V model and the improved GVF Snake model were not significant.

wood surface defect; improved GAC model; improved C-V model; improved GVF Snake model

2015-08-29

黑龍江省自然科學基金項目(C201208)。

白雪冰(1966-)，男，教授，碩士生導師，主要從事圖像處理與模式識別研究。E-mail:xumou2010@163.com

TP 391.41；S 781.61

A

1672-8246(2016)04-00027-08

doi:10.16473/j.cnki.xblykx1972.2016.04.005