基于相位一致性的低對比度紙病識別算法研究

盛大富 王亦紅

摘 要：針對機器視覺檢測低對比度紙病，存在常規的閾值分割會引起低對比度紙病信息丟失以及邊緣檢測存在魯棒性差的問題，本課題提出了一種基于相位一致性算法識別低對比度紙病的方法，并與常規的閾值分割以及邊緣檢測中具有代表性的canny算子進行了對比分析。結果表明，當識別低對比度紙病時，本課題提出的方法不僅保留的有用信息較常規閾值分割的多，而且魯棒性較canny算子的邊緣檢測好。

關鍵詞：? 紙病識別;圖像分割;相位一致性;自適應閾值

中圖分類號：TP273;TS77

文獻標識碼：A

DOI：10.11980/j.issn.0254-508X.2019.01.009

利用機器視覺代替人眼識別紙病，有利于提高效率和檢測精度，改進生產工藝，提高紙張品質[1-2]。紙病識別的關鍵技術之一是采用圖像分割的方法提取紙病目標[3]。常規的圖像分割方法有閾值分割法和邊緣檢測法[4]。閾值分割以一固定閾值來區分背景和目標，適用于目標與背景灰度差異明顯的圖像;邊緣檢測法通過一階或二階微分運算找到圖像中灰度值呈階躍變化或斜坡變化的像素點來作為邊緣點，有較高的檢測精度，但檢測效果受閾值選取的影響較大，若圖像的對比度低，梯度閾值的選取較難，偏高會丟失輪廓信息，偏低則容易引入噪聲造成誤判，因而魯棒性較差，而且對于紙病的一些細微特征無法檢測出來。由此，本課題提出一種基于頻域的相位一致性特征提取算法來檢測紙病圖像，相位一致性算法模擬人眼的視覺系統檢測感興趣的目標，對低對比度圖像仍有較好的檢測精度，而且經相位一致性特征提取后的紙病目標可以采用自適應閾值進行分割，有較高的魯棒性。

1 基于相位一致性的低對比度紙病圖像特征提取

利用相位一致性算法對圖像進行特征提取，是通過計算圖像經傅里葉變換后相位一致性最高的點來作為圖像特征點。如一維信號中的方波和三角波，分別將它們經過傅里葉變換分解為不同幅值、頻率和相位的正弦波，得到的各個諧波如圖1所示。在方波的階躍跳變點，相位一致程度最高，各個諧波的相位值均為0°或180°，而三角波則是在上下頂點處一致程度最高，相位值為90°或270°，而在其他位置，它們的相位一致程度均降低。

2 自適應閾值分割

圖像經相位一致性特征提取后得到反映目標特征的PC圖像，在PC圖像上將目標完全分割出來要選定適當的閾值進行判定，考慮到算法的自適應性，一般采用自動閾值分割法。常用的自動閾值分割法有最大類間方差法、迭代閾值法以及最大熵法等[10-11]，其中迭代閾值法只適合直方圖有明顯波谷的圖像，最大熵法計算量較大，而最大類間方差法計算簡單，以目標和背景之間方差最大時的閾值為最佳閾值，有較好的分離性，因此采用最大類間方差法來計算閾值。若直接采用最大類間方差閾值進行分割，由于提取出的低對比度紙病目標的一些細節特征相位一致程度不高，易漏失信息出現目標斷裂情況。對此，本課題提出了一種新的方法，通過設定兩個閾值進行判定，最大類間方差閾值作為高閾值Th，低閾值為Tl，并令Tl=0.4Th。對于PC圖像中灰度值高于Th的像素點，判定為目標;灰度值低于Tl的像素點，判定為背景;對于灰度值在Tl與Th之間的像素點，為連接斷裂目標，并防止目標邊緣加粗以及出現偽特征點干擾，采取如下方法：若當前像素灰度值在Tl與Th之間，搜索在某一方向上和一定范圍內是否存在灰度值高于Th的像素點，在此選定了4個方向，分別為0°、45°、90°、135°，若在八連通區域內只在其中某一方向兩側和一定范圍內搜尋到高于Th的像素點，則判斷當前點為特征點，否則舍棄。

3 實驗驗證與結果分析

本課題以低對比度紙病圖像為研究對象，待檢測白紙含疵點圖像如圖2所示。圖2（a）和圖2（b）分別為白紙含褶皺和裂縫的圖像，在Matlab2014a平臺上驗證本算法對低對比度紙病圖像檢測效果，并與閾值分割和canny算子進行比較。

首先，對褶皺和裂縫圖像進行閾值分割，為避免引入噪聲和丟失有用信息，設定最佳閾值大小為192，分割后的這兩種紙病圖像如圖3所示。由圖3

可以看出，兩種紙病疵點均呈斷裂狀，圖3（a）中左側褶皺短疵點完全丟失。

其次，用canny算子進行紙病圖像邊緣檢測，設定canny算子上下閾值比為3∶1，檢測后的圖像如圖4所示。圖4（a）和圖 4（b）分別通過手動調整到最佳閾值，設定上閾值分別為0.72和0.25，檢測后圖4（a）中左側褶皺短疵點丟失，右側長疵點出現斷裂，而且出現了虛假邊緣。圖4（b）中裂縫疵點上部信息丟失，下部出現多層邊緣。

最后，用本課題的方法進行實驗，將紙病圖像先經過灰度化預處理，再進行相位一致性特性提取，選取方向數o=4，尺度n=4，最小波長=3，噪聲補償k=12，得到PC圖像如圖5所示。由圖5可以看出，紙病特征明顯。對比原圖與PC圖像的直方圖如圖6所示，圖6（a）左圖對應圖2（a）直方圖，圖6（a）右圖對應圖5（a）直方圖，圖6（b）左圖對應圖2（b）直方圖，圖6（b）右圖對應圖5（b）直方圖。從直方圖中看出，原圖中背景和目標灰度值集中在[170，230]之間，采用單一閾值分割難以區分背景和疵點目標，正如圖3結果所示，丟失了重要信息。而經相位一致性特征提取后，背景像素相位一致性低，PC圖像中大多數像素灰度值接近0，而灰度值較高的為目標像素，較易區分。

將PC圖像經自適應閾值分割后的圖像如圖7所示，相比于閾值法，本課題的方法檢測精度更高，有用信息保留更完整，相比于canny算子，本課題方

法中的參數經一次設定無需改動，有較好的魯棒性，由此說明了本課題提出的方法更適用于識別低對比度紙病。

4 結 論

識別低對比度紙病時，常規的閾值分割會引起低對比度紙病信息丟失，而邊緣檢測法魯棒性差。對此，本課題提出了基于頻域的相位一致性方法檢測紙病，以白紙含褶皺和裂縫疵點圖像為實驗對象，首先利用相位一致性方法對紙病圖像進行特征提取，然后經過自適應閾值分割得到紙病目標。實驗結果表明，采用本課題方法識別低對比度紙病時，在有用信息保留上多于常規閾值分割，而且魯棒性好于canny算子的邊緣檢測，但該算法比較復雜，有待進一步研究。

參 考 文 獻

[1] ZHOU Qiang， CHEN Ying， SHEN Tianyu， et al. Development of Paper Disease Detection System Based on Machine Vision[J]. China Pulp & Paper， 2016， 35（ 5）： 72.

周 強， 陳 穎， 沈天宇， 等. 基于機器視覺的紙病檢測系統發展綜述[J]. 中國造紙， 2016， 35（5）： 72.

[2] ZHANG Xue-lan， LI Jun， MENG Fan-kong， et al. A Paper Defects Detection Method Based on Machine Vision[J]. Transactions of China Pulp and Paper， 2013， 28（1）： 48.

張學蘭， 李 軍， 孟范孔， 等. 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.

[3] CHEN Jun. Research on the Technology of Fault Diagnosis for Papermaking Equipment based on Machine Vision[D]. Nanjing： Hohai University， 2014.

陳 珺. 基于機器視覺的造紙設備故障診斷技術的研究[D]. 南京： 河海大學， 2014.

[4] GUO Zhen， CHEN Yuan-zhi. Research on image threshold segmentation algorithm[J]. Journal of Communication University of China（Science and Technology）， 2008， 15（2）： 77.

郭 臻， 陳遠知. 圖像閾值分割算法研究[J]. 中國傳媒大學學報， 2008， 15（2）： 77.

[5] Morrone M C， Owens R A. Feature Detection from Local Energy[J]. Pattern Recognition Letters， 1987， 6（5）： 303.

[6] Owens R， VenkateshS， Ross J. Edge detection is a projection[J]. Pattern Recognition Letters， 1989， 9（4）： 233.

[7] XIAO Zhi-tao， GUO Cheng-ming， YU Ming， et al. A new aligned with human visual system characteristics wavelet and its application[J]. Signal Processing， 2002， 18（5）： 399.

肖志濤， 國澄明， 于明， 等. log Gabor函數在人類視覺系統特性研究中的應用[J]. 信號處理， 2002， 18（5）： 399.

[8] LI Xue-fei. A contour detection model based on phasecongruency[D]. Chengdu： University of Electronic Science and Technology of China， 2011.

李雪菲. 基于相位一致性的圖像輪廓提取算法研究[D]. 成都： 電子科技大學， 2011.

[9] Kovesi P. Image Features from Phase Congruency[J]. Journal of Computer Vision Research， 1999， 1（3）： 1.

[10] LI Zhong-jie， YANG Guan-liang， XU Xiao-jie. Image segmentation based on automatic thresholding selection andedge detection[J]. Journal of Naval University of Engineering. 2002， 14（4）： 88.

李忠杰， 楊關良， 徐小杰. 自動閾值選取與邊緣檢測相結合的圖像分割算法[J]. 海軍工程大學學報， 2002， 14（4）： 88.

[11] ZHANG Yan-li， LI Chun-gui. Improved threshold segmentation algorithm in video vehicle detection[J]. Journal of Guangxi University of Science and Technology. 2017， 28（2）： 61.

張延麗， 李春貴. 視頻車輛檢測中改進的閾值分割算法研究[J]. 廣西科技大學學報， 2017， 28（2）： 61. ?CPP

（責任編輯：馬 忻）