基于位平面的紙病檢測算法研究

亢　潔　潘思璐

(陜西科技大學電氣與信息工程學院,陜西西安,710021)

?

基于位平面的紙病檢測算法研究

亢潔潘思璐

(陜西科技大學電氣與信息工程學院,陜西西安,710021)

摘要：針對當前紙病檢測算法存在抗干擾能力差、定位不準確和運算復雜等問題,提出一種基于位平面的紙病檢測算法。首先,采用自適應中值濾波算法對紙病圖像進行濾波,然后,對濾波后的圖像進行位平面分解,并運用格雷碼對位平面加以增強,最后,使用數學形態學對其進行邊緣檢測,得到最終的紙病檢測結果。仿真結果表明：該方法運算簡單,能夠較好地檢測出紙病缺陷,并具有較好的抗干擾性和定位準確性。

關鍵詞：自適應中值濾波；位平面；格雷碼；數學形態學；紙病檢測

隨著紙機車速的不斷提高,紙張面臨著出現更多紙病缺陷的風險，進而對利用機器視覺對紙張外觀紙病進行檢測提出了更高的要求。

目前,利用機器視覺對紙張外觀紙病進行檢測的方法一般分為閾值法[1]、形態學方法[2]、灰度級統計法[3-4]三類。閾值法根據不同的紙病設置不同的閾值,是一種簡單有效的圖像分割方法,但該方法對于不同紙張、不同紙病所選取的閾值都是不同的,所以通用性差,并且抗噪性也不盡如人意；形態學方法采用腐蝕和膨脹的邊緣檢測算子檢測紙病邊緣,雖然該方法克服了缺陷檢測中不同紙病選取不同閾值的繁瑣,對圖像細節和邊緣定位具有較好的結果,但若單獨使用該方法,就會出現邊緣信息損失的情況；灰度級統計法利用紙病圖像的統計特征檢測紙病,基于灰度級統計的方法種類繁多,比較具有代表性的有一維自回歸算法、模糊邏輯算法和基于共生矩陣和自組織神經網絡的紙病檢測方法等。一維自回歸算法不能用于紋理建模和缺陷檢測,模糊邏輯算法對于缺陷的識別和后續處理比較復雜,而基于共生矩陣和自組織神經網絡的紙病檢測方法置信度的選擇對檢測結果影響很大。

針對以上問題,本研究提出一種基于位平面的紙病檢測算法,首先使用中值濾波濾除紙病圖像中的噪聲,再對濾波后的圖像進行位平面分解,最后運用數學形態學提取紙病邊緣得到最終的檢測結果。本算法能夠較好地檢測出缺陷,并具有較好的抗噪性。

1位平面

數字圖像位平面分解多用于圖像編碼[5]和圖像檢索[6]等,還有人臉識別[7],而位平面用于缺陷檢測的例子比較少[8]。

一幅具有2m個灰度級的灰度圖像,可以用一個整數矩陣表示,矩陣的每個元素就是圖像中相應位置像素的灰度g,其可以用如下二進制式子表示：

(1)

式中,i表示像素信息位序號,i∈{0,1,…,m-1}；bi表示第i個信息位的取值,bi∈{0,1}；m為用來表示圖像像素的二進制位數,具有256個灰度級的圖像的m為8,下同。

以具有256個灰度級的灰度圖像為例簡要說明圖像位平面的基本概念。具有256個灰度級的圖像的像素灰度都是介于[0,255]的整數,每個像素需要用8位的二進制數來表示。分別提取每個像素的相同二進制比特位組成一個平面,這樣得到的平面被稱為圖像位平面。

如圖1所示,以圖像作為底面,用表示像素大小的8位二進制數作為高度(如圖1中的豎線,并且高位在上、低位在下),形成一個立方體。從整個圖形來看,就像是把一個大立方體橫切成8片,各像素位置相同的位在同一片上,這樣形成的一片就是一個位平面,并且高位位平面在上、低位位平面在下。

圖1　具有256個灰度級的圖像的位平面

圖2　孔洞紙病的原圖及位平面分解

借助圖像位平面表示形式,可以對圖像特定的位平面進行操作,以達到對圖像特征描述和分析的目的。圖2為常見孔洞紙病的紙張原圖像及其8個位平面。

從圖2中的紙病位平面圖可以看出,最高的幾個位平面反映了原始圖像的主要內容,包含了視覺可見的有意義信息,體現了明顯的圖像結構特征,而較低位平面所攜帶的原始特征信息極少,并且信息的隨機性很強,只增加了圖像亮度信息,沒有提供任何結構信息,故僅用最低位或較低位的位平面不能描述原圖的特征,在進行圖像分析時可忽略。換言之,選取較高位位平面進行圖像分析能夠保證分析的準確性。

2基于位平面的紙病檢測算法

本研究首先對原始圖像運用自適應中值濾波進行濾波預處理,然后對濾波后的紙張圖像依次提取其像素的每個二進制比特位組成位平面,為了得到更好的效果,再采用增強位平面對原位平面進行改進,最后結合形態學算法對重要增強位平面進行邊界提取得到最終的檢測結果。其檢測流程如圖3所示。

2.1自適應中值濾波

圖3　基于位平面的紙病檢測算法流程圖

中值濾波的基本原理[9]：把數字圖像或數字序列中一個點的像素用該點的一個鄰域中各像素的中值代替,讓周圍的像素接近真實值,從而消除孤立的噪聲點。

中值濾波具有較好的濾波效果,但其抑制噪聲的能力會受到濾波窗口尺寸的影響。濾波窗口較小時,濾噪能力受到限制,濾波效果不理想,但可以較好地保護圖像細節；當濾波窗口增大時,其濾噪能力有所增強,但同時對圖像細節的保護能力又有所減弱,甚至會濾去圖像中的一些細線、尖銳邊角等重要細節；濾波窗口尺寸越大,這種影響表現越明顯。由于中值濾波需要人為地選取濾波窗口大小,因此,對于隨機的噪聲干擾,不能自適應地調整濾波窗口的大小。

針對上述問題,本研究采用自適應中值濾波算法進行濾波[10]。該方法能夠根據圖像受噪聲干擾的程度自適應地調整濾波窗口的大小,并輸出濾波結果。其算法流程如圖4所示。

自適應中值濾波算法結合了小尺度窗口具有較好的細節保護能力和大尺度窗口具有較強的去噪能力的優點,在很大程度上減小了窗口尺寸對濾波性能的影響,緩和了噪聲抑制與保持圖像清晰度之間的矛盾,取得了較好效果。

圖4　自適應中值濾波算法的流程圖

圖5　孔洞紙病的增強位平面分解

2.2獲取圖像的增強位平面

對含有紙病的圖像進行濾波后,需要對濾波后的圖像進行位平面分解。采用位平面分解的方法進行圖像分析雖然簡單易行,但存在一個固有缺點：即圖像像素點灰度的微小變化會對位平面的復雜度產生比較明顯的影響,如灰度僅相差1,但是其8個位平面卻呈現完全不同的情況。例如,2個相鄰像素分別為127和128,它們的二進制形式分別為01111111和10000000,圖像每個位平面的這個位置處就會有從0到1(或者從1到0)的過渡,這樣就會導致在分解出的所有位平面中,這2個像素對應的二值像素全都不同。這種情況會降低檢測精度。為了解決這個問題,算法中采用格雷碼對位平面加以改進,以此來減小灰度變化對位平面的影響。對應式(1)中多項式的m比特的格雷碼可由式(2)表示：

(2)

式中，?為異或操作；ai為位平面分解得到的第i個位平面,即位平面i#；gi是位平面ai的格雷碼表示,即增強位平面i#。

格雷碼特有的性質是相連的碼字只有1個比特位的區別,即對于變換后的增強位平面,不同灰度級的位平面只有1個比特位不同,并且,對于每個用相應的格雷碼來表示的二進制位平面,其格雷碼是唯一的,反之亦然。仍采用上述例子,2個相鄰像素分別為127和128,用式(2)的格雷碼表示分別為01000000和11000000。這樣,其只在位平面7#(最高位位平面)有從0到1的過渡,而在其他位平面沒有變化,進而能夠有效避免灰度級變化對位平面造成的影響,具有較強的魯棒性。圖5為孔洞紙病用格雷碼表示的增強位平面。

從圖5可以看出,與圖2的位平面相比,增強位平面的圖像復雜度降低,并且具有視覺意義信息的位平面數量更多,增強位平面6#的視覺效果最好(包含有紙病圖像中最有用的信息)。這樣的分解和選取方式可以大大減少算法的計算量。

2.3用數學形態學算法進行邊緣檢測

獲取圖像的增強位平面之后,就需要提取增強位平面6#的邊緣。本研究采用數學形態學的方法對增強位平面6#進行邊緣檢測,獲得最終的檢測結果。

數學形態學的基本原理是采用具有一定形態的結構元素(如矩形、 圓形或菱形等)提取和度量圖像中相對應的形狀,從而實現圖像的識別與分析。

利用數學形態學提取圖像邊緣的算法如下：設圖像F、B是一個合適的結構元素,首先讓F被B腐蝕,然后求取圖像F與其腐蝕結果之差,設D為圖像的邊緣,利用公式表示為：

D=F-(FΘB)

(3)

用這種方法可以檢測到圖像的弱邊緣,而且,定位準確、運算簡單、可并行處理、提高運算速度。這種方法也是對圖像進行邊緣檢測時較常用的一種方法。

圖8　黑斑紙病的檢測結果

圖7　裂紋紙病的檢測結果

圖6　孔洞紙病的檢測結果

3仿真結果分析

本研究選擇含有孔洞、裂紋和黑斑紙病的紙張圖像作為實驗對象。在Matlab R2010b實驗平臺上對本研究算法進行編程驗證。

采用本研究提出的基于位平面的紙病檢測算法對孔洞、裂紋、黑斑這3種常見紙病進行檢測,并分別對這3種常見紙病的紙病原圖像進行中值濾波及邊緣檢測,檢測結果如圖6～圖8所示。

由圖6(b)、圖7(b)和圖8(b)所示的自適應中值濾波結果可以看出,本研究使用的自適應中值濾波方法在保留細節的同時,還能夠較好地抑制噪聲。

由圖6(c)、圖7(c)和圖8(c)所示的各紙病的增強位平面6#可以看出,其反映了圖像的主要內容,并在原圖像基礎上去除了亮度等對檢測無用的信息,從而達到簡化計算的目的,這就為隨后的邊緣檢測奠定了良好的基礎。

圖6(d)、圖7(d)和圖8(d)分別是對增強位平面6#運用數學形態學進行邊緣檢測得到的紙病邊緣。由此可以看出,最終檢測到的紙病圖像邊緣光滑、清晰,定位準確,并且沒有受到噪聲的影響,達到了檢測的要求。

圖6、圖7和圖8中的(e)和(f)是對紙病原圖像分別進行中值濾波,然后再對該濾波結果進行邊緣檢測的結果。濾波窗口大小為3×3,所得濾波效果最佳；邊緣檢測算子分別為Prewitt算子和Canny算子。由檢測結果可以看出,Prewitt算子對噪聲具有一定的抑制能力,但是邊緣定位效果不理想,丟失了部分紙病邊緣,同時還出現了一些虛假邊緣和多像素寬度的邊緣。Canny算子定位精確,但是它同時也檢測出圖像的一些背景雜質,影響了檢測效果。

從檢測結果可以看出,本研究采用的基于位平面的紙病檢測算法檢測到的紙病邊緣更完整、輪廓更清晰、受背景雜質和噪聲的干擾較小(抗噪性較好)、細節較豐富,且沒有檢測到圖像的虛假邊緣,該算法檢測效果好；同時,該算法運算量小、檢測準確快速。

對于大多數紙病,該算法選取增強位平面6#進行邊緣檢測是有效可行的,但是,對于少數紙病(如低對比度紙病),選取增強位平面6#進行檢測的效果并不很理想,還需要提取增強位平面5#或增強位平面7#來進行檢測。在以后的研究中,為了能夠自動有效地選取進行邊緣檢測的所有圖像(包括低對比度圖像)的位平面,還需要做進一步的探討。

4結束語

本研究采用自適應中值濾波方法對紙病圖像進行濾波,在濾波的同時不損失圖像的細節,再運用位平面分解來提取濾波后的紙病圖像的8個位平面,然后再通過格雷碼對位平面進行異或,得到紙病圖像的8個增強位平面,最后再運用形態學邊緣檢測對選取的增強位平面6#進行邊緣檢測,得到最終的檢測結果。本研究首次將位平面運用到紙病檢測上；仿真結果表明,該方法簡單易實施,能夠較好地檢測出缺陷,具有較好的抗干擾性和定位準確性,同時克服了傳統邊緣檢測算法抗干擾能力差、定位不準確和運算復雜的缺點。

參考文獻

[1]殷燕屏, 熊智新, 胡慕伊. 基于閾值分割及分形特征的紙病圖像識別算法研究[J]. 中國造紙學報, 2011, 26(4)： 41.

[2]陳珺, 王亦紅. 基于機器視覺的低對比度紙病識別算法研究[J]. 中國造紙學報, 2013, 28(2)： 29.

[3]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.

[4]張學蘭, 李軍, 孟范孔. 一種基于機器視覺的紙病識別方法[J]. 中國造紙學報, 2013, 28(1)： 48.

[5]李寶峰, 竇勇. 位平面編碼存儲優化算法及FPGA設計[J]. 計算機輔助設計與圖形學學報, 2008, 20(12)： 1535.

[6]周燕, 曾凡智, 盧炎生, 等. 基于壓縮感知的圖像檢索方法研究[J]. 中山大學學報： 自然科學版, 2014, 53(1)： 57.

[7]魏冬梅, 周衛東. 基于位平面和協作表示的人臉識別算法[J]. 北京理工大學學報, 2014, 34(9)： 966.

[8]Priya S, Ashok kumar T, Paul V, et al.Defect detection in woven fabric using weighted morphology[C]//International Conference on Computing Communication & Networking Technologies. 2012: 1.

[9]劉慧忠, 湯偉. 基于FPGA的紙病檢測預處理算法的實現[J]. 中國造紙學報, 2014, 29(1)： 53.

[10]Hwang H.Adaptive median filters: new algorithms and results.[J].IEEE Trans Image Process, 1995, 4(4)： 499.

(責任編輯：關穎)

Study on Detection Algorithm of Paper Defects Based on Bit-plane

KANG JiePAN Si-lu*

(SchoolofElectricalandInformationEngineering,ShaanxiUniversityofScienceandTechnology,Xi’an,ShaanxiProvince, 710021)

(*E-mail: pansilu098@163.com)

Abstract：Considering current paper defect detection methods have many problems, for example, anti-noise performance is not good, paper defects edge location becomes inaccurate, operation of algorithm is complicated and so on. A kind of detection algorithm of paper defects based on bit-plane was presented. Firstly, the noise of the images containing paper defects was filtered by adaptive median filter algorithm. Then, the filtered images were decomposed into 8 bit-plane images. After that, the 8 bit-plane images were enhanced with gray code. Finally, the enhanced bit-plane image was edge detected by mathematical morphology operator, thus, the final results of paper defect detection were obtained. The simulation results showed that this method had the advantages of simple calculation, better defects detection ability, better anti-noise performance and positioning accuracy.

Keywords：adaptive median filter; bit-plane; gray code; mathematical morphology; paper defect detection

作者簡介：亢潔,女,1973年生；副教授,博士；研究方向：缺陷檢測、模式識別。

基金項目：陜西省自然科學基礎研究計劃項目(2014JM8329)；陜西省教育廳專項科研計劃項目(14JK1092)；咸陽市科技計劃項目(2011K07- 03)；陜西科技大學博士科研啟動基金(BJ10-10)。

收稿日期：2015- 06- 05

中圖分類號：TS736+.2

文獻標識碼：A

文章編號：1000- 6842(2015)04- 0027- 05

*通信聯系人：潘思璐,E-mail∶pansilu098@163.com。