周 宇， 潘世豪， 劉偉嘉， 于音什， 周仲凱， 劉 軍

(南京林業(yè)大學機械電子工程學院，江蘇 南京 210037)

木材中的缺陷不僅會降低木材商品的價值，還會降低木材的強度，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出木材的缺陷。木材缺陷檢測是處理、加工木材中的一項重要流程，它能夠?qū)⑺媚静淖詣舆M行準確定位，有利于實現(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，給木材缺陷的識別與分割帶來很大困難，使得目前的各種木材缺陷檢測方法都存在一定的局限性。木材缺陷檢測的難點較多，圖像分割識別也較為困難[1-4]。針對這個問題，本文介紹運用中智集理論進行木材缺陷圖像的檢測算法。

1 中智集理論概述

中智集理論由模糊理論擴展而來，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。對于圖像處理而言，在諸多不確定因素的影響下，很難對圖像進行比較真實的表述，且這些不確定性并非隨機的，也不適合采用一般的概率論等數(shù)學理論來解決。

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確評價值的問題。在圖像分割領域，熵作為模糊的一種測量方法，被廣泛應用到圖像處理和優(yōu)化理論中。中智集理論對不確定性事件和不精確性知識的描述以及處理具有先天的優(yōu)勢，對基于中智集理論的圖像分割算法進行研究，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。中智集理論被應用于圖像處理領域，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，構建木材缺陷檢測算法。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9張關于T、I、F的通道圖像。接著將所得的TIF通道圖像分別進行Otsu、Kapur、主動輪廓三種算法的處理，由輸入的圖像數(shù)目可以得到總計27張?zhí)幚砗蟮膱D像，對于這些處理后的圖像進行各自的性能比較，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，對于任意圖像先進行灰度處理。設初始閾值為T，原圖像可分割為A、B兩類，計算方差灰度均值和圖像的總體灰度，接著計算兩類問題發(fā)生的概率，再計算類間方差和類內(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部分概率之和；pi為灰度值為i的圖像像素點概率。Kapur算法的最佳閾值如下：

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

(3)

2.2.3 主動輪廓算法

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

(4)

其中，簡單曲線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模型中兩個同區(qū)域組成的圖像通過極小化下面的能量泛函來實現(xiàn)分割。其優(yōu)點如下：利用了圖像的全局信息，能得到全局最優(yōu)的圖像分割結果；該模型中的速度函數(shù)與圖像梯度無關，可以同時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，可以自動檢測出目標的內(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，本文選取活結和死結兩種典型的缺陷圖像進行檢測。主要包括獲取R、G、B灰度圖，進而獲取T、I、F灰度圖，對T、F灰度圖進行Otsu、Kapur、主動輪廓三種算法處理等環(huán)節(jié)。

3.1 R、G、B灰度圖

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

圖2 死結和活結彩圖

圖3 活結和死結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 活結和死結RGB灰度圖的T、I、F通道圖

3.3 分割結果

利用Otsu、Kapur、主動輪廓三種算法分別對活結和死結的T通道和F通道圖進行處理，得到36張分割圖，如圖5～8所示。

最后對得到的缺陷圖像進行評價，判定圖像分割的質(zhì)量。

4 試驗結果分析

為了能夠準確地評價圖像分割的質(zhì)量，采用jaccard、dice和bfscore三種評價方法得出JAC、Dice和BFScore三個評價參數(shù)，對T通道和F通道圖進行圖像評價，數(shù)據(jù)分別見表1～3。

圖5 活結F通道OTSU、KAPUR、AC

圖6 死結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，再對各個圖像的評價參數(shù)進行比較得出最佳分割圖像?；罱Y的構造正常，質(zhì)地堅硬，并且與周圍結構有完整的紋理連接，未形成斷裂，沒有髓心結構，若對此類圖像進行較好處理，需要邊緣定位比較強的算法；死結是由樹木的枯死枝條形成的節(jié)子，與周圍結構發(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現(xiàn)對節(jié)子目標的提取[9-15]。

圖7 活結T通道OTSU、KAPUR、AC

圖8 死結T通道OTSU、KAPUR、AC

表1 jaccard評價參數(shù) %

表2 dice 評價參數(shù) %

表3 bfscore 評價參數(shù) %

5 小結

(1)基于中智集木材缺陷圖像檢測方法的可擴展性較好，對目標的定位能力較強，能夠通過比較得到較好的分割結果。

(2)試驗結果表明，中智集用于木材表面缺陷的檢測是可行的，能夠?qū)θ毕菽繕藢崿F(xiàn)有效地提取。

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