【文章內(nèi)容簡(jiǎn)介】 特征的識(shí)別率；對(duì)比了運(yùn)用三種向量機(jī)核函數(shù)的識(shí)別率，最終得出基于綜合顏色特征和紋理特征的特征向量上運(yùn)用徑向基核函數(shù)的支持向量機(jī)識(shí)別方法對(duì)木材缺陷的識(shí)別效果最好。三、各章內(nèi)容本論文的研究涉及圖像處理和分析、機(jī)器視覺、模式識(shí)別、支持向量機(jī)等方面。各章內(nèi)容如下：第一章論述我國(guó)木材加工行業(yè)目前的現(xiàn)狀，闡述了基于機(jī)器視覺木材缺陷識(shí)別算法研究的目的和意義，以及木材缺陷的特征。對(duì)本課題的研究工作簡(jiǎn)單介紹。第二章對(duì)木材表面缺陷圖像的預(yù)處理算法進(jìn)行了研究和比較。結(jié)合木材缺陷圖像特點(diǎn)，提出了一系列圖像平滑和圖像銳化的有關(guān)有效算法，為圖像的分割提供前期處理。第三章對(duì)預(yù)處理過的木材表面缺陷圖像的分割算法進(jìn)行了研究和比較。提出了基于小波變換數(shù)據(jù)融合的邊緣檢測(cè)算法和基于融合技術(shù)的小波變換和形態(tài)學(xué)邊緣檢測(cè)算法進(jìn)行缺陷圖像分割，為后面的圖像特征提取、圖像識(shí)別提供了前期處理。第四章對(duì)處理過的木材表面缺陷圖像進(jìn)行特征提取，運(yùn)用主成份分析法對(duì)綜合紋理特征和顏色特征得到的24維特征向量進(jìn)行降維，從而為缺陷的準(zhǔn)確分類提供了特征信息集。第五章研究了基于支持向量機(jī)的缺陷檢測(cè)。論述了支持向量機(jī)的原理，對(duì)向量機(jī)核函數(shù)進(jìn)行比較分析，探討其優(yōu)缺點(diǎn)。最終采用基于徑向基核函數(shù)的向量機(jī)分類模型。并針對(duì)木材缺陷對(duì)比采用向量機(jī)和采用人工神經(jīng)網(wǎng)絡(luò)作為分類器的識(shí)別率，同時(shí)對(duì)基于不同特征向量進(jìn)行了識(shí)別率的比較研究。最后對(duì)全文的主要工作和取得的研究成果進(jìn)行總結(jié)，并就下一步研究提出展望。第二章 木材表面缺陷圖像的增強(qiáng)預(yù)處理所謂數(shù)字圖像處理，就是利用數(shù)字計(jì)算機(jī)或其它高速、大規(guī)模集成數(shù)字硬件，對(duì)從圖像信息轉(zhuǎn)換來(lái)的數(shù)字電信號(hào)進(jìn)行某些數(shù)字運(yùn)算或處理，以期提高圖像的質(zhì)量或達(dá)到人們所要求的某些預(yù)期結(jié)果。通常，圖像需要經(jīng)過幾個(gè)步驟來(lái)處理：圖像增強(qiáng)、圖像分割、特征提取和模式識(shí)別與理解。在木材表面缺陷成像過程中，由于各種噪聲，如椒鹽噪聲、高斯噪聲、泊松噪聲等以及現(xiàn)場(chǎng)環(huán)境的干擾，由成像裝置獲得的數(shù)字圖像必須要經(jīng)過圖象增強(qiáng)處理，即需對(duì)圖像進(jìn)行濾波去噪，同時(shí)，也要求能盡量保證不丟失圖像細(xì)節(jié)。因木材表面缺陷的形狀、大小、數(shù)量和出現(xiàn)的位置等都具有不確定性，而且缺陷圖像的信噪比較低。因此，對(duì)缺陷圖像進(jìn)行有效處理是后續(xù)缺陷特征提取、缺陷分類的基礎(chǔ)，它直接影響著整個(gè)系統(tǒng)的檢測(cè)分辨率和識(shí)別精度。下面將從圖像增強(qiáng)算法方面研究木材表面缺陷圖像中的有效處理方法。 圖像增強(qiáng)概述圖像增強(qiáng)就是對(duì)圖像中感興趣的部分加以處理,突出圖像中這一區(qū)域影像特征,提高目視和判讀效果的技術(shù)過程。其目的主要有兩個(gè)：一是采用一系列技術(shù)改善圖像的視覺效果，提高圖的清晰度；二是將圖像轉(zhuǎn)換成一種更適合于人或機(jī)器進(jìn)行解譯和分析處理的形式。本文在設(shè)計(jì)過程中對(duì)木材缺陷圖像依次進(jìn)行了如下處理：彩色圖像灰度化、灰度變換、木材缺陷圖片平滑、木材缺陷圖像銳化與木材缺陷圖像圖像分割。圖21是木材缺陷特征提取的圖像預(yù)處理過程。圖21 木材缺陷圖像預(yù)處理過程圖像增強(qiáng)的方法一般分為空間域和變換域兩大類?？臻g域方法直接對(duì)圖像像素的灰度進(jìn)行處理。變換域方法在圖像的某個(gè)變換域中對(duì)變換系數(shù)進(jìn)行處理，然后通過逆變換獲得增強(qiáng)圖像。而變換域方法中通常我們都用頻域法進(jìn)行圖像處理。圖像增強(qiáng)主要方法如圖22所示。 圖22 圖像增強(qiáng)主要方法 木材缺陷圖像灰度變換 木材缺陷圖像灰度化處理圖像灰度化就是指由彩色圖像轉(zhuǎn)化為灰度圖像的過程。彩色圖像中的每個(gè)像素的顏色由R、G、B三個(gè)分量決定，而每個(gè)分量有255個(gè)值可取，這樣一個(gè)像素點(diǎn)可以有1600多萬(wàn)（255*255*255）的顏色的變化范圍。而灰度圖像是R、G、B三個(gè)分量相同的一種特殊的彩色圖像，其一個(gè)像素點(diǎn)的變化范圍為256（0～255）種。因?yàn)槲覀冏罱K需要提取的是木材缺陷的特征，也就是提取顏色的突變特征，并不關(guān)心缺陷部分具體是什么顏色，所以可以先把彩色（RGB）圖像轉(zhuǎn)換為灰度圖像，這樣可以減少計(jì)算量，降低后續(xù)特征提取的難度。圖像灰度化處理的方法主要有三種：最大值法：將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。f(i,j)=max(R(i,j),G(i,j),B(i,j)) （）最大值法會(huì)形成亮度很高的灰度圖像。平均值法：將彩色圖像中的三分量亮度求平均得到一個(gè)灰度圖。f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3 （）平均值法會(huì)形成較柔和的灰度圖像。加權(quán)平均值法：根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。f(i,j)=(WR R(i,j)+WG G(i,j)+WB B(i,j)) /3 （）其中，WR、WG、WB 分別為R、G、B的權(quán)值。顯然，當(dāng)WR、WG、WB不同的值時(shí)，得到的灰度圖像將不同。而由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，當(dāng)WG WR WB 時(shí)得到的灰度圖像最為合理。本論文中選用的就是加權(quán)平均法。通過實(shí)驗(yàn)和理論推導(dǎo)證明，當(dāng)WR =、WG =、WB =，能得到最為合理的灰度圖像。幾種灰度化效果見圖23。 (a)原圖 (b)最大值法 (c)平均值法 (d)加權(quán)平均值法圖23 灰度化效果圖 木材缺陷圖像灰度變換灰度變換是一種最簡(jiǎn)單、有效的對(duì)比度增強(qiáng)方法。它是將原圖像的灰度f(wàn)(x,y)經(jīng)過一個(gè)變換函數(shù)g=T(f)轉(zhuǎn)換成一個(gè)新的灰度g(x,y)，即 g(x,y)=T[f(x,y)] （）灰度變換可使圖像灰度動(dòng)態(tài)范圍加大，圖像對(duì)比度得到擴(kuò)展，圖像變得清晰，特征更加明顯，是圖像增強(qiáng)的重要手段。根據(jù)變換函數(shù)的形式，灰度變換分為線性變換、分段線性變換和非線性變換。線性灰度變換在圖像采集過程中，如果亮度不足或者亮度太大，采集得到的圖像灰度可能會(huì)局限在一個(gè)很小的范圍內(nèi)，這時(shí)在顯示器上看到的圖像模糊不清，沒有灰度層次感。采用線性變換，用一個(gè)線性單值函數(shù)，對(duì)圖像的每一個(gè)像素灰度作線性擴(kuò)展，將有效地增強(qiáng)圖像的對(duì)比度，改善圖像視覺效果。假定原圖像f(x, y)的灰度范圍為［a, b］，希望變換后圖像g(x, y)的灰度范圍擴(kuò)展至［c, d］，則線性變換可表示為 （） （）如圖24所示： 圖24 線性變換示意圖分段線性灰度變換分段線性變換是將圖像灰度分布區(qū)間分隔成兩段乃至多段分別進(jìn)行線性變換。分段線性變換可以突出用戶感興趣的目標(biāo)或灰度區(qū)間，相對(duì)抑制那些不敢興趣的灰度區(qū)間，從而使得特征物體的灰度細(xì)節(jié)得到增強(qiáng)。常用的事三段式分段線性變換，如圖25所示。 圖25 分段線性變換示意圖對(duì)原圖像f(x,y)，將其灰度分布區(qū)間[a,b]劃分為圖中的三個(gè)子區(qū)間，對(duì)每個(gè)子區(qū)間采用不同的線性變換，通過變換參數(shù)的選擇實(shí)現(xiàn)不同灰度區(qū)間的灰度擴(kuò)展或壓縮，因此分段線性變換的使用是非常靈活的。其數(shù)學(xué)表達(dá)式如下： （）木材缺陷灰度變換分段線性變換是為了突出人們感興趣的目標(biāo)或亮度值區(qū)間，要求局部擴(kuò)展亮度值范圍。它可以有效地利用有限個(gè)灰度級(jí)，達(dá)到最大限度增強(qiáng)圖像中有用信息的目的。木材缺陷圖像灰度變換前圖片如圖26(a)所示，經(jīng)線性灰度變換后效果如圖26(b)所示，經(jīng)分段線性變換后效果如圖26(c)所示： (a)原圖 (b)線性灰度變換 (c) 分段線性灰度變換圖26 分段線性變換效果圖分別采用線性灰度變換及分段線性變換兩種方法對(duì)缺陷圖像進(jìn)行處理，如圖26(a)、圖26(b)，經(jīng)比較，分段線性灰度變換的效果較好。 木材缺陷圖像平滑任何一副未經(jīng)處理的原始圖像一般都因受到某種干擾而含有噪聲。引起噪聲的原因有很多，如敏感元器件的內(nèi)部噪聲、感光材料的顆粒噪聲、熱噪聲、電器機(jī)械運(yùn)動(dòng)產(chǎn)生的抖動(dòng)噪聲、傳輸信道的干擾噪聲、量化噪聲等。噪聲產(chǎn)生的原因決定了噪聲的分布特性以及它和圖像信號(hào)之間的關(guān)系，通常噪聲可以分成加性噪聲、乘性噪聲、量化噪聲等。這些噪聲惡化了圖像質(zhì)量，是圖像模糊，甚至淹沒其特征，給分析帶來(lái)困難。 圖像平滑的目的就是減少和消除圖像中的噪聲，消除混雜在圖像中的干擾，以改善圖像質(zhì)量，強(qiáng)化圖像表現(xiàn)特征，有利于后續(xù)抽取對(duì)象特征進(jìn)行分析。圖像平滑的處理方式有基于空域和頻域兩種。在空域，圖像平滑使用鄰域運(yùn)算；在頻域，圖像平滑實(shí)際上是低通濾波，讓主要是信號(hào)的低頻部分通過，阻截屬于高頻部分的噪聲信號(hào)。經(jīng)典的平滑技術(shù)對(duì)噪聲圖像使用局部算子，當(dāng)對(duì)某一個(gè)像素進(jìn)行平滑處理時(shí)，僅對(duì)它的局部小鄰域內(nèi)的一些像素進(jìn)行處理，其優(yōu)點(diǎn)是計(jì)算效率高，而且可以對(duì)多個(gè)像素并行處理。下面就一些平滑算法進(jìn)行簡(jiǎn)單的研究和改進(jìn)。 鄰域平滑鄰域平滑法是一種空間域局部處理算法。對(duì)于位置（i,j）處的像素，其灰度值為f(i,j)，平滑后的灰度值為g(i,j)，則g(i,j)由包含（i,j）鄰域的若干個(gè)像素的灰度平均值所決定，即用下式得到平滑的像素灰度值g(i,j)= x,y = 0,1,2,…,M1 （）式中，A表示以(i,j)為中心的鄰域點(diǎn)的集合，M是A中像素點(diǎn)的總數(shù)。鄰域平均法的關(guān)鍵是設(shè)計(jì)合理的鄰域點(diǎn)的集合。平滑效果與所選用的鄰域半徑大小有關(guān)。半徑越大，平滑圖像的模糊程度越大，鄰域平均法的優(yōu)點(diǎn)在于算法簡(jiǎn)單，計(jì)算速度快，主要缺點(diǎn)是在降低噪聲的同時(shí)使圖像產(chǎn)生模糊，特別是在邊緣和細(xì)節(jié)處，鄰域越大，模糊越厲害。一般情況下，含噪圖像經(jīng)過鄰域平均法平滑之后，噪聲功率由原來(lái)的σ2降到M1σ2，同時(shí)，其信噪比提高倍。 中值濾波 中值濾波是采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動(dòng)窗口，用窗口中各點(diǎn)灰度值的中值來(lái)代替窗口中心點(diǎn)像素的灰度值。對(duì)于一個(gè)一維序列，取窗口長(zhǎng)度為m，m為奇數(shù)。對(duì)此序列進(jìn)行中值濾波，就是從輸入序列中順序取出m個(gè)元素，其中i為窗口的中心位置，v = (m1)/2。將這m個(gè)元素按照數(shù)值大小排列，位于正中間的那個(gè)數(shù)值作為濾波輸出。用數(shù)學(xué)表達(dá)式為 gi=Med(fiv ,… ,fi ,… ,fi+v) i∈Z , v = （）式中：Med(…)表示取序列中值。 中值濾波是一種非線性處理技術(shù)，能抑制圖像中的噪聲，由于它在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計(jì)特性，所以使用比較方便。它是基于圖像的這樣一種特性：噪聲往往以孤立的點(diǎn)的形式出現(xiàn)，這些點(diǎn)對(duì)應(yīng)的像素?cái)?shù)很少，而圖像則是由像素?cái)?shù)較多、面積較大的小塊構(gòu)成。所以，中值濾波對(duì)于去除圖像中的顆粒噪聲有比較好的效果。在一定條件下，中值濾波可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾也很有效。但是，對(duì)于一些細(xì)節(jié)多，特別是點(diǎn)、線、尖頂細(xì)節(jié)多的圖像不宜采用中值濾波的方法。 另外，為了在一定的條件下對(duì)某些圖像盡可能濾除噪聲，同時(shí)又能較好地保持圖像細(xì)節(jié)，可以對(duì)中值濾波器參數(shù)進(jìn)行修正，如加權(quán)中值濾波，即對(duì)輸入窗口中的像素灰度進(jìn)行某種加權(quán)，也可以對(duì)中值濾波器的使用方法進(jìn)行變化。 加權(quán)有向平滑濾波鄰域平均法和中值濾波法雖然都可以很好的去除圖像中的孤立的噪聲點(diǎn)，但是在抑制噪聲的同時(shí)，也會(huì)對(duì)圖像的邊緣及細(xì)節(jié)有比較大的損害，使圖像的邊沿及細(xì)節(jié)變模糊。鑒于此，在本課題研究中，提出一種加權(quán)有向平滑濾波算法。對(duì)于圖像中的任一像素，它只有3種可能的隸屬情況：屬于圖像本身、屬于圖像背景和屬于噪聲。前面提到的常用的空域平滑算法因?yàn)闆]有細(xì)分這3種情況，所以在去除噪聲的同時(shí)也模糊了邊界和細(xì)節(jié)。因此，本算法首先根據(jù)所選的1個(gè)無(wú)向模板和8個(gè)有向模板，利用相似者相容的原理，先判斷待處理的像素點(diǎn)屬于3種隸屬情況中的哪一種情況，然后再根據(jù)判斷結(jié)果分別采用不同的策略進(jìn)行濾波處理。圖27是為了判斷待處理像素的隸屬情況而引入的8個(gè)有向模板和1個(gè)無(wú)向模板。55領(lǐng)域 模板0模板1 模板2 模板3 模板4模板5 模板6 模板7 模板8圖27 用于判斷像素的隸屬模板圖27中所示各模板中心小圓圈表示待處理像素，周邊小黑點(diǎn)表示待處理像素的鄰域像素。我們根據(jù)以下兩條規(guī)則，先判斷出待處理像素的隸屬情況。（1）如果待處理像素的灰度值與各模板內(nèi)除待處理點(diǎn)外所有鄰域像素灰度均值的差值的絕對(duì)值都很大，則待處理像素為孤立噪聲點(diǎn)。（2）若待處理像素不是孤立噪聲點(diǎn)，則待處理像素屬于該像素點(diǎn)灰度值與模板內(nèi)其它所有像素點(diǎn)灰度均值的差值的絕對(duì)值為最小的模板。對(duì)于孤立噪聲點(diǎn)，其灰度值直接用其鄰域內(nèi)的其它所有像素的灰度均值代替，即可完全去掉該噪聲點(diǎn)對(duì)圖像的影響；對(duì)于非孤立噪聲點(diǎn)，則使用與其所隸屬模板的相應(yīng)加權(quán)有向模板進(jìn)行平滑濾波。為此，我們引入了如圖28所示的1個(gè)無(wú)向加權(quán)模板（加權(quán)模板0）和8個(gè)有向加權(quán)模板（加權(quán)模板1至8）進(jìn)行平滑濾波，即待處理像素的灰度值由相應(yīng)加權(quán)模板中各像素灰度值的加權(quán)平均值代替。加權(quán)模板中各像素權(quán)值的確定原則：離待處理像素距離越近的點(diǎn)，其對(duì)待處理像素灰度值的貢獻(xiàn)越大，所以其權(quán)值也應(yīng)當(dāng)越大。因此我們用模板中各像素與待處理像素之間的距離的倒數(shù)作為該像素的權(quán)值。垂直相鄰或水平相鄰的兩像素的距離設(shè)為1，則斜相鄰兩像素的距離就為sqr(2)≈。設(shè)待處理像素的灰度的權(quán)值為2，與待處理像素距離為1的像素的灰度的權(quán)值為1/1=1，與待處理像素距離為sqr(2)的像素的灰度權(quán)值為1/sqr(2)≈，與待處理像素距離為2sqr(2)，各模板中像素點(diǎn)的權(quán)值如圖28所示。55領(lǐng)域 加權(quán)模板0加權(quán)模板1 加權(quán)模板2 加權(quán)模板3 加權(quán)模板4加權(quán)模板5 加權(quán)模板6 加權(quán)模板7 加權(quán)模板8圖28 用于濾波的加權(quán)有向模板以上是加權(quán)有向平滑濾波算法的基本原理，那么如何利用加權(quán)有向平滑濾波算法來(lái)實(shí)現(xiàn)對(duì)圖像的去噪平滑呢？設(shè)i和j分別為平面坐標(biāo)系的橫坐