基于自适应阈值分割和形态学的木材表面缺陷提取

钟丽辉，孙永科，苗 晟，戴正权

（西南林业大学 大数据与智能工程学院，云南 昆明 650224）

木材表面缺陷，如节子、虫眼或裂纹等的存在，严重影响了木材的质量，进而影响木材的加工方法和生产工艺。目前，国内木材表面缺陷检测最常用的方法是人工检测，该方法主要取决于木材方面的专业人士的专业知识和积累的经验，其具有主观性及工作时间长因疲劳导致误判等局限性，所以木材自动化生产过程需对木材表面缺陷进行智能识别。根据缺陷识别的效果调整加工方法和加工工艺，提高木材的利用率和商品价值[1]。近年来，木材表面缺陷分割的方法众多，各有特点。传统的方法主要有边缘检测的分割方法、区域的分割方法、阈值的分割方法和分水岭的分割方法；现代的方法有基于分形理论的分割方法、基于颜色特征的分割方法、基于Gabor变换的图像分割、基于机器视觉的分割方法和基于深度学习的分割方法[2-5]。不过目前木材加工厂的木材缺陷检测方法依旧停留在人工检测方法上，自动化的木材生产加工急需智能的木材表面缺陷的分割方法。本文采用自适应阈值分割和形态学的方法对木材表面缺陷进行提取，主要实现死节和活节的提取。

1 算法

1.1 自适应阈值分割

对于木材表面缺陷图像f（x，y），缺陷目标和正常的板材背景的分割阈值记作T，属于缺陷的像素点数占整幅图像的比例记为w0，其平均灰度为μ0。正常板材背景像素点数占整幅图像的比例为w1，其平均灰度为μ1。木材表面缺陷图像的总平均灰度记为μ，类间方差记为g。

假设木材表面缺陷图像的大小为M*N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：

综合式（5）和（6），可得到等价公式如下：

采用遍历的方法得到缺陷和正常木材部分方差最大的阈值T，将木材缺陷部分提取出来[6]。

1.2 形态学处理

数学形态学是将木材表面缺陷图像和结构元素图像相互作用，利用结构元素图像在木材缺陷图像中不断移动，得到分割的木材缺陷的特征信息，将分割出的缺陷部分进行处理。

1.2.1 腐蚀和膨胀

A是木材表面缺陷图像集合，B是结构元素集合，形态学运算将使用结构元素对木材表面缺陷图像进行操作。结构元素本文选择圆形的，半径为1。

膨胀的运算符为“⊕”，A和B来膨胀记为A⊕B，定义为：

为B的映像，做B关于原点的映像，将其平移X，当A与B映像的交集不为空集时，B的圆点就是膨胀集合的像素。

腐蚀的运算符为“Θ”，A用B来腐蚀记为AΘB，定义为：

A用B腐蚀的结果是所有满足将B平移X后，B仍全部包括在A中的X的集合。

1.2.2 开启和闭合

开启运算是先对图像进行腐蚀，再进行膨胀运算，用来消除散点；闭合运算则是先进行膨胀，再进行腐蚀运算，用于填平小洞或将两个邻近的区域链接起来。开启运算符为“°”，A用B来开启记为A°B，定义如下

闭合运算符为“·”，A用B来开启记为A·B，定义如下：

2 缺陷提取流程及实现

先对采集的死节、活节缺陷的木材表面图像进行前处理（将原真彩图像进行灰度变换，同时将图像的数据类型转为双精度）→增强处理（对其进行灰度拉升，突出缺陷部分）→自适应阈值对图像进行分割（利用木材缺陷部分和背景的最大方差确定阈值，小于阈值部分为白色，大于阈值部分为黑色）→形态学处理（连接分割后间断的图像边沿，使分割图像边沿圆滑）→同时利用区域描绘子对真伪缺陷进行判断，将木材缺陷部分标记保留，去除背景部分区域和伪缺陷→利用缺陷区域在原图像实现木材缺陷的提取。

对含死节、活节木材缺陷图像，按照对应流程，将主要过程处理后的图像如图1和图2。

3 小结

采用自适应阈值分割和形态学对木材死节、活节表面缺陷进行了分割与提取，文中提取算法对木材裂纹、虫眼等表面缺陷也能进行对应的识别与提取。且提取效率高，错误率低，为木材表面缺陷提取提供了一定的技术参考，也为后续木材自动化加工打下了一定基础。

图1 死节缺陷的提取Fig.1 The extraction of dead joint defects

图2 活节缺陷的提取Fig.2 The extraction of looper defects