馬爾可夫隨機(jī)場在紙病檢測中的應(yīng)用研究

雷揚(yáng)博　黃勛　王陽陽　陳浩　黃倫

摘?要：紙病檢測是造紙生產(chǎn)過程中重要的環(huán)節(jié)，現(xiàn)有的紙病檢測系統(tǒng)一般采用閾值算法或邊緣檢測算法對圖像進(jìn)行分割。為解決閾值分割和邊緣檢測分割方式中存在的誤分以及過度分割問題，本研究提出了基于馬爾可夫（MarKov）隨機(jī)場的紙病圖像分割方法。通過MarKov隨機(jī)場理論對紙病圖像紋理進(jìn)行分析得到紋理特征參數(shù)，利用紋理特征參數(shù)以及最大差值對正常背景和紙病區(qū)域進(jìn)行分割。結(jié)果表明，相比于其他分割算法，基于MarKov隨機(jī)場的紙病圖像分割方法可有效提取出紙病圖像的紋理細(xì)節(jié)和輪廓特征，提高分割的準(zhǔn)確度。

關(guān)鍵詞：紙病圖像;MarKov隨機(jī)場;紋理特征參數(shù);最大差

中圖分類號：TP391;TS77

文獻(xiàn)標(biāo)識碼：A

DOI：10.11980/j.issn.0254-508X.2019.05.009

Research on the Application of Markov Random Field in Paper Disease Detection

LEI Yangbo?HUANG Xun*?WANG Yangyang?CHEN Hao?HUANG Lun

（College of Mechanical and Electrical Engineering， Shaanxi University of Science and Technology， Xian， Shaanxi Province， 710021）

（*Email： 345937948@qq.com）

Abstract：Paper disease detection is an important part of paper production process.?Image segmentation is a necessary step in paper disease detection.?In order to solve the problems of error segmentation and oversegmentation in threshold segmentation and edge detection segmentation， this paper proposed disease image segmentation method based on MarKov random field.?The texture feature parameters were obtained by using MarKov random field theory to analyze the paper disease image texture.?The normal background and the paper disease region were segmented using the texture feature parameters and the maximum difference.?Experiment results showed that compared with other segmentation algorithms， the Markov random field paper image segmentation method effectively extracted the texture details and contour features of the paper disease image， and improvd the segmentation accuracy.

Key words：paper disease image; MarKov random field; texture feature parameter; maximum difference

造紙生產(chǎn)過程中，生產(chǎn)工藝總是處于正常的微小波動之中。由于生產(chǎn)工藝波動的隨機(jī)性，生產(chǎn)出來的紙張纖維結(jié)構(gòu)分布或多或少有所變化，體現(xiàn)出來的就是紙張纖維在一定范圍內(nèi)隨機(jī)均勻的分布，使得紙幅圖像具有隨機(jī)紋理的特征。而紙病可以看作是對均勻纖維分布的破壞，進(jìn)而破壞了背景紋理。另外，在基于機(jī)器視覺的紙病在線檢測系統(tǒng)中，由成像設(shè)備獲取的圖像其灰度值也是在一定范圍內(nèi)均勻隨機(jī)波動，質(zhì)量好的紙幅灰度值分布范圍小[1-2]。

現(xiàn)有紙病檢測系統(tǒng)采用灰度閾值算法或者邊緣檢測算法對圖像進(jìn)行分割[3]。采用灰度閾值的檢測方法主要依據(jù)不同類型的紙病，其灰度值與正常背景灰度值不同[4]。通過選取合適的、不同等級的灰度閾值，可以提取出各種紙病特征。但是實(shí)際上閾值算法不是紙病檢測的最佳算法。閾值算法的最大困難在于干擾的影響，由于閾值算法主要依賴于像素灰度值的檢測，而多種干擾因素如灰塵在光源上的積聚引起信號幅度的降低，燈源壽命、環(huán)境溫度的變化等，都會對灰度值產(chǎn)生影響，造成檢測的不準(zhǔn)確。并且對于一些灰度值與正常紙樣的灰度值差異不大的紙病，在選擇閾值范圍時(shí)非常困難。因此基于灰度閾值分割的技術(shù)不能夠很好地滿足此類紙病的檢測需要。

馬爾可夫隨機(jī)場（MRF）模型提供了不確定性描述與先驗(yàn)知識聯(lián)系的紐帶，并利用觀測圖像的各種信息，如圖像灰度變化率、邊緣的幾何特征、紋理基元的排列及圖像表面的局部內(nèi)在特征等信息[5-9]。然后根據(jù)這一統(tǒng)計(jì)信息確定的MRF模型來解決圖像處理的各種問題，尤其是圖像分割這種無法得到最優(yōu)解的問題。

為了克服上述問題，本課題利用MRF理論來研究紙病圖像的紋理特征，并利用此理論計(jì)算圖像正常背景和缺陷的紋理特征，根據(jù)紙幅圖像的特點(diǎn)，確定了基于馬爾可夫（MarKov）紋理特征的疵點(diǎn)識別的判斷條件，利用該方法能夠?qū)崿F(xiàn)對紙病圖像的缺陷分割。

1?馬爾可夫隨機(jī)場（MRF）在紙病檢測中的應(yīng)用

MRF方法建立在MRF模型和貝葉斯理論的基礎(chǔ)上，用MRF模型非常恰當(dāng)?shù)孛枋龃指顖D像的先驗(yàn)分布，然后根據(jù)這一統(tǒng)計(jì)信息確定MRF模型來解決圖像處理的各種問題。有效地描述了隨機(jī)場的局部特征，表達(dá)了當(dāng)前像素點(diǎn)的標(biāo)記僅與其鄰域中的像素有相互作用，而與其他位置像素標(biāo)記情況無關(guān)。本課題根據(jù)紙幅圖像的特點(diǎn)利用基于Markov的紋理特征參數(shù)實(shí)現(xiàn)對紙病缺陷的分割。

1.1?紙病圖像的特點(diǎn)

造紙工業(yè)中受工藝和設(shè)備的影響會出現(xiàn)臟斑、孔洞、褶皺、暗斑等紙病缺陷，而背景圖像的紋理是隨機(jī)分布的。在缺陷區(qū)域，尤其是缺陷邊緣處的紋理發(fā)生突變?nèi)鐖D1所示。紙病圖像的識別可以通過計(jì)算紙幅圖像每點(diǎn)處的局部紋理特征，根據(jù)所得紋理特征的參數(shù)對紙病圖像進(jìn)行分割。

1.2?MRF模型

MRF表達(dá)了當(dāng)前像素點(diǎn)的標(biāo)記僅與其鄰域中的像素有相互作用。如果將圖像理解為定義在矩陣上的隨機(jī)過程，那么像素點(diǎn)之間總存在空間相關(guān)性[10-11]。

HammersleyCliford定理已經(jīng)證明了MRF與吉布斯隨機(jī)場（GRF）存在一致性。因此，對于定義在二維

矩形網(wǎng)格的領(lǐng)域系統(tǒng)中，設(shè)η={ηij（i，j）∈N×N，ηijN×N}，隨機(jī)場X={Xij（i，j）∈N×N}是關(guān)于鄰域系統(tǒng)η的MRF，則條件函數(shù)P計(jì)算如公式（1）所示。

P{Xij=xij ∣Xmn=xmn，（m，n）≠（i，j）}

=exp[-U（x）]∑xijexp[-U（x）]

=P{Xij=xij ∣Xmn=xmn，（m，n）=（i，j）}（1）

式中，VC（x）為與集簇相關(guān)的勢函數(shù);能量函數(shù)U（x）=∑c∈CVc（x）。

通過能量函數(shù)確定MRF的條件概率，從而使其在全局上具有一致性。通過單個(gè)像素及其鄰域的簡單的局部交互，MRF模型可以獲得復(fù)雜的全局行為。由此可知，在鄰域系統(tǒng)確定后，得到了集簇的能量函數(shù)也就得到了相應(yīng)紋理的統(tǒng)計(jì)特性。在實(shí)際應(yīng)用中，公式（1）所描述的條件分布通常被假設(shè)為高斯分布，如公式（2）所示。

P（Ys∣Yr，r∈Ns）≡N（μ，σ2）（2）

式中，P（Ys∣Yr，r∈Ns）為任意像素點(diǎn)Yr對于標(biāo)記鄰域像素點(diǎn)Ys的條件概率;μ和σ分別為高斯分布的均值和方差。在等價(jià)情況下，可以將Ys表示為公式（3）所示。

Ys=∑r∈Nsβr Yr+ε（3）

式中，ε為均值表示為零的高斯噪聲;βr為高斯MRF的模型參數(shù)（即MRF的紋理特征參數(shù)），因此能量函數(shù)U（x）和條件概率P可以分別表示為公式（4）和公式（5）。

Uc（Ys∣Yr，r∈Ns）=

12σ2（Y2s -2∑r∈Nsβr Ys Yr）（4）

P（Ys∣Yr，r∈Ns）=

12πσ exp12σ2（Ys2 -2∑r∈Nsβr Ys Yr）（5）

從公式（4）和公式（5）可以看出，在已知鄰域內(nèi)的高斯MRF模型可以由參數(shù)βr來確定，這些紋理特征參數(shù)可以用來描述圖像的局部紋理特征。

2?基于MRF紋理特征的紙病圖像分割

基于紋理特征的缺陷檢測在圖像紋理分析中可看作是一個(gè)圖像分割問題。它根據(jù)每一個(gè)像素所在的局部區(qū)域的紋理特征進(jìn)行聚類分析。其中一種最為簡單的應(yīng)用就是當(dāng)已知要將圖像分割成兩種時(shí)，如正常背景和缺陷區(qū)域，可采用有監(jiān)督的分類方法。這種檢測方法首先要利用無缺陷的紋理圖像進(jìn)行訓(xùn)練，從而得到對無缺陷紋理圖像的描述特征，并將該描述特征作為聚類中心。對于待測圖像，根據(jù)其每一個(gè)像素的局部紋理特征，利用已定義的判別函數(shù)來判別該圖像是正常還是有缺陷，從而達(dá)到檢測的目的。

2.1?紙病圖像模板的選取

紙病圖像最大特點(diǎn)就是其背景區(qū)域是自然紋理，并非人工紋理。正常背景中每個(gè)像素的灰度值是隨機(jī)分布的。因此，根據(jù)這一特征使用高斯MRF理論計(jì)算出MRF的紋理特征參數(shù)。本課題截取3×3大小的模板來計(jì)算其中心點(diǎn)處局部的紋理特征。3×3模板表示如圖2所示。

對于該模板中的每一點(diǎn)i（i=1，2，…，9），其二階鄰域如圖2（b）所示，共8個(gè)點(diǎn)。

2.2?局部紋理特征參數(shù)求解

模板中心點(diǎn)處可以利用其二階鄰域及其高斯MRF特征參數(shù)，然后根據(jù)公式（3），變換如公式（6）所示。

yi=k1 xi1+k2 xi2+k3 xi3+k4 xi4+k5 xi5+

k6 xi6+k7 xi7+k8 xi8（6）

紙幅圖像的對稱方向上有相同的性質(zhì)，可以將該點(diǎn)利用其二階鄰域及其高斯MRF特征參數(shù)表示如公式（7）所示。

yi=w1（xi2+xi7）+w2（xi4+xi5）+

w3（xi1+xi8）+w4（xi3+xi6）（7）

式中，yi為i點(diǎn)的灰度值;w1為模板垂直方向的紋理特征參數(shù);w2為模板水平方向的紋理特征參數(shù);w3和w4分別為模板兩個(gè)傾斜方向（45°和135°）上的紋理特征參數(shù);xij為i點(diǎn)二階鄰域中第j點(diǎn)處的灰度值。

從上述模板區(qū)域，可以得到方程組（8）。

y1=w1（x12+x17）+w2（x14+x15）+

w3（x11+x18）+w4（x13+x16）

y2=w1（x22+x27）+w2（x24+x25）+

w3（x21+x28）+w4（x23+x26）

…

yi=w1（xi2+xi7）+w2（xi4+xi5）+

w3（xi1+xi8）+w4（xi3+xi6）

…

y9=w1（x92+x97）+w2（x94+x95）+

w3（x91+x98）+w4（x93+x96）（8）

方程組（8）中的w1、w2、w3和w4為該模板中心點(diǎn)處的局部紋理特征參數(shù)。為了簡化表述，可以用Xi1、Xi2、Xi3、Xi4分別表示xi2+xi7、xi4+xi5、xi1+xi8和xi3+xi6，則方程組（8）可被簡化為方程組（9）。

y1=w1X11+w2X12+w3X13+w4X14

y2=w1X21+w2X22+w3X23+w4X24

…

yi=w1Xi1+w2Xi2+w3Xi3+w4Xi4

…

y9=w1X91+w2X92+w3X93+w4X94（9）

從方程組（9）可以看出，紙病圖像的紋理特征參數(shù)w1、w2、w3、w4與中心點(diǎn)灰度值有直接的關(guān)系，因此需要估算出w1、w2、w3和w4的值，進(jìn)一步進(jìn)行判斷。

2.3?參數(shù)估計(jì)

方程組（9）中w1、w2、w3和w4為該模板中心點(diǎn)處的局部紋理特征參數(shù)，采用最小均方誤差的方法求得。可將方程組（9）轉(zhuǎn)化為公式（10）。

C（wj）=∑9i=1（yi-∑4i=1wj Xij）2 （10）

對公式（10）中wj求偏導(dǎo)，令其偏導(dǎo)數(shù)為0得方程式如公式（11）所示。

∑9i=1（∑4i=1wj X2ij-∑4i=1Xij wi ）=0（11）

通過計(jì)算j的求和公式可得方程組（12）。

∑9i=1（w1 X2i1+w2 Xi1 Xi2+w3 Xi1 Xi3+w4 Xi1 Xi4 -Xi1 yi）=0

∑9i=1（w1 Xi1 Xi2+w2 Xi22+w3 Xi2 Xi3+w4 Xi2 Xi4 -Xi2 yi）=0

∑9i=1（w1 Xi1 Xi3+w2 Xi3 Xi2+w3 Xi32+w4 Xi3 Xi4 -Xi3 yi）=0

∑9i=1（w1 Xi1 Xi4+w2 Xi4 Xi2+w3 Xi4 Xi4+w4 Xi42 -Xi4 yi）=0（12）

通過計(jì)算四元一次方程組（12）可估算出3×3模板中心點(diǎn)處的MRF紋理特征參數(shù)w1、w2、w3和w4。

3?實(shí)驗(yàn)與討論

為了探討這種分割方法的可行性和優(yōu)越性，本課題選用的實(shí)驗(yàn)平臺為MATLAB R2016b。且對選用不同分割參數(shù)以及其他分割方法所得到的實(shí)驗(yàn)效果進(jìn)行對比。涉及到的其他分割方法包括有閾值分割和邊緣檢測分割。

3.1?實(shí)驗(yàn)步驟

在MATLAB中將原始圖像轉(zhuǎn)換為灰度圖像，得到像素信息;對二維圖像建立坐標(biāo)系，隨機(jī)取一點(diǎn)作為中心點(diǎn)，將其標(biāo)記為（0，0）;通過上述的算法程序得到各點(diǎn)4個(gè)方向上的紋理特征參數(shù)w1、w2、w3和w4，并計(jì)算出最大差值。（由于臟斑圖像正常區(qū)域背景中的像素值變化幅度不大，根據(jù)方程組（8），若全局像素值相同時(shí)，則可以計(jì)算出w1=w2=w3=w4=0.125）;利用得到的紋理特征參數(shù)對原始圖像進(jìn)行圖像分割，判斷各方向上的紋理特征參數(shù)是否相等。若相等且與0.125差值在設(shè)定范圍內(nèi)則可視為背景，并將灰度值設(shè)為0;若不相等可直接視為缺陷部分，將灰度值設(shè)為255。從而得到分割后的圖像。

3.2?分割質(zhì)量評估

采用不同的分割方式會有不同的效果，因此分割的結(jié)果必然有優(yōu)劣之分，通過何種方式來評價(jià)結(jié)果的好壞十分重要。通常可以從兩個(gè)角度來評價(jià)分割結(jié)果即定性指標(biāo)和定量指標(biāo)。定性指標(biāo)即從視覺效果上來判斷，通過紙病輪廓的相似程度判斷是否存在對背景的誤分。圖像分割的結(jié)果應(yīng)該具有較好的區(qū)域性、完整性，并且能夠保持圖像邊緣特性;定量指標(biāo)中通?？梢杂梅诸惥_度或錯(cuò)誤率等指標(biāo)來評判[12-13]。

對后續(xù)實(shí)驗(yàn)采用紙病輪廓的相似程度、圖像分類正確度指標(biāo)來評價(jià)圖像分割結(jié)果。

3.2.1?紙病輪廓相似程度

紙病輪廓相似程度可以用紙病區(qū)域圖像的面積Rs和周長Zs分別與分割基準(zhǔn)的面積Sm和周長Zm之比來表示，結(jié)果越接近1，則分割效果越好。計(jì)算如公式（13）和公式（14）所示，其中分割基準(zhǔn)面積Sm是通過濾波后的紙病圖像再經(jīng)過Photoshop軟件修改，設(shè)定一個(gè)預(yù)期的分割圖像面積。

α=RsSm （13）

式中，Rs為紙病區(qū)域圖像面積;Sm為分割基準(zhǔn)的面積;α為面積比。

β=ZsZm （14）

式中，Zs為紙病圖像的各連通區(qū)域的周長總和;Zm為分割基準(zhǔn)中各連通區(qū)域周長總和;β為周長比。

3.2.2?圖像分類準(zhǔn)確度

圖像分類正確度是與分割基準(zhǔn)進(jìn)行分析對比。將分割基準(zhǔn)每個(gè)點(diǎn)的像素作為分割準(zhǔn)確的像素，并與分割后的圖像像素做比對，得到分割準(zhǔn)確率，如公式（15）所示。

CR=∑li=1niN（15）

式中，N為分割基準(zhǔn)圖像的像素點(diǎn)的總個(gè)數(shù);ni為紙病圖像相對于分割基準(zhǔn)圖像中對應(yīng)像素點(diǎn)像素值相同的點(diǎn)的總和。

3.3?不同分割參數(shù)對分割效果的影響

在紙病圖像中，正常的背景區(qū)域是隨機(jī)均勻分布的，也就是紋理特征在各個(gè)方向上是各向同性的。考慮到計(jì)算精度，在每個(gè)點(diǎn)處對應(yīng)的局部紋理特征參數(shù)w1、w2、w3和w4總是近似相等的。而在紙病區(qū)域特別是紙病的邊緣地區(qū)，紋理特征不再是隨機(jī)均勻分布，w1、w2、w3和w4也不相等。根據(jù)這個(gè)特性，對紙病圖像分割時(shí)不需要進(jìn)行樣本的訓(xùn)練，直接計(jì)算每點(diǎn)處紋理特征參數(shù)，判斷其是否相近。

以圖1（a）臟斑紙病圖像為例（圖像大小為512×512），在臟斑圖像中隨機(jī)取一點(diǎn)（260，361）作為中心點(diǎn)標(biāo)記為（0，0）并計(jì)算其局部紋理特征參數(shù)，得到表1的結(jié)果。從表1可以看出，對于臟斑這類紙病的圖像信號，其臟斑的背景信號與正常紙的圖像信號基本上是隨機(jī)平穩(wěn)的信號，在一定的鄰域內(nèi)像素的變化不大。另外，在臟斑紙病的信號中，其中間像素點(diǎn)鄰域內(nèi)的每個(gè)像素也基本上是平穩(wěn)的信號，變化幅度不大。

如果每點(diǎn)處的MarKov方程組的解每一維接近0.125，則認(rèn)為這點(diǎn)鄰域中的像素值變化不是很大，可視為背景部分。如果某點(diǎn)處的MarKov方程組的解中某一維遠(yuǎn)離0.125，則認(rèn)為該點(diǎn)的鄰域中在某個(gè)方向上像素的變化幅度較大，可視為缺陷部分。圖3為以w1為特征對臟斑圖像分割的結(jié)果。從圖3可以看出，利用w1

可以將臟斑的圖像完整地分割。特別是其背景圖像，可以完全地確定。紙病內(nèi)部信號從分割的結(jié)果看，其內(nèi)部像素的變化幅度比背景圖像的幅度要大一些。如果將閾值逐漸增大，最后可以得到一個(gè)完整的紙病邊緣分割圖像。利用w2、w3、w4也可對紙病圖像進(jìn)行分割。

通過以上分析還可以得出這樣結(jié)論：由于在正常隨機(jī)平穩(wěn)的背景中，每點(diǎn)的MarKov方程組的解基本相等，而在紙病的邊緣，紙病的信息破壞了這種平穩(wěn)隨機(jī)分布的背景，因此方程組的解每一維不全相等。所以以每點(diǎn)MarKov方程組解中四維的最大差可以更容易來表征或?qū)D像進(jìn)行分割。在此情況下，背景隨機(jī)平穩(wěn)，則最大差為0，若有紙病打破這個(gè)平穩(wěn)背景，則最大差不再為0，如公式（16）所示。

最大差=∣wimax-wimin∣（16）

圖4 為以最大差分割的結(jié)果。圖4（b）即是以最大差大于0時(shí)對紙病進(jìn)行分割的結(jié)果，可以看出利用此方法可以將紙病與正常背景完整地分割開。

實(shí)際上，由于在計(jì)算過程中，計(jì)算的結(jié)果不總是精確的，所以在對紙病圖像進(jìn)行分割時(shí)，臨界值不可能取0，因此分割的結(jié)果是能夠正確地分割紙病的邊緣。從圖4可以看出，當(dāng)臨界值較大時(shí)，利用該方法可以較好地確定紙病的邊緣。由于采用最大差的方法不需要確定背景的MarKov方程解，所以計(jì)算中更加方便，而且最大差可以更明顯地顯示出像素的變化幅度。因此采用最大差方法來進(jìn)行圖像的分割，其結(jié)果相比于使用某個(gè)單一的紋理特征參數(shù)進(jìn)行圖像分割效果會更好。

3.4?與其他分割方式結(jié)果對比

3.4.1?觀察對比

為了進(jìn)一步驗(yàn)證此方法的可靠性，本課題選用了不同的分割方式進(jìn)行對比。主要選取全局的閾值分割和邊緣檢測的分割方式，邊緣檢測分割方式包含有Sobel算子邊緣檢測[14]和Prewitt算子邊緣檢測[15]。

使用上述的方法對臟斑紙病進(jìn)行分割并且與分割基準(zhǔn)進(jìn)行對比，如圖5所示。從圖5可以看出，全局閾值分割雖然能夠?qū)⒓埐^(qū)域與正常的背景分割開，但是在外部的邊緣存在誤分，可能是由于閾值選擇不當(dāng)導(dǎo)致。而兩種常用的邊緣檢測算子對紙病圖像分割時(shí)，存在對圖像過度分割的現(xiàn)象，對于隨機(jī)分布的正常背景也標(biāo)記出邊緣，如圖5（e）、圖5（f）中，存在的白色斑點(diǎn)，并且對臟斑的整體輪廓沒有完整地分割，無法得到正確的紙病區(qū)域。

3.4.2?數(shù)據(jù)對比

首先將圖像變換為灰度圖像，并取其邊緣二值圖像。然后分別對邊緣二值掩膜進(jìn)行填充空洞。最后對處理后的邊緣二值圖像的連通區(qū)域進(jìn)行檢測，求其連通區(qū)域周長和面積。表2為不同算法分割結(jié)果的質(zhì)量評估。從表2可以看出，兩種邊緣檢測分割方法對圖像過度分割，全局閾值分割對圖像欠分割。本課題所提出的算法雖然在面積方面仍然存在過度分割現(xiàn)象，但是相比其他算法有很大的提升，各評價(jià)指標(biāo)均有較好的體現(xiàn)。本課題所述方法的分割模型對紋理結(jié)構(gòu)特性、紋理細(xì)節(jié)、邊緣輪廓等信息能夠充分地表現(xiàn)出來，反映紋理的區(qū)域特征，能夠取得良好的分割效果。

4?結(jié)?論

本課題通過對正常紙幅背景以及紙病圖像的特點(diǎn)分析，提出了一種基于馬爾可夫隨機(jī)場（MRF）紋理特征的紙病圖像分割方法。在MRF理論的基礎(chǔ)上，采用計(jì)算二階鄰域上4個(gè)方向的紋理特征參數(shù)并使用某一方向的參數(shù)為特征對圖像進(jìn)行分割。此外，為更準(zhǔn)確地劃分圖像中的紋理區(qū)域，通過計(jì)算四維的最大差來表征圖像的紋理特征，確定紙病圖像的識別條件，根據(jù)此識別條件完成紙病圖像的準(zhǔn)確分割。

實(shí)驗(yàn)表明，本課題所提出的紙病圖像分割方法可以完善提取圖像的紋理細(xì)節(jié)和邊緣輪廓信息，有效提高分割的準(zhǔn)確性，改善分割圖像的視覺效果。

參?考?文?獻(xiàn)

[1]?Nie Fengmei， Zhang Junmei. Paper Disease Detection Based on Machine Vision[J]. Mechanical Engineering and Automation， 2016（2）： 37.

聶鳳梅， 張俊梅. 基于機(jī)器視覺的紙病檢測[J]. 機(jī)械工程與自動化， 2016（2）： 37.

[2]?Wang Xiantong. Research and implementation of web inspection system based on machine vision[D]. Xian： Shaanxi University of Science and Technology， 2016.

王先通. 基于機(jī)器視覺的紙病檢測系統(tǒng)的研究與實(shí)現(xiàn)[D]. 西安： 陜西科技大學(xué)， 2016.

[3]?ZHAO Xiao， HE Lifeng， YAO Bin， et al. Algorithm of Paper Defect Detection Based on Connectedcomponent Labeling[J]. Transactions of China Pulp and Paper， 2018， 33（2）： 51

趙?曉， 何立風(fēng)， 姚?斌， 等. 一種基于連通域標(biāo)記的紙病檢測算法[J]. 中國造紙學(xué)報(bào)， 2018， 33（2）： 51.

[4]?LI Qian， WEN Hao， QU Yunhui， et al. Application of Edge Tracking Algorithm to Multiple Paper Defectd Segmentation[J]. China Pulp & Paper， 2017， 36（8）： 41.

李?茜， 文?豪， 曲蘊(yùn)慧， 等. 邊緣跟蹤算法在多紙病圖像分割中的應(yīng)用[J]. 中國造紙， 2017， 36（8）： 41.

[5]?Leng Meiping， Bao Susu. Medical Image Segmentation Based on Markov Random Field[J]. Journal of Beijing Union University（Natural Science Edition）， 2009， 23（3）： 40.

冷美萍， 鮑蘇蘇. 基于馬爾可夫隨機(jī)場的醫(yī)學(xué)圖像分割[J]. 北京聯(lián)合大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2009， 23（3）： 40.

[6]?Wu Qing， Zhao Yibo， Zhou Huiqun， et al. Detection of Vane Defects Based on Markov Random Field Model[J]. Application Research of Computers， 2006， 9： 87.

吳?清， 趙歆波， 周惠群， 等. 基于馬爾科夫隨機(jī)場的葉片缺陷檢測技術(shù)[J]. 計(jì)算機(jī)應(yīng)用研究， 2006， 9： 87.

[7]?Roche A， Ribes D， Bachcuadra M， et al. On the convergence of EMlike algorithms for image segmentation using Markov random fields[J]. Medical Image Analysis， 2011， 15（6）： 830.

[8]?Cao Jiazi， Song Aiguo. Research on texture image segmentation method based on Markov random field[J]. Chinese Journal of Scientific Instrument， 2015， 36（4）： 776.

曹家梓， 宋愛國. 基于馬爾科夫隨機(jī)場的紋理圖像分割方法研究[J]. 儀器儀表學(xué)報(bào)， 2015， 36（4）： 776.

[9]?Li Tie. Image Segmentation Algorithm Based on Markov Random Field[J]. Computer Knowledge and Technology， 2014， 10（33）： 7973.

李?鐵. 基于馬爾科夫隨機(jī)場的圖像分割算法[J]. 電腦知識與技術(shù)， 2014， 10（33）： 7973.

[10]?Simmons J， Przybyla C， Bricker S， et al. Physics of MRF regularization for segmentation of materials microstructure images[C]// IEEE International Conference on Image Processing. 2015.

[11]?Yousif O， Ban Y. Improving SARBased Urban Change Detection by Combining MAPMRF Classifier and Nonlocal Means Similarity Weights[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（10）： 4288.

[12]?Yang Peng. Research on texture image segmentation based on Markov random field[D]. Harbin： Harbin Engineering University， 2015.

楊?鵬. 基于馬爾科夫隨機(jī)場的紋理圖像分割研究[D]. 哈爾濱： 哈爾濱工程大學(xué)， 2015.

[13]?Guo Qi， Kong Bin， Zheng Fei. A review of image segmentation quality evaluation[C]// Chinese Society of Instrumentation Youth Academic Conference. 2007.

郭?琦， 孔?斌， 鄭?飛. 圖像分割質(zhì)量評價(jià)的綜述[C]//中國儀器儀表學(xué)會青年學(xué)術(shù)會議. 2007.

[14]?Zhou Xuehai， Zhang Wu. Multi Scale Edge Detection Based on Sobel Operator[J]. Microelectronics & Computer， 2006， 23（12）： 12.

周學(xué)海， 張?伍. 基于Sobel算子的多尺度邊緣提取算法[J]. 微電子學(xué)與計(jì)算機(jī)， 2006， 23（12）： 12.

[15]?Fang Huirong. Prewitt Edge Detection Operator Based on FPGA Implementation[J]. Natural Science Journal of Harbin Normal University， 2015， 31（2）： 72.

方惠蓉. 基于FPGA的Prewitt邊緣檢測算子的實(shí)現(xiàn)[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)， 2015， 31（2）： 72.CPP