白雪冰，許景濤,宋恩來，陳凱

(東北林業(yè)大學(xué) 機(jī)電工程學(xué)院,黑龍江　哈爾濱150040)

?

3種不同模型對(duì)木材表面缺陷圖像分割算法的比較*

白雪冰，許景濤,宋恩來，陳凱

(東北林業(yè)大學(xué) 機(jī)電工程學(xué)院,黑龍江哈爾濱150040)

木材表面缺陷會(huì)嚴(yán)重影響木材的質(zhì)量和使用價(jià)值，因此對(duì)木材表面缺陷圖像分割的研究有利于提高木材的利用率。本文分別對(duì)紅皮云杉含有蟲眼、活節(jié)、死節(jié)3種典型木材缺陷的圖像采用改進(jìn)的C-V模型、改進(jìn)的GVF Snake模型和改進(jìn)的GAC模型進(jìn)行分割試驗(yàn)，對(duì)3種改進(jìn)算法的復(fù)雜程度、分割時(shí)間、分割結(jié)果的完整性以及抗噪性進(jìn)行對(duì)比和分析。結(jié)果表明，改進(jìn)的GAC模型算法較為優(yōu)越，其分割算法簡(jiǎn)單，運(yùn)行時(shí)間短，缺陷分割效果較好，抗噪性強(qiáng)。而改進(jìn)的C-V模型算法、改進(jìn)的GVF Snake模型算法的分割效果和抗噪性最差,不宜作為3種木材表面缺陷圖像的分割算法。

木材表面缺陷；改進(jìn)GAC模型；改進(jìn)C-V模型；改進(jìn)GVF Snake模型

長(zhǎng)期以來，木材被廣泛地使用在工業(yè)、農(nóng)業(yè)和日常生活中，但中國(guó)木材資源十分匱乏，而且木材表面會(huì)存在多種缺陷，影響木材利用率和木制品的質(zhì)量[1]。對(duì)木材表面缺陷分割檢測(cè)，可以充分利用現(xiàn)有資源提高加工效率，緩解森林資源短缺的壓力[2]。中國(guó)的木材缺陷檢測(cè)技術(shù)主要以人工檢測(cè)為主，然而隨著計(jì)算機(jī)視覺技術(shù)的提高和圖像處理技術(shù)的快速發(fā)展，國(guó)內(nèi)許多學(xué)者也在不斷地研究其在木材缺陷分割檢測(cè)領(lǐng)域中的應(yīng)用。中國(guó)在20 世紀(jì)70 年代末期開始應(yīng)用無損檢測(cè)技術(shù)方法對(duì)木材缺陷進(jìn)行檢測(cè)，如：微波法、X 射線法等[3]。

本文采用基于C-V模型、GVF Snake模型、GAC模型等活動(dòng)輪廓模型的改進(jìn)算法對(duì)木材表面缺陷圖像進(jìn)行分割。試驗(yàn)對(duì)含有多個(gè)目標(biāo)缺陷的木材表面缺陷圖像，運(yùn)用改進(jìn)算法進(jìn)行分割試驗(yàn)，對(duì)比和分析這3種改進(jìn)算法的分割結(jié)果 、分割時(shí)間以及分割過程的抗噪性，從中選出較為優(yōu)越的分割算法，作為木材缺陷圖像的分割算法。

1　材料與方法

1.1材料

紅皮云杉(PiceakoraiensisNakai)是松科(Pinaceae Lindl.)云杉(Picea)屬常綠喬木。試驗(yàn)中采用的樣本均來自東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)的紅皮云杉樹林。

1.2方法

1.2.1改進(jìn)的C-V模型介紹

C-V模型水平集是在level-set思想和Mumford-Shah模型基礎(chǔ)上由Chan和Vese提出的[4]。C-V模型水平集的能量函數(shù)如下[5～7]。

改進(jìn)C-V模型的分割步驟見圖1。

圖1　改進(jìn)C-V模型的分割步驟

1.2.2改進(jìn)的GAC模型介紹

運(yùn)用改進(jìn)GAC模型的分割過程見圖2。

圖2　改進(jìn)GAC模型的分割步驟

1.2.3改進(jìn)的GVF Snake模型介紹

傳統(tǒng)Snake模型對(duì)初始輪廓線位置的選取非常敏感，分割過程中容易陷入局部極值，并且無法深入缺陷的凹陷部分，不能有效地分割出木材表面缺陷。用GVF力場(chǎng)取代傳統(tǒng)外力場(chǎng)，GVF力場(chǎng)看作是對(duì)圖像梯度場(chǎng)的逼近，收斂性更好，使得模型捕捉范圍擴(kuò)大，而且能使活動(dòng)輪廓深入木材缺陷的凹陷邊界，得到更準(zhǔn)確分割結(jié)果[18]。但是由于木材表面缺陷較復(fù)雜，如果直接采用GVF Snake模型[19～20]進(jìn)行缺陷分割，對(duì)于缺陷邊緣和背景灰度值相似部分的分割效果較差，很難使得輪廓線有效地收斂到缺陷邊緣，另外由于受到木材紋理和邊緣顆粒等噪聲干擾，會(huì)使輪廓線收斂速度較慢，迭代次數(shù)增加，分割所需時(shí)間較長(zhǎng)。所以需要采用維納濾波進(jìn)行預(yù)處理，從而加快分割速度。

圖3　改進(jìn) GVF Snake 模型的分割步驟

運(yùn)用改進(jìn)GVF Snake模型對(duì)木材表面缺陷進(jìn)行分割檢測(cè)的步驟見圖3。

2　結(jié)果與分析

2.1多目標(biāo)缺陷木材圖像分割方法比較

2.1.1蟲眼缺陷圖像分割對(duì)比分析

采用3種改進(jìn)方法分割的多個(gè)蟲眼目標(biāo)缺陷原圖像(圖4)，分割結(jié)果如圖5和圖6所示。由圖5、圖6可以看出：采用改進(jìn)C-V模型分割結(jié)果存在過多的背景輪廓區(qū)域分割線無法消除，使得整體分割出現(xiàn)過分割的現(xiàn)象(圖5-a)；采用改進(jìn)GVF Snake算法的試驗(yàn)過程中參數(shù)調(diào)節(jié)更為繁瑣，受到GVF力場(chǎng)作用向著局部能量極小化區(qū)域收斂，分割結(jié)果較差，運(yùn)行時(shí)間較長(zhǎng)；采用改進(jìn)GAC模型分割時(shí)，輪廓線可以快速地收斂到缺陷區(qū)域，曲線演化比較平滑(圖5-c)，參數(shù)設(shè)置簡(jiǎn)單，運(yùn)行時(shí)間短。由于試驗(yàn)樣本的缺陷目標(biāo)雜亂且分布零散，所以出現(xiàn)部分欠分割現(xiàn)象。

蟲眼缺陷的木材表面缺陷圖像分割對(duì)比結(jié)果見表1。

(a)蟲眼1(b)蟲眼2

圖4　蟲眼缺陷原圖像

圖5　3種改進(jìn)模型對(duì)蟲眼1缺陷圖像分割效果對(duì)比

圖6　3種改進(jìn)模型對(duì)蟲眼2缺陷圖像的分割效果對(duì)比

2.1.2活節(jié)缺陷圖像分割對(duì)比分析

采用3種改進(jìn)方法分割的多個(gè)活節(jié)目標(biāo)缺陷原圖像(圖7)，其分割結(jié)果如圖8和圖9所示。試驗(yàn)結(jié)果表明：改進(jìn)C-V模型可以分割出來3個(gè)居中目標(biāo)缺陷，卻無法分割位于右側(cè)邊緣的缺陷，而且干擾曲線在演化過程中無法消除，但分割時(shí)間較快；改進(jìn)GVF Snake模型在整個(gè)分割過程中要?jiǎng)討B(tài)調(diào)整各個(gè)參數(shù)，GVF力場(chǎng)作用下輪廓線向著局部極小值收斂而達(dá)到平衡，分割不出缺陷區(qū)域，且其過程繁瑣，運(yùn)行時(shí)間長(zhǎng)；改進(jìn)GAC模型可以將圖像中的缺陷目標(biāo)完整地分割出來，分割線平滑，分割時(shí)間最短，分割效果較好。

活節(jié)缺陷的木材表面缺陷圖像分割對(duì)比、分析結(jié)果見表2。

(a)活節(jié)1(b)活節(jié)2

圖7　活節(jié)缺陷原圖像

圖8　3種改進(jìn)模型對(duì)活節(jié)1缺陷圖像的分割效果對(duì)比

圖9　3種改進(jìn)模型對(duì)活節(jié)2缺陷圖像的分割效果對(duì)比

2.1.3死節(jié)缺陷圖像分割對(duì)比分析

采用3種改進(jìn)方法分割的多個(gè)死節(jié)目標(biāo)缺陷原圖像(圖10)，其分割結(jié)果如圖11和圖12所示。試驗(yàn)結(jié)果表明：改進(jìn)C-V模型分割的輪廓線能夠收斂到缺陷區(qū)域，但同樣存在干擾曲線問題，而且出現(xiàn)過分割現(xiàn)象；改進(jìn)GVF Snake模型分割的輪廓線向著能量極小化方向運(yùn)動(dòng)，分割過程中需要不斷地調(diào)節(jié)參數(shù)，很難有效地分割缺陷目標(biāo)，且運(yùn)行時(shí)間較長(zhǎng)；改進(jìn)GAC模型分割的輪廓線不受到背景紋理的干擾，且能迅速地收斂到缺陷邊緣，分割結(jié)果完整，分割線比較平滑，運(yùn)行時(shí)間短。

死節(jié)缺陷的木材表面缺陷圖像分割對(duì)比分析見表3。

(a)死節(jié)1(b)死節(jié)2

圖10　死節(jié)缺陷原圖像

圖11　3種改進(jìn)模型對(duì)死節(jié)1缺陷圖像的分割對(duì)比

圖12　3種改進(jìn)模型對(duì)死節(jié)2缺陷圖像的分割效果對(duì)比

根據(jù)3組含有多個(gè)木材缺陷的圖像分割對(duì)比試驗(yàn)和分析，從而得出：改進(jìn)GAC模型算法能夠更加快速有效地分割出木材表面缺陷，分割結(jié)果比較完整，操作相對(duì)簡(jiǎn)單，分割時(shí)間最短。

2.2木材表面缺陷圖像分割方法的抗噪聲性能比較

2.2.1蟲眼缺陷圖像分割的抗噪聲性能對(duì)比分析

對(duì)蟲眼缺陷原圖像(圖13)加0.02比例的椒鹽噪聲后，所得出灰度圖像如圖14所示。

圖13 蟲眼缺陷原圖像圖14 加0.02比例的椒鹽噪聲圖像Fig.13 OriginalimageofwormholeFig.14 0.02oftheproportionofthesaltandpeppernoiseimage

采用3種改進(jìn)方法對(duì)加噪聲后的圖像進(jìn)行分割，分割結(jié)果如圖15(a)、(b)、(c)所示。試驗(yàn)結(jié)果說明：改進(jìn)GVF Snake分割效果較差，而且在試驗(yàn)過程中調(diào)整參數(shù)設(shè)置比較困難；改進(jìn)的GAC算法和C-V算法都可以將目標(biāo)缺陷分割出來，雖然改進(jìn)C-V模型的輪廓線可以逼近目標(biāo)邊緣，但是背景區(qū)域中噪聲也被分割出來，分割結(jié)果不準(zhǔn)確；改進(jìn)GAC模型的輪廓線可以不受到噪聲的干擾，快速平滑地將目標(biāo)分割出來。

(a)改進(jìn)GAC模型分割結(jié)果(b)改進(jìn)C-V模型分割結(jié)果(c)改進(jìn)GVFSnake模型分割結(jié)果

圖153種改進(jìn)算法對(duì)蟲眼缺陷圖像的分割結(jié)果

Fig.15Segmentation results of three improved algorithms

2.2.2活節(jié)缺陷圖像分割的抗噪聲性能對(duì)比分析

對(duì)如圖16所示的活節(jié)缺陷原圖像加0.02比例的椒鹽噪聲后，其灰度圖像如圖17所示。采用3種改進(jìn)方法對(duì)加噪聲后的圖像進(jìn)行分割，分割結(jié)果如圖18(a)、(b)、(c)所示。試驗(yàn)結(jié)果表明：改進(jìn)C-V算法的分割結(jié)果存在背景的干擾輪廓線；改進(jìn)GVF Snake模型的分割過程中需要調(diào)整參數(shù)，運(yùn)行緩慢，分割輪廓線無法靠近缺陷邊緣；改進(jìn)GAC算法對(duì)木材表面缺陷圖像分割效果較好，分割速度較快，但是分割過程中會(huì)有個(gè)別噪聲顆粒也被分割出來，同時(shí)右下角的缺陷出現(xiàn)部分欠分割情況。

圖16 活節(jié)缺陷原圖像圖17 加0.02比例的椒鹽噪聲圖像Fig.16 OriginalimageoflivingscabFig.17 0.02oftheproportionofthesaltandpeppernoiseimage

(a)改進(jìn)GAC模型分割結(jié)果(b)改進(jìn)C-V模型分割結(jié)果(c)改進(jìn)GVFSnake模型分割結(jié)果

圖18　3種改進(jìn)算法對(duì)活節(jié)缺陷圖像的分割結(jié)果

2.2.3死節(jié)缺陷圖像分割的抗噪聲性能對(duì)比分析

對(duì)如圖19所示的死節(jié)缺陷原圖像加0.02比例的椒鹽噪聲后，其灰度圖像如圖20所示。采用3種改進(jìn)方法對(duì)加噪聲后的圖像進(jìn)行分割，分割結(jié)果如圖21(a)、(b)、(c)所示。試驗(yàn)結(jié)果表明：改進(jìn)C-V模型能夠?qū)⒂覀?cè)缺陷完整分割出來，但對(duì)于左側(cè)缺陷分割效果較差，曲線輪廓演化到缺陷內(nèi)部，背景干擾輪廓線也無法消除；改進(jìn)GVF Snake模型分割效果較差，輪廓曲線在達(dá)到平衡力場(chǎng)作用時(shí)受到較強(qiáng)的干擾，分割結(jié)果相差較大，同時(shí)參數(shù)調(diào)整復(fù)雜，運(yùn)行時(shí)間長(zhǎng)，難以將缺陷分割出來；改進(jìn)GAC模型在噪聲比例增加的情況下，能夠較完整地分割，而且運(yùn)行速度不受影響。

(a)改進(jìn)GAC模型分割結(jié)果(b)改進(jìn)C-V模型分割結(jié)果(c)改進(jìn)GVFSnake模型分割結(jié)果

圖213種改進(jìn)算法對(duì)死節(jié)缺陷圖像的分割結(jié)果

Fig.21Segmentation results of three improved algorithms

3　結(jié)論

本文對(duì)比了3種改進(jìn)算法對(duì)木材表面缺陷圖像分割的效果，得出如下結(jié)論：運(yùn)用3種改進(jìn)算法對(duì)多目標(biāo)缺陷圖像進(jìn)行分割試驗(yàn)，從算法的復(fù)雜程度、分割速度、分割結(jié)果完整性以及抗噪聲性等方面進(jìn)行比較，可見改進(jìn)GAC算法較為優(yōu)越，分割速度快，缺陷分割結(jié)果較完整，抗噪性強(qiáng)。其次為改進(jìn)的C-V模型算法，改進(jìn)的GVF Snake模型算法的分割結(jié)果和抗噪性最差。

[1]王林.基于Gabor變換的木材表面缺陷圖像分割方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(5):1066-1069.

[2]王再尚.基于Markov隨機(jī)場(chǎng)的木材表面缺陷模式識(shí)別方法的研究[D].哈爾濱：東北林業(yè)大學(xué),2012.

[3]苗媛媛.劉一星,劉鎮(zhèn)波,等.木質(zhì)材料缺陷無損檢測(cè)主要研究進(jìn)展[J].世界林業(yè)研究,2008,5(7):44-50.

[4]徐玲凌,肖進(jìn)勝,易本順.改進(jìn)的C-V水平集模型圖像分割算法[J].計(jì)算機(jī)工程,2009,35(10):209-213.

[5]蘇益杰,王美清.改進(jìn)的公路破損路面圖像分割 CV模型[J].計(jì)算機(jī)工程,2011,37(10):192-195.

[6]唐子淑,劉杰,別術(shù)林.基于CV 模型的CT圖像分割研究[J].CT理論與應(yīng)用研究,2014,23(2):193-202.

[7]Caselles V,Kimmel R,Sapiro G. Geodesic active contour[J].International Journal of Computer Vision,1997,22:61-79.

[8]原野,何傳江. LBF活動(dòng)輪廓模型的改進(jìn)[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(15):177-179.

[9]程兆寧,宋志堅(jiān). RSF模型的優(yōu)化及其在MRI腦腫瘤分割中的應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志,2013,30(2):265-271.

[10]Xu C,Prince J. Snakes,shapes and gradient vector flow[J]. IEEE Transactions on Image Processing,1998,7(3):359-369.

[11]Gao Song,TIEN D Bui. Image segmentation and selective smoothing by using Mumfod-Shah model[J]. IEEE Transaction on Image Processing,2005,14(10):1537-1549.

[12]Kass M,Witkin A,Terzopoulos D. Snakes:Active contour models[J]. International Journal of Computer Vision,1988,1(4):321-331.

[13]薛晶瀅.基于GAC模型的交互式圖像分割算法的研究及應(yīng)用[D].西安：西北大學(xué),2009.

[14]Wasi lewsk iM. Active contours using level sets for medical image segmentation[D]. Waterloo:University of Waterloo,2004.

[15]Yang Yu,Caiming Zhang,Yu Wei,etal. Active contour method combining local fitting energy ang global fitting energy dynamically[J].Lecture Notes in Computer Science,2010,61(65):163-172.

[16]喬劍敏.基于GAC模型和C-V模型的圖像分割方法的改進(jìn)[D].哈爾濱：哈爾濱工業(yè)大學(xué),2011.

[17]Hanh J,LEE C. Geometric attraction-driven flow for image segmentation and boundary detection[J]. Journal of Visual Communication and Image Representation,2010,21(1):55-66.

[18]王元全.Snake模型與深度凹陷區(qū)域的分割[J].計(jì)算機(jī)研究與發(fā)展,2005,42(7):1179-1184.

[19]趙煥輝.基于GVF Snake模型的醫(yī)學(xué)圖像分割技術(shù)研究[D].濟(jì)南：山東大學(xué),2013.

[20]靳莉宴.基于參數(shù)優(yōu)化的Snake模型及在MRI圖像分割中的應(yīng)用[D].天津：河北工業(yè)大學(xué),2010.

[21]楊輝,唐建鋒,楊利容,等.基于中值濾波和維納濾波的圖像混合噪聲濾波研究[J].衡陽師范學(xué)院學(xué)報(bào),2011,32(6):53-55.

Contrast of Three Image Segmentation Algorithms for Wood Surface Defects

BAI Xue-bing,XU Jing-tao,SONG En-lai,CHEN Kai

(College of Machinery Electricity of Northeast Forestry University，Harbin Heilongjiang 150040，P.R.China)

Since the surface defect of the wood can seriously affect the quality and the use value of the wood,the research of image segmentation algorithm for wood surface defects can increase the utilization rate of wood.This paper respectively research three typical wood defects with wormhole,living scab and dead scab. For segmentation test,the improved C-V model,the improved GVF Snake model and the improved GAC model were used,and the complexity of the three improved algorithms,the time required for segmentation,the integrity of segmentation results,and the noise performance of the algorithm were analyzed through the test.The results showed that the improved GAC model was superior to other methods since its segmentation algorithm was simple,its running time was shorter,its defect segmentation results were complete and its noise immunity performance was significant.The image segmentation result and noise immunity of the improved C-V model and the improved GVF Snake model were not significant.

wood surface defect; improved GAC model; improved C-V model; improved GVF Snake model

2015-08-29

黑龍江省自然科學(xué)基金項(xiàng)目(C201208)。

白雪冰(1966-)，男，教授，碩士生導(dǎo)師，主要從事圖像處理與模式識(shí)別研究。E-mail:xumou2010@163.com

TP 391.41；S 781.61

A

1672-8246(2016)04-00027-08

doi:10.16473/j.cnki.xblykx1972.2016.04.005