基于局部分類的鋁合金低倍組織圖像分割

周祺智，馬萬太

(南京航空航天大學 機電學院，江蘇 南京 210016)

0 引言

近年來，隨著金屬行業生產自動化程度及生產水平的提高，需要快速而精確地對金屬表面進行缺陷檢測，以適應更快的生產速度及更高的生產質量。而相對生產的快速發展，目前許多傳統企業的檢測手段仍為人工目視檢測，檢驗人員勞動強度大，長時間工作眼睛容易疲勞，并且檢測過程還會受到外界環境光影響，導致檢測效率低、準確度低。隨著近年來機器視覺技術的迅猛發展,視覺檢測作為一種快速、準確的非接觸無損檢測方法,已廣泛應用于工業制造領域[1]。由于其檢測時間短、檢測精度高、可以實現完全自動化，不需要接觸檢測目標等優勢，具有較高的應用前景。

基于機器視覺的缺陷檢測主要由圖像采集和圖像處理兩部分組成。鋁合金低倍組織缺陷提取包括圖像去噪、圖像增強、閾值分割、缺陷提取等步驟。其中閾值分割是圖像處理的重點和難點，直接影響缺陷提取效果及缺陷面積計算誤差。

一直以來國內外學者針對不同的應用場景提出了許多閾值分割法。袁小翠等分析了鋼軌圖像的特點，總結了各種全局閾值分割法對鋼軌圖像分割存在的問題，提出了一種改進的Otsu方法[2]。杜娟等為了解決注塑共建圖像中存在的光照不均勻問題，提出了一種基于行像素灰度校正的不均勻光照圖像分割算法[3]。洪慶等針對航體機器人等裝配車間流水線零部件智能感知問題，研究了基于智能視覺的零部件圖像分割法[4]。但是每一種閾值分割法都有其針對的場景，上述方法并不適用于鋁合金低倍組織圖像的缺陷分割。

鋁合金低倍組織圖像的特點和缺陷提取難點包括：1)圖像尺寸較大，缺陷相比極小，且缺陷分布稀疏，大部分區域沒有缺陷；全局閾值分割方法難以計算合適閾值，局部閾值分割會對無缺陷區域錯誤分割；2)除缺陷以外，鋁合金的背景區域也存在顏色差異，這相對縮小了缺陷與背景的灰度差異，增大圖像分割難度。

由于鋁合金低倍組織圖像具有以上特點，一般的閾值分割法無法對其進行有效的分割。為了準確地將缺陷從鋁合金低倍組織圖像中分割出來，本文提出一種基于局部分類的圖像分割方法，使分割閾值可以僅分割出面積占比極小的缺陷。

1 圖像預處理

1.1 去噪

受光照條件以及圖像采集與傳輸過程中的信號干擾，鋁合金表面采集的圖像往往會存在噪聲，這會對后續圖像分割造成影響。因此首先要對圖像進行濾波、增強等預處理，提高圖片的信噪比。

圖像噪聲根據統計特征可分為椒鹽噪聲和高斯噪聲兩大類。常用的濾波算法有均值濾波、高斯濾波及中值濾波等[5]。采用這幾種濾波算法，分別對鋁合金低倍組織圖像進行濾波去噪。通過試驗比對發現，選用中值濾波對鋁合金表面圖像進行去噪處理(圖1)，既能很好地濾除椒鹽噪聲，同時也對高斯噪聲具有一定的抑制作用。

圖1 不同濾波器處理后圖像

從圖1可以看出高斯濾波及中值濾波較好地保留了缺陷邊緣，而均值濾波使缺陷邊緣變得模糊。

Sobel算子可以計算圖像灰度函數的近似梯度，反映圖像中的邊緣及噪聲，如圖2所示。由于原圖梯度較小，這里對計算結果進行線性放大，方便觀察比較。可以看出中值濾波去噪效果比高斯濾波更好。

圖2 濾波處理圖像的Sobel運算結果

綜合邊緣保留及去噪對比，采用中值濾波進行處理既能較好保留圖像邊緣，又能有效去除圖像噪聲。

1.2 圖像增強

從 CV 角度來看，背景灰度分布越平坦，目標與背景的灰度差異越大越有利于目標的提取。而鋁合金低倍組織圖像整體灰度偏低，缺陷與背景灰度差異較小，且背景灰度分布也并不平坦，導致缺陷特征不夠明顯，因此需要進行圖像增強處理，突出缺陷特征。

根據缺陷灰度較低且整體圖像較暗的特點，圖像增強手段適用0<γ<1的Gamma變換，可以增強圖像暗區的對比度并且提高圖片亮度。由于原圖灰度分布范圍較小(圖3(a))，首先采用線性變換將原本圖像灰度范圍映射到整個灰度范圍內，再采用γ的Gamma變換，效果如圖3(b)所示。由圖3對比發現線性增強和Gamma變換的操作顯著放大了缺陷和背景的差異，突出了缺陷特征，這有效降低了后續的圖像分割難度。

圖3 圖像增強對比

2 圖像分割

圖像分割是指將圖像中感興趣的區域從復雜的背景中提取出來的一種圖像處理技術。圖像分割的方法有基于圖像邊緣的分割方法，也有基于閾值的分割方法，還有基于區域的分割方法等[6]。對于本課題的缺陷分割，邊緣特征及區域分布特征都無法作為有效的圖像分割依據，而本文研究分割的目標缺陷在圖像上表現為灰度最低的部分，因此基于閾值的分割方法最適用于本課題。

閾值分割方法根據閾值適用范圍可分為兩類：全局閾值分割法和局部閾值分割法。全局閾值分割法是根據整張圖像的灰度直方圖信息來選擇一個固定閾值，對整張圖像進行劃分；而局部閾值分割是將原始圖像劃分為多個較小的圖像，根據每個子圖像的灰度直方圖信息選取不同的閾值，對局部區域進行劃分。但是由于鋁合金低倍組織圖像特點，全局閾值法及局部閾值法均無法有效分割圖像。

全局閾值法一般適用于雙模分布的灰度直方圖，而鋁合金低倍組織缺陷分布稀疏且面積極小，全局圖像直方圖非常近似于單模分布，如圖4所示，灰度頻率峰值達70 000，而缺陷的灰度頻率還不到1 000。

圖4 灰度直方圖

由于缺陷稀疏分布的特點，低倍組織圖像大部分區域不存在缺陷，而局部閾值法總會將圖像分為兩部分，這就會導致局部閾值法對無缺陷區域的錯誤劃分，如圖5所示。

圖5 無缺陷區域分割

綜合以上問題，本文提出一種基于局部分類的圖像分割方法。該方法使用滑窗法對圖像進行局部閾值分割，由分割結果的輪廓特征劃分缺陷區域與無缺陷區域，再根據其各自的分割閾值分布確定全局閾值。

2.1 滑窗法區分缺陷區域與無缺陷區域

首先要對缺陷局部圖像進行準確分割，根據Sezgin等對40多種閾值分割法的綜合比較[7]，Otsu法和最大熵閾值分割法(maximum entropy, ME) 是最有效及應用廣泛的兩種閾值分割法。對該兩種方法進行實驗對比，結果如圖6所示。對比后發現最大熵閾值分割法對缺陷圖像的分割效果較差，而Otsu法的分割效果很好。因此Otsu法更適用于本課題的閾值分割。

圖6 缺陷圖像分割

由于背景灰度不均勻，有無缺陷區域的分割結果相差較大(比較圖6(b)及圖6(c))。因此可以將分割結果的輪廓數量作為區分缺陷區域與無缺陷區域的依據。

本方法采用滑窗法遍歷圖像進行局部閾值分割，這可以增大采樣數量，增強算法魯棒性。分割結果的輪廓數量統計如圖7(a)所示，可以看出直方圖明顯呈雙模分布，適合使用Otsu法可以分割，其中輪廓數量較小的一部分即為缺陷區域。分類結果如圖7(b)所示，黑色為缺陷區域。

圖7 Otsu閾值分割滑窗輪廓數量

圖7(b)與圖3(b)對比發現分類結果較為準確，存在少量非缺陷區域錯誤分類為缺陷區域。

2.2 計算全局閾值分割圖像

對缺陷區域的分割閾值進行統計，由于非缺陷區域的分割閾值一定為錯誤閾值，因此只統計該錯誤閾值最小值以下的部分，結果如圖8所示。

圖8 缺陷區域分割閾值直方圖

由直方圖可以看出閾值仍分布較廣，由于高灰度閾值可能為背景區域暗區與亮區的分割閾值，而低灰度閾值一定為缺陷與背景的分割閾值，所以低灰度閾值較高灰度閾值具有更高可信度。對該直方圖使用Otsu法得到分割閾值，該閾值將直方圖劃分出灰度較低的可靠分割閾值與灰度較高的不可靠閾值，因此具有較高的可靠性。取此閾值作為最終的全局分割閾值可以分割出完整的缺陷，分割結果如圖9所示。

圖9 全局閾值分割結果

與圖3(a)原圖對比發現，該圖像分割方法可以較準確地將缺陷分割出來。

3 檢測結果

為了測試本方法對鋁合金低倍組織缺陷的分割效果，選用錯誤分類誤差(mis-classification error, MCE)這一權威指標來進行評價。由于Otsu算法和ME閾值分割法在缺陷檢測中應用最廣泛，是經典的閾值分割法，因此將本課題方法與Otsu算法及ME閾值分割法進行對比。

MCE表示經閾值分割后圖像進行閾值分割后圖像被錯誤分類的概率，對于兩類分割問題，MCE定義為

(1)

式中：Bo和Fo分別表示標準分割圖像的背景區域和目標區域，標準分割圖像是采用手動逐個灰度比對得到的最佳閾值的分割圖像；BT和FT分別為測試圖像二值化得到后的背景區域和目標區域；||表示區域中像素點的數目。MCE值分布范圍為[0,1]，值越大表示被錯分的像素點越多，分割效果越差，值越小則相反。

實驗選用不同鋁合金錠坯的低倍組織圖像進行閾值分割，其缺陷分布及背景灰度分布各有差異。表1為各圖使用不同方法對應的MCE值。

從表1不同圖像分割結果的MCE值得出，Otsu算法及最大熵閾值分割法分割結果的MCE值均較大，即對鋁合金低倍組織圖像的分割效果很差，而本文提出的方法對5張圖像分割結果的MCE值較小，即分割結果接近手工比對得到的理想分割結果，其中圖像Ⅰ的分割結果與理想分割結果一致。綜上，本文方法分割效果最優且達到分割要求。

表1 3種方法對5張鋁合金低倍組織圖像的MCE值

4 結語

本文提出了一種鋁合金低倍組織缺陷檢測方法——基于局部分類的圖像分割方法。鋁合金低倍組織的缺陷分布稀疏，面積極小，全局圖像直方圖非常接近單模分布，使用滑窗法對局部進行圖像分割，根據分割結果對局部圖像分類，再根據缺陷區域及無缺陷區域各自的分割閾值范圍確定最終的全局閾值。將該方法與Otsu及ME閾值分割法進行對比，結果顯示本文方法的分割效果最優，適合鋁合金低倍組織缺陷檢測。

本方法主要針對面積小、分布少的鋁合金低倍組織缺陷分布，對于面積大、分布廣的缺陷分布需更進一步研究一種通用的閾值分割法。