王金聰 宋文龍 張彭濤

(東北林業(yè)大學(xué)，哈爾濱，150040)

According to the characteristics of the wood defect sample image, it is preprocessed by histogram equalization and gradation transformation so that the contrast between the defect target and the background is larger, and the defect target image is highlighted. The method of multiple comparison experiments is applied to the defects of the live knots (sample 1), dead knots (sample 2) and wormhole (sample 3). The traditional watershed algorithm and the improved watershed algorithm are used to segment the sample defect images, and the differences between the two methods are analyzed. The comparison of experimental results show that the improved watershed segmentation method can quickly and better segment the image of wood defects, and the defect contours are more clear and complete, and the curves are smoother; this also makes up for the insufficiency of the traditional watershed transition segmentation and under-segmentation, achieving comparatively the ideal segmentation effect. The improved segmentation algorithm has higher segmentation efficiency than the traditional method, and the segmentation time is shorter and more accurate. This experiment proved the feasibility and reliability of the improved watershed algorithm.

在木料缺陷檢測領(lǐng)域，相對于人工目測木料缺陷的方法，計算機(jī)檢測缺陷要求的高精度、非接觸、具有綜合分析能力的識別方法是目前所面臨的難題。在計算機(jī)檢測木料缺陷系統(tǒng)中，數(shù)字圖像技術(shù)[1]中的圖像分割技術(shù)是不可或缺的。無論是人工目測木料缺陷，還是計算機(jī)檢測，邊緣檢測的準(zhǔn)確性是最基本的需要。分水嶺具有原理簡單、算法效率較高的特點，在圖像分割領(lǐng)域，分水嶺算法作為經(jīng)典算法；但是，分水嶺算法仍然存在一些缺點，在對圖像進(jìn)行分割時，由于放大的困難，可能會出現(xiàn)算法效率較低，耗費時間較長的現(xiàn)象；同時，還可能會出現(xiàn)對圖像的過度分割情況[2-3]。為此，本文根據(jù)木材缺陷樣本圖像特點，用直方圖均衡化和灰度變換對其進(jìn)行預(yù)處理，對活節(jié)、死節(jié)、蟲眼缺陷采用多組對比試驗的方法，采用傳統(tǒng)分水嶺算法和改進(jìn)分水嶺算法分割樣本缺陷圖像，分析兩種方法的差異。旨在為木材缺陷檢測方法的優(yōu)選提供參考。

1 材料與方法

試驗用計算機(jī)的配置是Intel(R) Core(TM) i7-2600的處理器，主頻3.40 GHz，4G內(nèi)存卡，win7.0 32位操作系統(tǒng)，matlab7.0處理軟件。

試驗中的處理對象是課題實驗組拍攝的木材表面缺陷樣本圖像，主要包含死節(jié)(樣本1)、活節(jié)(樣本2)、蟲眼(樣本3)3種典型缺陷(見圖1)。算法分割之前需要將彩色缺陷圖像變換成灰度圖像(見圖2)，在不影響分割結(jié)果的前提下減少處理時間，提高試驗效率。

樣本圖像灰度變換增強(qiáng)：每幅圖像都由像素點組成，像素點的灰度值直觀體現(xiàn)視覺效果。因此，可根據(jù)期望的視覺效果，通過改變圖像中像素的灰度實現(xiàn)對圖像的處理。該方法是對圖像中每個像素點進(jìn)行處理，采用的是直接灰度映射[4]。本試驗指定灰度映射規(guī)則，改變圖像中像素灰度；利用灰度映射，對圖2對應(yīng)木材表面缺陷樣本灰度圖進(jìn)行灰度增強(qiáng)，并繪制其對應(yīng)的直方圖(見圖3)。

圖1 木材表面缺陷樣本原圖像

圖2 對應(yīng)木材表面缺陷樣本灰度圖

圖3 對應(yīng)樣本圖像的灰度變換增強(qiáng)圖

樣本圖像直方圖均衡加強(qiáng)：經(jīng)過灰度映射，木材表面缺陷圖像灰度得到了變換增強(qiáng)；在圖像直方圖的表現(xiàn)，是在某一灰度范圍內(nèi)集中大量圖像像素，而其他灰度范圍內(nèi)的圖像像素很少。采取直方圖均衡化[5]對圖像進(jìn)行第二步處理，通過直方圖均衡化，將原本的像素灰度集中分布轉(zhuǎn)變?yōu)橄袼卦谌叶确秶鷥?nèi)均勻分布。這種做法相當(dāng)于對圖像進(jìn)行線性拉伸，使圖像像素的灰度均勻分布。對應(yīng)木材缺陷樣本圖像(死節(jié)、活節(jié)、蟲眼)直方圖均衡化后的圖像如圖3所示。

通過以上兩種預(yù)處理，處理后圖像缺陷目標(biāo)圖像更突出背景圖像，以便于后期分割處理。

2 傳統(tǒng)與改進(jìn)分水嶺算法分割試驗比較

2.1 傳統(tǒng)分水嶺算法分割試驗

傳統(tǒng)分水嶺算法分割[6]的依據(jù)是梯度變化，因此，對于不同梯度函數(shù)的選用，會得到不同的圖像分割結(jié)果。本試驗對樣本圖像做傳統(tǒng)分水嶺算法分割(見圖4)，結(jié)果顯示：樣本1活節(jié)圖像，完成的分割時間為10.721 s；樣本2死節(jié)圖像，完成的分割時間為9.568 s；樣本3蟲眼圖像，完成的分割時間為8.942 s。

圖4 傳統(tǒng)分水嶺分割對應(yīng)樣本圖

由圖5可見：傳統(tǒng)的分水嶺算法對均衡化樣本圖像的分割，對樣本1活節(jié)、樣本2死節(jié)圖像產(chǎn)生過分分割，除了對缺陷的分割以外，把缺陷邊緣附近均誤判為缺陷。圖5中樣本1活節(jié)、樣本2死節(jié)周圍都出現(xiàn)了過分分割的情況，外圍輪廓不太平滑；樣本3蟲眼也存在一定的過分分割，較前兩個不明顯。

圖5 形態(tài)學(xué)處理對應(yīng)樣本圖

2.2 改進(jìn)分水嶺算法分割試驗

改進(jìn)分水嶺算法[7-8]，是在數(shù)學(xué)形態(tài)學(xué)理論基礎(chǔ)上的圖像分割算法。本試驗采用數(shù)學(xué)形態(tài)學(xué)中常用的開啟、閉合、膨脹、腐蝕運算處理樣本圖像。由圖5可見：各樣本圖像經(jīng)過形態(tài)學(xué)的處理，目標(biāo)缺陷比之前更突出，重建后的圖像缺陷更為準(zhǔn)確。然后可以對形態(tài)學(xué)操作處理過的圖像進(jìn)行目標(biāo)提取。

改進(jìn)分水嶺算法分割流程見圖6。程序中首先讀入前面試驗中預(yù)處理的樣本圖像，接著對其圖像濾波，然后進(jìn)行梯度變化和修改，運用分水嶺算法分割，之后運用形態(tài)學(xué)開啟、關(guān)閉、膨脹等操作進(jìn)行區(qū)域合并，最后目標(biāo)提取完成分割。

由圖7可見：改進(jìn)分水嶺算法分割，對樣本1活節(jié)的分割比較準(zhǔn)確，分割曲線比傳統(tǒng)方法平滑，樣本1活節(jié)圖像完成分割的時間為5.482 s；對樣本2死節(jié)的分割準(zhǔn)確無誤，沒有產(chǎn)生過分分割的情況，其完成分割的時間為4.834 s；對樣本3蟲眼圖像分割沒有存在欠分割和過分割，分割圖像相對完整，外部曲線輪廓光滑，其完成分割的時間為4.678 s。

圖6 改進(jìn)分水嶺算法分割流程圖

圖7 改進(jìn)分水嶺分割算法對應(yīng)樣本圖

從改進(jìn)分水嶺算法分割木材缺陷樣本圖像試驗結(jié)果得出：改進(jìn)算法的樣本圖像，分割效果更有效，目標(biāo)提取更準(zhǔn)確，克服了傳統(tǒng)分水嶺算法分割圖像存在過分割和欠分割的缺點，木材缺陷輪廓更完整清晰，去噪效果明顯提高，分割時間較之前縮短(見表1)。

表1 兩種方法完成分割時間

3 結(jié)論

針對活節(jié)、死節(jié)、蟲眼樣本圖像，本試驗采用兩種方法——傳統(tǒng)分水嶺算法和改進(jìn)分水嶺算法分割樣本圖像。分割前，為了使目標(biāo)缺陷和背景對比度更大，凸顯目標(biāo)缺陷圖像，對原始樣本灰度圖像采取了灰度變換增強(qiáng)和直方圖均衡增強(qiáng)，然后再分別采用兩種方法進(jìn)行圖像分割。結(jié)果顯示：改進(jìn)的分水嶺算法分割木材缺陷樣本圖像，效果較理想，能準(zhǔn)確地分割出樣本缺陷，克服了傳統(tǒng)分水嶺算法的過分割和欠分割的缺陷，也改善了其邊緣對梯度算子敏感的缺點，使樣本缺陷圖像輪廓更為平滑清晰，其分割時間明顯縮短，提高分割效率。通過兩個分割方法的試驗對比，改進(jìn)分水嶺算法的圖像分割更為高效率，節(jié)省分割時間，提高分割精度，證明了其可行性和準(zhǔn)確性。將數(shù)學(xué)形態(tài)學(xué)應(yīng)用到分水嶺算法在木材缺陷圖像檢測識別中，本文處理結(jié)果明顯，更能較好還原缺陷本身圖像，為木材缺陷檢測奠定良好基礎(chǔ)。