任重昕，畢劍華，謝 琳，仉俊峰

（1.東北林業(yè)大學(xué) 土木工程學(xué)院，黑龍江 哈爾濱 150040；2.東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，黑龍江 哈爾濱 150040）

1 引 言

近些年來，隨著人們對于生活質(zhì)量的要求不斷提高，對木制品材料表面自然屬性的苛求，傳統(tǒng)的人工木材切割和木材烘干等檢測法已無法滿足充分利用森林資源，高精度、批量生產(chǎn)木材制品的需要，所以應(yīng)用數(shù)字化檢測代替人工定量處理成為了當(dāng)今人們關(guān)注的熱點(diǎn)問題［1］。木材料缺陷的種類繁多，樹木的遺傳因子、立地條件、外界生物危害以及不良人機(jī)處理都能對木材質(zhì)量造成不同程度影響，使其價值與使用效果降低。常見缺陷包括節(jié)子、色澤變化、木材腐爛、蟲蛀孔、裂紋等缺陷。為此，很多的研究者使用了各種傳感器例如可見光成像、核磁共振成像、X射線成像、微波探測等采集木材表面缺陷特征進(jìn)行處理，根據(jù)缺陷的類別、大小進(jìn)行木材品質(zhì)的分級處理［2－4］。另外，多傳感器數(shù)據(jù)融合技術(shù)也被采用，進(jìn)一步提高了木材缺陷處理的精度。例如，Conners等使用了彩色攝像機(jī)、激光測距儀和X射線掃描儀采集木材表面缺陷特征［5］?？偨Y(jié)檢測缺陷木材圖像的方法，Kline等指出，在整體圖像分析過程的關(guān)鍵環(huán)節(jié)仍然是木材表面圖像缺陷分割階段進(jìn)行的算法研究［6］。

本文將對基于Isodata聚類迭代法、Otsu閾值算法、最大熵法和邊緣檢測幾種不同的分割算法實(shí)現(xiàn)木材表面缺陷檢測的實(shí)用性進(jìn)行進(jìn)一步的探討。

2 圖像的預(yù)處理

將木材缺陷圖像預(yù)處理的主要目的是消除圖像中無關(guān)的信息，恢復(fù)有用的真實(shí)信息并增強(qiáng)其可檢測性，最大限度地簡化數(shù)據(jù)，從而改進(jìn)缺陷特征抽取、圖像分割、匹配和識別的可靠性。因?yàn)槲覀冏罱K需要提取的是木材缺陷的特征，也就是提取顏色的突變特征，并不需要采集缺陷部分的具體顏色，所以可以先把彩色（RGB）圖像轉(zhuǎn)換為灰度圖像，這樣既可以減少計(jì)算量，也可以降低后續(xù)特征提取的難度。

對彩色圖進(jìn)行灰度化比較常用3種方法分別是：最大值法、平均值法和加權(quán)平均值法，通過實(shí)驗(yàn)數(shù)據(jù)對比得出加權(quán)平均值法對木材缺陷圖像處理效果最為突出，效果如圖1，即選定使用加權(quán)平均值法對圖像做預(yù)處理，其原理為：根據(jù)3個分量的重要性及其它指標(biāo)，將3個分量以不同的權(quán)值進(jìn)行加權(quán)平均運(yùn)算。由于人眼對綠色的敏感度高，對藍(lán)色的敏感度低［4］，故按照不同的權(quán)值對RGB 3個分量進(jìn)行加權(quán)平均運(yùn)算能得到比較合理的灰度圖像（當(dāng)WR＞W(wǎng)G＞W(wǎng)B時得到的灰度圖像最為合理）即：

其中：WR、WG、WB分別是對應(yīng)像素點(diǎn) R、G、B的權(quán)值，顯然，當(dāng)WR、WG、WB不同的值時，得到的灰度圖像將不同。

圖1 木材節(jié)子圖像處理結(jié)果對比Fig.1 Comparative results of wood burl image processing

通過對比觀察圖1木材節(jié)子的3種灰度轉(zhuǎn)換處理結(jié)果，可發(fā)現(xiàn)以加權(quán)法、平均值法和最大值法3種方法得到的處理結(jié)果并不完全相同。有實(shí)驗(yàn)和理論證明，當(dāng)WR＝0.3，WG＝0.59，WB＝0.11時，能得到最合理的灰度圖像［5］。圖2為木材缺陷圖像灰度化后的木材節(jié)子圖像及其灰度直方圖分布狀況，仍然表現(xiàn)為有一定程度的具有傾斜性分布態(tài)，可以為圖像分割提供可追溯的依據(jù)。

圖2 木材節(jié)子灰度圖像及其灰度直方圖Fig.2 Gray image of wood burl and its gray histogram

3 幾種典型圖像分割方法

圖像分割的主要目的是把待識別的目標(biāo)從原始圖像中分離出來。它是依據(jù)一定的閾值將目標(biāo)從背景中分割出來的過程，它包括閾值計(jì)算和目標(biāo)分割2個步驟［7］。利用灰度圖像的閾值分割方法其實(shí)就是以圖像的整體信息（例如該幅圖像的灰度值分布直方圖）或局部信息（共生矩陣等）為參考來選擇一個或幾個閾值，稱為單閾值或者多閾值分割［6］，從而把該圖像分割成目標(biāo)區(qū)域和背景區(qū)域，或者多個目標(biāo)區(qū)域與背景區(qū)域?；陂撝档姆指罘椒ㄊ峭ㄟ^選取或設(shè)定的不同的特征閾值，把圖像像素點(diǎn)的集合分類為若干類，常用的特征有的直接來自原始圖像的灰度或彩色特征，還有些來自于由原始灰度或彩色值變換得到的特征［8］。實(shí)際上，圖像的底層基本處理例如圖像分割是比較困難的，因?yàn)榻?jīng)常存在著一些“過分割”現(xiàn)象［9］。本次實(shí)驗(yàn)選取了Otsu最大方差閾值分割法、基于Isodata聚類迭代的閾值分割、最大熵法、Sobel算子邊緣檢測法這4種方法并對比分析其最終分割效果。

3.1 Otsu最大方差閾值分割

Otsu法也被稱作最大方差閾值分割法，它通過全局化計(jì)算類間最大方差并自動確定閾值。它是在灰度直方圖的基礎(chǔ)上用最小二乘法原理推導(dǎo)出來的，具有統(tǒng)計(jì)意義上的最佳分割效果，其模式可分性最好。其基本思想是設(shè)某一個閾值，并參照該值將灰度圖分成目標(biāo)和背景兩個類別，在這兩類的類內(nèi)方差最小和類間方差最大的時候，我們能夠得出最優(yōu)的二值化閾值。

Otsu可以自動獲取閾值進(jìn)行分割，且最大類間方差方法具有算法簡單，計(jì)算精確等優(yōu)點(diǎn)。所以利用這種方法可以在保留原圖細(xì)節(jié)的同時，完整地將目標(biāo)從圖像背景中提取出來，同時避免了一些其他的圖像分割算法未充分考慮圖像像素的整體分布和灰度特征的情況。

3.2 基于Isodata聚類迭代的閾值分割

Isodata算法是K均值算法的推廣，它主要是應(yīng)用于遙感圖像的非監(jiān)督學(xué)習(xí)的動態(tài)聚類算法。該算法可以人機(jī)交互，需要預(yù)先設(shè)定分類參數(shù)。Isodata算法的主要特點(diǎn)是可以自動改變分類類別數(shù)目。算法對上一次迭代的聚類結(jié)果進(jìn)行進(jìn)一步統(tǒng)計(jì)分析，根據(jù)統(tǒng)計(jì)參數(shù)對已有類別進(jìn)行消除、分裂或者合并處理，并繼續(xù)進(jìn)行下一次新的迭代過程，直至超過最大迭代次數(shù)或者滿足分類參數(shù)（閾值），完成分類過程［10］。Isodata迭代算法的優(yōu)點(diǎn)是計(jì)算簡單、運(yùn)算效率高、速度快，所得的閾值分割的圖像效果良好，適用于識別致密聚類。但當(dāng)某一類別樣本數(shù)較少或者兩類別樣本聚類中心之間距離太小時，需要指定每一類中最少樣本數(shù)和兩類聚類中心之間的最小距離參數(shù)用以避免發(fā)生合并。而當(dāng)某一類的樣本向量的某分量出現(xiàn)類內(nèi)方差過大導(dǎo)致類分裂時，則適合將其分裂成兩類，使類內(nèi)方差比較合理。為此，需要指定類內(nèi)樣本某個分量方差的參數(shù)閾值。但是，這種方法也有一定局限性，它只是考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。

在應(yīng)用該算法實(shí)現(xiàn)圖像分割時，初始開關(guān)函數(shù)會首先將輸入圖像分為前景和背景，在第一次處理結(jié)束后，平均兩個積分器的值確定一個閾值。用此閾值作為控制開關(guān)再次輸入圖像將其分為前景和背景，以此方法反復(fù)迭代，直至開關(guān)函數(shù)保持近似不變時，即能得到前景和背景的最終分割結(jié)果。Isodata聚類算法使用了最小聚類數(shù)目以及最大聚類數(shù)目的概念。此外，分裂的原則可以通過標(biāo)準(zhǔn)差（standard deviation）是否大于指定標(biāo)準(zhǔn)差的α倍來衡量，或者通過計(jì)算類內(nèi)的平均距離來衡量，比如類內(nèi)距離大于了平均距離的α倍，這樣就分割［11］。

綜合看來，Isodata聚類迭代方法對于直方圖雙峰明顯，谷底較深的圖像有較好較快的處理能力。但對于直方圖雙峰不明顯，或圖像目標(biāo)和背景比例差異懸殊的圖像，分割效果較差。

3.3 最大熵法

圖像熵是用于表征圖像的灰度級分布及圖像的細(xì)節(jié)等信息量的函數(shù)。采用基于最大熵的閾值分割法可以利用熵來度量圖像灰度值分布均勻性?；谧畲箪卦瓌t選擇圖像閾值的方法目的是通過觀察圖像的灰度直方圖來將其分割成不同區(qū)域，使得各個區(qū)域的總熵最大。從信息理論的角度來看，就是選擇最合理的圖像閾值，從而使圖像中信息量能夠被我們最大限度的獲取［12］。

3.4 基于Sobel算子的邊緣檢測法

Sobel operator是邊緣檢測的經(jīng)典算法之一，它是用來運(yùn)算圖像亮度函數(shù)的梯度之近似值的一種離散性差分算子。它以待增強(qiáng)圖像的任意像素為中心，截取一個3×3的鄰域窗口，如圖3所示。該算子是由兩個卷積核g1（x，y）與g2（x，y）對原圖像f（x，y）進(jìn)行卷積運(yùn)算而得到的。其數(shù)學(xué)表達(dá)式為：

圖3 Sobel算子圖像窗口Fig.3 Sobel operator image window

由于Sobel算子是濾波算子的形式，因此，Sobel算子并沒有將圖像的主體與背景嚴(yán)格地區(qū)分開來，邊緣檢測得到的結(jié)果只是一些基本的邊緣元素，很容易受到噪聲等干擾因素的影響。此外，很多情況下檢測的結(jié)果都是一些離散的不連通的像素點(diǎn)，無法獲得具有實(shí)際意義的物體邊緣輪廓，所以使用過程中有時并不能提取出滿意的圖像外輪廓。

4 實(shí)驗(yàn)結(jié)果分析

4.1 木材缺陷圖像的處理過程

簡潔的編程語言可以方便直觀地理解和管理程序，基于閾值化圖像分割方法的木材料缺陷的定量檢測采用了Matlab軟件作為圖像處理的主要工具，以便于可以進(jìn)一步增加修改程序的其他功能。圖像分割程序流程圖如圖4。

4.2 圖像分割系統(tǒng)的設(shè)計(jì)

本系統(tǒng)在 Matlab GUI編程框架完成設(shè)計(jì)，不僅具有數(shù)值運(yùn)算的基礎(chǔ)功能，在圖像處理方面也是極其強(qiáng)大的，并且操作方法簡單易懂，可以用許多結(jié)構(gòu)化的控制語句來進(jìn)行面向?qū)ο缶幊蹋?3］。Matlab有很強(qiáng)的圖形功能，可以將文本數(shù)據(jù)輕而易舉地與圖像中的像素點(diǎn)建立聯(lián)系，從而實(shí)現(xiàn)數(shù)據(jù)的視覺形象立體化，提供更加友好的交互方式。本程序運(yùn)行界面如圖5所示。

圖5 程序運(yùn)行主界面Fig.5 Main interface of the running program

4.3 木材缺陷檢測實(shí)驗(yàn)結(jié)果和分析

本次實(shí)驗(yàn)樣本選取了1000幅分別帶有死節(jié)、活節(jié)、掌狀節(jié)、腐朽節(jié)、條形節(jié)、蟲眼、雙心、裂節(jié)和徑裂這9種典型木材缺陷圖像作為原始輸入圖像，且均為.jpg格式。將選取的實(shí)驗(yàn)圖像輸入到木材缺陷定量檢測系統(tǒng)后輸出運(yùn)行結(jié)果，圖6～圖9為部分對比圖。

圖6 腐朽節(jié)圖象分割后的對比圖Fig.6 Contrast figure of the rotten burl after image segmentation

圖7 條形節(jié)圖象分割后的對比圖Fig.7 Contrast figure of the strip－type burl after image segmentation

圖8 蟲眼圖像分割后的對比圖Fig.8 Contrast figure of the wormhole image after image segmentation

圖9 雙心圖像分割后的對比圖Fig.9 Contrast figure of the double heart image after image segmentation

表1 各圖像分割閾值Tab.1 Threshold values after image segmentation

同時，我們也得到各圖像的分割閾值，如表1所示。其中由于Sobel邊緣檢測法的閾值是預(yù)先設(shè)定的，通過實(shí)驗(yàn)比較將其設(shè)定為135。

對比分析分割效果來看，總的來說最大熵方法分割效果明顯清晰，Otsu和Isodata聚類迭代法所得的結(jié)果圖差別并不大且均可以大致分割出輪廓，邊緣檢測法的分割效果不是特別理想。針對不同的缺陷，各個分割方法也有不同分割效果。Otsu和Isodata聚類迭代法對條形節(jié)的分割效果較好，如圖7（a）、（b）。最大熵法對腐朽節(jié)和蟲眼的分割效果表現(xiàn)顯著，如圖6（d）和圖8（d）。Sobel邊緣檢測法分割雙心圖像的效果相對突出，如圖9（e）。

通過觀察對比實(shí)驗(yàn)結(jié)果：我們發(fā)現(xiàn)這幾種方法的優(yōu)點(diǎn)在于實(shí)現(xiàn)簡單，但是這只是針對少數(shù)不同類別物體彼此灰度相差很大時，才能進(jìn)行有效的分割。當(dāng)圖像中不存在明顯灰度差異或灰度值范圍有較大重疊，難以得到準(zhǔn)確的分割結(jié)果。其次，僅考慮灰度信息而不考慮圖像空間信息，因此算法對噪聲的灰度不均勻性敏感。最后，分割后得到的圖像不能很好的顯示圖像的細(xì)節(jié)。同時，分割結(jié)果存在過分割現(xiàn)象，這是因?yàn)閳D像中存在很多的極小值點(diǎn)，導(dǎo)致分割結(jié)果淹沒在大量的不相關(guān)結(jié)果中，使分割結(jié)果失真。另外，圖像中的噪聲、物體表面細(xì)微的灰度變化，都會產(chǎn)生過度分割的現(xiàn)象。

4.4 圖像分割運(yùn)行時間的結(jié)果和分析

整理各像素圖像程序運(yùn)行的平均時間如表2，通過縱向?qū)Ρ确治?，可以得到分割速度隨著像素?cái)?shù)目的減小而增大，進(jìn)而想要做到實(shí)時圖像處理與圖像采集的像素?cái)?shù)量大小有著十分緊密的關(guān)聯(lián)。

表2 各尺寸圖像程序運(yùn)行平均時間Tab.2 Average program running time of images of each size （s）

由表2中數(shù)據(jù)可知，Otsu最大方差法的時間tOtsu遠(yuǎn)大于其他分割方法的時間。一個好的缺陷圖像分割算法，不僅能夠正確分割缺陷，而且也要具有一定的分割速度，這樣才能整體提高分割效率。顯然，Otsu最大方差法即使具有統(tǒng)計(jì)意義上的最佳分割閾值，分離性最大的特點(diǎn)，但分割時間過長卻也不適合做實(shí)時圖像處理。同時由表2可見，Isodata聚類算法在所有算法里的分割時間tIsodata為最小，效率最高，且分割效果良好，得出Isodata聚類算法可以作為木材缺陷圖像處理的首選分割方法。

5 結(jié) 論

本文分別從木材缺陷特征的分割效果和分割速率對分割算法進(jìn)行實(shí)驗(yàn)對比分析，得到可以針對缺陷木材的特征選擇分割方法，同時分割效率也是不容小覷的，它是高效檢測木材缺陷圖像的基礎(chǔ)?？偟目磥?，基于Isodata的聚類分割算法速度快，分割效果較好，是一種較高效的木材缺陷分割方法。

［1］Szymani R，Mcdonald K A.Defect detection in lumber：state of the art［J］.Forest Products Journal，1981，31（11）：34－43.

［2］Longuetaud F，Mothe F，Kerautret B，et al.Automatic knot detection and measurements from X－ray CT images of wood：a review and validation of an improved algorithm on softwood samples［J］.Computers and Electronics in Agriculture，2012，85（2）：77－89.

［3］Portala J F，Ciccotelli J.Nondestructive testing techniques applied to wood scanning［J］.Measurement，1992，2（3／4）：299－307.

［4］Radovan S，George P，Panagiotis M，et al.An approach for automated inspection of wood boards［C］.Proc.IEEE ICIP，2001，2：798－801.

［5］Conners R W，Kline D E，Araman P A，et al.Machine vision technology in the forest products industry：a multiple sensor approach［J］.IEEE Computer，1997，30（7）：38－45.

［6］Kline D E，Surak C，Araman P A.Automated hardwood lumber grading utilizing a multiple sensor machine vision technology［J］.Computers and Electronics in Agriculture，2003，41（2）：139－155.

［7］陳愷，陳芳，戴敏，等.基于螢火蟲算法的二維熵多閾值快速圖像分割 ［J］.光學(xué)精密工程，2014，22（2）：517－523.Chen K，Chen F，Dai M，et al.Fast image segmentation with multilevel threshold of two－dimensional entropy based on firefly algorithm ［J］.Optics and Precision Engineering，2014，22（2）：517－523.（in Chinese）

［8］Philipp I，Rath T.Improving plant discrimination in image processing by use of different color space transformations［J］.Computers and Electronics in Agriculture，2002，35（1）：1－15.

［9］宋建中.圖像處理智能化的發(fā)展趨勢［J］.中國光學(xué)，2011，5（4）：431－440.Song J Z.Development trend of image processing intelligence［J］.Chinese Optics，2011，5（4），431－440.（in Chinese）

［10］洪軍.模糊ISODATA聚類分析方法的設(shè)計(jì)［J］.計(jì)算機(jī)與數(shù)字工程，2009，37（2）：19－20.Hong J.Design of a Fuzzy ISODATA clustering analyzing algorithm ［J］.Computer Digital Engineering，2009，37（2）：19－20.（in Chinese）

［11］Tilton J C.Analysis of hierarchically related image segmentations［C］.Proc.2003 IEEE Workshop on Advances in Techniques for Analysis of Remotely Sensed Data，2003：60－69.

［12］Wu W R，Wei S C.Rotation and gray－scale transform－invariant texture classificationusing spiral re－sampling，subband decomposition and Hidden Markov Model［J］.IEEE Trans on Image Processing，1996，5（12）：1423－1434.

［13］高成.Matlab圖像處理與應(yīng)用［M］.北京：國防工業(yè)出版社，2007.Gao C.Matlab Image Processing and Application ［M］.Beijing：National Defence Industry Press，2007.（in Chinese）