一种虫眼、活节和死节木材表面虫眼、活节、死节及其提取.docxVIP

一种虫眼、活节和死节木材表面虫眼、活节、死节及其提取 摘要：虫眼、活节和死节是最常见的木材表面缺陷,是木材分选过程主要的识别目标,精确提取木材表面缺陷轮廓特征能大幅提高木材分选的准确率。本研究提出一种针对木材表面虫眼、活节、死节缺陷轮廓提取方法。针对木材表面常见黑点和纹理等非线性噪声,使用中值滤波方法平滑图像。然后分别应用OTSU算法与全局阈值分割算法分离图像背景与目标,对结果二值图像使用数学形态学方法进行滤除和填充,最终用sobel算子提取缺陷边缘。结果表明,采用OTSU算法分割和数学形态学相结合的方法可以很好地提取木材表面缺陷特征,用sobel算子能够提取到比较完整、准确、连续的木材表面缺陷边缘轮廓,提高了目标图像的可视性和精准性。 木材的质量对木材和木材制品的价值有着决定性作用,木材缺陷是影响木材质量的关键因素。我国林业产业相对不发达,木材资源紧缺。因此,木材的有效分选方法研究显得尤为重要。木材缺陷的检测方法成了最近几年很多学者的研究课题,欧美等一些发达国家已将超声波、射线和微波等无损检测技术由于木材表面缺陷图像的复杂性、多变性以及多种噪声影响,以上各种缺陷检测算法仍存在一定的不足,得到的分割结果往往不理想。其中改进C-V模型对轻微灰度变化不够敏感,容易造成欠分割现象;单一OTSU算法分割技术受噪声影响比较严重;空频变换的图像分割技术分割精度不够高、计算量比较大;采用试验模态分析方法和权重系数的木材图像增强方法局限于检测单一种类的缺陷位置和单一品种木材的分选。本研究主要研究一种基于OTSU算法与数学形态学相结合的方法分割木材表面缺陷,提取清晰的木材表面缺陷边缘,为后续的木材分选提供有力的依据。1 材料与方法1.1 木材表面缺陷特征轮廓提取流程木材表面缺陷特征轮廓提取流程如图1所示。首先将采集的样本图像按照灰度级为256进行灰度化处理。下一步对其进行预处理,这一步是为了降低木材表面常见的黑点和纹理等噪声对后续目标图像分割的影响。接着进行图像分割,对比分割结果图,选择较优分割图像进行下一步试验。针对分割结果中可能存在伪分割或者孔洞等情况,采用数学形态学对图像进行滤波和填充,最后对图像进行边缘提取,以达到高精度的边缘图像。在光照条件良好、拍摄角度一致等理想的拍摄条件下,使用HUAWEI LLD-AL20相机拍摄,拍摄样品距离镜头为15～20 cm,分辨率为3 120×4 160。1.2 图像预处理针对木材表面常见的黑点和纹理非线性噪声,首先进行一定程度的降噪二维中值滤波可以表示为:1.3 图像分割图像分割算法分为基于边缘阈值和基于区域的2种分割方法。因为木材表面缺陷在图像中目标与背景的灰度有明显区别,所以本研究采用基于边缘阈值的分割方法。阈值法是按图像的灰度特性,将图像目标和背景分开。阈值法有全局阈值法、OTSU阈值法和局部阈值法等。局部阈值法主要应用于多目标的分割,针对各个区域给出不同的阈值进行分割。本研究针对图像中单一缺陷目标进行分割,考虑到木材表面纹理、黑点干扰,采用全局阈值和OTSU阈值法做分割试验对比。OTSU阈值法是由日本学者大津设有一幅图像f,总像素数为 (1)阈值法选择阈值k,使得2个集合C (2) (3)使得其最大类间方差为:σ式中,m (5)类间方差值越大,说明集合C (6)1.4 数学形态学处理数学形态学由法国学者Serra和Matheron2 结果与分析根据现行国家原木缺陷标准,木材缺陷分为节子、裂纹、干形缺陷、木材结构缺陷、真菌造成的缺陷、伤害6大类2.1 图像预处理与图像分割试验图2a分别为虫眼、活节和死节的灰度图像;图2b分别为虫眼、活节和死节的灰度图像经过中值滤波后的结果;图2c为3种缺陷类型灰度图像相对应的灰度直方图;中值滤波后的结果图像,分别通过全局阈值法和OTSU算法分割后获得虫眼、活节和死节的分割结果图像,结果如图2d、图2e所示。从图2d、图2e可以发现,对直方图表现为双峰的虫眼和死结灰度图像,全局阈值法和OTSU算法都可以较好地分割出主要的缺陷部分。而对于直方图表现为单峰的活节灰度图,全局阈值分割算法得到的阈值无法将背景和目标区分开,在颜色较深的纹理处出现严重的伪分割现。但OTSU算法对直方图表现为单峰的灰度图也有较好的分割效果。存在的目标外伪分割区域和目标区域内孔洞,对提取目标边缘的准确性有较大影响。因此,需要做进一步的后处理,使分割图像更易于识别。此外,在提取图像特征的时候,我们习惯将目标部分设置为亮区域,将背景部分设置为暗区域,所以在对图像做进一步处理前,先对其做负片处理(图3a)。2.2 数学形态学