曲蘊慧 湯偉 文豪 雷濤

摘要：針對紙病圖像采集過程中容易受到光源噪聲干擾的問題，在分析了光源噪聲特性的基礎(chǔ)上，提出基于DCT同態(tài)濾波的紙病去噪算法。該算法首先對采集到的紙病圖像進行分塊，然后對每一圖像塊取對數(shù)，DCT變換，將其變換到頻率域，使用高斯同態(tài)濾波濾除噪聲干擾，最后通過IDCT變換以及取指數(shù)操作將其恢復(fù)到空間域。實驗結(jié)果表明，該算法可以有效地去除紙病圖像中的各類光源噪聲干擾，增強紙病圖像區(qū)域。

關(guān)鍵詞：DCT變換；同態(tài)濾波；高斯濾波；頻率域

中圖分類號：TS75

文獻標識碼：A

DOI：10.11980/j.issn.0254-508X.2018.05.008

Abstract： Aiming at the problems of the light-source noise in the process of paper defeats collection，the paper analyzed the characteristics of the light source noise and proposes a de-noising Algorithm based on holomorphic filtering and DCT transform. Firstly， blocking the image； then， taking logarithm operation and DCT transform of each image block and transforming them to frequency domain. Next， Gaussian holomorphic filteringused to remove noise interference. Finally， IDCT transform and exponential operation are used to restore them to the spatial domain. The experimental results showed that the algorithm could effectively remove various kinds of light-source noise and enhance the paper defect area.

Key words：discrete cosine transform （DCT）； holomorphic filtering； gaussian filtering； frequency domain

隨著造紙工業(yè)的飛速發(fā)展，現(xiàn)代紙機的速度達1500 m/min以上，幅寬可超過10 m，而人眼的時間分辨能力只有 1/24 s[1]，對于許多高速運動的物體或現(xiàn)象，受到人眼時間分辨率的限制，根本無法看清，所以靠人的肉眼來檢測紙張的紙病已經(jīng)不可能。而現(xiàn)在的高速相機曝光時間在幾億分之一秒、幾兆分之一秒，甚至每秒鐘可連續(xù)拍攝 6 億幅畫面，能將高速運動現(xiàn)象的發(fā)生、發(fā)展和運動規(guī)律等清晰成像[2-3]。隨著計算機圖像處理技術(shù)的發(fā)展和廣泛使用，將機器視覺技術(shù)與造紙工業(yè)相結(jié)合，利用計算機對拍攝到的連續(xù)的紙張圖像序列進行紙病的在線處理，特征辨識以及紙病類型的判定，已經(jīng)成為研究的熱點[4-6]。

目前，實際生產(chǎn)線上所使用的紙病檢測系統(tǒng)一般采用工業(yè)計算機控制線陣CCD掃描相機來完成圖像序列的采集，紙病檢測系統(tǒng)硬件示意圖見圖1。

在采集過程中，由于生產(chǎn)車間光照條件有限、照明設(shè)備老化、光學系統(tǒng)失真、大氣流動、粉塵干擾等因素，會使得采集到的紙病圖像序列具有較嚴重的光源噪聲的干擾，而且此類噪聲很難通過常用的中值濾波、均值濾波以及高斯濾波等濾波方法去除。針對此類噪聲，本課題提出一種基于DCT同態(tài)濾波的紙病圖像去噪算法，并通過Visual Studio 2010+Open CV 編程驗證了算法的有效性。

1DCT同態(tài)濾波器

當圖像由物理過程產(chǎn)生的時候，圖像的亮度值正比于物理源所輻射的能量。用f（x，y）來表示圖像，則f（x，y）可以由兩個分量表示：入射光源照射總量（稱為入射分量，用i（x，y）來表示）和物體反射的光照總量（稱為反射分量，用r（x，y）來表示）。所以f（x，y）可表示為公式（1）。

其中，01.1傳統(tǒng)同態(tài)濾波

傳統(tǒng)同態(tài)濾波是基于傅里葉變換的，但由于乘積的傅里葉變換不是傅里葉變換的乘積，如公式（2）所示。

對濾波后的圖像進行傅里葉反變換，并進行取指數(shù)操作，即可得到濾波后的圖像。上述的同態(tài)濾波步驟如圖2所示[9]。

使用同態(tài)濾波可以很好地控制照射分量和反射分量，但能否達到理想的濾波效果，取決于同態(tài)濾波函數(shù)H（u，v）。常用的頻率域的高通濾波器有理想高通濾波器（IHPF）、布特沃斯高通濾波器（BHPF）以及高斯高通濾波器（GHPF）[10]。

為了防止濾波過程中振鈴效果的產(chǎn)生而影響下一步紙病圖像邊緣檢測的效果，本課題設(shè)計構(gòu)造了高斯同態(tài)濾波器進行濾波。高斯同態(tài)濾波器如公式（7）所示。

其中，當RH>1，且RL<1時，高斯同態(tài)濾波器可以抑制照明分量，增強反射分量，從而達到濾除光照噪聲，增強紙病區(qū)域圖像的效果。C為常數(shù)，用來控制高斯同態(tài)濾波器函數(shù)的陡度，且RH ≥C ≥RL；D0為u=0，v=0時的D（u，v），即截止頻率。D（u，v）定義如式（8）所示。

1.2基于DCT的同態(tài)濾波

傳統(tǒng)的同態(tài)濾波是基于傅里葉變換和反變換的，但是由于傅里葉變換的參數(shù)均為復(fù)數(shù)，使得運算數(shù)據(jù)量大，運算過程復(fù)雜，實時性差，不利于工業(yè)過程中的在線檢測。故本課題用離散余弦變換（DCT變換）來替代傳統(tǒng)的傅里葉變換。

DCT變換是將圖像分為N·N的子塊，對每一子塊進行單獨的DCT變換，然后對變換的結(jié)果進行量化。DCT變換過程中參數(shù)均為實數(shù)，而且DCT變換的正反變換核函數(shù)相同，計算簡單，大大減少了計算量，提高了運算速度，保證工業(yè)過程檢測的實時性。基于DCT的同態(tài)變換的步驟示意圖見圖3[11]。

1其他

2基于DCT同態(tài)濾波的紙病去噪算法

消除紙病圖像的背景噪聲是紙病圖像分割以及紙病辨識的前提，基于以上的分析，本課題提出了基于DCT同態(tài)濾波得到紙病去噪算法，算法步驟如下：

Step1： 采用CCD相機讀取紙病圖像序列；由于灰度圖像在RGB模型中R=G=B，所以先對采集到的紙病圖像序列進行通道分離，提取單通道數(shù)據(jù)，對單通道圖像數(shù)據(jù)進行處理，可以提高運算速度，節(jié)省內(nèi)存。

Step2： 對Step1中得到的紙病圖像序列進行分塊，本課題算法中將圖像分為8×8的子圖像。

Step3： 對每一子圖像進行取對數(shù)運算，并根據(jù)公式（9）進行DCT變換。由于將圖像分為了8×8 的子塊，所以在公式（9）中，令N=8，可以將公式（9）化為公式（10）。

Step4： 對Step3中得到的DCT變換后的圖像塊，采用公式（7）所示的高斯同態(tài)濾波器進行濾波。

Step5： 對濾波后的圖像進行DCT反變換（IDCT）以及取指數(shù)運算，即可得到最終濾波后的紙病圖像。

Step6： 循環(huán)執(zhí)行以上步驟，直到紙病圖像序列處理完為止。

3實驗結(jié)果與分析

實驗過程中，使用同一生產(chǎn)車間的生產(chǎn)設(shè)備，以相同方式安裝光源系統(tǒng)， 同時使用從造紙生產(chǎn)線上得到的紙張來進行在線檢測，實驗裝置如圖4所示。

在造紙廠生產(chǎn)采集過程中，由于光照環(huán)境或者物體表面光源反射等原因，會造成采集到的圖像光照不均。圖5為受到LED燈帶光源頻率干擾情況下采集到的紙病圖像序列中的一幀。其中橫向灰色條紋為LCD燈帶的頻率擾動對CCD相機所拍攝到的紙病圖像序列的干擾。

采用Visual Studio 2010+Open CV編程[12-13]實現(xiàn)本課題提出的算法，并對采集到的受到干擾的紙病圖像序列進行濾波，圖6為本課題所提出的基于DCT同態(tài)濾波的去噪算法對圖5所示圖像濾波后的效果。

從圖6可以看出，本課題所提出的基于DCT同態(tài)濾波的去噪算法，很好地去除了紙病圖像中LCD光帶噪聲的干擾，增強了紙病區(qū)域的對比度。

對于圖像中對比度較低的褶皺紙病，本課題所提出的濾波算法同樣起到了良好的濾波效果。圖7（a）為受到LCD頻帶干擾的褶皺紙病圖像，圖7（b）為本課題濾波算法濾波后的褶皺紙病圖像。

從圖7可以看出，本課題對圖像中對比度較低的褶皺紙病，同樣可以很好地去除光源干擾，保留紙病細節(jié)，從而增強紙病區(qū)域的對比度。

圖8顯示由于光照不均而產(chǎn)生的帶有陰影噪聲的紙病圖像以及采用本課題算法濾后的圖像。

在不同光照干擾下，將本課題算法與紙病檢測過程中常用的中值濾波以及高斯濾波進行對比[14]，各種算法的濾波效果如圖9及圖10所示。

從對比情況可以看出，中值濾波對光源干擾有一定的濾波效果，但同時也對紙病圖像本身進行了濾波，使得紙病區(qū)域邊緣模糊，不利于下一步邊緣檢測。如圖9（b）所示，由于污點較小，經(jīng)過中值濾波后，紙病區(qū)域已經(jīng)十分模糊，很難分辨。而高斯濾波雖然對紙病區(qū)域的模糊效果不明顯，但是對光源噪聲干擾的濾波效果同樣不明顯，對比圖10（a） 的原始圖像以及圖10（c） 高斯濾波后的圖像可以看出，在LED燈帶頻率干擾的情況下，高斯濾波基本沒有效果，達不到濾波的要求；而本課題提出的算法，很好地去除了各類光源的干擾，增強了紙病區(qū)域圖像，保證了下一步對紙病圖像進行邊緣檢測、特征提取以及紙病辨識的正確性。

4結(jié)論

本課題針對造紙廠車間由于光照設(shè)備差、光源老化等原因使得采集到的紙病圖像容易受到光源干擾，而此類光源干擾很難通過常用的中值濾波以及高斯濾波進行去除的問題，提出了一種基于DCT同態(tài)濾波的紙病去噪方法，通過實驗對比可以看出，本課題所提出的算法可以達到有效地去除光照干擾、增強紙病區(qū)域圖像的效果，為下一步紙病區(qū)域的特征提取以及紙病的辨識打下了良好的基礎(chǔ)。

參考文獻

[1]WU An-guo， WU Dan. Application of Industrial Camera on Paper Making[J]. Paper and Paper Making. 2016， 35（7）： 8.

伍安國， 伍丹. 工業(yè)相機在造紙中的應(yīng)用[J]. 紙和造紙， 2016， 35（7）： 8.

[2]WEI Ai-juan， LI Qian， TANG Wei. An Improved Paper Defects Denoising Method Based on Gray Associated with Neighborhood Characteristics[J]. Transactions of China Pulp and Paper， 2013， 1（28）： 44.

魏愛娟， 李茜， 湯偉. 基于鄰域關(guān)聯(lián)特性的紙病去噪方法[J]. 中國造紙學報， 2013， 28（1）： 44.

[3]LI Qian， WEN Hao， QU Yun-hui， et al. Application of Edge Tracking Algorithm to Multiple Paper Defects Segentation[J]. China Pulp & Paper， 2017， 36（8）： 41.

李茜， 文豪， 曲蘊慧， 等. 邊緣跟蹤算法在多紙病圖像分割中的應(yīng)用[J]. 中國造紙， 2017， 36（8）： 41.

[4]ZHOU Qiang， QI Lu， ZHANG Hui. Recognition of Paper Defect Image with Complex Background Noise Based on SVD and SVM[J]. Transactions of China Pulp and Paper， 2016， 21（2）： 40.

周強， 齊璐， 張慧. 基于SVD和SVM的復(fù)雜背景噪聲圖像的紙病辨識[J]. 中國造紙學報， 2016， 21（2）： 40.

[5] ZHOU Qiang， CHEN Ying， SHEN Tian-yu， et al. Review of Paper Defect Detection System Based on Machine Vision Technology[J]. China Pulp & Paper， 2016， 35（5）： 72.

周強， 陳穎， 沈天宇， 等. 基于機器視覺的紙病檢測系統(tǒng)發(fā)展綜述[J]. 中國造紙， 2016. 35（5）： 72.

[6] ZHOU Qiang， DU Xi-meng， WANG Zhi-qiang. Background Compensation Method of Paper Defects Image Base on Sparse Decomposition via Multi-scale Redundant Dictionary[J]. China Pulp & Paper， 2016， 35（11）： 45.

周強， 杜晞盟， 王志強. 基于多尺度冗余字典稀疏分解的紙病圖像背景補償方法[J]. 中國造紙， 2016， 35（11）： 45.

[7] Rafael C Gonzalez， Richard E Woods. Digital Image Processing[M]. Third Edition. Beijing： Publishing House of Electronics Industry， 2011.

岡薩雷斯. 數(shù)字圖像處理[M]. 3版. 北京： 電子工業(yè)出版社， 2011.

[8] Ali Rebhi， Sabeur Abid， Farhat Fnaeich. Defect Detection Algorithm for Gray Level Digital Images Using Local Homogeneity and Discrete Cosine Transform[J]. Journal of Engineering and Applied Sciences. 2014， 9（2）： 43.

[9] ZHANG Ya-fei. XIE Ming-hong. Colour Image Enhancement Algorithm Based on HSI and Local Homomorphic Filtering[J]. Computer Applications and Software， 2013， 20（12）： 303.

張亞飛， 謝明鴻. 基于HIS和局部同態(tài)濾波的彩色圖像增強算法[J]. 計算機應(yīng)用與軟件， 2013， 20（12）： 303.

[10] LIN Xi， YU Wen-ming， CHEN Xin， et al. Application of Homomorphic Filtering in Membrane Protein Particle Image Enhancement[J]. China Academic Journal Electronic Publishing House， 2015， 32（2）： 187.

林曦， 余文明， 陳新， 等. 同態(tài)濾波技術(shù)在膜蛋白顆粒圖像增強中的應(yīng)用[J]. 中國醫(yī)學物理學雜志， 2015， 32（2）： 187.

[11] SUN Xiao-long， LIU Zhang-hui， GUO Wen-zhong. DCT block feature based saliency detection in JPEG image with background prior[J]. Journal of Fuzhou University（Natural Science Edition）， 2017， 45（1）： 1.

孫小龍， 劉漳輝， 郭文忠. 基于DCT塊特征與背景先驗的JPEG圖像顯著性檢測算法[J]. 福州大學學報（自然科學版）， 2017， 45（1）： 1.

[12] Gray Bradski， Adrian kaebler. Learning Open CV[M]. Beijing： Tsinghua University Press， 2016.

Gray Bradski， Adrian kaebler. 學習Open CV（中文版）[M]. 北京： 清華大學出版社， 2016.

[13]MAO Xing-yun， LENG Xue-fei， WANG Bi-hui， et al. Introduction to OpenCV3 programming[M]. Beijing： Publishing House of Electronics Industry. 2015.

毛星云， 冷雪飛， 王碧輝， 等. OpenCV3編程入門[M]. 北京： 電子工業(yè)出版社， 2015.

[14]ZHANG Zheng， XU Chao， REN Shu-xia， et al. Digital image processing and machine vision—implemented in Visual C++and Matlab[M]. Beiing： POSTS & TELECOM PRESS， 2016.

張錚， 徐超， 任淑霞， 等. 數(shù)字圖像處理與機器視覺——Visual C++與Matlab實現(xiàn)[M]. 北京： 人民郵電出版社， 2016.

（責任編輯：馬忻）