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(xué)電氣與信息工程學(xué)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(xué)電氣與信息工程學(xué)院,陜西西安,710021)

摘要：針對當(dāng)前紙病檢測算法存在抗干擾能力差、定位不準(zhǔn)確和運(yùn)算復(fù)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(yīng)中值濾波算法對紙病圖像進(jìn)行濾波,然后,對濾波后的圖像進(jìn)行位平面分解,并運(yùn)用格雷碼對位平面加以增強(qiáng),最后,使用數(shù)學(xué)形態(tài)學(xué)對其進(jìn)行邊緣檢測,得到最終的紙病檢測結(jié)果。仿真結(jié)果表明：該方法運(yùn)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(zhǔn)確性。

關(guān)鍵詞：自適應(yīng)中值濾波；位平面；格雷碼；數(shù)學(xué)形態(tài)學(xué)；紙病檢測

隨著紙機(jī)車速的不斷提高,紙張面臨著出現(xiàn)更多紙病缺陷的風(fēng)險，進(jìn)而對利用機(jī)器視覺對紙張外觀紙病進(jìn)行檢測提出了更高的要求。

目前,利用機(jī)器視覺對紙張外觀紙病進(jìn)行檢測的方法一般分為閾值法[1]、形態(tài)學(xué)方法[2]、灰度級統(tǒng)計法[3-4]三類。閾值法根據(jù)不同的紙病設(shè)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(tài)學(xué)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(xì)節(jié)和邊緣定位具有較好的結(jié)果,但若單獨(dú)使用該方法,就會出現(xiàn)邊緣信息損失的情況；灰度級統(tǒng)計法利用紙病圖像的統(tǒng)計特征檢測紙病,基于灰度級統(tǒng)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(jīng)網(wǎng)絡(luò)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(xù)處理比較復(fù)雜,而基于共生矩陣和自組織神經(jīng)網(wǎng)絡(luò)的紙病檢測方法置信度的選擇對檢測結(jié)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(jìn)行位平面分解,最后運(yùn)用數(shù)學(xué)形態(tài)學(xué)提取紙病邊緣得到最終的檢測結(jié)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(shù)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(shù)矩陣表示,矩陣的每個元素就是圖像中相應(yīng)位置像素的灰度g,其可以用如下二進(jìn)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(jìn)制位數(shù),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(shù),每個像素需要用8位的二進(jìn)制數(shù)來表示。分別提取每個像素的相同二進(jìn)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(jìn)制數(shù)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(jìn)行操作,以達(dá)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(nèi)容,包含了視覺可見的有意義信息,體現(xiàn)了明顯的圖像結(jié)構(gòu)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(jī)性很強(qiáng),只增加了圖像亮度信息,沒有提供任何結(jié)構(gòu)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(jìn)行圖像分析時可忽略。換言之,選取較高位位平面進(jìn)行圖像分析能夠保證分析的準(zhǔn)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(yùn)用自適應(yīng)中值濾波進(jìn)行濾波預(yù)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(jìn)制比特位組成位平面,為了得到更好的效果,再采用增強(qiáng)位平面對原位平面進(jìn)行改進(jìn),最后結(jié)合形態(tài)學(xué)算法對重要增強(qiáng)位平面進(jìn)行邊界提取得到最終的檢測結(jié)果。其檢測流程如圖3所示。

2.1自適應(yīng)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(shù)字圖像或數(shù)字序列中一個點(diǎn)的像素用該點(diǎn)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(diǎn)。

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(hù)圖像細(xì)節(jié)；當(dāng)濾波窗口增大時,其濾噪能力有所增強(qiáng),但同時對圖像細(xì)節(jié)的保護(hù)能力又有所減弱,甚至?xí)V去圖像中的一些細(xì)線、尖銳邊角等重要細(xì)節(jié)；濾波窗口尺寸越大,這種影響表現(xiàn)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(jī)的噪聲干擾,不能自適應(yīng)地調(diào)整濾波窗口的大小。

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

自適應(yīng)中值濾波算法結(jié)合了小尺度窗口具有較好的細(xì)節(jié)保護(hù)能力和大尺度窗口具有較強(qiáng)的去噪能力的優(yōu)點(diǎn),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(yīng)中值濾波算法的流程圖

圖5　孔洞紙病的增強(qiáng)位平面分解

2.2獲取圖像的增強(qiáng)位平面

對含有紙病的圖像進(jìn)行濾波后,需要對濾波后的圖像進(jìn)行位平面分解。采用位平面分解的方法進(jìn)行圖像分析雖然簡單易行,但存在一個固有缺點(diǎn)：即圖像像素點(diǎn)灰度的微小變化會對位平面的復(fù)雜度產(chǎn)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(xiàn)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(jìn)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(dǎo)致在分解出的所有位平面中,這2個像素對應(yīng)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(jìn),以此來減小灰度變化對位平面的影響。對應(yīng)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(qiáng)位平面i#。

格雷碼特有的性質(zhì)是相連的碼字只有1個比特位的區(qū)別,即對于變換后的增強(qiáng)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(yīng)的格雷碼來表示的二進(jìn)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(jìn)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(qiáng)的魯棒性。圖5為孔洞紙病用格雷碼表示的增強(qiáng)位平面。

從圖5可以看出,與圖2的位平面相比,增強(qiáng)位平面的圖像復(fù)雜度降低,并且具有視覺意義信息的位平面數(shù)量更多,增強(qiáng)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(shù)學(xué)形態(tài)學(xué)算法進(jìn)行邊緣檢測

獲取圖像的增強(qiáng)位平面之后,就需要提取增強(qiáng)位平面6#的邊緣。本研究采用數(shù)學(xué)形態(tài)學(xué)的方法對增強(qiáng)位平面6#進(jìn)行邊緣檢測,獲得最終的檢測結(jié)果。

數(shù)學(xué)形態(tài)學(xué)的基本原理是采用具有一定形態(tài)的結(jié)構(gòu)元素(如矩形、 圓形或菱形等)提取和度量圖像中相對應(yīng)的形狀,從而實現(xiàn)圖像的識別與分析。

利用數(shù)學(xué)形態(tài)學(xué)提取圖像邊緣的算法如下：設(shè)圖像F、B是一個合適的結(jié)構(gòu)元素,首先讓F被B腐蝕,然后求取圖像F與其腐蝕結(jié)果之差,設(shè)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(zhǔn)確、運(yùn)算簡單、可并行處理、提高運(yùn)算速度。這種方法也是對圖像進(jìn)行邊緣檢測時較常用的一種方法。

圖8　黑斑紙病的檢測結(jié)果

圖7　裂紋紙病的檢測結(jié)果

圖6　孔洞紙病的檢測結(jié)果

3仿真結(jié)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(jìn)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(jìn)行檢測,并分別對這3種常見紙病的紙病原圖像進(jìn)行中值濾波及邊緣檢測,檢測結(jié)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(yīng)中值濾波結(jié)果可以看出,本研究使用的自適應(yīng)中值濾波方法在保留細(xì)節(jié)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(qiáng)位平面6#可以看出,其反映了圖像的主要內(nèi)容,并在原圖像基礎(chǔ)上去除了亮度等對檢測無用的信息,從而達(dá)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(chǔ)。

圖6(d)、圖7(d)和圖8(d)分別是對增強(qiáng)位平面6#運(yùn)用數(shù)學(xué)形態(tài)學(xué)進(jìn)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(zhǔn)確,并且沒有受到噪聲的影響,達(dá)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(jìn)行中值濾波,然后再對該濾波結(jié)果進(jìn)行邊緣檢測的結(jié)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(jié)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(xiàn)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(zhì),影響了檢測效果。

從檢測結(jié)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(zhì)和噪聲的干擾較小(抗噪性較好)、細(xì)節(jié)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(yùn)算量小、檢測準(zhǔn)確快速。

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

4結(jié)束語

本研究采用自適應(yīng)中值濾波方法對紙病圖像進(jìn)行濾波,在濾波的同時不損失圖像的細(xì)節(jié),再運(yùn)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(jìn)行異或,得到紙病圖像的8個增強(qiáng)位平面,最后再運(yùn)用形態(tài)學(xué)邊緣檢測對選取的增強(qiáng)位平面6#進(jìn)行邊緣檢測,得到最終的檢測結(jié)果。本研究首次將位平面運(yùn)用到紙病檢測上；仿真結(jié)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(zhǔn)確性,同時克服了傳統(tǒng)邊緣檢測算法抗干擾能力差、定位不準(zhǔn)確和運(yùn)算復(fù)雜的缺點(diǎn)。

參考文獻(xiàn)

[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(xué)報, 2011, 26(4)： 41.

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

[3]呂岑, 孫瑜. 基于統(tǒng)計處理的紙病檢測研究[J]. 中國造紙學(xué)報, 2003, 18(2)： 151.

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

[5]李寶峰, 竇勇. 位平面編碼存儲優(yōu)化算法及FPGA設(shè)計[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)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(xué)學(xué)報： 自然科學(xué)版, 2014, 53(1)： 57.

[7]魏冬梅, 周衛(wèi)東. 基于位平面和協(xié)作表示的人臉識別算法[J]. 北京理工大學(xué)學(xué)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(yù)處理算法的實現(xiàn)[J]. 中國造紙學(xué)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(zé)任編輯：關(guān)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(xué)基礎(chǔ)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(xué)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(xiàn)標(biāo)識碼：A

文章編號：1000- 6842(2015)04- 0027- 05

*通信聯(lián)系人：潘思璐,E-mail∶pansilu098@163.com。