一种基于梯度多阈值优化缺陷检测方法
【技术领域】
[0001] 本发明涉及一种基于梯度多阈值优化缺陷检测方法。
【背景技术】
[0002] 在图像分割处理中，图像被划分为与真实世界的物体或区域有强相关性的组成部 分，其主要分为以下三类：基于全局的分割、基于边缘的分割和基于局部的分割。目前，图像 分割主要运用于图像边缘的精细提取，对于强边缘的检测，主要集中在全局分割和局部分 害J，即阈值化的分割，但是对于一些特定场合，如木材的缺陷检测等，除了需要滤掉图像本 身的噪声之外，还需要去除木材的年轮等，保留木材的缺陷部分。阈值化的分割是图像分割 中背景和物体分离较理想的方法，主要有全局阈值化、局部阈值化、带阈值化、半阈值化、多 阈值化、直方图形状分析、最优阈值化等，根据不同的特殊场合，采用不同的方法进行处理。 全局阈值化的一个重要算法就是图像的二值化处理，由于其阈值的选取过于单一，造成鲁 棒性较差，但是对于其改进方法，自动阈值分割，效果上具有明显的优势。对于特定物体的 检测，如木纹，自动阈值化仍然没有较好的去掉年轮。在边缘检测方面，canny算子是最好 的边缘检测方法，对于物体的细小轮廓，包括掌纹和指纹的提取，做的都非常好，但是对于 木材缺陷这样的强边缘，其提取效果仍有不足。多阈值是单阈值的一个集合，在大量的优化 条件下，通过实验数据获取可靠地阈值，进而提取目标物体，但是阈值的固定，限制了其应 用范围的扩大。近年来最优阈值化得到了较大的发展，通过大量的迭代和分析，获取最优化 的阈值，进而提取目标物体。但是对于一些特定的场合，最优阈值化由于判断的条件较少， 依然有一定的掣肘。因此，如何对现有的算法不足进行有效的改进，以满足生产过程中木材 缺陷检测对分割效果的要求，有待进一步研宄。
【发明内容】
[0003] 本发明的目的在于提供一种基于梯度多阈值优化缺陷检测方法，用于解决阈值不 准确、阈值不能随着图像浮动的变化、最优阈值化迭代过长、算法复杂等问题，具有缺陷检 测效果好、提取速度快等优点。
[0004] 本发明一种基于梯度多阈值优化缺陷检测方法，具体包括以下步骤：
[0005] 步骤1、对待检测物采集图像，转换为数字图像后供后面计算用；
[0006] 步骤2、通过K均值聚类算法获取最优阈值化的多个阈值，自动选取其中一个为模 块均值的最优化阈值，具体迭代计算步骤如下：
[0007] (1)图像中的信息分为两类：背景像素和物体像素，假设待检测物采集图像中没 有有关物体的确切位置的信息，作为第1步近似，考虑图像中某些点含有背景像素和其它 点为物体像素，任意选择K个聚类对象作为聚类中心；
[0008] (2)根据每个聚类对象均值，计算每个聚类对象与这K个聚类中心的距离，根据最 小距离重新对上一步的聚类对象进行划分，将图像分割成包含背景区域和物体区域；
[0009] (3)在第t步，分别计算背景区域和物体区域的灰度均值yb和U。，进一步将图像 分割成背景区域和物体区域，阈值为T，它的前一步公式是：
[0010]
[0011] 其中，yb、y。为背景区域和物体区域的灰度均值，#background_pixels、#object_ pixels为背景区域和物体区域的像素个数，f(i，j)为像素点（i，j)处的像素值，比较T(t+1) 和T(t)值，当T(t+1) =T(t)时计算停止；
[0012] 步骤3、对待检测物采集图像进行四个方向的梯度计算，通过正态分布模型，获取 图像的动态阈值；
[0013] 在一幅图像中，每个像素点都具有8邻域和4个边缘检测方向，在传统的水平和垂 直方向检测边缘的基础上，增加45°和135°方向上的边缘检测，其公式如下：
[0014] Px(i，j)=I(i+l，j)-I(i-l，j)⑵
[0015] Py(i,j) =I(i,j+l)-I(i,j-1) (3)
[0016] P45(i,j) =I(i-1,j+l)_I(i+1,j_l) (4)
[0017] P135(i,j) =I(i+1,j+l)-I(i-l,j_l) (5)
[0018] T(i,j) = (|px(i,j) | + |py(i,j) | + |p45(i,j)Mp135(i,j) |)/4 (6)
[0019] 其中，Px(i，j)、Py(i，j)、P45(i，j)、P135(i，j)分别代表x、y、45°、135° 方向上的梯 度，I为输入图像的像素值，T(i，j)为在像素点（i，j)处的梯度幅值；
[0020] 样本数据接近（y，〇 )的正态分布，经过统计，（y-〇，y+ 〇 )之外的数据占 总数据的30%，（y_3〇,y+3〇)之外数据占总数据的0.3 %左右，因此，可以认为在 (y+o，y+2 〇 )之内的像素为边缘点，大于y+3 〇为噪声，其图像的动态阈值计算如下：
[0021]
[0022]
[0023] 入 _=y+o(9)
[0024] 入=y+2〇 (1〇)
[0025] 其中，y为整体梯度幅值图像的均值，〇为整体梯度幅值图像的方差，Amin、入_ 为梯度幅值阈值的上下边界，M、N表示图像分割区域的长和宽；
[0026] 步骤4、运用统计学实验方法，对预置值数量的样本图像进行取样，分别统计样本 图像的模块中像素最大值、像素差最大值作为模块像素均值和模块像素差最大值的阈值， 具体步骤如下：
[0027] (1)分别对样本图像进行归类，本发明的样本图像主要分6类；
[0028] (2)对每类样本图像进行定向模块取值，每幅样本图像按照预设的步长，取100个 模块，该模块的大小为4X4,且模块的位置一半位于图像的缺陷处，一半位于图像的非缺陷 处；
[0029] (3)分别统计样本图像的模块中像素最大值、像素差最大值作为模块像素均值和 模块像素差最大值的阈值；
[0030] 步骤5、对待检测物采集图像进行分割，通过模块化的阈值判断，提取图像中检测 出的缺陷模块，并把它放在新的图像矩阵中，通过中值滤波，输出缺陷检测结果图像，具体 为：
[0031] (1)确定分割阈值条件，包括输入图像的起始位置、分割窗口的宽w和高h、分割移 动的步长；
[0032] (2)根据分割阈值条件对物体区域中的对象进行分割处理，分别计算4X4分割模 块中的像素均值、像素差最大值、像素最大值和梯度均值，将其与上述步骤获得的阈值进行 比较判断，若在阈值范围内，则将该分割模块的像素复制到一个新矩阵，对于新矩阵中空白 的部分，直接赋值为255,组合成完整的缺陷图像矩阵；
[0033] (3)设置滤波窗口为4X4分割模块半径，对缺陷图像矩阵进行中值滤波去噪，获 取最终的缺陷检测结果图像。
[0034] 所述的步骤2中的K均值聚类算法，K取值4,分别求取四聚类中心值，并自动以最 低的聚类中心值为局部均值的最优化阈值。
[0035] 本发明首先直接给定预想的初值，设定适当的迭代次数，通过简化的均值聚类算 法，求出最优化阈值；其次，通过正态分布模型，统计样本每幅梯度图像中100个模块，由计 算获取动态的阈值；再次，通过对样本图像进行分块处理，运用统计学方法，提取模块中的 像素最大值和像素差最大值；之后分别对每个模块进行模块梯度、模块最大值、模块像素值 差最大值和模块均值多阈值的判断，最后，输出获取的模块，组合成完整的图像，通过中值 滤波得到缺陷检测结果图像。在实践中，对40幅含有大活结、小活结、大裂纹、小裂纹、死 结、孔洞等的样本图像进行缺陷检测试验，本发明都能快速准确的检测出木材的缺陷，提高 了应用范围和木材生产的质量。
【附图说明】
[0036] 图1为生产过程中木材缺陷检测系统的机构示意图；
[0037] 图2为本发明木材缺陷检测算法流程图；
[0038] 图3为本发明中模块分割的示意图；
[0039] 图4为本发明对木材缺陷检测对比图；
[0040] 图5为几种木材缺陷小检测对比图。
[0041] 以下结合附图和具体实施例对本发明做进一步详述。
【具体实施方式】
[0042] 生产过程中，木材缺陷检测系统如图1所示，上方两边的是光源、中间的是采集摄 像头，下面的是传送带，系统由传送平台、工业相机、图像采集卡、电脑和缺陷检测软件组 成。相机采用Guppy_PR0系列工业相机，其采集的为灰度图像，分辨率可以自由调节。由于 参与缺陷检测的图像是黑白工业相机采集的，通过图像采集卡可以直接转化为数字图像， 不用考虑色空间的转换。
[0043] 如图2所示，本发明一种基于梯度多阈值优化缺陷检测方法，具体包括以下步骤：
[0044] 步骤1、对待检测物采集图像，转换为数字图像后供后面计算用；
[0045] 步骤2、通过K均值聚类算法获取最优阈值化的多个阈值，自动选取其中一个为模 块均值的最优化阈值，具体迭代计算步骤如下：
[0046] (1)图像中的信息分为两类：背景像素和物体像素，假设待检测物采集图像中没 有有关物体的确切位置的信息，作为第1步近似，考虑图像中某些点含有背景像素和其它 点为物体像素，任意选择K个聚类对象作为聚类中心；
[0047] (2)根据每个聚类对象均值，计算每个聚类对象与这K个聚类中心的距离，根据最 小距离重新对上一步的聚类对象进行划分，将图像分割成包含背景区域和物体区域；
[0048] (3)在第t步，分别计算背景区域和物体区域的灰度均值yb和y。，进一步将图像 分割成背景区域和物体区域，阈值为T，它的前一步公式是：
[0049]
[0050]其中，yb、y。为背景区域和物体区域的灰度均值，#background_pixels、#object_ pixels为背景区域和物体区域的像素个数，f(i，j)为像素点（i，j)处的像素值，比较T(t+1) 和T(t)值，当T(t+1) =T(t)时计算停止；
[0051] 本发明中采用自定义的四类k-means算法，即上述步骤中K= 4,分别求取四聚类 中心值，并自动以最低的聚类中心值为局部均值的最优化阈值。
[0052] 步骤3、对待检测物采集图像进行四个方向的梯度计算，通过正态分布模型，获取 图像的动态阈值；
[0053] 在一幅图像中，每个像素点都具有8邻域和4个边缘检测方向，本发明在传统的水 平和垂直方向检测边缘的基