陸俊羽， 郭康樂， 嚴(yán) 飛， 馬驍昱， 程玉柱

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

室內(nèi)家庭裝修中，地板是重要的主材之一。地板表面質(zhì)量的好壞直接影響家裝的質(zhì)量和美觀。地板主要分為實木地板和復(fù)合地板，而實木地板中節(jié)子是存在的重要缺陷之一。提高實木地板檢測效率可通過對實木地板中死節(jié)缺陷的大小及位置自動檢測來實現(xiàn)，而且有助于降低人工勞動強度。采用機器視覺和圖像處理的算法實現(xiàn)實木地板缺陷檢測是目前的簡易手段之一。實木表面缺陷圖像分割是該技術(shù)中的難點，實木地板表面的花紋會使圖像的分割質(zhì)量下降[1-4]。目前，在實木地板上主要利用圖像灰度化、二值化等[5-6]對表面缺陷圖像進(jìn)行分割。主動輪廓圖像分割算法之一的CV模型[7]，已在農(nóng)林圖像等圖像分割中被廣泛應(yīng)用，而且此算法還在不斷完善中[8]。Otsu是一種閾值算法，根據(jù)類間方差最大化準(zhǔn)則，尋找圖像最優(yōu)閾值，實現(xiàn)圖像分割。本文針對實木地板表面中有復(fù)雜花紋情況提出一種基于Otsu與加權(quán)CV模型的檢測算法進(jìn)行木材死節(jié)缺陷圖像分割，完成實木地板缺陷提取。

1 檢測算法

1.1 加權(quán)主動輪廓模型

本文將大津法(Otsu)與加權(quán)無邊區(qū)域主動輪廓模型(ACM)相結(jié)合，提出一種Otsu初次分割與加權(quán)ACM最終分割的組合檢測方法，能解決家庭裝飾物中木質(zhì)地板表面的節(jié)子缺陷自動檢測問題，提高了檢測效率，算法流程圖如圖1所示。首先，在室內(nèi)木地板表面上采集節(jié)子缺陷RGB彩色圖像，然后進(jìn)行灰度圖提取RGB彩圖，對三通道灰度圖分別進(jìn)行Otsu分割，得到加權(quán)分割結(jié)果，并確定水平集同時獲得初始分割，然后通過加權(quán)的ACV模型進(jìn)行演化并最終確定木地板死節(jié)缺陷。

圖1 算法流程圖

1.2 Otsu

最大類間方差法為著名的Otsu算法，其是由日本學(xué)者大津(Nobuyuki)于1979年提出的，是一種自動化的閾值確定方法。這個算法通過設(shè)定閾值與圖像像素點進(jìn)行比較從而將圖像分成前景和背景多個區(qū)域，然后通過定義這多個區(qū)域區(qū)分度最大的閾值即為所求的最佳閾值。定義組內(nèi)方差，使得組內(nèi)方差最大：

uc2(t)=E0(t)(α0-αt)2

+E1(t)(α1-αt)2

(1)

取輸出值β=1/uc2(t)，通過選擇輸出值β最小化的閾值t即為優(yōu)化解，其中：

E0(t)=i=0t-1δ(i)，E1(t)=i=tL-1δ(i)

(2)

其中E0(t)為分類后像素值小于等于t的所有像素點數(shù)占圖像的百分比，E1(t)為像素值大于t的所有像素點數(shù)占圖像的百分比，用δi來表示直方圖的各個分量。圖像中所有像素平均值αt=i=1 256iδi，α0為分開后圖像中像素值小于等于t的所有像素點的平均灰度，α1為分開后圖像中像素值大于t的所有像素平均灰度。

1.3 主動輪廓模型

主動輪廓模型(ACM)已經(jīng)用于圖像和視頻的分割和檢測中，主要分為邊緣型和區(qū)域型兩大類。邊緣型側(cè)重為灰度邊緣檢測，檢測像素值的跳變。區(qū)域型側(cè)重于區(qū)域的均值和方差參數(shù)的計算。因此，兩種類型都有自己的優(yōu)缺點，邊緣型敏感于噪聲，區(qū)域型弱于非均勻性分割。有很多改進(jìn)將邊緣和區(qū)域相結(jié)合使用，將全局和局域進(jìn)行組合，提高算法性能。CV模型是無輪廓區(qū)域的模型，定義曲線運動能量：

ECV(C，c1，c2)=α·length(C)+β·area(inside(C))

(3)

最小化能量泛函：

?φ?t=δ(φ)αdiv(▽φ▽φ)-β-γ1(u-c1)2+γ2(u-c2)2c1(φ)

=ΩuH(φ)dΩΩH(φ)dΩc2(φ)=Ωu(1-H(φ))dΩΩ(1-H(φ))dΩ

(4)

通常α≥0，β≥0，γ1=1，γ2=1，可人工預(yù)先設(shè)定，也可以最優(yōu)化求解得到，c1與c2為目標(biāo)和背景的均值，u為灰度圖像，φ為水平集。CV模型與Otsu是不同的算法，有各自的特點，Otsu是求不同類的組內(nèi)均值與總均值的方差之和最大所對應(yīng)的閾值；CV模型是構(gòu)建方差泛函，使得泛函最小時，求解對應(yīng)最大方差的隱含分割閾值。假定目標(biāo)水平集為正值，背景水平集值為負(fù)，當(dāng)像素值接近目標(biāo)均值時，水平集演化是朝著正值移動，當(dāng)像數(shù)值屬于背景值時，演化朝著負(fù)值移動。曲線演化主要由數(shù)據(jù)項控制，正則化保持曲面局部光滑，提高演化精度。兩種方法有相似之處，手段不同，本質(zhì)等價。

1.4 加權(quán)CV模型

CV模型通常是對灰度圖進(jìn)行處理，將RGB三通道的數(shù)據(jù)項進(jìn)行加權(quán)，再與正則化項求和，得到總的能量值。首先令α=1，β=0，γ1=1，γ2=1，簡化式(4)得到：

?φ?t=δ(φ)div(▽φ▽φ)-(u-c1)2

+(u-c2)2

(5)

進(jìn)一步拓展至三通道，得到水平集進(jìn)化：

?φ?t=δ(φ)div(▽φ▽φ)-λR(k*u-c1R)2+λR(k*u-c2R)2

-λG(k*u-c1G)2+λG(k*u-c2G)2-λB(k*u-c1B)2+λB(k*u-c2B)2c1I(φ)

=ΩIH(φ)dΩΩH(φ)dΩc2I(φ)=ΩI(1-H(φ))dΩΩ(1-H(φ))dΩ

(6)

式中：λR、λG、λB為三通道數(shù)據(jù)項的權(quán)重值；c1I為各通道目標(biāo)均值；c1R、c1G、c1B，c1I為各通道背景均值；c2R、c2G、c2B，k為卷積核。其中，如何選擇最優(yōu)的權(quán)重值是算法的關(guān)鍵。

2 木地板節(jié)子缺陷圖像檢測

地板是室內(nèi)裝修時需要選用的主材之一，通常有實木地板和復(fù)合地板，其中實木地板利用實木加工而成，價格貴且板材本身就存在一定的缺陷，最常見的節(jié)子缺陷包括活節(jié)、死節(jié)等。針對室內(nèi)木地板死節(jié)缺陷，選取兩張死節(jié)缺陷圖像進(jìn)行檢測。Otsu初始分割、RGB彩圖經(jīng)三通道分解、加權(quán)CV圖像分割等取得缺陷最終檢測結(jié)果。圖2是木地板死節(jié)缺陷的彩圖，可以看出，實木地板圖片中死節(jié)目標(biāo)非常明顯，圖2(a)有一個大的死節(jié)目標(biāo)，但目標(biāo)和背景差異不大，且節(jié)子周圍和背景地板存在過渡帶；圖2(b)有1個死節(jié)目標(biāo)，目標(biāo)和背景差異明顯，但是地板具有一些花紋，使得對圖像分割的難度加大，闕值法不能一次性完成對權(quán)限目標(biāo)的提取。

圖2 木地板死節(jié)缺陷

2.1 Otsu初始分割

將彩圖2進(jìn)行三通道分解，分別得到R通道、G通道、B通道，然后對三通道進(jìn)行Otsu分割，用函數(shù)graythresh實現(xiàn)分割閾值，用imbinarize函數(shù)獲取二值圖。圖3為圖像Otsu三通道分割圖，第一列為R通道分割圖，第二列為G通道分割圖，第三列為B通道分割圖。第一行為圖2中第一幅圖對應(yīng)的三通道分割圖，第二行為圖2中第二幅圖對應(yīng)的三通道分割圖。從圖中可以看出，地板的深色花紋與節(jié)子的像素值接近時會產(chǎn)生誤分割。

圖3 Otsu初始分割圖

2.2 單通道CV分割

為了與CV模型進(jìn)行比較，將彩圖2進(jìn)行三通道分解，分別得到R通道、G通道、B通道，然后對三通道進(jìn)行CV模型分割，用函數(shù)activecontour實現(xiàn)分割，獲取二值圖。圖4為圖像三通道CV模型分割圖，第一列為R通道分割圖，第二列為G通道分割圖，第三列為B通道分割圖。第一行為圖2中第一幅圖對應(yīng)的三通道分割圖，第二行為圖2中第二幅圖對應(yīng)的三通道分割圖。從圖中可以看出，地板的深色花紋與節(jié)子的像素值接近時會產(chǎn)生誤分割，但CV模型的分割效果優(yōu)于Otsu。

圖4 分割結(jié)果

2.3 加權(quán)CV分割

式(1)和式(2)處理結(jié)果如圖3所示，將RGB三通道的二值圖求或，得到初始水平集，作為Mask，利用代入到式(8)進(jìn)行計算，最終得到測試結(jié)果，如圖5所示。左上圖為對應(yīng)圖2第一幅圖分割圖，左下圖對應(yīng)圖2第一幅圖分割圖，右上圖和右下圖分別為兩幅圖的參考標(biāo)準(zhǔn)圖，由人工分割。

圖5 分割結(jié)果及人工參考標(biāo)準(zhǔn)

3 結(jié)果分析

為了對圖像分割質(zhì)量進(jìn)行精確評估，已有監(jiān)督客觀評價方法，對理想目標(biāo)施行人工分割[9-11]，以人工為對照組，如圖5(b)。利用Matlab2019軟件的三個評價函數(shù)來實現(xiàn)計算，三函數(shù)為Jaccard、Dice、Bfscore，定義為：

JAC相似度定義為：

JAC=TPTP+FP+FN×100%

(7)

Dice定義為：

Dice=2×TP2*TP+FP+FN×100%

(8)

BFScore定義為：

BFScore=2*precision*recallrecall

+precision×100%

(9)

式中：TP為判斷正確的正像素，TN為判斷正確的負(fù)像素，F(xiàn)P為判斷錯誤的負(fù)像素，F(xiàn)N判斷錯誤的正像素，precision為精確率，recall為召回率。

利用式(7)～式(9)對圖3～5進(jìn)行計算，分別得到Otsu方法、CV方法、加權(quán)CV方法的性能指標(biāo)值，見表1、表2和表3。

表1 Otsu分割

表2 CV分割

表3 加權(quán)CV分割

Otsu的平均值JAC為93.535%、Dice為96.645%、BFScore為94.045%；CV的平均值JAC為94.47%、Dice為97.145%、BFScore為96.14%；加權(quán)CV的平均值JAC為95.36%、Dice為97.27%、BFScore為98.47%。CV方法優(yōu)于Otsu方法，更能檢測出地板死節(jié)，利用加權(quán)的思想，可以進(jìn)一步改進(jìn)CV模型[12-14]，加權(quán)CV方法優(yōu)于Otsu和CV方法[15-17]。如何選取最優(yōu)權(quán)重λR、λG、λB是加權(quán)算法的關(guān)鍵，當(dāng)λR=1、λG=0、λB=0，模型退化為R通道CV分割；當(dāng)λR=0、λG=1、λB=0，模型退化為G通道CV分割；當(dāng)λR=0、λG=0、λB=1，模型退化為B通道CV分割。試驗表明R通道的分割性能優(yōu)于G通道和B通道，因此如何確定最優(yōu)的比重是此研究的難點和重點。

4 小結(jié)

(1)多通道分解與Otsu能有效地粗定位待分割的室內(nèi)裝修中木地板節(jié)子，為家裝木地板缺陷圖像檢測提供一個有效的預(yù)定位方法。

(2)將加權(quán)的思想用于RGB彩色圖像三通道是可行的，能進(jìn)一步提升CV模型的分割能力，通過選擇不同的權(quán)重實現(xiàn)木地板的死節(jié)圖像分割功能。

(3)提出的算法檢測功能性強，可達(dá)成自動化分割，圖像分割性能較高。利用自然啟發(fā)優(yōu)化算法全自動確定權(quán)重是今后的研究方向。