一種基于圖像融合分割的實木地板表面缺陷檢測方法
【專利摘要】一種基于圖像融合分割的實木地板表面缺陷檢測方法，涉及地板表面缺陷檢測領域，本發(fā)明針對區(qū)域生長算法存在的分割速度慢、分割不準確的問題，致使實木地板的表面缺陷檢測速度慢、精度低的問題，影響其質量與分選等級。首先提取缺陷的R分量圖像并進行圖像縮小，在低維圖像空間內(nèi)運用區(qū)域生長方法完成缺陷的快速定位；利用梯度信息插值對縮小圖像進行放大復原，并對缺陷進行標記生成參考圖像；應用小波變換檢索標記參考圖像的邊緣，以邊緣像素點為種子在原圖像進行禁忌快速搜索，實現(xiàn)缺陷區(qū)域的快速、精準分割。對20幅含有活節(jié)、死節(jié)、裂紋的樣本圖像進行缺陷檢測試驗，該方法平均分割時間為13.21ms，缺陷分割區(qū)域的準確率達到96.8%。
【專利說明】—種基于圖像融合分割的實木地板表面缺陷檢測方法
【技術領域】
[0001]本發(fā)明涉及一種實木地板表面缺陷檢測方法，涉及地板表面缺陷檢測領域。
【背景技術】
[0002]實木地板表面缺陷直接影響著產(chǎn)品等級，基于計算機視覺的實木地板表面缺陷檢測，對木質地板自動分選具有重要的現(xiàn)實應用意義[1_2]。實木地板計算機視覺檢測系統(tǒng)，首先由攝像頭完成表面圖像的信息采集；然后，運用分割算法檢測表面缺陷區(qū)域；最后，應用分類算法對缺陷區(qū)域進行缺陷類別判斷[3_5]。常用的顏色處理模型有RGB模型、HSV模型以及HSI模型[6];考慮到處理時間，作為面向硬件的RGB模型更為適用，前期試驗研究實驗表明R分量圖像可有效抑制紋理噪聲m。白雪冰、王林分別運用灰度-梯度共生矩陣和Gabor變換分割木材表面缺陷，這兩種方法因計算量大導致分割速度較慢I9]。Du-Ming Tsai等利用小波變換分割物體表面缺陷，然而小波變換中沒有基于鄰界采樣的濾波器組，而且重構之后還需對圖像做進一步的處理[1°_11]。應用數(shù)學形態(tài)學算法也可以對缺陷有效分割，但是形態(tài)學重構過程容易引入噪聲[12]。陳永光利用分水嶺算法分割木材表面缺陷，但方法對噪聲極為敏感，易于產(chǎn)生過分割現(xiàn)象[13]。因此，如何對現(xiàn)有算法進行改進，以滿足實木地板在線分選對分割速度和精度有待進一步研究。
[0003]區(qū)域生長法是經(jīng)典的圖像分割算法，其思想簡單、對具有清晰邊緣的圖像有較好的分割結果；但是簡單的搜索八鄰域會消耗大量的時間，且搜索時間和精度受噪聲影響[14_15]。因此，過濾圖像噪聲，完成種子點優(yōu)選，制定快速搜索策略是亟待解決的關鍵問題。
[0004]參考文獻:
[0005][I].Gonzalo A Ruzaj Pab 1 A Estevez, Pab 1 A Ram I r ez.Automated visual inspection system for wood defect classification usingcomputational intelligence techniques[J].1nternational Journal of SystemsScience, 2009，40 (2): 163-172.[0006][2].D T Pham, R J Alcock.Automated grading and defect detection:AReview[J].Forest Products Journal，1998，48(3):34-42.[0007][3].1rene Y H G，Henrik，Raul Vicen.Automatic classification of wooddefects using support vector machines[C].1nternational Conference of ComputerVision and Graphics, NovemberlO-12, 2008，Warsaw, Poland.2008:356-367.[0008][4].D T Pham, R J Alcock.Automated visual inspection of woodboards: selection of features for defect classification by a neural network[J].Journal of Process Mechanical Engineering，1999，213(4):231-245.[0009][5].Gonzalo A Ruzj Pablo A Estevez, Claudio A Perez.A neurofuzzy colorimage segmentation method for wood surface defect detection[J].Forest ProductsJournal, 2005，55 (4): 52-58.[0010][6].0lli Silvenj Matti Niskanenj Hannu Kauppinen.Wood inspection withnon-supervised clustering[J].Machine Vision and Applications, 200313(2):275 - 28
5.[0011][7].Zhang y1-zhuo, Tong chuan, Wood board defects sorting based on methodof possibilistic C—means improved support vector data description.AppliedMechanics and Materials.2012，128-129:1288-1291
[0012][8],白雪冰，鄒麗暉.基于灰度-梯度共生矩陣的木材表面缺陷分割方法[J].森林工程，2007, 23 (2): 16-18.[0013][9],王林，白雪冰.基于Gabor變換木材表面缺陷圖像分割方法[J].計算機工程與設計.2010，31 (5): 1066-1069.[0014][10].Duming Tsai, Bo Hsia0.Automatic surface inspection using waveletreconstruction[J].Pattern Recognition, 2001, 34(6):1285-1305.[0015][I I].Yanfang Han, Pengfei Sh1.An adaptive level-selecting wavelettransform for texture defect detection[J].1mage and Vision Computing, 2007, 25(8):1239 - 1248.[0016][12].張怡卓，佟川，于慧伶.基于形態(tài)學重構的實木地板缺陷分割方法研究.森林工程[J].2012，28 (2):14-17.[0017][13].陳永光，王國柱，撒潮，等.木材表面缺陷邊緣形態(tài)檢測算法的研究[J].木材加工機械.2003, 3:18-22.[0018][14].金立生，王榮本，高龍，等.基于區(qū)域生長的智能車輛陰影路徑圖像分割方法[J].吉林大學學報(工學版)，2006，36:132-135.[0019][15].Frank Y.Shih, Shouxian Cheng.Automatic seeded region growing forcolor image segmentation.1mage and Vision Computing, 2005, 23(5)877 - 886.
【發(fā)明內(nèi)容】

[0020]本發(fā)明針對區(qū) 域生長算法存在的分割速度慢、分割不準確的問題，致使實木地板的表面缺陷檢測速度慢、精度低，從而影響其質量與分選等級；為此提出了一種基于圖像融合分割的實木地板表面缺陷檢測方法(基于圖像融合的缺陷定位方法)。
[0021]本發(fā)明為解決上述技術問題采取的技術方案是:
[0022]一種基于圖像融合分割的實木地板表面缺陷檢測方法，所述方法的實現(xiàn)過程為:
[0023]步驟一、圖像預處理:由RGB模型中提取R分量再進行灰度圖像變換；
[0024]步驟二、圖像縮小與缺陷定位:采用等間隔采樣完成圖像縮??；在低維空間搜索缺陷點并完成缺陷的初步定位;
[0025]步驟三、圖像放大、創(chuàng)建標記圖像:圖像放大是生成與原始圖像大小一致的圖像，為缺陷圖像的融合分割提供標記圖像，圖像放大要在處理效率與結果的平滑度和清晰度上做一個權衡；
[0026]步驟四、缺陷的邊緣檢測:邊緣檢測用于在標記圖像上找到缺陷邊緣，確定邊緣種子點圖像seed(X，y)，原圖像將以種子點進行向外搜索；邊緣檢測的具體步驟為:
[0027]步驟四(I)、構造小波函數(shù)；
[0028]步驟四(2)、對圖像S (X，y)做小波變換，計算模MyS(U)與相角4外U);[0029]步驟四(3)、沿相角搜索模的極值點，生成圖像的邊緣AM冬>’)；
[0030]步驟四(4)、將巧S(x,y)中模、相角相似點連接，得到單像素的圖像邊緣.v)；
[0031]步驟四(5)、對β2^Χ\ν)中的邊緣，計算Py1S(U)中的匹配區(qū)域，得到下一尺度j-1的邊緣圖像zVA (1.V);
[0032]步驟五、原始圖像下的缺陷邊界搜索；
[0033]步驟六、檢測結果輸出。
[0034]在步驟二中，
[0035]采用等間隔采樣完成圖像縮小的過程為:
[0036]設原圖像中的點f (X，y)在縮小后的圖像中對應點g(x，y)，則:
[0037]
【權利要求】
1.一種基于圖像融合分割的實木地板表面缺陷檢測方法，其特征在于:所述方法的實現(xiàn)過程為: 步驟一、圖像預處理:由RGB模型中提取R分量再進行灰度圖像變換； 步驟二、圖像縮小與缺陷定位:采用等間隔采樣完成圖像縮小；在低維空間搜索缺陷點并完成缺陷的初步定位； 步驟三、圖像放大、創(chuàng)建標記圖像:圖像放大是生成與原始圖像大小一致的圖像，為缺陷圖像的融合分割提供標記圖像，圖像放大要在處理效率與結果的平滑度和清晰度上做一個權衡； 步驟四、缺陷的邊緣檢測:邊緣檢測用于在標記圖像上找到缺陷邊緣，確定邊緣種子點圖像seedU，y)，原圖像將以種子點進行向外搜索；邊緣檢測的具體步驟為: 步驟四(I)、構造小波函數(shù)； 步驟四(2)、對圖像S (X，y)做小波變換，計算模M2J(U)與相角; 步驟四(3)、沿相角搜索模的極值點，生成圖像的邊緣AS(U); 步驟四(4)、將盡S{x,y)中模、相角相似點連接，得到單像素的圖像邊緣A.S((x.v)；步驟四(5)、對D2%..v)中的邊緣，計算Ρ2』(χ.χ)中的匹配區(qū)域，得到下一尺度j-Ι的邊緣圖像 步驟五、原始圖像下的缺陷邊界搜索； 步驟六、檢測結果輸出。
2.根據(jù)權利要求1所述的一種基于圖像融合分割的實木地板表面缺陷檢測方法，其特征在于:在步驟二中， 采用等間隔采樣完成圖像縮小的過程為: 設原圖像中的點f(x，y)在縮小后的圖像中對應點g(x，y)，則:
3.根據(jù)權利要求2所述的一種基于圖像融合分割的實木地板表面缺陷檢測方法，其特征在于:在步驟三中，圖像放大的具體過程為: 采用差分算法計算縮小后的圖像g(x，y)上每一點(i，j)的梯度，在差分網(wǎng)格上令網(wǎng)格點(i，j)處的梯度為
4.根據(jù)權利要求3所述的一種基于圖像融合分割的實木地板表面缺陷檢測方法，其特征在于:在步驟四中， 構造小波函數(shù)的過程為: 利用小波變換進行檢測邊緣，并將圖像細節(jié)以不同程度的尺度呈現(xiàn)； 選取小波函數(shù)為:
5.根據(jù)權利要求4所述的一種基于圖像融合分割的實木地板表面缺陷檢測方法，其特征在于:在步驟五中，所述缺陷邊界搜索采用邊緣的禁忌搜索，禁忌搜索是參照標記圖像Sign (x, y),從種子點seed(x, y)出發(fā),利用閾值限定生長條件,避開標記點向外搜索缺陷邊界，直到缺陷分割完成。
【文檔編號】G06T7/00GK103761743SQ201410043711
【公開日】2014年4月30日 申請日期:2014年1月29日 優(yōu)先權日:2014年1月29日
【發(fā)明者】張怡卓, 陳宇, 曹軍, 于慧伶, 丁亮 申請人:東北林業(yè)大學