基于中智集的木材缺陷图像检测方法

周 宇， 潘世豪， 刘伟嘉， 于音什， 周仲凯， 刘 军

(南京林业大学机械电子工程学院，江苏 南京 210037)

木材中的缺陷不仅会降低木材商品的价值，还会降低木材的强度，影响加工和装饰质量以及外观，因此需要有效并快速地检测出木材的缺陷。木材缺陷检测是处理、加工木材中的一项重要流程，它能够将所得木材自动进行准确定位，有利于实现高效高质的木材加工。然而，木材缺陷的颜色、尺寸、纹理等特征差别较大，给木材缺陷的识别与分割带来很大困难，使得目前的各种木材缺陷检测方法都存在一定的局限性。木材缺陷检测的难点较多，图像分割识别也较为困难[1-4]。针对这个问题，本文介绍运用中智集理论进行木材缺陷图像的检测算法。

1 中智集理论概述

中智集理论由模糊理论扩展而来，能够较好地说明不确定性问题，模糊理论是利用模糊集合理论来描述模糊现象的理论。对于图像处理而言，在诸多不确定因素的影响下，很难对图像进行比较真实的表述，且这些不确定性并非随机的，也不适合采用一般的概率论等数学理论来解决。

中智集理论将隶属度、不确定性度和非隶属度拓展到离散值的有限集合，从而更好地解决了模糊信息很难给出准确评价值的问题。在图像分割领域，熵作为模糊的一种测量方法，被广泛应用到图像处理和优化理论中。中智集理论对不确定性事件和不精确性知识的描述以及处理具有先天的优势，对基于中智集理论的图像分割算法进行研究，可更好地处理图像中模糊、不确定性信息，提高图像分割的精确度。中智集理论被应用于图像处理领域，解决了许多图像处理问题，如图像边界、明亮程度、图像纹理等，成为研究图像处理中不确定性信息的工具[5]。

2 图像分割

2.1 算法流程

图像分割流程图如图1所示。

图1 图像分割流程图

利用中智集理论的图像分割思维，构建木材缺陷检测算法。首先输入木材彩色RGB图像，将输入图像的RGB通道图提取出来，得到R、G、B三个分量的图像。选取R通道图像，将该通道图像分别通过T、I、F三种通道的图像处理得到三张关于TIF通道的图像。同理，再选取G、B通道的图像经过TIF通道的处理，可以得到共计9张关于T、I、F的通道图像。接着将所得的TIF通道图像分别进行Otsu、Kapur、主动轮廓三种算法的处理，由输入的图像数目可以得到总计27张处理后的图像，对于这些处理后的图像进行各自的性能比较，选择其中符合要求并且性能最佳的图像，这就是所求的最佳分割图像。

2.2 三种分割方法

2.2.1 Otsu算法

Otsu算法为阈值分割的一种，对于任意图像先进行灰度处理。设初始阈值为T，原图像可分割为A、B两类，计算方差灰度均值和图像的总体灰度，接着计算两类问题发生的概率，再计算类间方差和类内方差，最后选择最佳阈值，使得图像按照该阈值分为A、B两类。最佳阈值为：

(1)

2.2.2 Kapur算法

将图像分为A、B两类：

(2)

式中：HA(T)为图像前景的熵；HB(T)为图像的熵；p(A)、p(B)为分别由阈值分割得到的两个部分概率之和；pi为灰度值为i的图像像素点概率。Kapur算法的最佳阈值如下：

t*=argmax[HA(T)+HB(T)]

(3)

2.2.3 主动轮廓算法

选择主动轮廓算法一种CV模型，其是2001年由Chan和Vese提出、基于Mumford-Shah模型的主动轮廓模型，模型形式如下：

(4)

其中，简单曲线C将该图像区域Ω分为内外两部分，分别记为Ω1、Ω2。在CV模型中两个同区域组成的图像通过极小化下面的能量泛函来实现分割。其优点如下：利用了图像的全局信息，能得到全局最优的图像分割结果；该模型中的速度函数与图像梯度无关，可以同时适用于有无梯度图像分割、光滑边界或不连续边界的图像分割；该方法的速度函数定义在所有水平集上，可以自动检测出目标的内部空洞区域[6-8]。

3 木材缺陷图像分割

由于木材表面缺陷种类不同，本文选取活结和死结两种典型的缺陷图像进行检测。主要包括获取R、G、B灰度图，进而获取T、I、F灰度图，对T、F灰度图进行Otsu、Kapur、主动轮廓三种算法处理等环节。

3.1 R、G、B灰度图

要实现R、G、B灰度图的获取，首先将RGB彩图进行分层，如图2所示。提取出R分量、G分量和B分量，为了更准确地得到每层图中的每个像素灰度值，选取一个通道灰度图进行计算，其为局域平均值，即将每个像素灰度值用其周围3×3的平均值替代。这样就可以较为准确地得到R、G、B灰度图，如图3所示，第一排为活结R、G、B灰度图，第二排为死结R、G、B灰度图。

图2 死结和活结彩图

图3 活结和死结R、G、B灰度图

3.2 T、I、F灰度图

(5)

(6)

F(x，y)=1-T(x，y)

(7)

图4 活结和死结RGB灰度图的T、I、F通道图

3.3 分割结果

利用Otsu、Kapur、主动轮廓三种算法分别对活结和死结的T通道和F通道图进行处理，得到36张分割图，如图5～8所示。

最后对得到的缺陷图像进行评价，判定图像分割的质量。

4 试验结果分析

为了能够准确地评价图像分割的质量，采用jaccard、dice和bfscore三种评价方法得出JAC、Dice和BFScore三个评价参数，对T通道和F通道图进行图像评价，数据分别见表1～3。

图5 活结F通道OTSU、KAPUR、AC

图6 死结F通道OTSU、KAPUR、AC

从表中可以看出分割出的木材缺陷图像质量较好，再对各个图像的评价参数进行比较得出最佳分割图像。活结的构造正常，质地坚硬，并且与周围结构有完整的纹理连接，未形成断裂，没有髓心结构，若对此类图像进行较好处理，需要边缘定位比较强的算法；死结是由树木的枯死枝条形成的节子，与周围结构发生环形或半环形分离，干燥后易收缩漏空，其图像边缘比较明显，可以利用边缘信息有效地实现对节子目标的提取[9-15]。

图7 活结T通道OTSU、KAPUR、AC

图8 死结T通道OTSU、KAPUR、AC

表1 jaccard评价参数 %

表2 dice 评价参数 %

表3 bfscore 评价参数 %

5 小结

(1)基于中智集木材缺陷图像检测方法的可扩展性较好，对目标的定位能力较强，能够通过比较得到较好的分割结果。

(2)试验结果表明，中智集用于木材表面缺陷的检测是可行的，能够对缺陷目标实现有效地提取。

(3)中智集与三种分割算法的组合，分割准确率高，能够实现木材缺陷图像的精细分割。本算法能够得到较好的分割结果，但在算法的效率和质量上仍存在改进的空间。