一種基于連通域標記的紙病檢測算法

趙曉　何立風　姚斌

摘要：提出了一種基于段的連通域標記處理算法，同時對紙病區(qū)域進行連通域標記和形狀特征值提取，旨在提高紙病檢測的準確率和效率。該算法利用紙病區(qū)域為簡單連通圖像的特點，采用段技術實現(xiàn)了紙病區(qū)域的標記處理，探討了在標記處理同時快速統(tǒng)計與形狀特征值計算有關的中間參數(shù)的方法，利用標記結果及形狀特征值實現(xiàn)了紙病的快速檢測。該算法優(yōu)化了標記處理與形狀特征值提取的過程，減少了紙病圖像的掃描次數(shù)。結果表明，該算法達到了準確、快速的紙病檢測效果，且易于擴展到實際的紙病檢測系統(tǒng)中。

關鍵詞：連通域標記；段標記；形狀特征提?。患埐z測

中圖分類號：TP39

文獻標識碼：A

DOI：1011981/jissn1000684220180251

隨著紙機向高速度、高精度和自動化方向的發(fā)展，利用計算機視覺等技術實現(xiàn)低成本、高效率的紙病檢測成為當前的主要研究熱點。紙病區(qū)域的識別及特征值的提取是實現(xiàn)紙病檢測的重要步驟[12]。

連通域標記處理[34]作為基本的圖像處理過程，將二值圖像中屬于同一連通域的所有物體像素用唯一的標號進行標記的過程，是計算物體數(shù)量、面積、周長、圓形度、中心等形狀特征的前提，是實現(xiàn)圖像處理的重要步驟[5]。連通域標記處理在實現(xiàn)不同物體區(qū)分方面具有速度快、方法簡單、實時性好、準確度高等優(yōu)點，已被廣泛應用于指紋識別[6]、實時監(jiān)控系統(tǒng)[7]、目標跟蹤[8]等領域，并取得了良好的應用效果。連通域標記算法的高效性和實時性特征滿足紙病檢測對實時性的需求。紙病區(qū)域像素的灰度值及形狀特征值是紙病檢測不可缺少的重要因素，本課題提出適合于紙病檢測的灰度圖像的標記處理，且在標記處理的同時統(tǒng)計與形狀特征值計算相關的中間參數(shù)，在標記處理完成后依據(jù)標號值及形狀特征值實現(xiàn)簡單、快速、準確的紙病檢測。

1算法基本原理

11基于段的連通域標記處理

常見的紙病圖像中，不管是孔洞、黑斑還是邊緣裂口，在各類紙病區(qū)域中所有紙病像素均為連通像素，在其內部不存在獨立的正常紙區(qū)域，所以紙病圖像屬于簡單連通圖像[9]。

基于紙病圖像為簡單連通圖像的特點，提出基于段的連通域標記處理。所謂段是指掃描行中一個連續(xù)的物體像素塊[4]，其示意圖如圖1所示（任意像素可以是紙病像素也可以是背景像素），圖1中像素s到像素e之間的物體像素塊稱為段，屬于一個連通域。以段為對象標記處理的過程優(yōu)化了目前傳統(tǒng)的基于單一像素的標記處理過程。圖2所示的傳統(tǒng)方法[3]完成當前像素p的標記處理需要檢查4個鄰接像素r1、r2、r3、r4，鄰接像素的檢查操作冗余，影響標記處理的速度。而以段為單位的標記處理過程，簡化了鄰接像素的檢測次數(shù)，避免了單一像素工作窗中鄰接像素的冗余檢測操作，從而顯著提高標記處理的速度。

12灰度圖像的轉換

圖3為幾種常見的紙病圖像，其中黑斑和孔洞的形狀與邊緣裂口有明顯的差異，形狀細長且彎的是邊緣裂口，而接近橢圓形的是黑斑和孔洞?？梢?，黑斑和孔洞的形狀特征值相似，不能作為區(qū)分黑斑和孔洞的依據(jù)。從像素的灰度值來看，黑斑的灰度值低于背景像素灰度均值，而孔洞的灰度值高于背景像素灰度均值，因此灰度值是區(qū)分這兩種不同類型紙病的重要依據(jù)；而黑斑與邊緣裂口灰度值均低于背景像素灰度均值，但可依據(jù)它們形狀特征值的不同加以區(qū)分?？梢?，像素灰度值在區(qū)分黑斑和孔洞這類形狀特征相似的紙病時是必不可少的重要依據(jù)，而對于黑斑和邊緣裂口這類形狀特征值差別較大的紙病識別時可以不依賴于像素的灰度值。

基于像素灰度值對于紙病檢測的重要性，將紙病灰度圖像轉換為二值圖像進行連通域標記處理顯然增加了處理的復雜度。綜合灰度值及形狀特征值對于紙病檢測的影響，本課題首先對紙病灰度圖像按照像素灰度值與背景像素灰度均值的偏離程度有選擇地進行灰度轉換。圖3所示的紙病圖像，背景灰度均值為210，黑斑的灰度值低于190，孔洞的灰度值高于230。依據(jù)閾值190和230，轉換后的灰度圖像包括3類：第一類為背景灰度像素；第二類的像素灰度值為0，這類像素是由黑斑、邊緣裂口等像素灰度值低于背景像素灰度均值的像素轉換得到；第三類的像素灰度值為255，這類像素由孔洞等像素灰度值高于背景像素灰度均值的像素轉換得到。

依據(jù)上述閾值，圖4為圖3轉換后得到的紙病圖像，在圖4所示的灰度圖像上進行紙病檢測處理，簡化了連通域標記處理的過程，且不影響灰度值對于紙病檢測的識別效果。

13統(tǒng)計形狀特征值計算所需的中間參數(shù)

紙病區(qū)域的形狀特征值包括面積、周長、圓形度、長寬比及矩形度等，是區(qū)分不同種類紙病的另一必要條件。在連通域標記基礎上實現(xiàn)目標識別方法中，通常將連通域標記處理與形狀特征值的統(tǒng)計分開、獨立完成。但是各個形狀特征值統(tǒng)計與連通域標記處理都需要掃描像素，分析像素與鄰接像素間的關系等操作，所以在連通域標記處理和特征值提取兩個操作過程間存在公共操作，獨立完成方法中存在冗余操作。本課題算法在進行標記處理時統(tǒng)計并存儲與計算形狀特征值有關的中間信息，以此簡化冗余操作提高紙病檢測效率。

2算法實現(xiàn)

紙病灰度圖像的紙病區(qū)域是標記和統(tǒng)計形狀特征值的目標，也就是連通域，為了表述方便，以下所有關于連通域標記處理均統(tǒng)一表述為紙病區(qū)域的標記處理。

21灰度圖像的標記處理

本課題中將合格紙張區(qū)域的像素稱作“背景像素”。在含有紙病的圖像中，紙病區(qū)域相對于合格紙張區(qū)域的面積小很多，背景像素的個數(shù)遠遠大于紙病區(qū)域像素的個數(shù)，所以在對當前掃描的像素p進行檢查時，首先檢查像素p是否為背景像素，若是背景像素，則會直接進入下一個像素的檢查處理，否則像素p一定為紙病像素。如果像素p的值等于0，則判定為像素灰度值低于背景灰度均值的紙病，設定為第1類紙病，否則像素p為像素灰度值高于背景灰度均值的紙病，設定為第2類紙病，進行基于段技術的紙病區(qū)域標記處理過程。第1類紙病的標號值用變量l1表示、第2類紙病的標號值用變量l2表示，變量l1和l2均被初始化為1。

在逐行掃描像素的過程中，當一個紙病像素的左鄰像素為背景像素時，則該像素為當前段的段首像素（如圖5所示），記作rs，將其位置存儲于段首數(shù)組run_s 中。當檢測到段中一個紙病像素的右鄰像素為背景像素時，則當前的紙病像素為段尾像素，記作re（如圖5所示），將其位置存儲于段尾數(shù)組run_e 中，根據(jù)當前段在上一行是否存在有鄰接段，分兩種情況對當前段進行標記處理：（a）在當前段的上一行不存在鄰接段，表明當前段為新出現(xiàn)的紙病區(qū)域的首行，根據(jù)段所屬種類用當前標號l1 或l2 進行標記，標記結束后相應的標號變量值增1。（b）在當前段的上一行存在有i （i≥1）個鄰接段，當i等于1時，則用鄰接段的標號標記當前段；當i大于1時，則從多個鄰接段中選擇最小標號作為當前段的標號，并進行等價標號合并的處理。

22實現(xiàn)統(tǒng)計形狀特征值計算所需的中間參數(shù)

假設一紙病區(qū)域PA的標號值為l（l可以是l1或者l2），其面積、圓形度、長寬比和矩形度等形狀特征值依次表示為PA[l]A、PA[l]C、PA[l]ρ、PA[l]γ，各形狀特征值的計算分別見公式（1）～公式（4）。

PA[l]A={p（x， y） | p（x， y）=l}（1）

PA[l]C=4π×PA[l]A/ P2（2）

PA[l]ρ= W / L（3）

PA[l]γ= PA[l]A / W / L（4）

公式（1）定義標號為l的紙病區(qū)域的面積為當前紙病區(qū)域像素的個數(shù)。

公式（2）定義圓形度中的參數(shù)P表示紙病區(qū)域PA[l]的周長。根據(jù)當前段中的邊界像素計算周長，所謂邊界像素是指在該像素的鄰接像素中存在有背景像素，周長的計算見公式（5），參數(shù)Ne表示水平步或者垂直步，參數(shù)No表示對角步，具體類型劃分如圖6所示。圖6（a）中當前邊界紙病像素p與鄰接的紙病像素處于一個段，按水平步計算周長，圖6（b）中當前邊界紙病像素p與鄰接紙病像素為垂直關系，按垂直步計算周長，圖6（c）中當前邊界紙病像素p與左上方或者右上方紙病像素形成對角關系，按對角步計算周長。

P=Ne+2No（5）

公式（3）中定義紙病區(qū)域的長寬比的參數(shù)值W表示紙病區(qū)域PA[l]最小矩形的長度，計算見公式（6）。參數(shù)值L代表紙病區(qū)域PA[l]的最小矩形的寬度，計算見公式（7），其中參數(shù)X0、X1分別表示一個紙病區(qū)域中像素的最小橫坐標值及最大橫坐標值；參數(shù)Y0、Y1分別表示一個紙病區(qū)域中像素的最小縱坐標值及最大縱坐標值。

W=X1-X0（6）

L=Y1-Y0（7）

公式（2）～公式（4）、公式（6）、公式（7）左側的形狀特征值的計算分別與面積A、周長P、最小橫坐標X0、最大橫坐標X1、最小縱坐標Y0和最大縱坐標Y1的值有關，從公式（1）、公式（5）及X0、X1、Y0及Y1的定義明確這6個參數(shù)值的計算均與紙病區(qū)域PA[l]的像素有關，可以在標記處理過程中進行統(tǒng)計，所以紙病形狀特征值計算所需的中間信息分別為面積A、周長P、最小橫坐標X0、最大橫坐標X1、最小縱坐標Y0和最大縱坐標Y1這6個參數(shù)值。

中間信息值面積A、周長P等參數(shù)值的統(tǒng)計與段標記也分兩種情況計算紙病區(qū)域的參數(shù)值：① 當前段在上一行不存在鄰接段。當前段的存在表示新的紙病區(qū)域的出現(xiàn)。用段首像素的橫坐標和縱坐標分別初始化當前紙病區(qū)域的最小橫坐標X0和最小縱坐標Y0，用段尾像素的橫坐標和縱坐標分別初始化當前紙病區(qū)域的最大橫坐標X1和最大縱坐標Y1，新的紙病區(qū)域面積用式PA[l]A=run_e[l]x-run_s[l]x（run_e[l]x表示段尾元素的橫坐標，run_s[l]x表示段首元素橫坐標）計算，周長用式P=run_e[l]x-run_s[l]x計算。② 當前段在上一行中存在有鄰接段。當前段與鄰接段同屬于一個紙病區(qū)域PA[l]，如果當前段的段首元素的橫坐標run_s[l]x小于當前紙病區(qū)域的最小橫坐標X0，則X0=run_s[l]x；當前段的段尾元素的橫坐標run_e[l]x大于當前紙病區(qū)域的最大橫坐標X1時，則X1=run_e[l]x；當前紙病區(qū)域的最大縱坐標Y1=run_e[l]y，run_e[l]y表示當前段的段尾元素的縱坐標。當前紙病區(qū)域的面積為已有面積加上當前所有像素的個數(shù)，表示為PA[l]A=PA[l]A+run_e[l]x- run_s[l]x。周長按照圖6的情況統(tǒng)計段中的水平步及垂直步像素的個數(shù)于參數(shù)Ne中，統(tǒng)計對角步像素的個數(shù)于參數(shù)No中。

統(tǒng)計好紙病區(qū)域PA[l]的面積A，周長P、最小橫坐標X0、最大橫坐標X1、最小縱坐標Y0和最大縱坐標Y1的值后，根據(jù)公式（6）、公式（7）計算W和L的值，再根據(jù)公式（2）～公式（4）計算各個紙病區(qū)域的圓形度PA[l]C、長寬比PA[l]ρ和矩形度PA[l]γ等形狀特征值。

23紙病識別

根據(jù)22節(jié)的分析，每個紙病區(qū)域的特征值均存儲在對應的結構體數(shù)組變量PA[l]中，l表示當前紙病區(qū)域的標號，數(shù)據(jù)項PA[l]T的取值為1或者2，表明當前紙病區(qū)域為第1類紙病或為第2類紙病。再根據(jù)變量PA[l]中各個數(shù)據(jù)項：圓形度PA[l]C、長寬比PA[l]ρ、矩形度PA[l]γ和面積PA[l]A等值判斷當前紙病區(qū)域的具體類型及大小，輸出紙病檢測結果。

另外用于表示標號的兩個變量l1和l2，分別表示當前第1類紙病的總個數(shù)和第2類紙病的總個數(shù)，兩個變量的和用來表示總的紙病區(qū)域的個數(shù)。

3實驗仿真與分析

本課題算法的實現(xiàn)主要涉及段存儲及形狀特征值表示兩個數(shù)據(jù)結構，用Run_Type和Dfect_Area分別表示段數(shù)據(jù)類型及紙病區(qū)域數(shù)據(jù)類型。以下是關于Run_Type和Dfect_Area的詳細定義和解釋說明。

在以下的紙病檢測實驗仿真中，算法實現(xiàn)以上述Dfect_Area為數(shù)據(jù)類型定義紙病區(qū)域形狀特征值變量，存儲各個紙病區(qū)域的形狀特征值，一維數(shù)組的下標等于當前紙病區(qū)域的標號值。

31實驗仿真結果

本課題提出的用于紙病檢測的算法用VC實現(xiàn)，在圖4所示的灰度圖像上進行實驗測試。紙病區(qū)域的標號值、形狀特征值及檢測結果如表1所示?；叶阮愋蚑值表明了紙病區(qū)域所屬的類型，其中T值“1”表示當前紙病區(qū)域的像素灰度值均低于背景灰度均值，初步劃分為黑斑和邊緣裂口等第1類紙病，T值“2”表示當前紙病區(qū)域的像素灰度值均高于背景灰度均值，初步劃分為孔洞等第2類紙病。標號值l是代表標記處理后屬于同一紙病區(qū)域的像素標號值，用于統(tǒng)計紙病的數(shù)量。圓形度、長寬比及矩形度是區(qū)分不同紙病的重要形狀特征值，同為第1類紙病的黑斑和邊緣裂口的這3項形狀特征值具有明顯的差別，通過這3項形狀特征值可以區(qū)分黑斑和邊緣裂口等這類灰度類型T值接近的紙病。面積反映了各紙病區(qū)域的大小。實驗結果證實，灰度類型T值及形狀特征值是實現(xiàn)紙病快速檢測的重要依據(jù)。

表1給出的實驗結果與實際紙病圖像上的紙病類型一致，表明本課題提出的基于連通域標記的紙病檢測算法能夠直接作用于灰度圖像進行紙病區(qū)域的形狀特征值的統(tǒng)計，并且能夠實現(xiàn)不同紙病的準確檢測。

32算法效率分析

像素灰度值及紙病區(qū)域形狀特征值是實現(xiàn)紙病檢測的必要條件，它們的處理速度決定了紙病檢測的速度。本課題采用了段技術的連通域標記處理方法，以段替代單一像素為標記對象的處理方法?；诙蔚臉擞浱幚磉^程與基于單一像素的標記處理過程均是從上到下、從左到右逐一掃描像素實現(xiàn)的，所以兩者實現(xiàn)的時間復雜度相同，均為但是傳統(tǒng)的以單一像素（見圖2）為標記對象的處理方法，當該像素p的上一行、同一列鄰接像素為背景像素時，鄰接的4個像素均需要檢查，這是此類標記處理中的最壞情況。假設一個包含有m個像素的段中有n個像素符合最壞情況，則對該段的檢查次數(shù)≥m+3n，在m值一定的段中，n值越大，所需檢查的鄰接像素越多；而在基于段（見圖1）的連通域標記處理中，不需要檢查段內每個像素的鄰接像素，僅需要查看段首像素或者段尾像素的上一行、同一列位置上的鄰接像素是否為背景像素，如果同時為背景像素，則為段標記處理的最壞情況。假設在上一行有c個段，用符號s*和e*分別表示當前段的段首像素rs和段尾像素re在上一行、同一列位置上的像素，需要檢查這c個段中是否存在有段的段首像素處于s*和e*之間。最壞情況鄰接段的檢查次數(shù)為c次，c值越大，檢查次數(shù)越多，但在一行中，特別是在背景像素遠遠大于紙病像素的紙病檢測中，一行中段的個數(shù)遠遠小于當前行中物體像素的個數(shù)，所以c本課題提出的基于段的連通域標記處理直接對原始圖像進行標記，不需要額外的內存空間存儲標記后的圖像，但需要保存段和形狀特征值的數(shù)據(jù)。在最壞的情況下，

4結語

隨著“中國制造2025”的全面實施，智能化的紙病檢測技術代替人工檢測是造紙企業(yè)未來發(fā)展的重要方向，簡單高效的紙病檢測算法的研究具有重要價值。本課題提出了一種灰度圖像上的基于段技術的連通域標記的紙病檢測方法，實現(xiàn)了在標記處理的同時統(tǒng)計與形狀特征值圓形度、長寬比、矩形度等值計算有關的面積、周長等中間參數(shù)，以簡單、高效的手段實現(xiàn)了紙病檢測處理，且易于擴展到實際的紙病檢測系統(tǒng)中。在后續(xù)的研究工作中，將借鑒圖像差分技術改進灰度圖像的轉換預處理過程，以提高本算法實現(xiàn)紙病檢測的速度。

參考文獻

[1] ZHANG Xuelan， LI Jun， MENG Fankong， et al. A Paper Defects Detection Method Based on Machine Vision[J]. Transactions of China Pulp and Paper， 2013， 28（1）： 48.

張學蘭， 李軍， 孟范孔， 等. 一種基于機器視覺的紙病識別方法[J]. 中國造紙學報， 2013， 28（1）： 48.

[2] YANG Bo， ZHOU Qiang， ZHANG Gangqiang. Study on Algorithm of Paper Defect Detection Based on Geometric and Gray Feature[J]. China Pulp & Paper， 2011， 30（9）： 50.

楊波， 周強， 張剛強. 基于幾何及灰度特征的紙病檢測算法研究[J]. 中國造紙， 2011， 30（9）： 50.

[3] He L， Chao Y， Suzuki K， et al. Fast connectedcomponent labeling[J]. Pattern Recognition， 2009， 42（9）： 1977.

[4] He L， Chao Y， Suzuki K. A runbased twoscan labeling algorithm[J]. IEEE Transactions on Image Processing， 2008， 17（5）： 749.

[5] Chia A Y S， Rajan D， Leung M K， et al. Object Recognition by Discriminative Combinations of Line Segments， Ellipses， and Appearance Features[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012， 34（9）： 1758.

[6] Chen G， Xie M， Yu Y. Estimation of Fingerprint Orientation Field Based on Improved Structure Tensor[M]. Springer Berlin Heidelberg， 2012.

[7] Hsia C H， Guo J M. Efficient modified directional liftingbased discrete wavelet transform for moving object detection[J]. Signal Processing， 2014， 96（5）： 138.

[8] Malik A A， Khalil A， Ullah Khan H U. Object Detection and Tracking using Background Subtraction and Connected Component Labeling[J]. International Journal of Computer Applications， 2013， 75（13）： 1.

[9] Rafael C. Gonzalez， Richard E. Woods， Digital Image Processing[M]. 3th. Beijing： Publishing House of Electronics Industry， 2011.

剛薩雷斯， 伍茲. 數(shù)字圖像處理[M]. 3版. 北京： 電子工業(yè)出版社， 2011.