木材缺陷的图像分割提取技术综述*



木材缺陷的图像分割提取技术综述*

贾壮，戴天虹，李昊

(东北林业大学 机电工程学院，黑龙江哈尔滨150040)

摘要：本研究主要就算法型、模型式、数学形态学理论和彩色图像分割提取技术的原理和应用领域做了介绍，对4类方法技术优势和应用缺点进行评述。未来发展方向是基于彩色图像为目标对象的分割提取技术，并从检测过程、图像分析过程以及整体流程进行了技术展望。

关键词：图像分割；木材缺陷；检测方法

木材广泛应用于各行各业，在中国古建筑和家具行业尤为突出。由于木材本身特性尤其是其表面的特殊纹理，使得木制品深受人们的喜爱。一些特殊纹理或稀有的木材决定了木材的价格，人们越来越重视颜色、纹理的完整性和木材的质量品级，因此在实际加工过程中对木材质量的检测变得越来越重要[1]。

木材在自然生长过程中受天气、温度、生物等因素影响，往往会出现形变、虫眼、断枝等缺陷，这些都会对木材的使用及经济价值造成负面影响[2]。对于木材缺陷判别的标准不是很明确，原因是一些特殊因素所造成的颜色、纹理可能成为某些审美观中特殊的需求。木材缺陷识别的困难在于：数量比较多，体积上也不易识别，木材被切割后又变相增加了识别的表面积，使得传统以人力经验判断的速率越来越跟不上产业的发展速度。

1研究背景

目前，对于木材品质的判断标准基本靠人工目测，人为因素占据较大比重。木材无损检测技术是在20世纪60年代开始兴起，对木材本身进行非破坏性检测的技术[3]。发达国家对木材检测技术十分重视，将超声波、射线、微波等无损检测技术应用到木材缺陷检测方面，取得了一定的成绩，研究出多种无损检测方法和手段，并通过实验取得了较好的成果。中国在20世纪70年代末期也开始应用无损检测技术方法对木材缺陷进行检测。

无损检测技术的一个重要分支就是采用成像技术检测木材表面的缺陷，且在一定程度上能够检测到木材内部的缺陷。成像技术方法有微波法、X射线法等[4]。其中，数字图像检测技术是在传统人工目视检测基础上结合图像处理等技术，利用由图像所获得的视觉信息与标准信息进行比较，从而得出产品表面有无损伤或缺陷。与传统检测方法相比较，数字图像检测技术更能保证检测的可靠性和快速性。

数字图像检测技术，就是利用图像处理等技术对木材表面的缺陷进行分割、提取和识别的过程。早期多数利用灰度图像对木材表面的缺陷进行处理，但是由于灰度图像丢失的信息较多，近期采用彩色图像对木材表面的缺陷进行处理变成了主流。

国内外学者对木材缺陷检测及相关图像分割做了大量的研究，按检测流程及复杂程度分为：一是整体判断，即最初提出的无损检测：利用X射线对木材表面及内部进行无损检测，通过检测透过木材后的射线差异来判断被检测木材是否存在缺陷，从而在对木材进行加工之前检测木材是否合格[5]。二是对检测方法中阈值及参数的判定：利用C-V模型与图像熵相结合的算法通过水平集图像计算演化曲线内外的图像熵,从而解决了传统C-V模型中关于迭代参数的设定问题[6]；将最小二乘法与奇异值分解相结合的算法，利用奇异值分解的特性解决最小二乘法中伪解及阈值过量等问题[7]。三是对木材缺陷边缘的检测方法：将滤波与数学形态学相结合并改进,利用灰度图像中灰度形态滤波和数学形态学双结构元素对木材缺陷图像边缘进行检测[8]；将遗传算法与OTSU算法结合，利用遗传算法中遗传、变异逐渐淘汰不符合要求个体的性质，解决OTSU算法中有关图像分割阈值求解时间长以及可能产生伪解的问题，使得分割提取出的图像缺陷边缘更加准确和清晰[9]。四是直接对缺陷部分进行整体分割提取的方法：基于四元数矩阵的木材缺陷分割,利用四元数矩阵与RGB彩色空间图像的转换,根据四元数奇异值分解得出不同奇异值的特性对木材图像进行分析,从而得到木材缺陷图像[10]；用X光对木材缺陷图像转化成的伪彩色图像进行无损检测,利用木材缺陷在规律的、灰度均匀的图像上呈现特殊灰度区域的性质对木材缺陷图像进行图像分割[11]；利用OTSU算法与数学形态学相结合的改进算法对木材缺陷图像进行检测，将OTSU算法中关于图像噪声部分利用数学形态学的填充和滤波等技术进行降噪处理，从而得到分割效果更好的木材分割图像[12]；对彩色图像利用基于HSI 3分量独立性的方法对木材缺陷进行检测，通过对HSI模型中3个分量的特点进行单独分割，然后将处理后的分量进行融合，得到木材缺陷的分割图像[13]；基于颜色和纹理特征的方法，对一些纹理均匀、颜色相近似的木材进行木材缺陷检测[14]。

对于木材缺陷的识别技术一般是先对木材表面进行图像的获取，对存在或者可能存在缺陷的木材图像进行缺陷分割提取，然后对图像进行分析判别是否为无缺陷木材，其中最关键的技术是对木材缺陷图像的分割提取[15]。目前国内在木材缺陷图像的分割提取技术领域里主要集中于4类分割提取技术：算法型分割提取、模型式分割提取、以数学形态学为理论的分割提取、基于彩色图像的缺陷分割提取等方法。

2技术现状

2.1算法型图像缺陷分割提取技术

在算法型方法中较为常见的是：遗传算法和OTSU算法这2种方法。遗传算法是以人类等生物在繁育发展的过程为理论依据而产生的图像处理技术领域里的一种算法[16]。其主要理论依据就是按照生物个体在外界环境下为生存而通过基因的遗传、变异等繁衍手段去除低端的、不良的、不适宜生存的个体，保留并发展可生存的个体，核心内容是计算优胜劣汰的阈值问题。OTSU算法也被称为阈值法，其理论依据以最小二乘法原理为基础，主要方法就是在一维空间内将图像根据灰度特征分为目标图像和背景图像2个部分，是目前以阈值为图像分割技术的主要方法之一[12]。两者都是以阈值为图像分割提取的核心。

算法型图像缺陷分割提取方法虽然理论简易可行，但是其缺点也和优点一样明显。遗传算法的3个基本算子包括选择、交叉和变异，其运算的理论每一步都包含概率的问题，引入概率自然就会引入很多参数，使得这些参数在选择上稍有偏差就会严重影响解，也就是图像分割所使用的阈值。OTSU算法的缺点及问题更多的是发生于图像本身的内容上，由于人眼与机器识别图像存在本质上的差别，所以图像往往存在目标图像与整幅图像之间的面积比不确定问题，这就会造成OTSU算法可能会得到伪解，即阈值的大小会有很大的波动，使图像的缺陷分割提取变大或变小，也存在分割不出缺陷的情况[17]。两种算法还存在一个通病，就是如果遇到大规模计算量的问题，两种算法往往都会产生伪解而得不到图像缺陷的分割提取。所以在图像分割提取的方法中，一般常用的规避这些缺点的方法就是结合其他算法，利用其他方法的优点尽量降低或减少上述缺陷的产生。例如改进型遗传算法、混合遗传算法、结合LOG算子和小波变换以及合作型协同进化算法等等[18]。

2.2模型式图像缺陷分割提取技术

目前常见的应用于木材缺陷分割提取领域的模型主要分为两种：基于参数的模型和基于几何特性的模型。

基于参数的模型主要是以参数形变轮廓模型为核心，即Snake模型，主要原理是选择一种最小化的能量函数构成模型所需要的形变轮廓曲线，运用其函数模型使得到的图像缺陷分割往往比较整体，但是对于图像缺陷位置的把握，初始坐标的定位不是特别准确，经常由于处理不了一些拓扑结构的改变图形而进入无限计算的死循环，导致得不到结果或者结果的偏差值特别大，因而在处理木材缺陷比较复杂或者分布点特别多的图像时，不容易满足缺陷分割的要求[19]；基于几何特性的模型主要是以几何活动轮廓线的水平集(levelset of geometric active contours)为缺陷图像分割的基础，其原理主要是以封闭运动界面的移动来确定图像缺陷的位置，以时间线为轴，以封闭缺陷的几何拓扑变化为工具，将移动的界面封闭在高一维的水平集函数中。由此能够将闭合超曲面函数方程变换成水平集函数，简化超曲面函数的计算量，通过确定零水平集来判断下一步的演化结果，较容易的解决以参数为基础的模型在处理拓扑结构时的一些缺点。虽然水平集在某些方面上解决了一些Snake模型的缺陷，如对初始坐标的选取没有特殊的参数要求，在拓扑结构的处理上比较容易解决[20]。然而在传统水平集对木材缺陷进行提取分割时，仅利用图像的边缘局部信息，若图像边缘模糊或者残缺，又或者图像边缘存在离散边缘部分，则难以分割出理想的图像缺陷。

经过大量的模型分析，结合两种模型的优点，简化的Mumford-Shah(M-S)模型被应用于水平集图像分割中，将图像的全局信息划分各个同质区域，以此为基础使得在缺陷分割时往往能够得到比较准确的分割图像，但是由于模型的计算量非常大以及复杂的构成，使得Mumford-Shah(M-S)模型的运用领域比较狭窄，在软硬件提升后的将来能有更多的存在空间。

大量简化的Mumford-Shah(M-S)模型被应用于各个领域中，其中以Chan和Vese提出的基于简化M-S模型的水平集分割图像的方法(C-V模型)最为经典[21]。C-V模型将目标图像分成2个部分，分别为目标区域和背景区域，利用单一水平集将两者分割开来，以确保分割质量为基础，简化了模型的构成，分离了计算过程，使用单个水平集也大大减少了模型的计算量[22]。简化的Mumford-Shah(M-S)模型和大多数的图像分割算法一样，仅仅将灰度同质的区域作为分离的标准，运用较小的计算量实现图像分割目的，尤其是在对比度明显或者缺陷差异度清晰的图像上分割的效果非常清晰，但是如果待测目标存在于有大量噪声点以及灰度分布不均匀的图像上，其灰度直方图不一定会存在落差明显的待测目标和背景峰值，使得在分割过程中经常产生大量的噪声点和伪缺陷区域，分割效果非常不理想。

在木材缺陷分割提取领域里，由于缺陷部分与正常部分之间的差异性较大，使得在图像分割时使用C-V模型虽然能够得到目标的分割，但在边缘轮廓仍然存在不能准确分割的部分，所以经常会对C-V模型进行部分改进，能够在一定程度上满足生产需要。

2.3 以数学形态学理论为基础的缺陷分割提取

技术

数学形态学最初是应用于控件方面的数学理论，其核心内容是集合论，通过最基本的运算子(膨胀、腐蚀、开启、闭合)的相互结合的联合使用得到一个形态结构[23]。后来逐渐开始应用于处理二值图像，然后又扩展到灰度图像，直至现在为止，数学形态学已经成为图像处理的重要研究领域之一。数学形态学的基础概念是用拥有一定形态的结构元素来获取图像的信息，而后通过结构元素的具体位置不断移动，来检测像素点之间各部分联系的关系及图像的构成，最终达到对图像的分析和识别[24]。

数学形态学在木材缺陷分割提取方向上应用非常广泛，包括了二值数学形态学、灰度形态学以及最近关注度较高的彩色形态学。由于彩色形态学还是一个比较新兴的理论，正处于一个不断更新不断完善的阶段。二值图像所表现的是一种互相“包含”的关系，灰度图像表现的是一种“强度”关系，这是二值图像和灰度图像的区别，但是他们也有相同的地方就是他们共同确立的是一种像素与像素之间存在的序结构。彩色图像区别于二值图像和灰度图像最主要的表现不是由不同的序结构所构成的，而是由3个不同的向量空间组合而成的，由此产生了彩色图像的形态学。有学者也提出了结合数学形态学的方法，采用空频变换的检测方法应用在图像检测领域里，其主要原理是针对木材缺陷这一自然纹理型事物，为提取出其缺陷目标部分，进行下一步的分析和识别，采用一种空频变换方法对缺陷图像进行分割[25]。

在木材缺陷分割提取技术领域里数学形态学是常常被混合使用到的一种技术方法，这是由于木材本身的原因造成的，木材本身可能存在一些特殊纹理或者缺陷，使得不论在使用任何一种木材缺陷分割提取技术时，总会分割出一些残留的非预期线性或者颗粒状伪目标或噪声，利用数学形态学的运算方法对残留进行后期处理，可以得到较为理想的木材缺陷分割图像。

2.4基于彩色图像的缺陷分割提取技术

此前介绍的分割提取方法多数是将彩色图像转化为二值图像或者灰度图像，又或者直接利用二值图像或灰度图像对目标进行分割提取。随着摄像工具和计算机信息处理技术的发展，图像包含了越来越多的信息，计算机处理信息的速度也在成倍的增加，自然色彩丰富的图像处理也成为了日常处理的对象[26]。

由于木制产品依旧是人们喜爱的材料之一，经济价值成了木材选择的重要考量，决定经济价值的直接主要依据便是木材的纹理、色彩、光泽等木材的表面特征。由于木材纹理的差异性以及可能存在与木材缺陷相近似的缺陷，使得在彩色图像转换成二值图像或灰度图像时，产生图像的信息丢失，进而无法准确的对目标图像进行分割提取。在此基础上，产生了许多基于颜色的分割提取方法，如基于RGB颜色分量的图像分割提取技术、基于HSI颜色模型的图像分割提取技术、基于Lab颜色空间的图像分割提取技术等[13]。基于颜色的分割提取核心就是利用目标与周围环境的颜色分量差异，然后将这些差异放入类似基于RGB或者HSI等颜色识别的空间中运用融合算法将两者区分出来，并对差异化的目标进行分割提取从而达到目的。

3研究展望

木材缺陷的检测是以图像处理、图像分析、模式识别、人工智能为基础，从图像中获取有关木材的具体信息，并对这些信息经过分析得到目标的尺寸、轮廓、纹理等具体信息。在实际生产过程中，对木材缺陷的检测仍处于一个比较低效率的阶段，目前的检测技术手段在速率上还有提高的空间。由于木材产业的发展，待检测的木材量的增加以及图像摄影技术的提升带来的图像信息量越来越大，使得传统的检测技术在处理丰富的图像信息时变慢，同时产业需求也使得要求对木材缺陷分割越来越精细[27]。

从木材检测的过程角度分析，其主要技术革新手段是以提高模式识别和人工智能的处理技术来进行技术更新[28]。

从图像的角度分析，二值图像和灰度图像的检测速度较快，包含的信息量却不够丰富，彩色图像的信息量大，检测效率较慢，但从图像的提取技术观测，彩色图像的检测将成为一个大的方向。从而发展成为以计算机视觉技术向人类视觉慢慢过渡，让计算机视觉代替以前人类视觉检测的方式，然而完成这个过渡不仅仅要求图像摄取技术的提升，而且要求对图像中某些或者某个目标的提取技术非常精确才可以达到类似人类视觉的效果。

从图像检测的速率上分析，要求算法更加精细，模型更加准确，计算量要在现有计算机水平的基础上处于一个合理的范围，采用混合型算法以便提高图像检测准确性的同时提高检测速率[29]。

木材检测的发展方向与其他产业一样，开始向高度自动化、智能化的方向发展，集木材的运输、加工、检测、处理、产品生产、产品检测为一体化的过程，在木材缺陷检测的技术方法中同样可以应用于整个生产加工过程，从而更贴合产业的需要。

参考文献：

[1]戴天虹.基于计算机视觉的木质板材颜色分类方法的研究[D].哈尔滨：东北林业大学,2008.

[2]王克奇.木质材料表面缺陷计算机视觉测量的识别方法[J].林业科学,1996,32(1):92-96.

[3]王立海,杨学春,徐凯宏.木材无损检测技术的研究现状与进展[J].森林工程,2001,6(4):1-4.

[4]苗媛媛,刘一星,刘镇波，等.木质材料缺陷无损检测主要研究进展[J].世界林业研究，2008,5(7):44-50.

[5]牟洪波.基于BP和RBF神经网络的木材缺陷检测研究[D].哈尔滨：东北林业大学,2010.

[6]叶丙刚,姜涛,罗朝辉，等.结合图像熵的C-V模型分割算法[J].计算机应用,2009,12(2):3320-3321.

[7]Andrews H C, Patterson C L.Singular value decomposition and digital image processing[J].IEEE Trans.Acoustics,Speech and Signal Processing,1976,24(1):26-53.

[8]戴天虹,筱斐.基于形态学的木材缺陷检测[J].机电产品开发与创新,2011,5(3):79-81.

[9]乔阳.基于改进遗传算法的图像分割方法[D].成都：电子科技大学，2013.

[10]戴天虹,李琳,解朦.基于四元数矩阵奇异值分解的木材缺陷检测分析[J].森林工程,2014,1(4)：52-55.

[11]方超.木材缺陷的图像检测技术[D].哈尔滨：哈尔滨工程大学,2010.

[12]戴天虹,吴以.基于OTSU算法与数学形态学的木材缺陷图像分割[J].森林工程,2014,3(4):52-55.

[13]戴天虹,赵贝贝,王玉珏.基于HSI三分量独立性木材缺陷图像分割[J].机电产品开发与创新,2009,6(3):110-112.

[14]John R Smith,Shih-Fu Chang. Local color and texture extraction and spatial query[C].Proc.of IEEE Int Conf.Image Processing，1996(3):1011-1014.

[15]李坚.木材科学[M].哈尔滨:东北林业大学出版社,1998：481-482.

[16]戚大伟，牟洪波.基于Hu不变矩和BP神经网络的木材缺陷检测[J].东南大学学报(自然科学版),2013,43(S1):63-66.

[17]黄剑玲,邹辉.结合LOG算子和小波变换的图像边缘检测方法[J].计算机工程与应用,2009,45(2):115-117.

[18]J.A.K.Suyken,J.Vandewalle Least squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3):293-300.

[19]Hu M K.Visual pattern recognition by moment invariant[J].IEEE Transactions on Information Theory,1962,8(2):179-187.

[20]Chen C C. Improved moment invariant for shape discrimination[J].Pattern Recognition,1993,26(5):683-686.

[21]王阿川,曹军,于琳瑛,等.改进C-V模型的木材缺陷彩色图像分割研究[J].计算机工程与应用,2012,48(5):164-168.

[22]任继军,何明一.一种基于三维直方图的改进C-V模型水平集图像分割方法[J].红外与毫米波学报,2008,1(5):72-76.

[23]王树文,闫成新,张天序,等.数学形态学在图像处理中的应用[J].计算机工程与应用,2004,31(32):89-92.

[24]邹丽晖,白雪冰.数学形态学在木材表面缺陷图像分割后处理中的应用[J].林业机械与木工设备,2006,12(3):40-42.

[25]白雪冰,王林.基于空频变换的木材缺陷图像分割[J].东北林业大学学报,2010,38(8):71-74.

[26]戴天虹,王克奇,杨少春.基于颜色特征对木质板材分级的研究[J].系统仿真学报,2008,5(5):1372-1376.

[27]Robert J.Ross.Brain K.Brashaw,Roy F.Pellerin. Nondestructive evaluation of wood [J].Forest Products Journal,1998,2(1):68-68.

[28]章毓晋.图像处理与分析[M].北京:清华大学出版社,1999：221-222.

[29]Burges C J C.A tutorial on vector machines for pattern recognition [J].Knowledge Discovery and Data Mining,1998,2(2):121-167.

A Review of Extraction Technology of Image Segmentation of Wood Defect

JIA Zhuang，DAI Tian-hong，LI Hao

(School of Mechanical Engineering，Northeast Forestry University，Harbin Heilongjiang 150040，P.R.China)

Abstract:The current status in extraction technology of image segmentation of wood defects was introduced.It mainly consists of four parts，two of which are based on algorithm and model-based segmentation algorithm，and the others are mathematical morphology theory extraction and color image segmentation extraction.The advantages and disadvantages of 4 methods were summarized and analyzed.By comparing these methods，it was found that the future direction will be the color image segmentation.Further expectations was made from perspectives of detection process，image analysis，and overall procedure.

Key words:image segmentation;wood defects;detection method

中图分类号：TP 391.4

文献标识码：A

文章编号：1672-8246(2015)05-0148-05

通讯作者简介：戴天虹(1963-)，男，教授，博士，主要从事模式识别与计算机控制研究。E-mail：th2000@sina.com

作者简介：第一贾壮(1987-)，男，硕士生，主要从事模式识别研究。E-mail：jj21zz@163.com

基金项目：黑龙江省自然科学基金项目(C201414)。

收稿日期：*2015-04-11

doi10.16473/j.cnki.xblykx1972.2015.05.029