唐 健，賀連梁，梁金剛，仇 維

(1.中國人民解放軍駐七二四廠軍代室，遼寧沈陽110045;2.沈陽理工大學(xué)信息科學(xué)與工程學(xué)院，遼寧沈陽110159)

金屬表面臟污區(qū)域的分割和量化得到的參數(shù)可以判定整個(gè)金屬表面的缺陷程度，是圖像處理技術(shù)在表面缺陷檢測(cè)中應(yīng)用的一個(gè)實(shí)例。在國外，基于圖像處理的產(chǎn)品表面缺陷檢測(cè)技術(shù)已經(jīng)較為成熟，普遍應(yīng)用在半導(dǎo)體行業(yè)以及電子行業(yè)，擁有豐富的技術(shù)及其產(chǎn)品。而在中國，此行業(yè)屬于新興領(lǐng)域，加之基于圖像處理的產(chǎn)品技術(shù)的普及程度不夠，導(dǎo)致只能在低端方面有應(yīng)用。主要應(yīng)用在礦泉水瓶蓋的檢測(cè)，印刷色彩的檢測(cè)以及指紋檢測(cè)等領(lǐng)域，當(dāng)然其他領(lǐng)域也有很大的應(yīng)用空間，如文獻(xiàn)［1］利用圖像處理技術(shù)分析玉米、黃瓜的葉部圖像，從而識(shí)別和診斷玉米葉或黃瓜葉表面是否發(fā)生病蟲害。文獻(xiàn)［2］結(jié)合數(shù)字圖像處理技術(shù)和人工神經(jīng)網(wǎng)絡(luò)以及模式識(shí)別技術(shù)研究木材的表面缺陷，從而根據(jù)木材表面的缺陷程度對(duì)其進(jìn)行分級(jí)等?？傊?，表面缺陷檢測(cè)方面的技術(shù)越來越成熟，應(yīng)用越來越廣泛，但圖像處理與模式識(shí)別領(lǐng)域中的許多新算法目前很難應(yīng)用于實(shí)際工程項(xiàng)目。因此，圖像處理技術(shù)在這類檢測(cè)任務(wù)中的應(yīng)用，仍然是一個(gè)難題。

在數(shù)字圖像處理技術(shù)［3］中，圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟。對(duì)于表面有臟污的金屬，其表面區(qū)域的基本特征比較復(fù)雜。如金屬表面臟污區(qū)域不具有固定的形狀，臟污的面積大小也各不相同以及臟污的位置不固定等。因此，利用臟污區(qū)域的這些基本特征來對(duì)其進(jìn)行分割比較困難。通過對(duì)大量表面有臟污的金屬圖像進(jìn)行觀察，發(fā)現(xiàn)圖像中包含了大量的細(xì)節(jié)信息。并且顏色的灰度色級(jí)范圍較小，本文通過對(duì)幾種比較常用的閾值分割算法做詳細(xì)的分析和比較后結(jié)合圖像特征提出了本文的分割和量化方法。

1 圖像閾值分割算法

圖像分割中最常用的是閾值分割［4］算法，閾值分割是一種區(qū)域分割技術(shù)，對(duì)背景和物體對(duì)比度較強(qiáng)的景物分割時(shí)特別有效。它的計(jì)算非常簡單，而且能用連通和封閉的邊界來定義其中互不交疊的區(qū)域。常用的圖像閾值分割算法有迭代法、均勻性度量法、類間最大距離法、最大熵法。本文主要介紹迭代法和類間最大距離法。

1.1 迭代法

迭代法的設(shè)計(jì)思想是開始時(shí)選擇一個(gè)閾值作為初始估計(jì)值，然后按某種策略不斷地改進(jìn)這個(gè)估計(jì)值，直到滿足給定的準(zhǔn)則為止。在迭代的過程中，關(guān)鍵在于改進(jìn)策略時(shí)選擇何種閾值。好的改進(jìn)策略應(yīng)當(dāng)具有兩個(gè)特點(diǎn):一是可以快速地收斂，二是在每一次迭代過程中，新的閾值應(yīng)該優(yōu)于上一個(gè)閾值。下面介紹一種迭代法［5］:

(1)選取圖像中灰度值的中值作為運(yùn)算的初始閾值Th;

(2)利用閾值Th把圖像分割為兩個(gè)區(qū)域C1和C2，用下式計(jì)算區(qū)域C1和C2的灰度均值μ1和μ2，

(3)計(jì)算出μ1和μ2后，用下式計(jì)算出新的閾值Thnew;

(4)重復(fù)(2)和(3)，直到Thnew和 Th的差小于某個(gè)特定的值。

1.2 類間最大距離法

類間最大距離法的設(shè)計(jì)思想是選取某個(gè)適當(dāng)?shù)拈撝担詧D像分割后的背景與前景目標(biāo)兩個(gè)類別之間的差異最大時(shí)為最佳的閾值。在這里，兩個(gè)類別(背景與目標(biāo))的差異，用閾值與兩個(gè)類別的中心之間的距離差來度量。具體步驟如下:

(1)設(shè)定一個(gè)初始閾值Th，將圖像完整地劃分為C1和C2兩類;

(2)計(jì)算兩類的灰度均值μ1和μ2;

(3)計(jì)算兩類的相對(duì)距離值S，

(4)選擇最佳的閾值Thnew，使得圖像按照該閾值分為C1和C2兩類后，滿足max{S}。

對(duì)于目前的各種閾值分割算法，都有各自的優(yōu)缺點(diǎn)，到目前為止尚無一種固定的分割評(píng)價(jià)標(biāo)準(zhǔn)。分割的好壞取決于實(shí)際需求和技術(shù)人員的主觀因素。

1.3 本文的算法

對(duì)于臟污區(qū)域的分割，本文將結(jié)合金屬表面的臟污特征進(jìn)行處理。對(duì)于經(jīng)過增強(qiáng)處理后的金屬圖像，其圖像對(duì)比度增強(qiáng)，從而有利于對(duì)金屬表面的臟污特征進(jìn)行分析。通過對(duì)大量經(jīng)增強(qiáng)處理后的圖像進(jìn)行分析，得出增強(qiáng)后的圖像中臟污區(qū)域與金屬區(qū)域具有以下區(qū)別:

(1)對(duì)于臟污區(qū)域，其與金屬自身顏色的亮度相差較大，臟污和劃痕區(qū)域的亮度較小。

(2)臟污區(qū)域的形狀不規(guī)則，而它的顏色色調(diào)主要為黑色，而金屬區(qū)域顏色趨于銀白色和灰色。

綜上所述，結(jié)合臟污區(qū)域的顏色特征和亮度信息可將臟污區(qū)域與原金屬區(qū)域分割開來。由于臟污區(qū)域的邊緣細(xì)節(jié)信息較復(fù)雜，而且直方圖又具有雙峰特性，迭代法能最大限度地保留細(xì)節(jié)信息，因此本文采取此方法進(jìn)行臟污區(qū)域的圖像分割。

2 圖像臟污的量化

對(duì)于臟污的量化，本文主要通過計(jì)算它的面積［7］來實(shí)現(xiàn)。由于目前各種常用的目標(biāo)面積［8］計(jì)算方法均具有各自的適用范圍和優(yōu)缺點(diǎn)，因此，需要結(jié)合金屬臟污的實(shí)際情況選擇或者設(shè)計(jì)一種有效的目標(biāo)區(qū)域面積［9］計(jì)算方法。

2.1 改進(jìn)的形態(tài)濾波

傳統(tǒng)的數(shù)學(xué)形態(tài)學(xué)運(yùn)算能達(dá)到一定的濾波效果，但要想針對(duì)不同的圖像，做同樣的單步運(yùn)算，很難達(dá)到理想的效果。本文改進(jìn)了形態(tài)濾波的算法，設(shè)計(jì)了一種自適應(yīng)濾波法，針對(duì)不同金屬圖像的自身特點(diǎn)，進(jìn)行相應(yīng)的濾波算法，達(dá)到較理想的效果。算法的具體實(shí)現(xiàn)如下:

Step1對(duì)原始圖像進(jìn)行二值化處理。

Step2進(jìn)行自適應(yīng)形態(tài)濾波。具體實(shí)現(xiàn)過程如流程圖1所示。

Step3對(duì)于邊緣像素點(diǎn)，統(tǒng)計(jì)周邊的三個(gè)像素值，方法同上。直至遍歷每一像素點(diǎn)。

本文算法的設(shè)計(jì)思想是為了保證濾波后的圖像能在填補(bǔ)漏洞的同時(shí)，去除一些干擾的孤立節(jié)點(diǎn)和邊緣毛刺噪聲。因此，在算法設(shè)計(jì)中，主要針對(duì)這幾種情況，根據(jù)局部像素值的特征來判斷，進(jìn)行相應(yīng)的濾波操作。

圖1 改進(jìn)的自適應(yīng)濾波算法流程圖

2.2 本文臟污量化方法

根據(jù)金屬表面臟污區(qū)域的數(shù)目、形狀以及分布的特點(diǎn)等，本文結(jié)合數(shù)學(xué)形態(tài)學(xué)和像素計(jì)數(shù)面積法，設(shè)計(jì)一套針對(duì)金屬表面臟污的量化方法，具體計(jì)算過程如圖2所示。

圖2 臟污量化流程圖

綜上所述，最后累加的像素點(diǎn)數(shù)目表示臟污區(qū)域的面積。可以根據(jù)上述參數(shù)來判定整個(gè)金屬表面的缺陷程度。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 圖像閾值分割算法的實(shí)驗(yàn)結(jié)果

圖3 迭代分割法

圖4 類間最大距離法

圖5 圖像增強(qiáng)后的迭代分隔法

由圖3～圖5可知，用迭代算法分割的圖像效果較好，基于迭代算法的閾值能較明顯地分離出圖像中背景和前景的區(qū)域。對(duì)于谷底比較深，直方圖雙峰比較明顯的圖像，迭代算法可以較快地獲得滿意的結(jié)果。雖然類間最大距離法計(jì)算簡單，準(zhǔn)確高效，但對(duì)直方圖模型有一定要求。圖5是對(duì)圖像進(jìn)行圖像增強(qiáng)后，采用迭代法進(jìn)行分割，此方法最大限度地保留了圖像的邊緣細(xì)節(jié)信息，得到了較理想的效果。

3.2 臟污量化結(jié)果與分析

由圖6可以看出采用改進(jìn)的數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行濾波，針對(duì)各個(gè)區(qū)域的局部特征，進(jìn)行每一步的運(yùn)算操作，能夠很好地彌補(bǔ)傳統(tǒng)的形態(tài)學(xué)濾波方法帶來的負(fù)面影響，如造成圖片的缺失，或者使圖像面積增大從而邊緣變得模糊，丟失了許多細(xì)節(jié)信息。

圖6 改進(jìn)的形態(tài)學(xué)濾波方法

圖7給出了經(jīng)過濾波的圖像量化后圖像，表1給出了圖像中臟污面積以及所占圖像的百分比。

圖7 臟污量化

表1 臟污量化結(jié)果

4 結(jié)論

本文研究了金屬表面臟污的分割和量化方法，首先研究了基于閾值的圖像分割算法中幾種常用的算法，分析了它們的原理和步驟。通過對(duì)比各種閾值分割算法，并結(jié)合臟污圖像的顏色特征和亮度信息以及結(jié)構(gòu)特征，選擇迭代閾值法對(duì)圖像進(jìn)行分割，得到了比較好的分割效果。對(duì)于臟污的量化計(jì)算，結(jié)合金屬表面臟污的特征，采用改進(jìn)的基于數(shù)學(xué)形態(tài)學(xué)的濾波方法即自適應(yīng)濾波方法，將其和像素計(jì)數(shù)法結(jié)合來求取臟污區(qū)域的面積，此方法能彌補(bǔ)傳統(tǒng)的形態(tài)學(xué)濾波方法帶來的負(fù)面影響，如圖片缺失或者使圖像面積增大從而邊緣變得模糊，丟失許多細(xì)節(jié)信息等。

［1］陳慧楠.玉米、黃瓜葉部病害的圖像處理技術(shù)研究［D］.沈陽:沈陽理工大學(xué)，2008.

［2］尹建新.基于計(jì)算機(jī)視覺木材表面缺陷檢測(cè)方法研究［D］.杭州:浙江工業(yè)大學(xué)，2007.

［3］Rafael C.Gonzalez，Richard E.Woods.數(shù)字圖像處理(第二版)［M］.阮秋琦等譯.北京:電子工業(yè)出版社，2007.

［4］董明.圖像分割技術(shù)研究與應(yīng)用［D］.長春:長春理工大學(xué)，2009.

［5］黑光月.基于迭代閾值的女書分割算法研究［J］.軟件導(dǎo)刊，2011，10(9):61 －63.

［6］Y.W.Lim，S.U.Lee.On the color image segmentation algorithm based on the thresholding and the fuzzy C-means techniques［J］.Pattern Recognit，1990，9(23):935－952.

［7］葛偉華，陳優(yōu)光.基于邊界跟蹤的區(qū)域面積計(jì)算［J］.計(jì)算機(jī)應(yīng)用與軟件，2008，25(6):239 －240.

［8］李波，劉東華，梁光明，等.一種計(jì)算任意形狀封閉區(qū)域面積的新方法［J］.國防科技大學(xué)學(xué)報(bào)，2002，24(4):61－64.

［9］祁廣云，馬曉丹.基于圖像的植物葉面積計(jì)算方法的研究［J］.佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版，2009，27(2):201－202.