础上，增加45°和135 °方向上的边缘检测，其公式如下：
[0054]Px(i，j)=I(i+l，j)-I(i-l，j)⑵
[0055] Py(i,j) =I(i,j+l)-I(i,j-1) (3)
[0056] P45(i,j) =I(i-1,j+l)_I(i+1,j_l) (4)
[0057] P135 (i,j) =I(i+1,j+1)-I(i-1,j-1) (5)
[0058] T(i,j) = (|px(i,j) | + |py(i,j) | + |p45(i,j) | + |p135(i,j) |)/4 (6)
[0059]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；
[0060] 由于图像的边缘只占很小的一部分，而噪声所占的比例也非常小，根据概率统计 理论的分析，样本数据接近（y，〇)的正态分布，经过统计，（y-o,y+o)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：
[0063]入_=y+o(9)
[0061]
[0062]
[0064] 人=y+2〇 (10)
[0065]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；
[0066] 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：
[0067] (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；
[0068] (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；
[0069] (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；
[0070] 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：
[0071] (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(本实施 例选择4X4的窗口）、分割移动的步长（考虑到滑动窗口处理过程中会出现"锯齿效应"， 步长定为2);
[0072] (2)根据分割阈值条件对物体区域中的对象进行分割处理，如图3所示，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；
[0073] (3)分割后的图像矩阵中夹杂着一些孤立的噪声，为了提高图像的清晰度，需要对 获取的缺陷图像矩阵进行中值滤波。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。
[0074] 本发明的实验平台为MatlabR2010,内存2G，操作系统为32位Window7操作系 统；图像采集是在单D65光源，倾角为2-10之间，高度保持10-50cm之间，进行数据采集的。 实验数据是由木纹缺陷库中所选的6种缺陷40幅图组成，图像的分辨率为800X600,主要 是与一些经典的分割算法作对比，如二值化方法、自动阈值分割算法和四类k-means算法。 其对比如图4、图5所示。
[0075] 图4为本发明对木材缺陷检测对比图，（a)原图、（b)二值化后的结果、（c)自动阈 值分割后的结果、（d)四类k-means算法分割的结果、（e)本发明的结果。
[0076] 图5为几种木材缺陷小检测对比图，（a)大裂纹图像、(b)小裂纹图像、（c)大活结 图像、（d)小活结图像、（e)孔洞的图像、（f)大裂纹处理后的图像、（g)小裂纹处理后的图 像、（h)大活结处理后的图像、（i)小活结处理后的图像、（j)孔洞的处理后的图像。
[0077] 在上述40个样本图像中，根据图4的结果，针对分割图像的评价，发明中采用峰值 信噪比，作为评价的标准，由下表所示：
[0078]
[0080] 由上表可以看出，本发明的处理图像
的结果，在大量样本中，其峰值信噪比提高的 范围为18. 3% -53. 67%，即图像的有效信息得到了较好的提取。
[0081] 以上所述，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质 对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
【主权项】
1. 一种基于梯度多阈值优化缺陷检测方法，其特征在于包括以下步骤： 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； 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： (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； (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； (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：其中，Ub、U。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； 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； 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： Px(i,j) =I(i+1,j)-I(i-l,j) (2) Py(i,j) =I(i,j+l)-I(i,j-1) (3) P45(i，J') =I(i-1,j+l)-I(i+l,j-1) (4) P135 (i,j) =I(i+1,j+1)-I(i-1,j_l) (5) T(i,j) = (|px(i,j) | + |py(i,j) | + |p45(i,j) | + |p135(i,j) |)/4 (6) 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； 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 0 )之内的像素为边缘点，大于y+3 0为噪声，其图像的动态阈值计算如下：入 min= "0 0) 入maX=y+2〇 (l〇) 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，xmin、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； 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： (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； (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； (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； 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： (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； (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； (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。2.根据权利要求1所述的一种基于梯度多阈值优化缺陷检测方法，其特征在于；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。
【专利摘要】本发明是一种基于梯度多阈值优化缺陷检测的方法，首先，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每幅样本梯度图像中的100个模块，计算获取动态的阈值；再次，通过对样本图像进行分块处理，基于统计学方法，提取模块中像素最大值和像素差最大值；最后，在模块化的基础上，通过多阈值进行判断，获取输出的模块并组合成完整的图像，对其进行中值滤波得到缺陷检测结果图像。本发明通过简化的均值聚类算法，提高了算法的精度，降低了算法在迭代过程中的时间成本；基于统计学和正态分布模型，在梯度图像中提取边缘，显著增加了算法的精度和处理效果；本发明能快速准确检测出木材的缺陷，提高检测应用范围和生产木材的质量。
【IPC分类】G01N21/88
【公开号】CN104990925
【申请号】CN201510349332
【发明人】高银, 李俊
【申请人】泉州装备制造研究所
【公开日】2015年10月21日
【申请日】2015年6月23日