基于中智集的木材缺陷圖像檢測(cè)方法

周 宇， 潘世豪， 劉偉嘉， 于音什， 周仲凱， 劉 軍

(南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，江蘇 南京 210037)

木材中的缺陷不僅會(huì)降低木材商品的價(jià)值，還會(huì)降低木材的強(qiáng)度，影響加工和裝飾質(zhì)量以及外觀，因此需要有效并快速地檢測(cè)出木材的缺陷。木材缺陷檢測(cè)是處理、加工木材中的一項(xiàng)重要流程，它能夠?qū)⑺媚静淖詣?dòng)進(jìn)行準(zhǔn)確定位，有利于實(shí)現(xiàn)高效高質(zhì)的木材加工。然而，木材缺陷的顏色、尺寸、紋理等特征差別較大，給木材缺陷的識(shí)別與分割帶來很大困難，使得目前的各種木材缺陷檢測(cè)方法都存在一定的局限性。木材缺陷檢測(cè)的難點(diǎn)較多，圖像分割識(shí)別也較為困難[1-4]。針對(duì)這個(gè)問題，本文介紹運(yùn)用中智集理論進(jìn)行木材缺陷圖像的檢測(cè)算法。

1 中智集理論概述

中智集理論由模糊理論擴(kuò)展而來，能夠較好地說明不確定性問題，模糊理論是利用模糊集合理論來描述模糊現(xiàn)象的理論。對(duì)于圖像處理而言，在諸多不確定因素的影響下，很難對(duì)圖像進(jìn)行比較真實(shí)的表述，且這些不確定性并非隨機(jī)的，也不適合采用一般的概率論等數(shù)學(xué)理論來解決。

中智集理論將隸屬度、不確定性度和非隸屬度拓展到離散值的有限集合，從而更好地解決了模糊信息很難給出準(zhǔn)確評(píng)價(jià)值的問題。在圖像分割領(lǐng)域，熵作為模糊的一種測(cè)量方法，被廣泛應(yīng)用到圖像處理和優(yōu)化理論中。中智集理論對(duì)不確定性事件和不精確性知識(shí)的描述以及處理具有先天的優(yōu)勢(shì)，對(duì)基于中智集理論的圖像分割算法進(jìn)行研究，可更好地處理圖像中模糊、不確定性信息，提高圖像分割的精確度。中智集理論被應(yīng)用于圖像處理領(lǐng)域，解決了許多圖像處理問題，如圖像邊界、明亮程度、圖像紋理等，成為研究圖像處理中不確定性信息的工具[5]。

2 圖像分割

2.1 算法流程

圖像分割流程圖如圖1所示。

圖1 圖像分割流程圖

利用中智集理論的圖像分割思維，構(gòu)建木材缺陷檢測(cè)算法。首先輸入木材彩色RGB圖像，將輸入圖像的RGB通道圖提取出來，得到R、G、B三個(gè)分量的圖像。選取R通道圖像，將該通道圖像分別通過T、I、F三種通道的圖像處理得到三張關(guān)于TIF通道的圖像。同理，再選取G、B通道的圖像經(jīng)過TIF通道的處理，可以得到共計(jì)9張關(guān)于T、I、F的通道圖像。接著將所得的TIF通道圖像分別進(jìn)行Otsu、Kapur、主動(dòng)輪廓三種算法的處理，由輸入的圖像數(shù)目可以得到總計(jì)27張?zhí)幚砗蟮膱D像，對(duì)于這些處理后的圖像進(jìn)行各自的性能比較，選擇其中符合要求并且性能最佳的圖像，這就是所求的最佳分割圖像。

2.2 三種分割方法

2.2.1 Otsu算法

Otsu算法為閾值分割的一種，對(duì)于任意圖像先進(jìn)行灰度處理。設(shè)初始閾值為T，原圖像可分割為A、B兩類，計(jì)算方差灰度均值和圖像的總體灰度，接著計(jì)算兩類問題發(fā)生的概率，再計(jì)算類間方差和類內(nèi)方差，最后選擇最佳閾值，使得圖像按照該閾值分為A、B兩類。最佳閾值為：

(1)

2.2.2 Kapur算法

將圖像分為A、B兩類：

(2)

式中：HA(T)為圖像前景的熵；HB(T)為圖像的熵；p(A)、p(B)為分別由閾值分割得到的兩個(gè)部分概率之和；pi為灰度值為i的圖像像素點(diǎn)概率。Kapur算法的最佳閾值如下：

t*=argmax[HA(T)+HB(T)]

(3)

2.2.3 主動(dòng)輪廓算法

選擇主動(dòng)輪廓算法一種CV模型，其是2001年由Chan和Vese提出、基于Mumford-Shah模型的主動(dòng)輪廓模型，模型形式如下：

(4)

其中，簡(jiǎn)單曲線C將該圖像區(qū)域Ω分為內(nèi)外兩部分，分別記為Ω1、Ω2。在CV模型中兩個(gè)同區(qū)域組成的圖像通過極小化下面的能量泛函來實(shí)現(xiàn)分割。其優(yōu)點(diǎn)如下：利用了圖像的全局信息，能得到全局最優(yōu)的圖像分割結(jié)果；該模型中的速度函數(shù)與圖像梯度無關(guān)，可以同時(shí)適用于有無梯度圖像分割、光滑邊界或不連續(xù)邊界的圖像分割；該方法的速度函數(shù)定義在所有水平集上，可以自動(dòng)檢測(cè)出目標(biāo)的內(nèi)部空洞區(qū)域[6-8]。

3 木材缺陷圖像分割

由于木材表面缺陷種類不同，本文選取活結(jié)和死結(jié)兩種典型的缺陷圖像進(jìn)行檢測(cè)。主要包括獲取R、G、B灰度圖，進(jìn)而獲取T、I、F灰度圖，對(duì)T、F灰度圖進(jìn)行Otsu、Kapur、主動(dòng)輪廓三種算法處理等環(huán)節(jié)。

3.1 R、G、B灰度圖

要實(shí)現(xiàn)R、G、B灰度圖的獲取，首先將RGB彩圖進(jìn)行分層，如圖2所示。提取出R分量、G分量和B分量，為了更準(zhǔn)確地得到每層圖中的每個(gè)像素灰度值，選取一個(gè)通道灰度圖進(jìn)行計(jì)算，其為局域平均值，即將每個(gè)像素灰度值用其周圍3×3的平均值替代。這樣就可以較為準(zhǔn)確地得到R、G、B灰度圖，如圖3所示，第一排為活結(jié)R、G、B灰度圖，第二排為死結(jié)R、G、B灰度圖。

圖2 死結(jié)和活結(jié)彩圖

圖3 活結(jié)和死結(jié)R、G、B灰度圖

3.2 T、I、F灰度圖

(5)

(6)

F(x，y)=1-T(x，y)

(7)

圖4 活結(jié)和死結(jié)RGB灰度圖的T、I、F通道圖

3.3 分割結(jié)果

利用Otsu、Kapur、主動(dòng)輪廓三種算法分別對(duì)活結(jié)和死結(jié)的T通道和F通道圖進(jìn)行處理，得到36張分割圖，如圖5～8所示。

最后對(duì)得到的缺陷圖像進(jìn)行評(píng)價(jià)，判定圖像分割的質(zhì)量。

4 試驗(yàn)結(jié)果分析

為了能夠準(zhǔn)確地評(píng)價(jià)圖像分割的質(zhì)量，采用jaccard、dice和bfscore三種評(píng)價(jià)方法得出JAC、Dice和BFScore三個(gè)評(píng)價(jià)參數(shù)，對(duì)T通道和F通道圖進(jìn)行圖像評(píng)價(jià)，數(shù)據(jù)分別見表1～3。

圖5 活結(jié)F通道OTSU、KAPUR、AC

圖6 死結(jié)F通道OTSU、KAPUR、AC

從表中可以看出分割出的木材缺陷圖像質(zhì)量較好，再對(duì)各個(gè)圖像的評(píng)價(jià)參數(shù)進(jìn)行比較得出最佳分割圖像?；罱Y(jié)的構(gòu)造正常，質(zhì)地堅(jiān)硬，并且與周圍結(jié)構(gòu)有完整的紋理連接，未形成斷裂，沒有髓心結(jié)構(gòu)，若對(duì)此類圖像進(jìn)行較好處理，需要邊緣定位比較強(qiáng)的算法；死結(jié)是由樹木的枯死枝條形成的節(jié)子，與周圍結(jié)構(gòu)發(fā)生環(huán)形或半環(huán)形分離，干燥后易收縮漏空，其圖像邊緣比較明顯，可以利用邊緣信息有效地實(shí)現(xiàn)對(duì)節(jié)子目標(biāo)的提取[9-15]。

圖7 活結(jié)T通道OTSU、KAPUR、AC

圖8 死結(jié)T通道OTSU、KAPUR、AC

表1 jaccard評(píng)價(jià)參數(shù) %

表2 dice 評(píng)價(jià)參數(shù) %

表3 bfscore 評(píng)價(jià)參數(shù) %

5 小結(jié)

(1)基于中智集木材缺陷圖像檢測(cè)方法的可擴(kuò)展性較好，對(duì)目標(biāo)的定位能力較強(qiáng)，能夠通過比較得到較好的分割結(jié)果。

(2)試驗(yàn)結(jié)果表明，中智集用于木材表面缺陷的檢測(cè)是可行的，能夠?qū)θ毕菽繕?biāo)實(shí)現(xiàn)有效地提取。

(3)中智集與三種分割算法的組合，分割準(zhǔn)確率高，能夠?qū)崿F(xiàn)木材缺陷圖像的精細(xì)分割。本算法能夠得到較好的分割結(jié)果，但在算法的效率和質(zhì)量上仍存在改進(jìn)的空間。