基于HSI空間的形態學單板缺陷檢測

解 朦，戴天虹，李 琳

(東北林業大學 機電工程學院，哈爾濱 150040)

圖像分割是指將一幅完整的圖像根據各區域不同特征進行圖像邊緣提取，從而分割出人們感興趣的部分[1]。圖像邊緣特征指圖像信號奇異變化的部分，具體表現為局部特征的不連續。邊緣點通過有意義的線性關系組合將目標區域從原圖像中提取出來。自上個世紀60年代圖像分割技術開始引起人們的關注以來，針對不同目標圖像的特征人們已經提出了一千余種不同的算法，這些方法中多數是基于灰度圖像的研究。與彩色圖像相比，灰度圖像的圖像特征簡單，提供的細節信息也較少。而在生活中80%以上的圖像都是人眼更容易接受的彩色圖像。因此對彩色圖像的研究逐漸成為眾多學者研究的熱點和難點。

隨著技術的進步，計算機技術在單板表面圖像缺陷檢測中逐漸占據了主導地位，改進了原有人工檢測的主觀影響。但由于板材表面特征(色澤，木材紋理、切面毛刺、死結、蟲洞等)復雜，缺陷也各不相同[2]。傳統的邊緣檢測方法對噪聲敏感且方向性強，例如Robets算子檢測水平和豎直方向的邊緣的能力較強，檢測不規則或斜向邊緣能力很弱；Laplace算子由于其二階算子的特性，在檢測圖像邊緣過程中對噪聲有放大作用。其它如Canny、Sobel、Prewitt等都各自具有其檢測局限性，在對板材表面缺陷進行檢測時不能有效濾除細小噪聲，且容易產生偽邊緣，不能很好地反映出真實的邊界信息。

自1964年法國巴黎礦業學院的學者首先提出了數學形態學的概念以來，經過半個世紀的發展，數學形態學如今已經成為數字圖像處理技術和計算機視覺的一個重要而且相對獨立的研究領域。數學形態學是提取圖像分量的一種有效工具[3]，尤其是表示區域形狀的圖像分量(如邊界，骨骼等)。因此本文使用改進型形態學雙結構元邊緣檢測算法在HIS彩色空間中對木材缺陷圖像進行邊緣提取，結果證明該方法能夠去除木材表面紋理和細小點狀噪聲，對于紋理和毛刺細節具有魯棒性[4]，較準確的提取出圓盤型為主的木材缺陷部分。

1 HSI空間

相比于常用的RGB空間，美國科學家孟塞爾(H.A.Munseu)在1915年提出的HSI模型，使用色度(hue)、飽和度(saturation)和亮度(intensity)三個分量來描述彩色空間。所謂亮度是由物體對光線反射程度決定的物理量；色度又叫色調，它指不同顏色之間的區分，由光學波長決定；飽和度指顏色的純度，白光混入純色會使飽和度降低。人眼觀察事物時常使用這三種特征量進行識別和區分。與其他空間不同，HSI空間中亮度分量與彩色圖像中的彩色信息無關，這為HSI空間成為彩色圖像處理算法的理想工具提供了前提條件[5]。然而目前多數彩色圖像的邊緣檢測方法都是基于RGB空間的。RGB圖像實際上是由三幅圖像在每個像素點上不同顏色強度的疊加形成的圖像如圖1所示。RGB圖像可以通過如下算法轉化為HIS模型：

圖1 HSI空間模型

(1)

(2)

(3)

(4)

針對木材切面圖像紋理細節豐富，細小噪聲多的特點，RGB模型容易丟失很多圖像信息，而HSI空間三個分量相對獨立性使之能擺脫相關性的影響準確定位木材表面缺陷。

2 形態學邊緣檢測算子

“擊中/擊不中變換”學說是數學形態學基本思想的來源，它是利用數學中的集合語言描述的一種非線性的圖像處理方法[6]。最初應用于從二值圖像。用數學形態學處理數字圖像的方法是將作為探針的結構元素(structure element)在目標圖像內進行平移以檢測結構元素的可填充性，從而與原圖像進行交集、并集等數學運算，達到處理和識別圖像的目的。

數學形態學作為數字圖像處理技術中較獨立的運算方法，腐蝕(erosion)和膨脹(dilation)兩種基本運算是整個形態學運算的基礎和核心[7]。若設原圖像為結構元素，則腐蝕運算和膨脹運算可以分別定義為：

腐蝕運算：

FΘ=S{x|((F)x?S}。

(5)

其中：Θ是腐蝕運算的運算符。腐蝕運算實際上是結構元素S的幾何中心在圖像F中像素點上平移，它對圖像起到消除邊界點，使目標圖像區域面積縮小的作用；

膨脹運算：

F⊕S={x|(?)x∩F≠?}。

(6)

其中：⊕是膨脹運算的運算符，?是S的映射。膨脹運算和腐蝕運算定義結構相類似，呈一種對偶關系，它的主要作用可以擴張目標區域邊界，使目標圖像區域面積增大。

以上兩種基本運算為基礎，可以將其通過串行復合得到數學形態學的另外兩種在集合關系上互補的重要運算方法：開運算(opening)和閉運算(closing)。

開運算：

FоS=(FΘS)⊕S。

(7)

閉運算：

F·S=(F⊕S)ΘS。

(8)

由于對目標區域圖像單獨進行腐蝕或膨脹操作會改變圖像尺寸，開運算對圖像進行先膨脹后腐蝕的運算，它能夠有效消除細小亮點，削弱狹窄部分連接，平滑較大物體邊界并且不改變圖像大小，反之閉運算能夠填充目標區域細小空洞，消除暗細節，連接斷開的臨近區域[8]。

3 改進型單板缺陷檢測的實現

3.1 結構元素選取

結構元素作為數學形態學的重要基礎，在形態學運算中起著至關重要的作用。通常結構元素應選取與目標區域形狀類似，角度相同的。大尺寸的結構元素去噪能力強，有較好的濾波效果，但會造成圖像細節的缺失，而且檢測到的邊緣相對粗糙[9]；小尺寸的結構元素對噪聲敏感，但是能夠準確的檢測和保留圖像邊緣細節；基于木材表面缺陷形狀考慮[10]，在處理單板表面圖像時選擇雙結構元如下：

其中：M為5*5鉆石(diamond)型結構元素，N為R=1圓盤(disk)形結構元素。

3.2 形態學梯度算子

對原圖像用同一算子進行膨脹操作(F⊕S)得到的圖像與進行腐蝕操作(FΘS)得到的圖像做差稱為形態學梯度。由于數學形態學運算具有單調性，平移不變性等特點，相比于文獻[5]和文獻[11-12]的算法，對目標圖像進行先開后閉的運算能對圖像進行有效的濾噪處理。故本文提出改進型形態學梯度算子：

E(F)=(I·M)⊕M-(I·M)ΘM。

(9)

I(F)=(FοN)·N。

(10)

3.3 實驗步驟

實驗步驟如圖2所示。

4 實驗結果分析

單板表面缺陷包括死結，活結，蟲洞等類型。本文在MATLAB 2010a環境下，分別用傳統的Prewitt、Sobel及本文算法進行試驗，比較結果如圖3和圖4所示。

圖2 實驗步驟

圖3 死結組圖

圖4 蟲洞組圖

從圖像中可以看出，傳統算法對噪聲敏感，抑制噪聲能力較差。檢測過程中產生了許多偽邊界，不能準確體現圖像邊界特征。本文算法由于采用了雙結構元算法，先使用大尺度結構元素M對轉化為HIS空間的原圖像進行先開后閉的形態學運算，對噪聲濾除比較徹底，排除了無用信息干擾，并且與多結構元的復雜計算相比有所簡化，有效提高了圖像邊緣檢測效果。

5 結束語

本文基于數學形態學，設計了雙結構元形態學梯度算子，分別對HSI空間的H、S、I三個分量進行處理并融合。實驗結果圖顯示，與傳統Prewitt、Sobel等算法相比較，本文方法基本消除了木材紋理和毛刺等噪聲信號的干擾，較準確的提取出了信噪比高的缺陷圖像。而且相比于多結構元梯度算子，該算法相對簡單，耗時短，所得到的圖形與人工判斷基本一致，在單板缺陷檢測中有一定的實際意義。

【參 考 文 獻】

[1] 章毓晉.圖像工程(中冊)—圖像分析[M].北京：清華大學出版社，2005.

[2] 李遠祥，戚大偉.形態學雙梯度算子在木材腐朽圖像邊緣檢測中的應用[J].森林工程，2008，24(5)：22-24.

[3] Gonzalez R C.Digital Image Processing Using MATLAB[M].Beijing：Publishing House of Electronics Industry，2005.

[4] 趙 慧.基于數學形態學的圖像邊緣檢測方法研究[D].大連：大連理工大學，2010.

[5] 毛若羽.改進的HSI 空間形態學有噪彩色圖像邊緣檢測[J].計算機應用研究，2013，15(2)：12-13.

[6] 王芬芬，白秋果.基于多結構元素的形態學抗噪邊緣檢測算法[J].電子測量技術，2008，34(4)：36-37.

[7] 范立南，韓曉微.基于HSL空間彩色圖像多結構元形態邊緣檢測[J].工程圖學學報，2005，2(2)：110-113.

[8] 王金鳳.基于數學形態學的彩色圖像邊緣檢測[D].秦皇島：燕山大學，2009.

[9] Song J，Delp E J.The analysis of morphological filters with multiple structuring elements[J].Computer Vision Graphics，and Image Processing，1990，50(3)：308-328.

[10] 程 偉，朱典想.基于計算機視覺的單板自動分級系統設計[J].木材工業，2007，21(3)：24-26.

[11] 高 麗，令曉明.HSI 空間基于形態學的彩色有噪圖像邊緣檢測[J]，蘭州交通大學學報，2010，29(6)：96-98.

[12] 孫 鵬，戴天虹，李 野.說話人特征提取算法的研究[J].森林工程，2013，29(2)：143-147.