基于幾何及灰度特征的紙病檢測算法研究

楊 波 周 強 張剛強

(陜西科技大學電氣與信息工程學院，陜西西安，710021)

基于幾何及灰度特征的紙病檢測算法研究

楊 波 周 強 張剛強

(陜西科技大學電氣與信息工程學院，陜西西安，710021)

針對當前紙病在線檢測系統實時性強和信息量大的特點，提出了一種高效、靈活的基于幾何及灰度特征的紙病檢測算法。首先采用鄰域均值法對紙病圖像去噪，然后根據灰度直方圖選取合適閾值將圖像二值化，并運用邊界跟蹤法檢測出紙病邊緣，最后提取出紙病的幾何及灰度特征并分析其特征量將紙病分類。按照該算法依次對常見5種紙病進行檢測，結果表明，基于幾何及灰度特征的紙病檢測算法能夠準確地檢測并分類常見紙病。

紙病;在線檢測;幾何特征;灰度特征;特征提取

現代造紙工業的特點是車速快、紙幅寬，紙病檢測大多靠人工完成，而人工檢測和分類處理速度慢、精度低、勞動強度大［1］。因此，新一代基于CCD技術［2］的紙病在線檢測系統的運用，在現代造紙生產過程中顯得非常重要。各大廠家紛紛引進智能化在線檢測系統，改善檢測環節技術水平，保證成品紙高合格率。但該系統單位時間內檢測的紙張面積大，處理的圖像數據量多，要求提高系統硬件性能的同時，還要改善檢測算法，才能滿足在線檢測的實時性。為此，本研究提出了一種基于幾何及灰度特征的紙病檢測算法，實時、準確地對成品紙進行檢測。

1 檢測算法流程

基于幾何及灰度特征的紙病檢測算法流程圖如圖1所示:首先讀取CCD相機拍攝的紙病圖像，然后對圖像依次進行去噪、二值化及邊緣提取的預處理工作，其次提取預處理后圖像的特征量并對其分析，最后根據分析結果將檢測出的紙病分類。

圖1 紙病檢測算法流程圖

2 紙病圖像預處理

2.1 去噪

借助CCD相機拍攝的紙病圖像，是由光信號轉變為電信號［3］，在圖像的轉變和傳輸中，受環境光線和CCD相機自身質量等諸多因素的影響，不可避免存在噪聲，所以在進行圖像處理前需要去除噪聲。本課題比較了兩種常用的平滑去噪法:鄰域中值法和均值法。根據濾波處理結果，得出對紙病圖像去噪效果較好的方法［4］。

鄰域中值法和均值法的濾波原理為:將每一像素點的灰度值分別設置為該點某鄰域窗口內的所有像素點灰度值的中值和均值。以g(x，y)表示原始圖像在 (x，y)處的灰度值，選取N*N二維窗口 (一般N取3或15)，以G(x，y)表示濾波后圖像在 (x，y)處的灰度值，則鄰域中值法和均值法可以分別表示為:

式中，Med{}表示對N*N二維窗口里的像素點灰度值排序并取其中值，∑ {}表示對N*N二維窗口里的像素點灰度值求和，M為窗口內的像素點個數，n、m為整數。

借助DALSA公司的在線掃描黑白CCD數字相機，拍攝一幀有黑斑的紙張圖像，截取包括黑斑的局部圖像，如圖2(a)所示。利用Visual C++6.0軟件，新建一個工程，編寫3*3鄰域的中值和均值濾波算法，分別對圖2(a)進行平滑去噪處理，處理結果如圖2(b)和圖2(c)所示。

圖2 兩種平滑去噪法的濾波效果對比

從圖2可以看出:鄰域均值法處理后的黑斑輪廓變得相對模糊，但對噪聲的處理效果相對較好，因此本課題采取鄰域均值法對紙病圖像進行平滑去噪處理。

2.2 二值化

圖像二值化常用的方法是閾值法，它是用一個或幾個閾值將圖像的灰度值分為幾個級別，屬于同一級別的像素點認為是同一目標。以濾波處理后的黑斑圖像為例，圖像背景和黑斑分布都比較均勻且灰度值差值較大［5］，選取某一閾值 Th，把圖像分成大于Th的像素群 (背景)和小于等于Th的像素群 (黑斑)兩部分［6］。g(x，y)表示圖像各像素點灰度值，F(x，y)表示對圖像二值化的輸出，即:

基于新建的工程，編寫直方圖及二值化算法，并對濾波后的黑斑圖像進行二值化處理。根據圖3(b)中濾波后黑斑圖像的直方圖，選取Th=150，經二值化后黑斑的灰度值被置為0，背景灰度值被置為1，黑斑圖像二值化后結果如圖3(c)所示?？梢?，黑斑圖像經二值化處理后，可以清楚獲得黑斑的區域范圍。

圖3 黑斑圖像二值化

2.3 邊緣提取

圖像的邊緣是指周圍像素灰度值有階躍變化或屋頂變化的像素點集合，它是圖像最基本的特征之一［7］。圖像邊緣提取的算法很多，常用的有邊緣算子檢測法、Canny邊緣檢測法、邊界跟蹤法、數學形態法、小波分析等。本課題采用邊界跟蹤法，對二值化后的紙病圖像進行邊緣提取。

尋找邊緣的邊界跟蹤法是對圖像按照從右到左，從下到上的順序搜索。找到最右下方的邊界點，以這個邊界點起始，對該點8鄰域內像素點進行搜索，找到下一個邊界點，依次類推，找到所有的邊界點。此方法的跟蹤準則是:從第一個邊界點A開始，定義初始的搜索方向為沿右上方;如果右上方的點為黑點，則為邊界點，否則搜索方向逆時針旋轉45°。這樣一直找到第一個黑點為止。然后把這個黑點作為新的邊界點，在當前搜索方向的基礎上順時針旋轉90°，繼續用相同的方法搜索下一個黑點，直到返回最初找到的第一個邊界點為止［8］，如圖4(a)所示為邊界跟蹤法示意圖。

圖4 紙病邊緣提取

在新建的工程下，繼續編寫邊緣提取算法，并對二值化后黑斑圖像進行邊緣提取，效果如圖4(c)所示。可以看出，邊界跟蹤法能夠準確提取出黑斑的邊緣輪廓。

3 紙病圖像特征

CCD相機每秒鐘拍攝的紙張面積為車速與紙幅寬度的乘積，當車速10 m/s、紙幅寬2 m時，1 s內拍攝的紙張面積就可達20 m2，可見紙病檢測系統需要實時處理的圖像數據量很大。因此對其進行實時、準確地檢測并分類紙病時，算法必須提取出具有代表性的紙病圖像特征。本課題從幾何及灰度特征兩方面進行了分析研究。

3.1 幾何特征

幾何特征屬于圖像的外部特征，以像素點的數量為度量值。下面從周長、面積、矩形度及圓形度4方面對紙病的相關外部信息進行了分析研究。

3.1.1 周長

采用邊界跟蹤法，對二值化后紙病圖像進行邊緣提取，統計邊緣上像素點灰度值為0的數量，將統計數值作為紙病周長 (P)，計算公式如下:

式中，F(x，y)為二值化紙病圖像灰度值，∑{}表示統計紙病邊緣L上的像素點灰度值F(x，y)=0的個數。

3.1.2 面積

在二值化后紙病圖像中，紙病面積 (A)可以定義為它的邊緣所包含區域內像素點灰度值為0的數量［9］，計算公式如下:

式中，F(x，y)為二值化紙病圖像灰度值，∑{}表示統計紙病區域S內的像素點灰度值F(x，y)=0的個數。

3.1.3 矩形度

描述矩形度有兩個參數:矩形擬合因子 (Pr)和寬長比 (Pwl)，其計算公式分別如下:

式中，A表示紙病面積，Ar表示紙病最小外接矩形面積，Wr表示紙病最小外接矩形寬度，Lr表示紙病最小外接矩形長度，矩形擬合因子Pr的值在 (0，1］范圍內變化。當紙病輪廓為矩形時，Pr取得最大值1;當紙病輪廓為圓形時，Pr取值為π/4;細長、彎曲的紙病Pr取值較小。

3.1.4 圓形度

圓形度 (C)是表示紙病圓形相似度的量，計算公式如下:

式中，A為紙病面積，P為紙病周長。根據定義可以得知圓形紙病的C取得最大值1。正n邊形的圓形度為，當n趨向于無窮大時，其極限正好是圓的圓形度1。

3.2 灰度特征

灰度特征屬于圖像的內部特征，以像素點的灰度值為研究對象。以下從灰度均值和灰度標準差兩方面進行了分析研究。3.2.1 灰度均值

對濾波后紙病圖像，統計紙病區域內各像素點灰度值并求其均值，作為紙病灰度均值 (Mean)，計算公式如下:

式中，g(x，y)表示濾波后圖像在 (x，y)處的灰度值，∑ {}表示對紙病區域S內像素點灰度值求和，M為紙病區域內像素點的個數。

3.2.2 灰度標準差

灰度標準差 (Var)用以描述紙病區域內灰度值相對灰度均值的偏離程度，計算公式如下:

式中，g(x，y)表示濾波后圖像在 (x，y)處的灰度值，Mean為灰度均值，M為紙病區域S內像素點的個數。

綜合以上的分析研究，根據各個特征量的定義，在之前的工程中編寫幾何及灰度特征的提取算法。

圖55 種常見紙病預處理后的結果

4 常見紙病特征提取及分析

從CCD數字相機拍攝的紙病圖像中，截取5種常見紙病的局部圖像，如圖5(a)所示依次為:黑斑、劃痕、孔洞、邊緣裂縫、亮斑［10］。按照編寫的預處理算法對這些紙病依次進行處理，結果如圖5(b)、(c)、(d)所示，并根據幾何及灰度特征的提取算法提取對應紙病的特征量，數據結果見表1。

表1 5種常見紙病特征量提取結果

由表1可以看出，上述7項特征量能夠有效區分5種常見紙病。具體分析為:選擇周長、寬長比及圓形度，主要用來區分細長紙病與其他紙病，如劃痕、邊緣裂縫，而根據矩形擬合因子及面積可以區分出劃痕與邊緣裂縫;選擇面積，主要用來區分黑斑、亮斑與其他紙病，而根據灰度均值可以區分黑斑與亮斑;對于孔洞，灰度值偏小且灰度值變化程度最大，根據灰度標準差可以對其區分。

綜上所述，本研究提出的基于幾何及灰度特征的紙病檢測算法，能夠有效、準確地檢測并分類出常見紙病，且該算法的程序實現簡單、靈活，易于Visual C++6.0軟件實現檢測算法的編寫。

5 結語

目前造紙行業中，新一代基于CCD技術的紙病在線檢測系統以其強大的優越性，代替人工檢測已是一種趨勢，相應地，更加完善的檢測算法也是技術所需。結合常見紙病的實驗結果，表明基于幾何及灰度特征的紙病檢測算法能夠準確地檢測并分類常見紙病。該算法以其簡單、靈活的特點，對紙病在線檢測系統的優化起著重要作用。

［1］呂 岑，孫 瑜．基于統計處理的紙病檢測研究［J］．中國造紙學報，2003，18(2):151．

［2］Monica Carfagni，Rocco Furferi，Lapo Governi．A real-time machinevision system for monitoring the textile raising process［J］．Computers in Industry，2005(56):831．

［3］韓九強．機器視覺技術及應用［M］．北京:高等教育出版社，2009．

［4］徐 杰．基于機器視覺的紙病檢測方法研究與應用［D］．南京:南京林業大學，2008．

［5］王勇軍，陳文凱，熊智新，等．基于Hough變換的紙病檢測分析［J］．中國造紙，2010，29(3):59．

［6］劉科文，周 平，付斌斌．基于機器視覺的圓環形零件形位尺寸自動測量［J］．工業控制計算機，2010，23(7):1．

［7］Hongbin Jia，Yi Lu Murphey，Jianjun Shi，et al．An Intelligent Realtime Vision System for Surface Defect Detection［C］．IEEE，2004．

［8］求是科技，張宏林．精通Visual C++數字圖像處理典型算法及實現［M］．2版．北京:人民郵電出版社，2008．

［9］陳艷燕，王 云，葉含笑，等．機器視覺鋼化玻璃絕緣子氣泡的缺陷檢測研究［J］．自動化儀表，2010，31(7):51．

［10］關健華．全幅紙病檢測技術及在造紙中的應用［J］．中國造紙，2000，19(6):32．

Study on Algorithm of Paper Defect Detection Based on Geometric and Gray Feature

(School of Electrical and Information Engineering，Shaanxi University of Science and Technology，Xi'an，Shaanxi Province，710021)(*E-mail:382633409@qq．com)

Considering the characteristics of strong real-time and a great deal information of current paper defect on-line detecting system，an efficient and flexible algorithm of paper defect detection based on geometric and gray feature is proposed in this paper．The paper defect image is de-noised by neighborhood averaging method at first．And then binary image is obtained through selecting appropriate threshold according to gray histogram．At last paper defect edge is detected by boundary tracking method．Geometric and gray features of paper defects are extracted and analyzed so as to classify them．Experiment was carried out to verify this algorithm for five common paper defects．The result showed that common paper defects can be accurately detected and classified through the algorithm of paper defect detection based on geometric and gray feature．

paper defect;on-line detection;geometric feature;gray feature;feature extraction

TP391.4

A

0254-508X(2011)09-0050-04

YANG Bo*ZHOU Qiang ZHANG Gang-qiang

2011-06-08(修改稿)

本課題獲得陜西省教育廳科研專項基金 (2010JK420);陜西科技大學校博士科研啟動基金 (BJ10-05);陜西科技大學校級學術骨干培養計劃 (2010)資助。

楊 波先生，在讀碩士研究生;主要研究方向:圖像處理、智能檢測以及其在紙病檢測中的應用等。

(責任編輯:郭彩云)