基于相位一致性的低对比度纸病识别算法研究

盛大富 王亦红

摘 要：针对机器视觉检测低对比度纸病，存在常规的阈值分割会引起低对比度纸病信息丢失以及边缘检测存在鲁棒性差的问题，本课题提出了一种基于相位一致性算法识别低对比度纸病的方法，并与常规的阈值分割以及边缘检测中具有代表性的canny算子进行了对比分析。结果表明，当识别低对比度纸病时，本课题提出的方法不仅保留的有用信息较常规阈值分割的多，而且鲁棒性较canny算子的边缘检测好。

关键词：  纸病识别;图像分割;相位一致性;自适应阈值

中图分类号：TP273;TS77

文献标识码：A

DOI：10.11980/j.issn.0254-508X.2019.01.009

利用机器视觉代替人眼识别纸病，有利于提高效率和检测精度，改进生产工艺，提高纸张品质[1-2]。纸病识别的关键技术之一是采用图像分割的方法提取纸病目标[3]。常规的图像分割方法有阈值分割法和边缘检测法[4]。阈值分割以一固定阈值来区分背景和目标，适用于目标与背景灰度差异明显的图像;边缘检测法通过一阶或二阶微分运算找到图像中灰度值呈阶跃变化或斜坡变化的像素点来作为边缘点，有较高的检测精度，但检测效果受阈值选取的影响较大，若图像的对比度低，梯度阈值的选取较难，偏高会丢失轮廓信息，偏低则容易引入噪声造成误判，因而鲁棒性较差，而且对于纸病的一些细微特征无法检测出来。由此，本课题提出一种基于频域的相位一致性特征提取算法来检测纸病图像，相位一致性算法模拟人眼的视觉系统检测感兴趣的目标，对低对比度图像仍有较好的检测精度，而且经相位一致性特征提取后的纸病目标可以采用自适应阈值进行分割，有较高的鲁棒性。

1 基于相位一致性的低对比度纸病图像特征提取

利用相位一致性算法对图像进行特征提取，是通过计算图像经傅里叶变换后相位一致性最高的点来作为图像特征点。如一维信号中的方波和三角波，分别将它们经过傅里叶变换分解为不同幅值、频率和相位的正弦波，得到的各个谐波如图1所示。在方波的阶跃跳变点，相位一致程度最高，各个谐波的相位值均为0°或180°，而三角波则是在上下顶点处一致程度最高，相位值为90°或270°，而在其他位置，它们的相位一致程度均降低。

2 自适应阈值分割

图像经相位一致性特征提取后得到反映目标特征的PC图像，在PC图像上将目标完全分割出来要选定适当的阈值进行判定，考虑到算法的自适应性，一般采用自动阈值分割法。常用的自动阈值分割法有最大类间方差法、迭代阈值法以及最大熵法等[10-11]，其中迭代阈值法只适合直方图有明显波谷的图像，最大熵法计算量较大，而最大类间方差法计算简单，以目标和背景之间方差最大时的阈值为最佳阈值，有较好的分离性，因此采用最大类间方差法来计算阈值。若直接采用最大类间方差阈值进行分割，由于提取出的低对比度纸病目标的一些细节特征相位一致程度不高，易漏失信息出现目标断裂情况。对此，本课题提出了一种新的方法，通过设定两个阈值进行判定，最大类间方差阈值作为高阈值Th，低阈值为Tl，并令Tl=0.4Th。对于PC图像中灰度值高于Th的像素点，判定为目标;灰度值低于Tl的像素点，判定为背景;对于灰度值在Tl与Th之间的像素点，为连接断裂目标，并防止目标边缘加粗以及出现伪特征点干扰，采取如下方法：若当前像素灰度值在Tl与Th之间，搜索在某一方向上和一定范围内是否存在灰度值高于Th的像素點，在此选定了4个方向，分别为0°、45°、90°、135°，若在八连通区域内只在其中某一方向两侧和一定范围内搜寻到高于Th的像素点，则判断当前点为特征点，否则舍弃。

3 实验验证与结果分析

本课题以低对比度纸病图像为研究对象，待检测白纸含疵点图像如图2所示。图2（a）和图2（b）分别为白纸含褶皱和裂缝的图像，在Matlab2014a平台上验证本算法对低对比度纸病图像检测效果，并与阈值分割和canny算子进行比较。

首先，对褶皱和裂缝图像进行阈值分割，为避免引入噪声和丢失有用信息，设定最佳阈值大小为192，分割后的这两种纸病图像如图3所示。由图3

可以看出，两种纸病疵点均呈断裂状，图3（a）中左侧褶皱短疵点完全丢失。

其次，用canny算子进行纸病图像边缘检测，设定canny算子上下阈值比为3∶1，检测后的图像如图4所示。图4（a）和图 4（b）分别通过手动调整到最佳阈值，设定上阈值分别为0.72和0.25，检测后图4（a）中左侧褶皱短疵点丢失，右侧长疵点出现断裂，而且出现了虚假边缘。图4（b）中裂缝疵点上部信息丢失，下部出现多层边缘。

最后，用本课题的方法进行实验，将纸病图像先经过灰度化预处理，再进行相位一致性特性提取，选取方向数o=4，尺度n=4，最小波长=3，噪声补偿k=12，得到PC图像如图5所示。由图5可以看出，纸病特征明显。对比原图与PC图像的直方图如图6所示，图6（a）左图对应图2（a）直方图，图6（a）右图对应图5（a）直方图，图6（b）左图对应图2（b）直方图，图6（b）右图对应图5（b）直方图。从直方图中看出，原图中背景和目标灰度值集中在[170，230]之间，采用单一阈值分割难以区分背景和疵点目标，正如图3结果所示，丢失了重要信息。而经相位一致性特征提取后，背景像素相位一致性低，PC图像中大多数像素灰度值接近0，而灰度值较高的为目标像素，较易区分。

将PC图像经自适应阈值分割后的图像如图7所示，相比于阈值法，本课题的方法检测精度更高，有用信息保留更完整，相比于canny算子，本课题方

法中的参数经一次设定无需改动，有较好的鲁棒性，由此说明了本课题提出的方法更适用于识别低对比度纸病。

4 结 论

识别低对比度纸病时，常规的阈值分割会引起低对比度纸病信息丢失，而边缘检测法鲁棒性差。对此，本课题提出了基于频域的相位一致性方法检测纸病，以白纸含褶皱和裂缝疵点图像为实验对象，首先利用相位一致性方法对纸病图像进行特征提取，然后经过自适应阈值分割得到纸病目标。实验结果表明，采用本课题方法识别低对比度纸病时，在有用信息保留上多于常规阈值分割，而且鲁棒性好于canny算子的边缘检测，但该算法比较复杂，有待进一步研究。

参 考 文 献

[1] ZHOU Qiang， CHEN Ying， SHEN Tianyu， et al. Development of Paper Disease Detection System Based on Machine Vision[J]. China Pulp & Paper， 2016， 35（ 5）： 72.

周 强， 陈 颖， 沈天宇， 等. 基于机器视觉的纸病检测系统发展综述[J]. 中国造纸， 2016， 35（5）： 72.

[2] ZHANG Xue-lan， LI Jun， MENG Fan-kong， et al. A Paper Defects Detection Method Based on Machine Vision[J]. Transactions of China Pulp and Paper， 2013， 28（1）： 48.

张学兰， 李 军， 孟范孔， 等. 一种基于机器视觉的纸病识别方法[J]. 中国造纸学报， 2013， 28（1）： 48.

[3] CHEN Jun. Research on the Technology of Fault Diagnosis for Papermaking Equipment based on Machine Vision[D]. Nanjing： Hohai University， 2014.

陈 珺. 基于机器视觉的造纸设备故障诊断技术的研究[D]. 南京： 河海大学， 2014.

[4] GUO Zhen， CHEN Yuan-zhi. Research on image threshold segmentation algorithm[J]. Journal of Communication University of China（Science and Technology）， 2008， 15（2）： 77.

郭 臻， 陈远知. 图像阈值分割算法研究[J]. 中国传媒大学学报， 2008， 15（2）： 77.

[5] Morrone M C， Owens R A. Feature Detection from Local Energy[J]. Pattern Recognition Letters， 1987， 6（5）： 303.

[6] Owens R， VenkateshS， Ross J. Edge detection is a projection[J]. Pattern Recognition Letters， 1989， 9（4）： 233.

[7] XIAO Zhi-tao， GUO Cheng-ming， YU Ming， et al. A new aligned with human visual system characteristics wavelet and its application[J]. Signal Processing， 2002， 18（5）： 399.

肖志涛， 国澄明， 于明， 等. log Gabor函数在人类视觉系统特性研究中的应用[J]. 信号处理， 2002， 18（5）： 399.

[8] LI Xue-fei. A contour detection model based on phasecongruency[D]. Chengdu： University of Electronic Science and Technology of China， 2011.

李雪菲. 基于相位一致性的图像轮廓提取算法研究[D]. 成都： 电子科技大学， 2011.

[9] Kovesi P. Image Features from Phase Congruency[J]. Journal of Computer Vision Research， 1999， 1（3）： 1.

[10] LI Zhong-jie， YANG Guan-liang， XU Xiao-jie. Image segmentation based on automatic thresholding selection andedge detection[J]. Journal of Naval University of Engineering. 2002， 14（4）： 88.

李忠杰， 杨关良， 徐小杰. 自动阈值选取与边缘检测相结合的图像分割算法[J]. 海军工程大学学报， 2002， 14（4）： 88.

[11] ZHANG Yan-li， LI Chun-gui. Improved threshold segmentation algorithm in video vehicle detection[J]. Journal of Guangxi University of Science and Technology. 2017， 28（2）： 61.

張延丽， 李春贵. 视频车辆检测中改进的阈值分割算法研究[J]. 广西科技大学学报， 2017， 28（2）： 61.  CPP

（责任编辑：马 忻）