CN103761743A - 一种基于图像融合分割的实木地板表面缺陷检测方法 - Google Patents

Abstract

一种基于图像融合分割的实木地板表面缺陷检测方法，涉及地板表面缺陷检测领域，本发明针对区域生长算法存在的分割速度慢、分割不准确的问题，致使实木地板的表面缺陷检测速度慢、精度低的问题，影响其质量与分选等级。首先提取缺陷的R分量图像并进行图像缩小，在低维图像空间内运用区域生长方法完成缺陷的快速定位；利用梯度信息插值对缩小图像进行放大复原，并对缺陷进行标记生成参考图像；应用小波变换检索标记参考图像的边缘，以边缘像素点为种子在原图像进行禁忌快速搜索，实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行缺陷检测试验，该方法平均分割时间为13.21ms，缺陷分割区域的准确率达到96.8%。

Description

一种基于图像融合分割的实木地板表面缺陷检测方法

技术领域

本发明涉及一种实木地板表面缺陷检测方法，涉及地板表面缺陷检测领域。 

背景技术

实木地板表面缺陷直接影响着产品等级，基于计算机视觉的实木地板表面缺陷检测，对木质地板自动分选具有重要的现实应用意义^[1-2]。实木地板计算机视觉检测系统，首先由摄像头完成表面图像的信息采集；然后，运用分割算法检测表面缺陷区域；最后，应用分类算法对缺陷区域进行缺陷类别判断^[3-5]。常用的颜色处理模型有RGB模型、HSV模型以及HSI模型^[6]；考虑到处理时间，作为面向硬件的RGB模型更为适用，前期试验研究实验表明R分量图像可有效抑制纹理噪声^[7]。白雪冰、王林分别运用灰度-梯度共生矩阵和Gabor变换分割木材表面缺陷，这两种方法因计算量大导致分割速度较慢^[8-9]。Du-Ming Tsai等利用小波变换分割物体表面缺陷，然而小波变换中没有基于邻界采样的滤波器组，而且重构之后还需对图像做进一步的处理^[10-11]。应用数学形态学算法也可以对缺陷有效分割，但是形态学重构过程容易引入噪声^[12]。陈永光利用分水岭算法分割木材表面缺陷，但方法对噪声极为敏感，易于产生过分割现象^[13]。因此，如何对现有算法进行改进，以满足实木地板在线分选对分割速度和精度有待进一步研究。 

区域生长法是经典的图像分割算法，其思想简单、对具有清晰边缘的图像有较好的分割结果；但是简单的搜索八邻域会消耗大量的时间，且搜索时间和精度受噪声影响^[14-15]。因此，过滤图像噪声，完成种子点优选，制定快速搜索策略是亟待解决的关键问题。 

参考文献： 

[1].Gonzalo A Ruza,Pablo A Estevez,Pablo A Ram I rez.Automated visual inspection system for wood defect classification using computational intelligence techniques[J].International Journal of Systems Science,2009,40(2):163-172. 

[2].D T Pham,R J Alcock.Automated grading and defect detection:A Review[J].Forest Products Journal,1998,48(3):34-42. 

[3].Irene Y H G,Henrik,Raul Vicen.Automatic classification of wood defects using support vector machines[C].International Conference of Computer Vision and Graphics,November10-12,2008,Warsaw,Poland.2008:356-367. 

[4].D T Pham,R J Alcock.Automated visual inspection of wood boards:selection of features for defect classification by a neural network[J].Journal of Process Mechanical Engineering,1999,213(4):231-245. 

[5].Gonzalo A Ruz,Pablo A Estévez,Claudio A Perez.A neurofuzzy color image segmentation method for wood surface defect detection[J].Forest Products Journal,2005,55(4):52-58. 

[6].Olli Silven,Matti Niskanen,Hannu Kauppinen.Wood inspection with non-supervised clustering[J].Machine Vision and Applications,200313(2):275–285. 

[7].Zhang yi-zhuo,Tong chuan,Wood board defects sorting based on method of possibilistic C-means improved support vector data description.Applied Mechanics and Materials.2012,128-129:1288-1291 

[8].白雪冰,邹丽晖.基于灰度-梯度共生矩阵的木材表面缺陷分割方法[J].森林工程,2007,23(2):16-18. 

[9].王林,白雪冰.基于Gabor变换木材表面缺陷图像分割方法[J].计算机工程与设计.2010,31(5):1066-1069. 

[10].Duming Tsai,Bo Hsiao.Automatic surface inspection using wavelet reconstruction[J].Pattern Recognition,2001,34(6):1285-1305. 

[11].Yanfang Han,Pengfei Shi.An adaptive level-selecting wavelet transform for texture defect detection[J].Image and Vision Computing,2007,25(8):1239–1248. 

[12].张怡卓，佟川，于慧伶.基于形态学重构的实木地板缺陷分割方法研究.森林工程[J].2012,28（2）:14-17. 

[13].陈永光,王国柱,撒潮,等.木材表面缺陷边缘形态检测算法的研究[J].木材加工机械.2003,3:18-22. 

[14].金立生,王荣本,高龙,等.基于区域生长的智能车辆阴影路径图像分割方法[J].吉林大学学报(工学版),2006,36:132-135. 

[15].Frank Y.Shih,Shouxian Cheng.Automatic seeded region growing for color image segmentation.Image and Vision Computing,2005,23(5)877–886. 

发明内容

本发明针对区域生长算法存在的分割速度慢、分割不准确的问题，致使实木地板的表面缺陷检测速度慢、精度低，从而影响其质量与分选等级；为此提出了一种基于图像融合 分割的实木地板表面缺陷检测方法（基于图像融合的缺陷定位方法）。 

本发明为解决上述技术问题采取的技术方案是： 

一种基于图像融合分割的实木地板表面缺陷检测方法，所述方法的实现过程为： 

步骤一、图像预处理：由RGB模型中提取R分量再进行灰度图像变换； 

步骤二、图像缩小与缺陷定位：采用等间隔采样完成图像缩小；在低维空间搜索缺陷点并完成缺陷的初步定位； 

步骤三、图像放大、创建标记图像：图像放大是生成与原始图像大小一致的图像，为缺陷图像的融合分割提供标记图像，图像放大要在处理效率与结果的平滑度和清晰度上做一个权衡； 

步骤四、缺陷的边缘检测：边缘检测用于在标记图像上找到缺陷边缘，确定边缘种子点图像seed(x,y)，原图像将以种子点进行向外搜索；边缘检测的具体步骤为： 

步骤四（1）、构造小波函数； 

步骤四（2）、对图像S(x,y)做小波变换，计算模

与相角

步骤四（3）、沿相角搜索模的极值点，生成图像的边缘

步骤四（4）、将中模、相角相似点连接，得到单像素的图像边缘

步骤四（5）、对中的边缘，计算

中的匹配区域，得到下一尺度j-1的边缘图像

步骤五、原始图像下的缺陷边界搜索； 

步骤六、检测结果输出。 

在步骤二中， 

采用等间隔采样完成图像缩小的过程为： 

设原图像中的点f(x,y)在缩小后的图像中对应点g(x,y)，则： 

$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}{k}_x& 0& 0\\ 0& k_y& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]---\left(1\right)$

其中，k_x、k_y分别为x、y轴方向的缩放倍数； 

通过提取子块中的一个像素点来代替整个子块，进而组合成一幅图像；设缩小后的图像为g(x,y)则： 

$g(x,y)=f(\frac{x}{k_x},\frac{y}{k_y})---\left(2\right)$

在低维空间搜索缺陷点并完成缺陷的初步定位的过程为： 

在低维空间搜索缺陷点，计算量将为原来的

并将缺陷置“1”，完成缺陷的初步定位。 

在步骤三中， 

图像放大的具体过程为： 

采用差分算法计算缩小后的图像g(x,y)上每一点（i,j）的梯度，在差分网格上令网格点(i,j)处的梯度为 

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +{(g(i+1,j)-g(i-1,j))}^2\end{array}\right)}^{\frac{1}{2}}---\left(3\right)$

对于插值点(i,j)，令 

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +\left(\frac{{(g(i+1,j-1)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1))}^2}{16}\right)\end{array}\right)}^{\frac{1}{2}}---\left(4\right)$

在待插值点(i,j)，令插值方向为左右方向，即按行插值（进行差值计算时采用按行插值方法，即计算插值点的左右方向梯度值）； 

令点(i,j-1)、(i,j+1)的梯度分别为

且

则插值后得到的图像为s(i,j): 

s(i,j)=(1-v(r))g(i,j-1)+v(r)g(i,j+1)   (5) 

其中

为双曲正切函数，且定义th(x)=(e^x-e^-x)/(e^x+e^-x)，函数v(r)的中心点为(1,0.5)； 

创建标记图像的过程过为： 

标记图像是针对原始图像的缺陷区域所创建的参考图像，对于原始输入的R分量图像I_im，定义Neighbor(I_im(x,y))为点I_im(x,y)的八邻域；对于图像中某一区域R，N(R)表示不属于R，但是又和R中某一像素相邻的集合： 

定义标记图像Sign，其大小与原图像一致，满足公式（7）、（8），如下： 

size(Sign)=size(I_im)   (7) 

$\mathrm{Sign}(x,y)=\left\{\begin{array}{cc}1& I\_\mathrm{im}(x,y)\∈R\\ 0& I\_\mathrm{im}(x,y)\∉R\end{array}\right.---\left(8\right)$

其中，size返回图像的大小； 

如对于某个像素，满足点I_im(m,n)∈N(R)且I_im(m,n)∈Neighbor(I_im(i,j))要将I_im(m,n)合并到区域R中，必须满足条件： 

$\left\{\begin{array}{c}\mathrm{Sign}(m,n)=0\\ |I\_\mathrm{im}(m,n)-I\_\mathrm{im}(i,j)|\≤T_1\\ I\_\mathrm{im}(m,n)\≤T_2\end{array}\right.---\left(9\right)$

其中，T₁、T₂为搜索邻域的阈值限定条件。 

在步骤四中， 

构造小波函数的过程为： 

利用小波变换进行检测边缘，并将图像细节以不同程度的尺度呈现； 

选取小波函数为： 

${\mathrm{\ψ}}^1(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂x},{\mathrm{\ψ}}^2(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂y}---\left(10\right)$

其中θ(x,y)≥0是光滑函数且满足： 

$\underset{R^2}{\∫\∫}\mathrm{\θ}(x,y)\mathrm{dxdy}=1---\left(11\right)$

对图像s(x,y)做小波变换，计算模与相角

的过程为： 

$\begin{array}{c}{W}_{2^j}^{1}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{1}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂x}\end{array}---\left(12\right)$

$\begin{array}{c}{W}_{2^j}^{2}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{2}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂y}\end{array}---\left(13\right)$

在尺度2^j下，梯度的相角和模分别为 

${\mathrm{\φ}}_{2^j}s(x,y)=\mathrm{arctg}\left[\frac{W_{2^j}^{2}s(x,y)}{W_{2^j}^{1}s(x,y)}\right]---\left(14\right)$

$M_{2^j}s(x,y)=\sqrt{{\left|W_{2^j}^{1}s(x,y)\right|}^2+{\left|W_{2^j}^{2}s(x,y)\right|}^2}---\left(15\right)$

模在

方向的极值点对应图像的边缘点。 

在步骤五中，所述缺陷边界搜索采用边缘的禁忌搜索，禁忌搜索是参照标记图像Sign(x,y)，从种子点seed(x,y)出发，利用阈值限定生长条件，避开标记点向外搜索缺陷边界，直到缺陷分割完成。 

本发明的有益效果是： 

针对上述问题，提出一种基于图像融合的缺陷快速定位与禁忌快速搜索方法。方法通过对缺陷图像进行缩小，完成图像的去噪与缺陷的快速定位；然后，运用插值法对缩小图像进行原始图像规模的放大；运用小波变换对放大图像的缺陷进行边缘检测，进而获得标记参考图像；最后，在标记图像作用下，对原图像边界进行禁忌快速搜索。 

本发明方法通过图像缩放技术，既实现了缺陷快速定位又克服了噪声干扰；运用小波变换有效的提取了缺陷边缘，通过对缺陷边缘制定的禁忌搜索策略，完成了缺陷精确分割。缺陷分割的时间、精度和抗扰能力明显优于区域生长方法。 

实木地板的表面缺陷直接影响其质量与分选等级，本发明提出的一种基于图像融合的区域生长分割方法具有缺陷检测速度快、精度高的优点。首先提取缺陷的R分量图像并进行图像缩小，在低维图像空间内运用区域生长方法完成缺陷的快速定位；利用梯度信息插值对缩小图像进行放大复原，并对缺陷进行标记生成参考图像；应用小波变换检索标记参考图像的边缘，以边缘像素点为种子在原图像进行禁忌快速搜索，实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行缺陷检测试验，该方法平均分割时间为13.21ms，缺陷分割区域的准确率达到96.8%。本发明方法对缺陷区域的平均分割准确率相对传统方法至少提高10%。 

附图说明

图1是实木缺陷检测的计算机视觉系统结构示意图（图1中，1-摄像头、2-光源、3-传送带），图2是本发明的实木地板缺陷分割流程框图，图3是基于图像融合的缺陷分割过程的示意图，图4是分割过程图（图中：(a)表示原始图像、(b)表示采样点图像、(c)表示低维缺陷点(d)表示高维缺陷定位、(e)表示种子点、(f)表示分割结果），图5为两种算法分割结果图（图中：(a)表示本发明方法分割结果、(b)表示传统算法分割结果），图6 为部分样本分割结果图（图中：(a)表示活节图像、(b)表示死节图像、(c)表示裂纹图像、(d)表示活节分割结果、(e)表示死节分割结果、(f)表示裂纹分割结果），图7是区域面积随时间变化曲线图。 

具体实施方式

结合图1至7对本发明方法进行详细说明： 

1、关于本发明涉及的分选系统的概述 

实木地板缺陷检测的计算机视觉系统组成如图1所示。系统由传送平台、CCD摄像头、镜头、摄像头支架、光源系统、图像采集卡及缺陷检测软件组成。CCD摄像头为德国Oscar F810C IRF；为了提高图像采集的清晰度，选用两片LED平行光源对检测地板进行照明；采集的地板图像大小影响着图像处理时间与辨识效果，且二者是一对矛盾体，前期研究表明：在512×512,256×256和128×128三类图像中，256×256既能保证处理时间又能有效避免误识率^[12]，所以选用256×256的实木地板图像进行后期识别处理。 

2、基于图像融合分割的实木地板表面缺陷检测方法的描述（图像融合的缺陷分割流程） 

参与缺陷分割的图像有两幅，第一幅图像是直接采集的实木地板表面缺陷图像；第二幅图像是由第一幅图像经过图像预处理、图像缩小、缺陷定位、图像放大、缺陷边缘检测所得到的标记图像。原始图像在标记图像作用下进行缺陷的边界搜索，完成缺陷的快速、完整分割。具体流程如图2所示。 

2.1图像预处理 

选用面向硬件设备的RGB颜色模型，由于R分量图像不仅对纹理有很好的去噪效果，而且R分量转换为灰度图像的时间较R、G、B模型要低^[4]，因此，在图像预处理部分，首先从RGB模型中提取R分量，然后进行灰度图像变换。 

2.2图像缩小与缺陷定位 

由于噪声分布随机且面积小，图像缩小既可以实现缺陷粗定位又能够过滤噪声。选用等间隔采样完成图像缩小，若原图像中的点f(x,y)在缩小后的图像中对应点g(x,y)，则： 

$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}{k}_x& 0& 0\\ 0& k_y& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]---\left(1\right)$

其中，k_x、k_y分别为x、y轴方向的缩放倍数。 

如果在低维空间搜索缺陷点，计算量将为原来的

既提高运算速度，又减小图像 分割时间。在低维空间搜索缺陷点，并将缺陷置“1”，完成缺陷的初步定位。 

2.3图像放大 

图像放大是生成与原始图像大小一致的图像，为缺陷图像的融合分割提供标记图像。图像放大需要在处理效率与结果的平滑度和清晰度上做一个权衡。 

梯度插值方法拥有较高的信噪比，且可以很好地保护图像边缘。采用差分算法在原始图像g(x,y)上计算每一点的梯度。在差分网格上，令网格点(i,j)处的梯度为 

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +{(g(i+1,j)-g(i-1,j))}^2\end{array}\right)}^{\frac{1}{2}}---\left(2\right)$

对于插值点(i,j)，令 

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +\left(\frac{{(g(i+1,j-1)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1))}^2}{16}\right)\end{array}\right)}^{\frac{1}{2}}---\left(3\right)$

在待插值点(i,j)，令插值方向为左右方向，即按行插值。 

令点(i,j-1)、(i,j+1)的梯度分别为

且

则插值后得到的图像为s(i,j): 

s(i,j)=(1-v(r))g(i,j-1)+v(r)g(i,j+1)   (4) 

其中

为双曲正切函数，且定义th(x)=(e^x-e^-x)/(e^x+e^-x)，函数v(r)的中心点为(1,0.5)。 

2.4创建标记图像 

标记图像是针对原始图像的缺陷区域所创建的参考图像。对于原始输入大小为256×256的R分量图像I_im，定义Neighbor(I_im(x,y))为点I_im(x,y)的八邻域。对于图像中某一区域R，N(R)表示不属于R，但是又和R中某一像素相邻的集合： 

定义标记图像Sign，其大小与原图像一致，满足公式（6）、（7），如下： 

size(Sign)=size(I_im)   (6) 

$\mathrm{Sign}(x,y)=\left\{\begin{array}{cc}1& I\_\mathrm{im}(x,y)\∈R\\ 0& I\_\mathrm{im}(x,y)\∉R\end{array}\right.---\left(7\right)$

其中，size返回图像的大小。 

如对于某个像素，满足点I_im(m,n)∈N(R)且I_im(m,n)∈Neighbor(I_im(i,j))要将I_im(m,n)合并到区域R中，必须满足条件： 

$\left\{\begin{array}{c}\mathrm{Sign}(m,n)=0\\ |I\_\mathrm{im}(m,n)-I\_\mathrm{im}(i,j)|\≤T_1\\ I\_\mathrm{im}(m,n)\≤T_2\end{array}\right.---\left(8\right)$

其中，T₁、T₂为搜索邻域的阈值限定条件。 

2.5缺陷的边缘检测 

边缘检测是在标记图像上找到缺陷边缘，确定边缘种子点图像seed(x,y)，原图像将以种子点进行向外搜索，进一步提高分割速度和精度。 

小波变换不但能够检测边缘，还可以将图像细节以不同程度的尺度呈现，从而实现多类型边缘的检测。 

选取小波函数为： 

${\mathrm{\ψ}}^1(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂x},{\mathrm{\ψ}}^2(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂y}---\left(9\right)$

其中θ(x,y)≥0是光滑函数且满足： 

$\underset{R^2}{\∫\∫}\mathrm{\θ}(x,y)\mathrm{dxdy}=1---\left(10\right)$

二维图像s(x,y)（插值后图像）所对应的小波变换为： 

$\begin{array}{c}{W}_{2^j}^{1}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{1}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂x}\end{array}---\left(11\right)$

$\begin{array}{c}{W}_{2^j}^{2}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{2}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂y}\end{array}---\left(12\right)$

在尺度2^j下，梯度的相角和模分别为 

${\mathrm{\φ}}_{2^j}s(x,y)=\mathrm{arctg}\left[\frac{W_{2^j}^{2}s(x,y)}{W_{2^j}^{1}s(x,y)}\right]---\left(13\right)$

$M_{2^j}s(x,y)=\sqrt{{\left|W_{2^j}^{1}s(x,y)\right|}^2+{\left|W_{2^j}^{2}s(x,y)\right|}^2}---\left(14\right)$

模在

方向的极值点对应图像的边缘点。 

边缘检测的具体步骤为： 

1)构造小波函数； 

2)对图像s(x,y)做小波变换，计算模

与相角

3)沿相角搜索模的极值点，生成图像的边缘

4)将

中模、相角相似点连接，得到单像素的图像边缘

5)对

中的边缘，计算

中的匹配区域，得到下一尺度j-1的边缘图像  $D_{2^{j-1}}s(x,y).$

2.6边缘的禁忌搜索 

禁忌搜索是参照标记图像Sign(x,y)，从种子点seed(x,y)出发，利用阈值限定生长条件，避开标记点向外搜索缺陷边界，直到缺陷分割完成。 

基于图像融合的缺陷分割过程的示意图如图3所示。A图是标记图像，黑色部分为标记位置，B图为原始图像，C图表明标记缺陷小于实际缺陷。将C图虚线框放大，如D图所示。D图中的黑点是提取的种子点,a环表示标记图像边缘，b环表示缺陷边界。 

3、实验结果与分析 

3.1实例说明 

图像处理平台为MATLAB2011b，采用32位PC机，其主频2GHZ，内存2G。实验分割步骤如图4所示，(a)图是大小为256×256的原始R分量图像，对其均匀采样得到低分辨率图像(b)，其大小为32×32；在低维空间搜索缺陷点，得到图(c)；然后将其映射到256×256的高维空间，利用形态学方法腐蚀完成缺陷定位，如图(d)所示；提取缺陷边缘点为种子点，如图(e)所示，由种子点出发向边缘进行禁忌搜索完成缺陷的分割，分割结果如图(f)所示。表1是各个步骤CPU耗用时间，总消耗时间为12.006ms。 

表1各分割步骤耗用时间 

3.2噪声实验分析 

运用区域生长方法对图4(a)进行分割，分割结果如图5(b)所示。区域生长算法虽然可以完整分割出节子，但受纹理噪声的干扰，图中圆圈内部为误分割的噪声区域。区域生长算法与本方法的分割参数如表2所示，计算面积时可以将分割结果的缺陷部分标记为‘1’，面积计算可通过公式(15)来计算。 

$M=\underset{x,y\∈R}{\mathrm{\Σ}}1---\left(15\right)$

其中，M是缺陷面积，R是像素为1的点的坐标。准确率按公式(16)计算。 

其中，标准面积由人为勾勒缺陷区域得到，图4(a)的标准缺陷面积为698.分割结果表明，本方法的分割准确率明显优于区域生长方法。 

表2传统方法与本文方法分割结果对比 

图6是应用本文所提算法分别就实木地板中常见的活节、死节和裂纹进行的分割检测试验。对20幅样本图像进行分割实验，该方法对缺陷区域的平均分割准确率达到96.8%，而传统方法仅为84.4%. 

3.3分割时间分析 

针对图4(a)的分割时间进行了记录与比较，时间对比如表3所示。图7是两种方法搜索的区域面积随时间变化的曲线。虚线是基于图像融合分割的时间曲线。其中2-5ms内，是低维空间向高维空间插值映射过程；5-10ms内完成种子点提取；10-12ms内进行缺陷边缘细搜 索。实线是区域生长的分割时间曲线，10ms左右的波谷是过滤噪声、优选种子点引起的。对20幅样本图像进行分割实验，该方法平均分割时间为13.21ms。 

表3两种算法时间对比 

Claims (5)

1.一种基于图像融合分割的实木地板表面缺陷检测方法，其特征在于：所述方法的实现过程为：

步骤一、图像预处理：由RGB模型中提取R分量再进行灰度图像变换；

步骤二、图像缩小与缺陷定位：采用等间隔采样完成图像缩小；在低维空间搜索缺陷点并完成缺陷的初步定位；

步骤三、图像放大、创建标记图像：图像放大是生成与原始图像大小一致的图像，为缺陷图像的融合分割提供标记图像，图像放大要在处理效率与结果的平滑度和清晰度上做一个权衡；

步骤四、缺陷的边缘检测：边缘检测用于在标记图像上找到缺陷边缘，确定边缘种子点图像seed(x,y)，原图像将以种子点进行向外搜索；边缘检测的具体步骤为：

步骤四（1）、构造小波函数；

步骤四（2）、对图像S(x,y)做小波变换，计算模

与相角

步骤四（3）、沿相角搜索模的极值点，生成图像的边缘

步骤四（4）、将

中模、相角相似点连接，得到单像素的图像边缘

步骤四（5）、对中的边缘，计算中的匹配区域，得到下一尺度j-1的边缘图像

步骤五、原始图像下的缺陷边界搜索；

步骤六、检测结果输出。

2.根据权利要求1所述的一种基于图像融合分割的实木地板表面缺陷检测方法，其特征在于：在步骤二中，

采用等间隔采样完成图像缩小的过程为：

设原图像中的点f(x,y)在缩小后的图像中对应点g(x,y)，则：

$\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{ccc}{k}_x& 0& 0\\ 0& k_y& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\\ 1\end{array}\right]---\left(1\right)$

其中，k_x、k_y分别为x、y轴方向的缩放倍数；

通过提取子块中的一个像素点来代替整个子块，进而组合成一幅图像；设缩小后的图像为g(x,y)则：

$g(x,y)=f(\frac{x}{k_x},\frac{y}{k_y})---\left(2\right)$

在低维空间搜索缺陷点并完成缺陷的初步定位的过程为：

在低维空间搜索缺陷点，计算量将为原来的

并将缺陷置“1”，完成缺陷的初步定位。

3.根据权利要求2所述的一种基于图像融合分割的实木地板表面缺陷检测方法，其特征在于：在步骤三中，

图像放大的具体过程为：

采用差分算法计算缩小后的图像g(x,y)上每一点（i,j）的梯度，在差分网格上令网格点(i,j)处的梯度为

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +{(g(i+1,j)-g(i-1,j))}^2\end{array}\right)}^{\frac{1}{2}}---\left(3\right)$

对于插值点(i,j)，令

$|\▿(i,j)|={\left(\begin{array}{c}{(g(i,j+1)-g(i,j-1))}^2\\ +\left(\frac{{(g(i+1,j-1)+g(i+1,j+1)-g(i-1,j-1)-g(i-1,j+1))}^2}{16}\right)\end{array}\right)}^{\frac{1}{2}}---\left(4\right)$

在待插值点(i,j)，令插值方向为左右方向，即按行插值；

令点(i,j-1)、(i,j+1)的梯度分别为

且则插值后得到的图像为s(i,j):

s(i,j)=(1-v(r))g(i,j-1)+v(r)g(i,j+1)   (5)

其中

为双曲正切函数，且定义th(x)=(e^x-e^-x)/(e^x+e^-x)，函数v(r)的中心点为(1,0.5)；

创建标记图像的过程过为：

标记图像是针对原始图像的缺陷区域所创建的参考图像，对于原始输入的R分量图像I_im，定义Neighbor(I_im(x,y))为点I_im(x,y)的八邻域；对于图像中某一区域R，N(R)表示不属于R，是和R中某一像素相邻的集合：

定义标记图像Sign，其大小与原图像一致，满足公式（7）、（8），如下：

size(Sign)=size(I_im)   (7)

$\mathrm{Sign}(x,y)=\left\{\begin{array}{cc}1& I\_\mathrm{im}(x,y)\∈R\\ 0& I\_\mathrm{im}(x,y)\∉R\end{array}\right.---\left(8\right)$

其中，size返回图像的大小；

如对于某个像素，满足点I_im(m,n)∈N(R)且I_im(m,n)∈Neighbor(I_im(i,j))要将I_im(m,n)合并到区域R中，必须满足条件：

$\left\{\begin{array}{c}\mathrm{Sign}(m,n)=0\\ |I\_\mathrm{im}(m,n)-I\_\mathrm{im}(i,j)|\≤T_1\\ I\_\mathrm{im}(m,n)\≤T_2\end{array}\right.---\left(9\right)$

其中，T₁、T₂为搜索邻域的阈值限定条件。

4.根据权利要求3所述的一种基于图像融合分割的实木地板表面缺陷检测方法，其特征在于：在步骤四中，

构造小波函数的过程为：

利用小波变换进行检测边缘，并将图像细节以不同程度的尺度呈现；

选取小波函数为：

${\mathrm{\ψ}}^1(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂x},{\mathrm{\ψ}}^2(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂y}---\left(10\right)$

其中θ(x,y)≥0是光滑函数且满足：

$\underset{R^2}{\∫\∫}\mathrm{\θ}(x,y)\mathrm{dxdy}=1---\left(11\right)$

对图像s(x,y)做小波变换，计算模

与相角

的过程为：

$\begin{array}{c}{W}_{2^j}^{1}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{1}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂x}\end{array}---\left(12\right)$

$\begin{array}{c}{W}_{2^j}^{2}s(x,y)=s\×{\mathrm{\ψ}}_{2^j}^{2}s(x,y)\\ =2^j\frac{\∂(s\×{\mathrm{\θ}}_{2^j}(x,y))}{\∂y}\end{array}---\left(13\right)$

在尺度2^j下，梯度的相角和模分别为

${\mathrm{\φ}}_{2^j}s(x,y)=\mathrm{arctg}\left[\frac{W_{2^j}^{2}s(x,y)}{W_{2^j}^{1}s(x,y)}\right]---\left(14\right)$

$M_{2^j}s(x,y)=\sqrt{{\left|W_{2^j}^{1}s(x,y)\right|}^2+{\left|W_{2^j}^{2}s(x,y)\right|}^2}---\left(15\right)$

模

在

方向的极值点对应图像的边缘点。

5.根据权利要求4所述的一种基于图像融合分割的实木地板表面缺陷检测方法，其特征在于：在步骤五中，所述缺陷边界搜索采用边缘的禁忌搜索，禁忌搜索是参照标记图像Sign(x,y)，从种子点seed(x,y)出发，利用阈值限定生长条件，避开标记点向外搜索缺陷边界，直到缺陷分割完成。

Images