论文部分内容阅读
摘 要：本文主要从传统图像缺陷分割技术，基于数学形态学的图像缺陷分割及图像缺陷分割在彩色图像中的应用几个方面展开讨论，并对各种方法的应用优势与缺陷展开论述。未来基于彩色图像的图像分割是主流方向。本文介绍图像检测与图像分析方面的未来发展前景和希望。
关键词：图像缺陷分割；检测方法；目标识别
1 引言
众所周知，第三次工业革命以来计算机技术不断进步，人们也逐渐意识到利用计算机来获得和处理图像信息的重要性。正由于图像具有简单明了、直观易懂、囊括丰富的信息等优点，所以其在多媒体技术中占据举足轻重的地位。在图像分割的步骤中，首先是将图像空间划分成n个互不重叠的区域，这些区域内部本身具有某些共有属性，然后通过技术手段将划分后的目标区域提取出来[1]。而图像缺陷分割则是将目标区域定义为检测中的缺陷。图像缺陷的准确分割为之后的图像缺陷识别与图像分析打好坚实的基础。近年来图像缺陷分割在实际中的应用也越来越广泛，特别是随着计算机技术、自动化水平和图形图像学日新月异的发展，使得图像缺陷分割技术成为了包括医学，钢铁，木材等其它很多领域能否顺利发展的一个重要基础。
2 研究现状
2.1 传统图像缺陷分割技术
2.1.1 阈值分割法
在众多算法中最简单易行的分割处理方法是阈值分割法[2]。该算法主要原理是利用图像的灰度直方图显示出灰度临界点，从而设定阈值将缺陷从背景中分离，基于此方法可将图像分成若干个有意义的类。此类算法的关键之处就在于怎样才能根据图像的灰度直方图来寻找出适当的灰度阈值，阈值分割的成功与否的关键就是能否选择正确的阈值，该算法可以在整个图像上仅使用一个阈值，称为全局阈值分割，也可以使用不断变化的阈值，称为局部阈值分割或自适应阈值[3]。阈值分割算法的优势在于计算代价小分割速度快，尤其在图像中灰度对比度存在比较大的差异的情况下，能够得到较为理想的分割效果。此算法的缺点在于存在一定的局限性，阈值分割往往忽略了图像的空间特性，也并没有将图像的纹理等有用信息考虑在内，而这些要素在图像缺陷识别与分割中是很重要的，却是单单只将像素本身的取值考虑在内，这样做不仅会对噪声的敏感程度加大，而且在有些情况下会使分割效果得不到理想呈现。所以当前存在许多基于阈值分割的改进算法，使得在使用此方法时分割效果能够得到改善。如最大熵法、基于图像统计阈值法、二维熵阈值法、改进的Otsu法、将多阈值和混沌粒子群法相结合等。
2.1.2 边缘分割法
由于边缘信息囊括了图像的丰富信息包括方向、阶跃性质、形状等，利用边缘可以描绘出目标物体，并且符合人类观察物体的特性，所以在图像识别中，边缘这一图像的基本特征占有重要地位。边缘分割算法代表了利用图像边缘信息来进行分割处理的一系列算法，图像边缘从本质上是指示出了图像在灰度值、彩色信息、纹理结构等方面出现信息突变的集合，边缘为图像中一个区域与另一个区域的分界。利用图像的边缘信息进行图像分割的方法有很多，其中有如梯度算子、拉普拉斯算子和模板操作算子等的边缘检测算子法，边缘松弛法，基于图搜索和基于动态规划的边界跟踪法，hough变换法等。边缘检测算子能够取得较好边缘检测效果的前提是边缘区域的灰度值大小差异比较大，并且噪声较小等较简单的图像，但是由于受到噪声或其他信息的干扰，很有可能造成对缺陷实际边缘的漏检或误检的情况。
2.1.3 区域分割法
区域分割法将在阈值分割算法中几乎没有把各像素点之间的空间关系列入检测缺陷特征的这一缺点进行了弥补，区域分割算法是基于图像的空间性质进行分割，并且认为分割后属于同一区域的像素具有一致的属性即相似性。在区域分割算法中被广泛使用的是区域的生长以及分裂合并两种算法。在区域生长法中一致性被认为是区域确定的必不可少的重要性质。这里的一致性可以是灰度、颜色、形状或纹理等方面的相似。区域生长法仅适用于具有较高对比度的不太复杂的图像进行分割，不适用于对复杂图像的分割，区域生长法具有以下的缺点，种子点的选取需要人为的进行设定，而且对噪声很敏感，并且会得到产生孔状或者是根本不连续的区域，甚至对区域的选择造成误判等。区域分裂与合并算法并不需要对种子点事先进行确定，也不需要将输入图像先分裂成为若干个很小的子区域，然后再对相似度大于某个值的某些子区域进行归并。分裂合并算法也有自己的不足，包括在分裂深度不够的前提下，会导致不理想的分割结果，但如果分裂深度过深又会增加合并时的难度，进而导致分割时间的增加。
2.4 基于数学形态学的图像缺陷分割技术
数学形态学（Mathematical Morphology）是一门分析研究空间结构的形状、框架的学科。在形态学的图像处理中，它的基本思想是采用一个被叫做结构元素的“探针”来获取图像的信息。利用此方法达到对图像的结构特征进行了解，具体方法是通过探针在图像中不断移动。数学形态学是基于探针的思想，基于结构元素可直接携带知识（形状、尺度、灰度和色度信息）对图像的结构特点进行探测。由于任意不同点的集合会产生具有不同性质的探针结构元素，不同的结构元素可以对缺陷图像的不同特征进行检测，因此结构元素也是观察缺陷图像的一种手段和角度。在利用数学形态学的图像处理中，腐蚀与膨胀是两种基本的运算，它们之间的不同组合形成了开和闭运算。图像经历边缘强度算子作用后，在阶跃边缘处形成凸脊，在屋顶边缘处形成凹谷，再与原图像作差分得到缺陷边缘。在利用形态学边缘检测的过程中，对结构元素的合理选择是及其重要的，如果选则恰当，在滤除噪声的同时也能很好的保存缺陷图像的细节。但是若结构元素选择的过大或者过小都会影响缺陷边缘检测的效果，可以采用多结构元素来尽量减小这一缺点带来的影响。
2.5 彩色图像缺陷分割
此前介绍的分割提取方法大多数先将彩色图像转化为二值图像或者灰度图像，又或者直接利用二值图像或灰度图像对目标进行分割提取。随着摄像工具和计算机信息处理技术的发展，图像包含了越来越多的信息，计算机处理信息的速度也在成倍的增加，自然色彩丰富的图像处理也成为了日常处理的对象。
由于在实际情况下，对感兴趣的目标进行图像分割时，在灰度或者二值图像中可能混入到背景中，造成信息丢失，进而无法准确的对目标图像进行分割提取在此基础上，产生了许多基于颜色的分割提取方法，如基于RGB颜色分量的图像分割提取技术、基于HSI颜色模型的图像分割提取技术、基于Lab颜色空间的图像分割提取技术等。基于颜色的分割提取核心就是利用目标与周围环境的颜色分量差异，然后将这些差异放入类似基于RGB或者HSI等颜色识别的空间中运用融合算法将两者区分出来，并对差异化的目标进行分割提取从而达到目的。
3 研究展望
在实际应用中，大多采用该方法进行缺陷检测，例如对钢板的瑕疵、木材缺陷的检测，以便于对材料进行最大程度的利用。检测的发展方向与其他产业一样，开始向高度自动化、智能化的方向发展，集材料的运输、加工、检测、处理、产品生产、产品检测为一体化的过程，在材料缺陷检测的技术方法中同样可以应用于整个生产加工过程，从而更贴合产业的需要。
参考文献
[1]祭胜仓.基于数学形态学的边缘检测及其在医学图像处理中的应用[D].青岛：青岛大学，2007.
[2]吴一全，樊军，周怀春.改进的二维最小交叉熵阈值分割快速迭代算法[J].应用科学学报，2011，05：487-494.
[3]张淑娴.基于高分辨率数字相机的X射线图像实时处理技术研究[D].太原：中北大学，2009.
关键词：图像缺陷分割；检测方法；目标识别
1 引言
众所周知，第三次工业革命以来计算机技术不断进步，人们也逐渐意识到利用计算机来获得和处理图像信息的重要性。正由于图像具有简单明了、直观易懂、囊括丰富的信息等优点，所以其在多媒体技术中占据举足轻重的地位。在图像分割的步骤中，首先是将图像空间划分成n个互不重叠的区域，这些区域内部本身具有某些共有属性，然后通过技术手段将划分后的目标区域提取出来[1]。而图像缺陷分割则是将目标区域定义为检测中的缺陷。图像缺陷的准确分割为之后的图像缺陷识别与图像分析打好坚实的基础。近年来图像缺陷分割在实际中的应用也越来越广泛，特别是随着计算机技术、自动化水平和图形图像学日新月异的发展，使得图像缺陷分割技术成为了包括医学，钢铁，木材等其它很多领域能否顺利发展的一个重要基础。
2 研究现状
2.1 传统图像缺陷分割技术
2.1.1 阈值分割法
在众多算法中最简单易行的分割处理方法是阈值分割法[2]。该算法主要原理是利用图像的灰度直方图显示出灰度临界点，从而设定阈值将缺陷从背景中分离，基于此方法可将图像分成若干个有意义的类。此类算法的关键之处就在于怎样才能根据图像的灰度直方图来寻找出适当的灰度阈值，阈值分割的成功与否的关键就是能否选择正确的阈值，该算法可以在整个图像上仅使用一个阈值，称为全局阈值分割，也可以使用不断变化的阈值，称为局部阈值分割或自适应阈值[3]。阈值分割算法的优势在于计算代价小分割速度快，尤其在图像中灰度对比度存在比较大的差异的情况下，能够得到较为理想的分割效果。此算法的缺点在于存在一定的局限性，阈值分割往往忽略了图像的空间特性，也并没有将图像的纹理等有用信息考虑在内，而这些要素在图像缺陷识别与分割中是很重要的，却是单单只将像素本身的取值考虑在内，这样做不仅会对噪声的敏感程度加大，而且在有些情况下会使分割效果得不到理想呈现。所以当前存在许多基于阈值分割的改进算法，使得在使用此方法时分割效果能够得到改善。如最大熵法、基于图像统计阈值法、二维熵阈值法、改进的Otsu法、将多阈值和混沌粒子群法相结合等。
2.1.2 边缘分割法
由于边缘信息囊括了图像的丰富信息包括方向、阶跃性质、形状等，利用边缘可以描绘出目标物体，并且符合人类观察物体的特性，所以在图像识别中，边缘这一图像的基本特征占有重要地位。边缘分割算法代表了利用图像边缘信息来进行分割处理的一系列算法，图像边缘从本质上是指示出了图像在灰度值、彩色信息、纹理结构等方面出现信息突变的集合，边缘为图像中一个区域与另一个区域的分界。利用图像的边缘信息进行图像分割的方法有很多，其中有如梯度算子、拉普拉斯算子和模板操作算子等的边缘检测算子法，边缘松弛法，基于图搜索和基于动态规划的边界跟踪法，hough变换法等。边缘检测算子能够取得较好边缘检测效果的前提是边缘区域的灰度值大小差异比较大，并且噪声较小等较简单的图像，但是由于受到噪声或其他信息的干扰，很有可能造成对缺陷实际边缘的漏检或误检的情况。
2.1.3 区域分割法
区域分割法将在阈值分割算法中几乎没有把各像素点之间的空间关系列入检测缺陷特征的这一缺点进行了弥补，区域分割算法是基于图像的空间性质进行分割，并且认为分割后属于同一区域的像素具有一致的属性即相似性。在区域分割算法中被广泛使用的是区域的生长以及分裂合并两种算法。在区域生长法中一致性被认为是区域确定的必不可少的重要性质。这里的一致性可以是灰度、颜色、形状或纹理等方面的相似。区域生长法仅适用于具有较高对比度的不太复杂的图像进行分割，不适用于对复杂图像的分割，区域生长法具有以下的缺点，种子点的选取需要人为的进行设定，而且对噪声很敏感，并且会得到产生孔状或者是根本不连续的区域，甚至对区域的选择造成误判等。区域分裂与合并算法并不需要对种子点事先进行确定，也不需要将输入图像先分裂成为若干个很小的子区域，然后再对相似度大于某个值的某些子区域进行归并。分裂合并算法也有自己的不足，包括在分裂深度不够的前提下，会导致不理想的分割结果，但如果分裂深度过深又会增加合并时的难度，进而导致分割时间的增加。
2.4 基于数学形态学的图像缺陷分割技术
数学形态学（Mathematical Morphology）是一门分析研究空间结构的形状、框架的学科。在形态学的图像处理中，它的基本思想是采用一个被叫做结构元素的“探针”来获取图像的信息。利用此方法达到对图像的结构特征进行了解，具体方法是通过探针在图像中不断移动。数学形态学是基于探针的思想，基于结构元素可直接携带知识（形状、尺度、灰度和色度信息）对图像的结构特点进行探测。由于任意不同点的集合会产生具有不同性质的探针结构元素，不同的结构元素可以对缺陷图像的不同特征进行检测，因此结构元素也是观察缺陷图像的一种手段和角度。在利用数学形态学的图像处理中，腐蚀与膨胀是两种基本的运算，它们之间的不同组合形成了开和闭运算。图像经历边缘强度算子作用后，在阶跃边缘处形成凸脊，在屋顶边缘处形成凹谷，再与原图像作差分得到缺陷边缘。在利用形态学边缘检测的过程中，对结构元素的合理选择是及其重要的，如果选则恰当，在滤除噪声的同时也能很好的保存缺陷图像的细节。但是若结构元素选择的过大或者过小都会影响缺陷边缘检测的效果，可以采用多结构元素来尽量减小这一缺点带来的影响。
2.5 彩色图像缺陷分割
此前介绍的分割提取方法大多数先将彩色图像转化为二值图像或者灰度图像，又或者直接利用二值图像或灰度图像对目标进行分割提取。随着摄像工具和计算机信息处理技术的发展，图像包含了越来越多的信息，计算机处理信息的速度也在成倍的增加，自然色彩丰富的图像处理也成为了日常处理的对象。
由于在实际情况下，对感兴趣的目标进行图像分割时，在灰度或者二值图像中可能混入到背景中，造成信息丢失，进而无法准确的对目标图像进行分割提取在此基础上，产生了许多基于颜色的分割提取方法，如基于RGB颜色分量的图像分割提取技术、基于HSI颜色模型的图像分割提取技术、基于Lab颜色空间的图像分割提取技术等。基于颜色的分割提取核心就是利用目标与周围环境的颜色分量差异，然后将这些差异放入类似基于RGB或者HSI等颜色识别的空间中运用融合算法将两者区分出来，并对差异化的目标进行分割提取从而达到目的。
3 研究展望
在实际应用中，大多采用该方法进行缺陷检测，例如对钢板的瑕疵、木材缺陷的检测，以便于对材料进行最大程度的利用。检测的发展方向与其他产业一样，开始向高度自动化、智能化的方向发展，集材料的运输、加工、检测、处理、产品生产、产品检测为一体化的过程，在材料缺陷检测的技术方法中同样可以应用于整个生产加工过程，从而更贴合产业的需要。
参考文献
[1]祭胜仓.基于数学形态学的边缘检测及其在医学图像处理中的应用[D].青岛：青岛大学，2007.
[2]吴一全，樊军，周怀春.改进的二维最小交叉熵阈值分割快速迭代算法[J].应用科学学报，2011，05：487-494.
[3]张淑娴.基于高分辨率数字相机的X射线图像实时处理技术研究[D].太原：中北大学，2009.