基于局部分類的鋁合金低倍組織圖像分割

周祺智，馬萬(wàn)太

(南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016)

0 引言

近年來(lái)，隨著金屬行業(yè)生產(chǎn)自動(dòng)化程度及生產(chǎn)水平的提高，需要快速而精確地對(duì)金屬表面進(jìn)行缺陷檢測(cè)，以適應(yīng)更快的生產(chǎn)速度及更高的生產(chǎn)質(zhì)量。而相對(duì)生產(chǎn)的快速發(fā)展，目前許多傳統(tǒng)企業(yè)的檢測(cè)手段仍為人工目視檢測(cè)，檢驗(yàn)人員勞動(dòng)強(qiáng)度大，長(zhǎng)時(shí)間工作眼睛容易疲勞，并且檢測(cè)過(guò)程還會(huì)受到外界環(huán)境光影響，導(dǎo)致檢測(cè)效率低、準(zhǔn)確度低。隨著近年來(lái)機(jī)器視覺(jué)技術(shù)的迅猛發(fā)展,視覺(jué)檢測(cè)作為一種快速、準(zhǔn)確的非接觸無(wú)損檢測(cè)方法,已廣泛應(yīng)用于工業(yè)制造領(lǐng)域[1]。由于其檢測(cè)時(shí)間短、檢測(cè)精度高、可以實(shí)現(xiàn)完全自動(dòng)化，不需要接觸檢測(cè)目標(biāo)等優(yōu)勢(shì)，具有較高的應(yīng)用前景。

基于機(jī)器視覺(jué)的缺陷檢測(cè)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(qiáng)、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(diǎn)和難點(diǎn)，直接影響缺陷提取效果及缺陷面積計(jì)算誤差。

一直以來(lái)國(guó)內(nèi)外學(xué)者針對(duì)不同的應(yīng)用場(chǎng)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(diǎn)，總結(jié)了各種全局閾值分割法對(duì)鋼軌圖像分割存在的問(wèn)題，提出了一種改進(jìn)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(wèn)題，提出了一種基于行像素灰度校正的不均勻光照?qǐng)D像分割算法[3]。洪慶等針對(duì)航體機(jī)器人等裝配車間流水線零部件智能感知問(wèn)題，研究了基于智能視覺(jué)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(duì)的場(chǎng)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(diǎn)和缺陷提取難點(diǎn)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(qū)域沒(méi)有缺陷；全局閾值分割方法難以計(jì)算合適閾值，局部閾值分割會(huì)對(duì)無(wú)缺陷區(qū)域錯(cuò)誤分割；2)除缺陷以外，鋁合金的背景區(qū)域也存在顏色差異，這相對(duì)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(diǎn)，一般的閾值分割法無(wú)法對(duì)其進(jìn)行有效的分割。為了準(zhǔn)確地將缺陷從鋁合金低倍組織圖像中分割出來(lái)，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(yù)處理

1.1 去噪

受光照條件以及圖像采集與傳輸過(guò)程中的信號(hào)干擾，鋁合金表面采集的圖像往往會(huì)存在噪聲，這會(huì)對(duì)后續(xù)圖像分割造成影響。因此首先要對(duì)圖像進(jìn)行濾波、增強(qiáng)等預(yù)處理，提高圖片的信噪比。

圖像噪聲根據(jù)統(tǒng)計(jì)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(duì)鋁合金低倍組織圖像進(jìn)行濾波去噪。通過(guò)試驗(yàn)比對(duì)發(fā)現(xiàn)，選用中值濾波對(duì)鋁合金表面圖像進(jìn)行去噪處理(圖1)，既能很好地濾除椒鹽噪聲，同時(shí)也對(duì)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(jì)算圖像灰度函數(shù)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(duì)計(jì)算結(jié)果進(jìn)行線性放大，方便觀察比較?？梢钥闯鲋兄禐V波去噪效果比高斯濾波更好。

圖2 濾波處理圖像的Sobel運(yùn)算結(jié)果

綜合邊緣保留及去噪對(duì)比，采用中值濾波進(jìn)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(qiáng)

從 CV 角度來(lái)看，背景灰度分布越平坦，目標(biāo)與背景的灰度差異越大越有利于目標(biāo)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(dǎo)致缺陷特征不夠明顯，因此需要進(jìn)行圖像增強(qiáng)處理，突出缺陷特征。

根據(jù)缺陷灰度較低且整體圖像較暗的特點(diǎn)，圖像增強(qiáng)手段適用0<γ<1的Gamma變換，可以增強(qiáng)圖像暗區(qū)的對(duì)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(gè)灰度范圍內(nèi)，再采用γ的Gamma變換，效果如圖3(b)所示。由圖3對(duì)比發(fā)現(xiàn)線性增強(qiáng)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(xù)的圖像分割難度。

圖3 圖像增強(qiáng)對(duì)比

2 圖像分割

圖像分割是指將圖像中感興趣的區(qū)域從復(fù)雜的背景中提取出來(lái)的一種圖像處理技術(shù)。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(qū)域的分割方法等[6]。對(duì)于本課題的缺陷分割，邊緣特征及區(qū)域分布特征都無(wú)法作為有效的圖像分割依據(jù)，而本文研究分割的目標(biāo)缺陷在圖像上表現(xiàn)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(jù)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(jù)整張圖像的灰度直方圖信息來(lái)選擇一個(gè)固定閾值，對(duì)整張圖像進(jìn)行劃分；而局部閾值分割是將原始圖像劃分為多個(gè)較小的圖像，根據(jù)每個(gè)子圖像的灰度直方圖信息選取不同的閾值，對(duì)局部區(qū)域進(jìn)行劃分。但是由于鋁合金低倍組織圖像特點(diǎn)，全局閾值法及局部閾值法均無(wú)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(dá)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(diǎn)，低倍組織圖像大部分區(qū)域不存在缺陷，而局部閾值法總會(huì)將圖像分為兩部分，這就會(huì)導(dǎo)致局部閾值法對(duì)無(wú)缺陷區(qū)域的錯(cuò)誤劃分，如圖5所示。

圖5 無(wú)缺陷區(qū)域分割

綜合以上問(wèn)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(duì)圖像進(jìn)行局部閾值分割，由分割結(jié)果的輪廓特征劃分缺陷區(qū)域與無(wú)缺陷區(qū)域，再根據(jù)其各自的分割閾值分布確定全局閾值。

2.1 滑窗法區(qū)分缺陷區(qū)域與無(wú)缺陷區(qū)域

首先要對(duì)缺陷局部圖像進(jìn)行準(zhǔn)確分割，根據(jù)Sezgin等對(duì)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(yīng)用廣泛的兩種閾值分割法。對(duì)該兩種方法進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果如圖6所示。對(duì)比后發(fā)現(xiàn)最大熵閾值分割法對(duì)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(wú)缺陷區(qū)域的分割結(jié)果相差較大(比較圖6(b)及圖6(c))。因此可以將分割結(jié)果的輪廓數(shù)量作為區(qū)分缺陷區(qū)域與無(wú)缺陷區(qū)域的依據(jù)。

本方法采用滑窗法遍歷圖像進(jìn)行局部閾值分割，這可以增大采樣數(shù)量，增強(qiáng)算法魯棒性。分割結(jié)果的輪廓數(shù)量統(tǒng)計(jì)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(shù)量較小的一部分即為缺陷區(qū)域。分類結(jié)果如圖7(b)所示，黑色為缺陷區(qū)域。

圖7 Otsu閾值分割滑窗輪廓數(shù)量

圖7(b)與圖3(b)對(duì)比發(fā)現(xiàn)分類結(jié)果較為準(zhǔn)確，存在少量非缺陷區(qū)域錯(cuò)誤分類為缺陷區(qū)域。

2.2 計(jì)算全局閾值分割圖像

對(duì)缺陷區(qū)域的分割閾值進(jìn)行統(tǒng)計(jì)，由于非缺陷區(qū)域的分割閾值一定為錯(cuò)誤閾值，因此只統(tǒng)計(jì)該錯(cuò)誤閾值最小值以下的部分，結(jié)果如圖8所示。

圖8 缺陷區(qū)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(qū)域暗區(qū)與亮區(qū)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(duì)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(jié)果如圖9所示。

圖9 全局閾值分割結(jié)果

與圖3(a)原圖對(duì)比發(fā)現(xiàn)，該圖像分割方法可以較準(zhǔn)確地將缺陷分割出來(lái)。

3 檢測(cè)結(jié)果

為了測(cè)試本方法對(duì)鋁合金低倍組織缺陷的分割效果，選用錯(cuò)誤分類誤差(mis-classification error, MCE)這一權(quán)威指標(biāo)來(lái)進(jìn)行評(píng)價(jià)。由于Otsu算法和ME閾值分割法在缺陷檢測(cè)中應(yīng)用最廣泛，是經(jīng)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(jìn)行對(duì)比。

MCE表示經(jīng)閾值分割后圖像進(jìn)行閾值分割后圖像被錯(cuò)誤分類的概率，對(duì)于兩類分割問(wèn)題，MCE定義為

(1)

式中：Bo和Fo分別表示標(biāo)準(zhǔn)分割圖像的背景區(qū)域和目標(biāo)區(qū)域，標(biāo)準(zhǔn)分割圖像是采用手動(dòng)逐個(gè)灰度比對(duì)得到的最佳閾值的分割圖像；BT和FT分別為測(cè)試圖像二值化得到后的背景區(qū)域和目標(biāo)區(qū)域；||表示區(qū)域中像素點(diǎn)的數(shù)目。MCE值分布范圍為[0,1]，值越大表示被錯(cuò)分的像素點(diǎn)越多，分割效果越差，值越小則相反。

實(shí)驗(yàn)選用不同鋁合金錠坯的低倍組織圖像進(jìn)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(duì)應(yīng)的MCE值。

從表1不同圖像分割結(jié)果的MCE值得出，Otsu算法及最大熵閾值分割法分割結(jié)果的MCE值均較大，即對(duì)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(duì)5張圖像分割結(jié)果的MCE值較小，即分割結(jié)果接近手工比對(duì)得到的理想分割結(jié)果，其中圖像Ⅰ的分割結(jié)果與理想分割結(jié)果一致。綜上，本文方法分割效果最優(yōu)且達(dá)到分割要求。

表1 3種方法對(duì)5張鋁合金低倍組織圖像的MCE值

4 結(jié)語(yǔ)

本文提出了一種鋁合金低倍組織缺陷檢測(cè)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(duì)局部進(jìn)行圖像分割，根據(jù)分割結(jié)果對(duì)局部圖像分類，再根據(jù)缺陷區(qū)域及無(wú)缺陷區(qū)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(jìn)行對(duì)比，結(jié)果顯示本文方法的分割效果最優(yōu)，適合鋁合金低倍組織缺陷檢測(cè)。

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