榮輝平 曹斌芳 魯洋陽 朱琰

湖南文理學(xué)院 物理與電子科學(xué)學(xué)院，湖南常德 415000

一、引言

泡沫鎳是通過對鎳金屬進(jìn)行一系列物理化學(xué)加工后得到的一種新型功能材料，作為車用電池的基材，泡沫鎳對電池性能的影響極大[1]。在生產(chǎn)過程中，由于原料、軋制設(shè)備、加工工藝（凈化、熱解和還原等）等方面因素，導(dǎo)致泡沫鎳表面出現(xiàn)污染，壓痕、折痕、鎳皮、裂紋、劃線、漏鍍等缺陷，這些缺陷嚴(yán)重影響最終成品的性能和質(zhì)量，因此需要快速地檢測和識別泡沫鎳表面缺陷，為后續(xù)處理做準(zhǔn)備。

泡沫鎳表面缺陷檢測與識別的關(guān)鍵是提取出能表征泡沫鎳缺陷的特征。近些年來，國內(nèi)外很多學(xué)者研究并提出了多種圖像紋理特征提取方法，討論了基于紋理的缺陷識別方法[2-3]。其中不少學(xué)者采用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）的統(tǒng)計方法實現(xiàn)對紋理特征的描述[4-5]，但這種方法與人類視覺習(xí)慣差異性較大，且紋理描述不夠精確，同時巨大的計算量也成為其不可避免的缺點(diǎn)。

局部二值模式（Local Binary Pattern，LBP）是基于圖像區(qū)域結(jié)構(gòu)特性出發(fā)的非參數(shù)算子，最先被Ojala等人提出用來協(xié)助衡量局部灰度對比度[6]。LBP算子具有灰度不變性和旋轉(zhuǎn)不變性，具有易理解、鑒別能力強(qiáng)、對光照和旋轉(zhuǎn)敏感度低的特點(diǎn)，常用來描述圖像局部紋理特征，揭示了局部灰度變化，并且具有計算量小的特點(diǎn)，已在相關(guān)領(lǐng)域獲得廣泛應(yīng)用[7-8]。

本文主要研究基于LBP的泡沫鎳紋理特征提取方法。首先分析泡沫鎳材料的特點(diǎn)以及缺陷類型，其次研究LBP用于圖像紋理特征提取的方法，并對經(jīng)典LBP、旋轉(zhuǎn)不變LBP以及均勻LBP進(jìn)行了比較，最后通過實驗說明本文方法的有效性。

二、泡沫鎳表層缺陷分析

泡沫鎳生產(chǎn)過程中由于原料、軋制設(shè)備、加工工藝（凈化、熱解和還原等）等因素，會產(chǎn)生污染、壓痕、折痕、裂紋、劃線和漏鍍幾類缺陷。其中，污染指產(chǎn)品表面受油、塵、蚊蠅、爐膛內(nèi)冷凝水等化學(xué)物質(zhì)沾污而引起的局部顏色變化；壓痕指產(chǎn)品表面因碰撞、擠壓等導(dǎo)致的凹陷；折痕指產(chǎn)品受折壓經(jīng)展平后出現(xiàn)的條形損傷，對光觀察不透光；刮傷指尖銳物在半成品表面劃過而留下縱向平直、深而細(xì)長的痕跡，側(cè)光感強(qiáng)。幾種典型的表面缺陷樣本如圖1所示。

泡沫鎳表面呈銀灰色的金屬光澤，形態(tài)類似于金屬海綿，質(zhì)量上要求表面平整、無劃傷、無裂紋、無破損、無油污和無氧化。從不同缺陷的成因其表征可知，缺陷信息表現(xiàn)為復(fù)雜的紋理狀，因此有效地提取泡沫鎳紋理特征是缺陷識別的基礎(chǔ)。

在特征提取之前需要對圖像進(jìn)行預(yù)處理，從而使圖像更加清晰。圖像預(yù)處理是為了凸顯需提取處理的目標(biāo)，消滅多余信息，讓后續(xù)進(jìn)一步檢測變得容易，并且最大可能地讓數(shù)據(jù)變得簡單，從而提高特征提取、識別分類的可靠性。

本文根據(jù)三種泡沫鎳表面缺陷圖的特點(diǎn)，采用巴特沃斯同態(tài)濾波收縮圖像亮度界線，增強(qiáng)圖像缺陷，同時抑制圖像無關(guān)背景，利用灰度變換加強(qiáng)畫面中明暗差異程度，凸顯目標(biāo)細(xì)節(jié)，優(yōu)化整體畫面，用均衡化方法提升畫面清晰度，再對圖像進(jìn)行銳化，使圖像缺陷變得清晰，最后用小波去噪增強(qiáng)圖像缺陷信息，預(yù)處理后的圖像如圖2所示。

從三類缺陷圖像的預(yù)處理結(jié)果可以看出，在進(jìn)行預(yù)處理后，污染和壓痕兩種缺陷圖中背景對缺陷的干擾較大，缺陷不夠突出，而刮傷圖像進(jìn)行預(yù)處理后，能比較好地將背景和缺陷進(jìn)行分離，重點(diǎn)突出了缺陷，達(dá)到了較好的效果。三種缺陷圖不同的預(yù)處理效果對于之后采用LBP紋理特征提取會產(chǎn)生不同的影響。

三、泡沫鎳的LBP紋理特征描述

LBP算法的核心思維是利用紋理單元的概念，把圖像分為很多個窗口，以窗口中心點(diǎn)相鄰點(diǎn)的灰度值與中心灰度值之差和閾值比較做二值化處理，量化為0和1。然后根據(jù)順時針方向?qū)⑦@些值進(jìn)行加權(quán)求和，得到該窗口的LBP編碼值，如式（1）所示。

其中，s(x) —符號函數(shù)；

gp—表示各個鄰域點(diǎn)的灰度像素值；

gc—表示紋理單元T的中心像素灰度值；

P—鄰域大??；

R—半徑。

為了打破LBP算子本身存在的無法提取大尺度紋理特征的局限性，Ojala等人對LBP算子進(jìn)行了改進(jìn)[6]，提出了一種均勻模式的LBP算子，根據(jù)定義均勻模式表示二進(jìn)制序列中的0和1之間的變換次數(shù)小于或等于2的模式。均勻模式包含了圖像的斑點(diǎn)、角點(diǎn)、線、邊緣等主要微模式。由于這些模式占據(jù)總模式的絕大多數(shù)，所以極大地降低了特征維數(shù)，維數(shù)由原來的2P減少到P(P-1)+3，可以在均勻LBP的基礎(chǔ)上引入旋轉(zhuǎn)不變性，進(jìn)而繼續(xù)降低其維度，如此便得到旋轉(zhuǎn)不變的均勻二值模式：

表1 三種算子實際仿真維度

中的riu—旋轉(zhuǎn)不變均勻模式；

U(LBPP,R) —跳變次數(shù)小于或等于2的均勻模式。

觀察公式（2）可以知道，旋轉(zhuǎn)不變的均勻二值模式有P+2種取值可能，所有的非均勻模式都算在第P+2維中，前P+1維均為均勻模式。

根據(jù)以上分析，每個通過LBP算子提取的紋理圖像都有一個特征直方圖，橫坐標(biāo)表示的是LBP模式值，縱坐標(biāo)表示各個模式值的頻率。表1給出的是這三種模式在不同參數(shù)下實際仿真維度的比較。

四、基于LBP的泡沫鎳表面缺陷紋理特征提取分析

通過上述分析，本文采用旋轉(zhuǎn)不變均勻LBP算子對泡沫鎳表面污染缺陷圖像進(jìn)行特征參數(shù)提取，其中，參數(shù)設(shè)置為(P,R)=(8, 1)，對經(jīng)過預(yù)處理的泡沫缺陷圖像（圖2）進(jìn)行特征提取，分別如圖3(a)、圖4(a)和圖5(a)所示，然后對上述紋理圖像進(jìn)行分塊處理，得到的分割子圖像如圖3(b)、圖4(b)和圖5(b)所示，最后計算獲得每個小塊的特征直方圖，分別如圖3(c)、圖4(c)和圖5(c)所示。

從圖像提取到特征表達(dá)之后，一幅圖像可以使用一個固定維度的向量進(jìn)行描述，特征提取完成以后，要對當(dāng)前樣本圖像進(jìn)行判別分類[3,9]。由于本文只是對LBP這一方法進(jìn)行研究，接下來的分類及識別便不在這里展開。

五、總結(jié)

本文研究了基于LBP算子的泡沫鎳表面缺陷特征提取方法，首先分析了泡沫鎳材料的特點(diǎn)以及缺陷類型，然后對泡沫鎳圖像進(jìn)行預(yù)處理以及仿真。在預(yù)處理過程中，刮傷缺陷圖像處理的效果是最好的，其次是污染缺陷圖像和壓痕缺陷圖像，說明泡沫鎳表面缺陷的紋理在粗細(xì)、疏密方面有較大差別，然后研究局部二值模式（Local Binary Patterns，LBP）用于圖像紋理特征提取的方法，并對經(jīng)典LBP、旋轉(zhuǎn)不變LBP以及均勻LBP進(jìn)行了比較。通過實驗說明，旋轉(zhuǎn)不變的均勻LBP算子對泡沫鎳紋理特征的提取更有效，為進(jìn)一步的缺陷識別奠定基礎(chǔ)。