趙亞鳳 任洪娥

(東北林業(yè)大學(xué)，哈爾濱，150040)

原木材積檢測(cè)在現(xiàn)代木材工業(yè)中占有重要的地位。目前，材積檢測(cè)技術(shù)主要有人工檢測(cè)、光電檢測(cè)、激光檢測(cè)和計(jì)算機(jī)視覺(jué)檢測(cè)。隨著現(xiàn)代木材工業(yè)的發(fā)展，計(jì)算機(jī)視覺(jué)檢測(cè)由于其勞動(dòng)強(qiáng)度低，檢尺精度高而得到廣泛研究，為當(dāng)前原木檢測(cè)技術(shù)的研究熱點(diǎn)，是實(shí)現(xiàn)數(shù)字化檢尺的基礎(chǔ)。

原木檢尺的一個(gè)主要參數(shù)是徑級(jí)，即原木端面直徑。利用圖像處理的方法進(jìn)行原木徑級(jí)識(shí)別，是實(shí)現(xiàn)計(jì)算機(jī)視覺(jué)自動(dòng)檢尺的基礎(chǔ)［1］。原木堆中，由于原木堆放時(shí)參差不齊，導(dǎo)致其端面不可能在一個(gè)平面上，特別是堆放時(shí)凹進(jìn)的原木，其端面落在上方原木的陰影里，采集圖像時(shí)由于其受光程度不一致，端面圖像顏色會(huì)有很大改變，給基于閾值的圖像分割造成一定困難。并且，有些原木的端面留有采伐茬口，采集到的圖像中會(huì)出現(xiàn)臺(tái)階。另外，在生產(chǎn)過(guò)程中有的原木端面出現(xiàn)開(kāi)裂或破損，采集的圖像為缺圓。這些因素都給原木端面的識(shí)別造成了一定困難。

為了準(zhǔn)確地獲取原木端面尺徑，首先需要對(duì)原木端面圖像進(jìn)行分割，確定其基本輪廓，為后續(xù)的分析和處理提供依據(jù)。筆者在分析成堆原木端面圖像特征的基礎(chǔ)上，基于遺傳算法增強(qiáng)圖像，并改進(jìn)同態(tài)濾波提出一種適用于成堆原木特征的分割方法。

1 成堆原木端面圖像特征及現(xiàn)有算法分析

成堆的原木端面圖像是256級(jí)灰度圖像，主要由端面和黑色背景組成，端面的灰度值與周?chē)尘暗幕叶戎涤兄黠@差異，其背景灰度值非常低，而端面灰度值較高。圖1給出了一個(gè)采集到的正常堆放原木端面圖像，該圖像的分辯率是446×446像素。可以看出，原木端面為淺色，背景為深色，但由于上方凸出原木的遮擋，產(chǎn)生陰影，下方原木端面中呈現(xiàn)不理想的淺色。正常堆放的原木，其端面參差不齊，上方原木在下方原木端面形成的陰影和背景很難區(qū)分，并且有的原木留有采伐茬口，導(dǎo)致端面圖像中有一半為淺色，另一半為深色，圖像分割時(shí)必然會(huì)出現(xiàn)臺(tái)階或分割成兩個(gè)半圓。

圖1 采集原木端面圖像

近10 a來(lái)，在原木檢尺參數(shù)圖像識(shí)別方面，已有學(xué)者做了一些研究。黃習(xí)培等人利用指針鏈表提取原木端面的二值圖像［2］，將端面圖像視為類(lèi)圓形，利用插值和擬合算法，確定該類(lèi)圓圖形的圓心和半徑，識(shí)別原木端面尺徑。該算法對(duì)實(shí)際中的不規(guī)則圓型的原木檢尺精度較低。龍德帆等人提出了輪廓跟蹤的方法［3］，利用動(dòng)態(tài)規(guī)劃法來(lái)提取端面輪廓，選取端面輪廓的最大內(nèi)切圓圓心作為原木端面的中心，通過(guò)該中心的最短直徑即確定為原木的檢尺徑，但確定最大內(nèi)切圓的圓心位置的算法是一個(gè)復(fù)雜的過(guò)程。欒新等人采用聚類(lèi)分析和模糊識(shí)別相結(jié)合的方法，引入模糊概念，較好地解決了對(duì)不規(guī)則類(lèi)圓圖形目標(biāo)的識(shí)別［4］，但上述算法是建立在原木截面平直的基礎(chǔ)上，而實(shí)際上是不可能的。林靜靜等人提出了基于鏈碼的原木端面圖像檢尺徑識(shí)別算法［5］，改進(jìn)了輪廓跟蹤技術(shù)，從圖像中心點(diǎn)豎直向下掃描，獲取跟蹤起始點(diǎn)，在一定約束條件下尋找端面圖像目標(biāo)輪廓，對(duì)于不規(guī)則的原木端面圖像還不能取得很好的分割效果。文獻(xiàn)［6］—文獻(xiàn)［9］中也提出了原木檢尺中的圖像處理技術(shù)，當(dāng)沒(méi)有陰影時(shí)，有很高的檢尺精度，但由于拍攝角度和原木遮擋造成的陰影對(duì)檢尺精度有較大影響。以上提出的算法在精確識(shí)別和計(jì)算自然堆放的原木直徑上，存在適應(yīng)性較差、計(jì)算量大等缺欠，與實(shí)際應(yīng)用還有一定距離。

2 遺傳算法的圖像增強(qiáng)原理及流程

遺傳算法GA模擬達(dá)爾文生物進(jìn)化論，是模擬自然選擇和生物進(jìn)化過(guò)程的計(jì)算模型，是一種搜索最優(yōu)解的方法。作為一種基于自然進(jìn)化的隨機(jī)搜索方法，該算法比較適合用于復(fù)雜大空間的搜索，且能得到一個(gè)近似最優(yōu)解［10－11］。

需要的原木端面圖像由端面和黑色背景組成，而采集的原木端面圖像質(zhì)量較差，圖1中較多灰度信息為無(wú)用信息。為了提高圖像質(zhì)量，利用遺傳算法進(jìn)行圖像增強(qiáng)。分段線(xiàn)性變換法可用來(lái)增強(qiáng)圖像，抑制不感興趣的灰度信息，突出感興趣的端面和背景。原木端面圖像的灰度圖由0～255個(gè)灰度值組成，作者采用3段線(xiàn)性變換法，先將圖像0～255個(gè)灰度區(qū)間分成低、中、高3段，兩個(gè)轉(zhuǎn)折點(diǎn)為X1、X2;再對(duì)分段后的每段灰度區(qū)間進(jìn)行線(xiàn)性變化，變化后低、中、高段對(duì)應(yīng)的兩個(gè)轉(zhuǎn)折點(diǎn)為 Y1、Y2［12－13］。對(duì)低段和高段進(jìn)行壓縮，對(duì)灰度值的中間區(qū)間進(jìn)行擴(kuò)展，即 X1＞Y1、X2＜Y2。

該方法的關(guān)鍵在于如何確定兩個(gè)轉(zhuǎn)折點(diǎn)(X1，Y1)和(X2，Y2)。傳統(tǒng)變換中多采用手動(dòng)選擇，需要多次反復(fù)實(shí)驗(yàn)才能得到合適的值，很難達(dá)到最佳效果。本研究利用遺傳算法，自適應(yīng)搜索確定最佳分段點(diǎn)。

首先隨機(jī)選擇一組模型群體，通過(guò)選擇、交叉和變異3個(gè)基本步驟，得到新的群體，之后再多次重復(fù)這一過(guò)程，直到最后的模型群體變得一致。這里提到的一致，是指根據(jù)確定的目標(biāo)適應(yīng)度函數(shù)對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，由于進(jìn)化，會(huì)不斷產(chǎn)生更優(yōu)的群體，同時(shí)以全局并行搜索的方式，搜索優(yōu)化群體中的最優(yōu)個(gè)體，最后求得滿(mǎn)足要求的全局最優(yōu)解。為了實(shí)現(xiàn)以上的目的，遺傳算法具體程序流程如下:

①圖像編碼

由于原木端面圖像的灰度圖由0～255個(gè)灰度值組成，正好對(duì)應(yīng)1個(gè)8位二進(jìn)制，為1個(gè)字節(jié)。編碼時(shí)使用2個(gè)字節(jié)作為一個(gè)染色體，為了確定2個(gè)轉(zhuǎn)折點(diǎn)，前1個(gè)字節(jié)為第一個(gè)轉(zhuǎn)折點(diǎn)坐標(biāo)(X1，Y1)，后1個(gè)字節(jié)為另一個(gè)轉(zhuǎn)折點(diǎn)坐標(biāo)(X2，Y2)。

②初始化種群和初始化參數(shù)的設(shè)置

隨機(jī)產(chǎn)生一個(gè)由N個(gè)個(gè)體組成的染色體種群，作為初始種群，并計(jì)算每個(gè)個(gè)體的適應(yīng)度。確定最大進(jìn)化代數(shù)、染色體長(zhǎng)度、交叉概率、變異概率和模擬退火中的初始溫度。

③構(gòu)建適應(yīng)度函數(shù)

常用的適應(yīng)度函數(shù)為方差函數(shù)，是一種空間域的灰度測(cè)度，但僅以方差為適應(yīng)度函數(shù)并不能很好地區(qū)分圖像局部細(xì)節(jié)差異，只能反映圖像整體統(tǒng)計(jì)特征。作者同時(shí)考慮信息熵、均方差和信噪改變量構(gòu)建適應(yīng)度函數(shù)。

式中:E為信息熵，E越大表明增強(qiáng)后圖像的信息量越大;pi為第i級(jí)灰度出現(xiàn)的概率;F為灰度均方差，越大表示增強(qiáng)后圖像對(duì)比度越高;n=M×N;gi，j為圖像灰度值;D為信噪改變量，描述圖像增強(qiáng)后灰度級(jí)大于給定閾值Th的數(shù)量，D越大表示增強(qiáng)后影響的灰度層次損失越少，保留的層數(shù)越多，合適的閾值可以防止過(guò)度增強(qiáng)。可見(jiàn)，適應(yīng)度函數(shù)越大，圖像的增強(qiáng)效果越好。

④遺傳運(yùn)算

對(duì)群體進(jìn)行交叉運(yùn)算，之后作變異運(yùn)算。

⑤確定最優(yōu)值

按照以上的遺傳算子，產(chǎn)生新的種群，并對(duì)新的種群重復(fù)以上步驟，直到取得最大適應(yīng)度，確定最優(yōu)轉(zhuǎn)折點(diǎn)坐標(biāo)。

按照遺傳算法的取值規(guī)律，本實(shí)驗(yàn)中的參數(shù)選取如下:變量的二進(jìn)制位數(shù)為8，群體規(guī)模為40，最大進(jìn)化代數(shù)為 100，交叉率為 0.65，變異率取 0.02。

采用上述的設(shè)置參數(shù)，用該優(yōu)化遺傳算法對(duì)圖像進(jìn)行增強(qiáng)，效果如圖2所示。

圖2 增強(qiáng)后原木端面圖像

3 消除陰影的同態(tài)濾波圖像分割

利用遺傳算法增強(qiáng)圖像后，可以清晰地提取出需要分割的圖像，但圖像中陰影和背景不能區(qū)分。成堆原木由于任意堆放，端面不能保證完全在一個(gè)平面，上方凸出產(chǎn)生的陰影和采伐中留下的茬口是圖像分割中最需解決的問(wèn)題。

采用同態(tài)濾波的方法進(jìn)一步對(duì)增強(qiáng)后的圖像進(jìn)行分割處理，并同時(shí)消除陰影和茬口。從圖2中可以看出，陰影和茬口在空間上變化緩慢，在頻域上呈現(xiàn)低頻特征，背景和端面的交界處是急劇變化的，在頻域上呈現(xiàn)高頻特征。

同態(tài)濾波可在頻域中將圖像動(dòng)態(tài)范圍進(jìn)行壓縮，抑制低頻分量并突出高頻分量［14－15］。用二維函數(shù)g(i，j)表示空間域圖像時(shí)，可用入射和反射兩個(gè)分量來(lái)表征:

g(i，j)=I(i，j)·r(i，j)。

式中:I(i，j)為入射的光源總量;r(i，j)為物體反射光的總量。

設(shè)計(jì)一個(gè)對(duì)高頻和低頻分量影響不同的高通濾波器，就可以適當(dāng)降低入射光源總量函數(shù)的影響，并增強(qiáng)反射率函數(shù)的頻譜成分，降低陰影和茬口的影響。由于理想濾波器脈沖響應(yīng)呈振蕩特征，濾波時(shí)會(huì)產(chǎn)生振鈴效應(yīng)。為了消除或減少振鈴效應(yīng)，減小圖像的邊緣模糊度，選用二階巴特沃思濾波器H(u，v)，使頻率響應(yīng)更光滑。

式中:f0為選定的截止頻率;f(u，v)為點(diǎn)(u，v)到頻率域原點(diǎn)(u0，v0)的距離;r1和r2為修改因子，取rH和rL分別為高頻和低頻增益;f(u，v)＞f0時(shí)，rH=r1;f(u，v)＜f0時(shí) rH=r1－r2。本研究中濾波器的高通截止頻率 f0=100，r1=2，r2=0.5，分割效果如圖 3 所示。

圖3 圖像分割效果

在對(duì)成堆原木進(jìn)行分割時(shí)，典型聚類(lèi)算法能取得較好的效果［8］，作為經(jīng)典的聚類(lèi)算法代表，最大峰值算法(KMA)在圖像分割問(wèn)題上取得了不錯(cuò)的效果，圖4為KMA算法對(duì)圖2分割的結(jié)果。

圖4 經(jīng)典KMA算法分割效果

本研究用經(jīng)典的prewitt算子對(duì)圖3進(jìn)行邊緣提取，并將其與典型聚類(lèi)算法進(jìn)行比較，結(jié)果見(jiàn)圖5?？梢钥闯?，與傳統(tǒng)的KMA算法相比較，本算法不需要非常準(zhǔn)確地確定初始中心的取值，也不需要事先確定圖中原木的數(shù)量。對(duì)兩個(gè)圖的對(duì)比可以看出，用同態(tài)濾波分割后的圖像提取能夠更有效地識(shí)別陰影和茬口部分，完全消除了陰影遮擋和茬口造成的半圓和臺(tái)階，其分割效果優(yōu)于KMA算法。

圖5 邊緣提取后效果

4 結(jié)束語(yǔ)

將遺傳算法用于成堆原木圖像的增強(qiáng)，由于分段線(xiàn)性變換法可突出感興趣的端面和背景，利用遺傳算法的最優(yōu)搜索確定3段線(xiàn)形變換法的轉(zhuǎn)折點(diǎn)，在構(gòu)建適應(yīng)度函數(shù)時(shí)綜合考慮灰度均方差、信息熵和信噪改變量，保證圖像的整體和局部增強(qiáng)。對(duì)增強(qiáng)后的圖像進(jìn)行分割，考慮到陰影和茬口在空間上較背景變化緩慢，用同態(tài)濾波在頻域中將壓縮圖像動(dòng)態(tài)范圍，抑制低頻分量，并突出高頻分量，可消除陰影和茬口的影響。對(duì)多根原木堆積的端面圖像分割證明了該算法的有效性，說(shuō)明它特別適用于有陰影存在的圖像分割問(wèn)題。最后，將該方法與KMA算法效果做了一個(gè)比較，證明其有更好的分割效果。今后將對(duì)該類(lèi)圖像分割問(wèn)題做進(jìn)一步的研究，方向是尋找更適合的邊緣提取方式，同時(shí)優(yōu)化巴特沃思濾波器參數(shù)。

［1］ 梅振榮，任洪娥，朱朦.基于非線(xiàn)性最小二乘原理的原木端面識(shí)別算法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(2):177－178.

［2］ 黃習(xí)培，景林.原木端面圖像檢尺直徑識(shí)別算法的研究［J］.林業(yè)機(jī)械與木工設(shè)備，2006，34(1):24－26.

［3］ 龍德帆，樊尚春，龐宏冰，等.用于原木材積檢測(cè)的圖像處理與分析算法［J］.北京航空航天大學(xué)學(xué)報(bào)，2005，31(1):82－85.

［4］ 欒新，王炎.計(jì)算機(jī)視覺(jué)技術(shù)在原木材積測(cè)量中的應(yīng)用［J］，電子測(cè)量技術(shù)，1997，20(2):44－46.

［5］ 林靜靜，魏云龍，陳建清，等.基于鏈碼的原木端面圖像檢尺徑識(shí)別算法［J］.廈門(mén)大學(xué)學(xué)報(bào):自然科學(xué)版，2010，49(1):57－60.

［6］ 王執(zhí)煜，李寧寧，叢喜東.計(jì)算機(jī)及圖像識(shí)別技術(shù)在原木檢尺中的應(yīng)用研究［J］.林業(yè)機(jī)械與木工設(shè)備，2006，34(9):13－16.

［7］ 景林，黃習(xí)培，丁盛彬.成捆原木計(jì)算機(jī)圖像檢尺系統(tǒng)研究及應(yīng)用［J］.計(jì)算機(jī)應(yīng)用，2006，26(12):137－139.

［8］ Wang Yaming，Huang Wenqing，Zhao Yun.Computer vision technology in log volume inspection［J］.Journal of Forestry Research，2002，13(1):67－70.

［9］ 任洪娥，徐海濤.一種基于鏈碼技術(shù)的圖像目標(biāo)物體面積統(tǒng)計(jì)新方法［J］.計(jì)算機(jī)應(yīng)用研究，2008，25(1):303－305.

［10］ Jin Cong，Peng Jiaxiong.Digital Image Segmentation Based on Genetic Algorithm［J］.Mini-Micro Systems，2002，23(7):875－877.

［11］ Shi Jianbo，Malik J.Normalized cuts and image segmentation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):888－905.

［12］ 李國(guó)，龔志輝，尤輝，等.改進(jìn)的自適應(yīng)遺傳算法在圖像模糊增強(qiáng)中的應(yīng)用［J］.測(cè)繪科學(xué)，2012，37(2):77－79.

［13］ 黃楠.遺傳算法在圖像增強(qiáng)中的應(yīng)用研究［J］.計(jì)算機(jī)仿真，2012，29(8):261－264.

［14］ 韓念龍，劉闖，莊立.基于不同小波變換與同態(tài)濾波結(jié)合的CBERS－02B衛(wèi)星CCD圖像的薄云去除［J］.吉林大學(xué)學(xué)報(bào):地球科學(xué)版，2012，42(1):275－279.

［15］ 易瑤，張東波，李雄.基于背景估計(jì)和同態(tài)濾波的眼底圖像歸