木材表面缺陷特征轮廓提取算法研究.docx

? ? 木材表面缺陷特征轮廓提取算法研究 ? ? 李应果，杨 洁*，董春雷 (1.西南林业大学 机械与交通学院，云南 昆明 650224；2.西南林业大学 材料科学与工程学院，云南 昆明 650224) 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[1]应用于木材检测中。但这些检测手段仍存在一定局限性。比如射线法设备成本较高，检测工作过程中需要必要的保护设施；微波法检测木材缺陷及物理性质时受到木材含水率的影响[2]。近10 a，国内专家学者对木材表面缺陷图像检测技术和其他木材分选技术的研究也从未间断，如基于改进C-V模型的木材缺陷彩色图像分割方法[3]，基于OTSU(最大类间方差法)算法的图像分割方法[4]，空频变换的图像分割[5]，对木材试件进行试验模态分析[6]，基于权重系数的木材图像增强方法等[7]。 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。 图1 木材表面缺陷特征提取流程 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[8]。二维中值滤波是一种常用于滤除图像中非线性噪声的非线性数字滤波技术。首先确定一个窗口领域作为滤波窗口，通过在整幅图像中上下左右滑动，将窗口领域中的像素按灰度等级进行排序，选择该组像素的中间值作为输出像素值[9]。 二维中值滤波可以表示为：Y(i,j)=mediam(F(i,j))，其中F(i,j)为领域窗口。 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[10]在1979年提出的，又被称作最大类间方差法。与全局阈值分割算法相比，它选取阈值的方法更加合理，在图像亮度和对比度较低的情况下也能较好地选取合适的分割阈值。类间方差值是度量灰度分布均匀性的一种指标，背景区域和目标区域之间类间方差越大，说明图像的背景和目标差异越大。因此，类间方差值取最大时错分的概率最小。 设有一幅图像f，总像素数为n，nq表示灰度级为q的像素个数。灰度范围为(0，L-1)，灰度级为L。pq是像素级为q的像素出现的概率。即图像f的直方图可表示为： (1) OTSU阈值法选择阈值k，使得2个集合C1、C2的发生概率P1(k)、P2(k)分别为： (2) (3) 使得其最大类间方差为： σ2(k)=P1(k)[m1-mG]2+P2(k)[m2-mG]2 (4) 式中,m1为集合C1中的像素的平均值；m2为集合C2中的像素的平均值。全局均值(整个图像的平均灰度)mG的表示为： (5) 类间方差值越大，说明集合C0和C1的像素差别越大，分离效果就会越好，σ2(k)为最大值对应的k值，即为图像分割的最佳阈值点。即 k=Argmax{σ2(k)}，0≤k≤L-1 (6) 1.4 数学形态学处理 数学形态学由法国