基于图像阈值分割及分形特征的纸病识别算法研究

《基于图像阈值分割及分形特征的纸病识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

分类号TP273+.5学位代码308密级GK学校代码10298学号3090366南京林业大学研究生硕士学位论文论文题目院基于图像阈值分割及分形特征的纸病识别算法研究作者院殷燕屏专业院制浆造纸工程研究方向院制浆造纸装备与控制指导教师院胡慕伊教授二○一二年六月 致谢本论文是在导师胡慕伊教授的悉心指导和亲切关怀下完成的。从最初的论文选题到最后的论文撰写，无不凝聚着导师的心血和汗水。导师敏锐的洞察力、活跃的思维、渊博的学识和严谨求实的治学态度，给我以深深的启迪和教导，将使我一生都受益匪浅。在论文完成之际，我谨向导师三年来的教诲和关心表示深深的谢意，并致以崇高的敬意！在课题研究过程中，特别感谢熊智新副教授，他一丝不苟、精益求精的科研作风对我产生了深远的影响。在算法研究和系统设计过程中，他提出了许多宝贵的意见和建议，帮我解决了很多编程方面的困难，本论文的完成离不开他的帮助，在此致以诚挚的感谢！感谢胡明高级工程师，他们提供了宽松的科研环境，并在我课题研究过程中和日常学习生活中，给予我多方面的帮助和指导！感谢卜磊、任辉、曹露，在三年的学习生活中，轻松和睦的宿舍气氛和无私互助的友谊令我终生难忘！感谢一直给予我最大的关心、支持和鼓励的父母和家人，他们对我的理解和关爱是我不断前进的动力！感谢南京林业大学对我的培养，祝愿母校的明天更加美好！殷燕屏2012年6月 摘要随着造纸工业在中国的不断发展，纸机车速和幅宽的不断增加，在生产过程中，由于设备磨损、生产原料或环境污染、操作等原因，会造成一些外观纸病，仅靠传统人工肉眼检测纸张外观纸病已不现实。在实际生产中，准确判断某一纸病的类型并反溯病源，对于纸张生产质量的监控有重要意义。本文重点研究纸病图像处理算法、纸病图像的灰度特征和分形特征及纸病检测和识别实验系统的设计，包括系统的算法研究、图像预处理和算法的程序实现等。针对尘埃、孔洞、褶子、裂口这四类常见典型纸病识别中遇到的一些问题，在分析和研究纸病图像的灰度特征和分形特征基础上，提出一种基于图像动态双阈值分割及分形盒维数的纸病特征提取与识别算法。根据不同纸病图像的灰度特征采用双阈值分割纸病区域；根据纸病图像的分形盒维数特征，判断纸病图像的形状，在此基础上设计四类纸病识别算法，取得了较好的纸病识别效果。虽然本文取得了一定的研究成果，但由于在实际生产中纸病种类繁多，研究得到的纸病检测识别算法还存在着局限性，距投入到实际生产中还存在着一定差距。本文最后对研究中存在的不足进行了总结，并对后续研究提出了建议。关键词：灰度特征；阈值分割；分形盒维数；纸病识别 IdentificationAlgorithmofPaperDefectsBaseonThresholdSegmentationandFractalCharacteristicsABSTRACTWiththecontinuousdevelopmentofthepaperindustryinChina,theincreasingwebwidthandmachinespeed.Intheproductionprocess,itisnoteasytoinspectthepaperdefectsbymanualinspection,whichcausedbyequipmentsabrasion,qualityofrawmaterialandenvironmentpollution.Inpracticalproduction,accuratejudgmentofapaperdiseasetypeanddeterminecauses,whichisimportanttomonitorproductionquality.Thispaperfocusesonimageprocessingalgorithmsofpaperdefects,grayfeatureandfractalfeatureofpaperimage,paperdefectsdetectionandrecognitionexperimentsystemdesign,includingstudythealgorithms,theimageprocessingalgorithms,algorithmproceduresrealize.Aimingattheproblemsoftypicalpaperdefectsidentificationsuchasspecks,void,flawandgoffer,throughtheanalysisoftheimagegraycharacteristicsandfractalfeature,arecognizedalgorithmofpaperdefectsbaseonthresholdsegmentationandfractalcharacteristicsisproposed.Thealgorithmusingdualthresholdsegmentationpaperdiseaseareaandjudgingpaperdiseaseimageshapebytheboxdimensionoffractalcharacteristics.Basedonthesetheories，designingthepaperdefectrecognitionalgorithm,experimentresultsshowsthatthisapproachiseffective.Themethodappliedinthesystemstillhasalongdistancetotheutilitybecauseofthemanifoldpaperdefects,althoughthispaperhasacquiredsomeachievements.Therefore,thispaperconcludesdeficienciesinresearchandgivessuggestionsforfocusofnextwork.Keywords：Graycharacteristics;Thresholdsegmentation;Fractalboxdimension;Paperdefectsrecognition 目录第一章绪论...............................................................................................................................11.1课题研究的目的及意义.................................................................................................11.1.1研究的目的...........................................................................................................11.1.2研究的意义...........................................................................................................11.2研究的背景及国内外研究现状.....................................................................................21.2.1研究的背景...........................................................................................................21.2.2国内外研究现状...................................................................................................31.3本文研究的内容.............................................................................................................3第二章纸病图像获取与检测系统的总体设计.........................................................................52.1纸病的概述.....................................................................................................................52.2纸病检测实验系统概述.................................................................................................82.2.1基本原理...............................................................................................................82.2.2CCD相机简介......................................................................................................82.2.3系统结构...............................................................................................................82.2.4系统硬件...............................................................................................................92.2.5软件环境...............................................................................................................92.3本章小结.......................................................................................................................11第三章纸病图像预处理方法研究...........................................................................................123.1图像平滑去噪...............................................................................................................123.1.1线性滤波.............................................................................................................123.1.2中值滤波.............................................................................................................133.1.3自适应滤波.........................................................................................................153.2图像分割.......................................................................................................................163.2.1阈值分割.............................................................................................................173.2.1.1常见的阈值选取方法...............................................................................173.2.1.2常规的阈值法的实验结果.......................................................................183.2.1.3动态双阈值分割方法...............................................................................193.2.2边缘检测.............................................................................................................213.2.2.1边缘检测算子...........................................................................................213.2.2.2各种边缘检测算子的比较及MATLAB实现........................................223.3移除对象.......................................................................................................................243.4本章小结.....................................................................................................................255第四章分形维数与纸病图像的分形盒维数特征...................................................................264.1分形...............................................................................................................................264.1.1分形的概念.........................................................................................................264.1.2分形的发展与应用前景.....................................................................................274.2分形维数.......................................................................................................................284.2.1相似维.................................................................................................................294.2.2Hausdorff测度....................................................................................................294.2.3Hausdorff维........................................................................................................294.2.4q-维.....................................................................................................................31I 4.2.5盒维.....................................................................................................................304.3纸病图像的分形盒维数特征.......................................................................................324.3.1分形盒维数的一般计算方法及软件实现.........................................................324.3.2不同纸病图像的分形盒维数特征.....................................................................334.4本章小结.......................................................................................................................36第五章基于图像阈值分割及分形特征的纸病识别算法研究...............................................375.1常规图像特征提取和选择方法...................................................................................375.1.1常规特征选择的标准.........................................................................................375.1.2形态特征.............................................................................................................385.1.3灰度特征.............................................................................................................385.1.4纹理特征.............................................................................................................395.2基于图像阈值分割及分形特征的纸病识别算法.......................................................405.2.1识别算法设计原理.............................................................................................405.2.2识别算法设计的关键技术.................................................................................415.2.3识别算法设计的计算步骤.................................................................................415.2.4识别算法计算结果与分析.................................................................................425.3本章小结.......................................................................................................................43第六章总结与展望...................................................................................................................446.1总结...............................................................................................................................446.2展望...............................................................................................................................44参考文献.....................................................................................................................................46II 第一章绪论1.1课题研究的目的及意义1.1.1研究的目的造纸工业与国民经济的增长和人们的生活密切相关，在全球工业中一直占有重要地位。在我国，自90年代以来随着经济的飞速发展，用纸量与日俱增。我国已经成为世界造纸产品的主要生产国和消费国（生产量和消费量均居世界第2位）仅次于美国，在世界[1]造纸工业竞争格局中已具有相当的影响力。我国造纸工业已进入一个由传统造纸业向现代造纸业转变的时期，这样的转变将有助[2]于造纸工业转变能耗水耗高、产品质量低、环境污染重的传统的造纸工业形象。随着造纸技术的不断提高，现代造纸业的特点是纸幅宽、速度快。现代造纸机的幅宽可达10米，有些纸机的车速可达1800m/min，在纸张抄造过程中，由于设备磨损、生产原料、环境污染、操作等原因，会造成一些外观纸病，如：尘埃、斑点、条痕、皱褶、孔洞和破边等。靠传统的人工肉眼检测纸病已不可能，为适应这种生产要求，需要借助纸病检测系统提高检测效率，并实现在线分析和控制。目前，较为流行的在线检测方法是机器视觉技术，采用在生产线上放置的视频摄像机把捕捉到的图像传送到计算机，运用图像处理技术，对纸张的各种外观性能进行定量和定性这两方面的检测和评估。基于CCD（ChargeCoupledDevice）技术的纸病检测系统因结构简单、非接触、性能稳定等优点成为新一代纸病在线[3]检测系统的主流。1.1.2研究的意义当今造纸行业竞争非常激烈，质量就是生命线。出厂的产品一旦被用户发现存在纸病，造纸厂商不但会受到用户的投诉和赔偿经济损失，甚至会失去用户，因此在实际生产中，准确判断某一纸病的类型并反溯病源，对于生产质量的监控有重要意义。例如，边缘裂缝的早期检测能够减少断纸的发生；孔洞的检测，使得现场人员能够尽早对压光辊面及时采取维护措施；周期性纸病的出现，可提醒设备维护人员及时检查相应的设备，以免出现更大的问题。目前，纸病检测识别系统的开发大多基于机器视觉技术，而机器视觉系统又以图像处理技术为核心，因此对纸病图像检测与识别算法的研究尤为重要，合适算法的应用可以很好地实现检测的可视化、微观化和自动化，迅速准确地对纸病进行检测分析，从而大幅度的提高检测效率，优化生产过程，降低生产成本。因此，纸病检测与识别算法的研究设计对提高造纸企业的效益及造纸生产设备的自主研制均有重要意义。1 1.2研究的背景及国内外研究现状1.2.1研究的背景改革开放以来，随着中国国民经济的持续稳定发展，中国造纸工业发生了根本性变化。我国已成为世界造纸产品的主要生产国与制造国，同时也是世界造纸产品的主要进口国，产品自给率达90%以上，基本上满足国内新闻出版、印刷、商品包装等相关行业的消费需要。根据国家统计局公布的数据，2006年我国纸及纸板生产企业约有3500家左右，上半年我国造纸行业纸和纸板生产量3168.69万吨，进口223.76万吨，出口146.42万吨；消费量3246.03万吨，比上年同期增长9.6%。上半年商品木浆进口411万吨，全年预计进口约800万吨，比上年增长5.4％；上半年废纸进口约1100万吨，全年预计进口约2000万吨，比上年增长17.6%；2006年上半年纸浆、纸和纸板、废纸及纸制品仍为第一大宗进口产品，进口共用外汇43.12亿美元，同比下降了18.5%。以上数据显示我国纸业生产和消费保持较好的增长态势，出口剧增，进口减少，整体竞争力有明显提高，具有较好的发展潜力，[4]在国民经济中的地位越来越受到关注。“十五”期间，我国造纸工业进入快速发展期，主要呈现以下特点：(1)、政策环境基本稳定，林纸一体化发展形成共识；（2）、生产消费快速增加，行业运行质量显著提高；（3）、原料结构有所改善，产品结构进一步优化；（4）、企业重组力度大，产业集中度有所提高；（5）、污染防治初见成效，资源消耗进一步降低。然而，当前中国造纸行业也存在诸多问题：规模不合理；规模效益水平低；优质原料缺口大；对外依存度高；资源消耗较高；污染防治任务艰巨；装备研发能力差；先进装备依靠进口、外资利用结构有待优化；统筹协调发展任务紧迫。但是，造纸工业是发达国家国民经济十大支柱性产业之一，国内造纸优势依然存在，而且，国家制定了造纸行业的“十一五”规划，出台了相应的政策来促进造纸行业的发展，中国造纸行业必将有广阔的发展前景。中国造纸业走向世界的进程中进一步巩固纸业大国的地位并更加接近于纸业强国的条件：行业平均经济效益指标高于世界平均水平；能源消耗和环境污染低于世界平均水平；出口量达到世界出口总量的5%。随着科学技术的进步，造纸工业正向高速度、高精度和自动化方向发展。为了发挥自动化作业线生产稳定、原料利用率高、产品一致性好、成本低等优势，必然要求纸浆的化[5]学成分均匀、纸张的表面质量好。因此在造纸生产规模和产量日益扩大的同时，其表面质量也必然会受到越来越多的关注。目前，我国许多研究单位、企业和高校投入了大量的人力、物力和资金进行纸张质量提高、新生产工艺开发和纸机控制等方面的研究，并取得了一系列成果。但是在纸张质量检测方面还存在不少问题，如纸病检测识别率低、检测速度慢等，需要采取措施进一步提高检测能力予以解决。在现代工业自动化生产中，涉及到各种各样的检查、测量和识别应用，通常这种带有高度重复性和智能性的工作只能靠人工检测来完成，增加了巨大的人工成本和管理成本。因此，人们开始考虑把计算机的快速性、可靠性、结果的可重复性，与人类视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。机器视觉极适用于大批量生产过程中的测量、检查和识别。2 1.2.2国内外研究现状目前，常见的纸病检测系统有：ABB公司的ULMA3D、ULMANTi、ESI7，MeasurexRoibox公司的MXOpenWIS，和OMRON公司的AUTOSPEC等等。此外，世界知名的机器视觉公司如Parsytec、Cognex也通过与自控行业巨头的合作，依托自身先进的机器视觉技术，开发纸病检测系统，这极大地推动了纸病在线检测技术的发展。根据查阅的文献资料，未见到有关纸病检测的理论报道，国内也只有极少数企业引进了国外的纸病检测系统[6][7][8]。国内的纸病检测技术研究处于起步阶段，浙大双元公司于2004年推出了SYWIS3000纸病检测分选系统，是国内第一个自行开发的纸病检测系统，但尚未见到有关[9]该系统使用情况的报道。在检测算法方面，上文提到的ULMA3D、MXOpenWIS和AUTOSPEC等产品都是采[5]用简单的阈值法，针对不同纸病设置不同等级的阈值来检测纸病。Praast等用计算机图像[8]分析法分析压光过程中产生的黑道、斑点和缺点等纸病现象。JukkaIivarinen等利用灰度共生矩阵的各种统计量作为纹理特性的度量，于2000年提出了基于共生矩阵和自组织神[10]经网络的纸病检测方法。SHossainHajimowlana等根据人工缺陷检测系统的特点，提出了模糊逻辑算法，通过修改隶属度函数和控制规则克服了光照的变化和纸页上的灰尘等环[11][12]境噪声的影响。KellerDS等在实验中，利用小波变换来表征纸页匀度的空间波动特征。I’Anson等对影响表面粗糙度的纸面周期性的纸痕用计算机图像法进行了分析，以及对所得纸张的表面图像进行傅立叶变换和傅立叶反变换，通过从图样中分离出表面粗糙状况的[13][14]频谱图，对粗糙度进行分析。Jang等用共焦激光扫描显微镜过得纸页横切面的图像，[15]对所得图像进行图像分析获得纸页和纤维的结构性能。国内的纸病检测技术研究处于起步阶段。近几年，国内各高校和研究机构在纸病检测算法方面也进行了深入的研究。吕岑等应用图像处理技术研究了纸张灰度图像的基本特征[16]和分布特征，从而有效地提取出纸病的特征；通过对纸张微观结构中纤维分布的分析,运用图像处理和统计处理技术建立了理想纸张的物理模型和数学模型,给出了理想纸张的[17]定义及纸病的定义；还提出了采用数学形态学操作从纸病图像中分割强噪声背景和纸病[18]的方法，结合阈值增强方法和传统边缘检测得到纸病检测和分割结果；同时，他还提出[19]了纸张表面纸病检测与分割的二阶段新方法。徐志鹏等讨论了在纸幅随机纹理背景下纸[20]病的检测,提出利用纸病处的奇异性来区分其和背景纹理。周兴林等在分析传统的差影[21]减法的基础上，采用Top-Hat运算去除图像噪声并完成纸病图像的可疑目标的快速检测。[22]亢洁等提出了基于轮廓结构元素形态学（CB形态学）滤波的形态学纸病检测方法。1.3本文研究的内容比较常见的纸病图像特征主要有形态特征、灰度特征、纹理特征等等。一般有运用面[23]积、宽长比、灰度均值、灰度方差等等方法来区分纸病图像，但区分效果相对不明显或比较复杂。例如孔洞和尘埃的形状特征比较接近，而褶子和裂口在形态特征上也较为相似，特别是长宽比这一特征量比较接近，互相误判的可能性也较大；基于Hough变换的图像特[24]征提取与识别方法对于检测褶子纸病图像有一定的优势，但这种方法只对像折子、条痕、3 褶子等纸病在定性检测线状目标方面快速准确，而无法识别孔洞和尘埃等点状纸病；虽然[20]运用小波奇异性来区分纸病和背景纹理的方法，可以很好的识别出是否存在纸病，但不能区分属于哪一类的纸病。本文针对尘埃、孔洞、褶子、裂口这四类常见典型纸病识别中遇到的一些问题，在分析和研究纸病图像的灰度特征和分形特征基础上，提出一种基于图像动态双阈值分割及分形盒维数的纸病特征提取与识别算法。该算法根据不同纸病图像的灰度特征采用双阈值分割纸病区域；根据纸病图像的分形盒维数特征，判断纸病图像的形状。在此基础上设计以上四类纸病识别算法。本论文的结构安排如下：第一章绪论，介绍课题研究的目的及意义；研究背景及并分析国内外的研究现状；介绍了本文的研究内容。第二章纸病图像获取应用的硬件及软件，首先简单介绍介绍孔洞、尘埃、褶皱和裂口这四种典型纸病；列举了一般机器视觉系统的组成部件，根据本文纸病图像获取装置智能图像传感器的特点，详细介绍了智能图像传感器DVTLegend530；最后对软件环境Delphi和MATLAB作了简单的介绍。第三章纸病图像预处理方法研究，首先介绍了数字图像处理技术；详细介绍了线性滤波、中值滤波和自适应滤波三种去噪算法；重点研究了阈值化方法和边缘检测两种图像分割算法，并提出一种基于灰度经验的动态双阈值分割方法，用来检测高对比度纸病；对于像褶子这种对比度纸病则采用边缘检测这种图像分割算法，为接下来两章的纸病图像识别算法提供基础。第四章分形维数与纸病图像的分形盒维数特征，首先介绍分形的发展历程；简单介绍了几种分形维数的原理；详细介绍了分形盒维数的一般计算方法和纸病图像的分形盒维数特征；接着讨论了不同纸病图像的分形盒维数特征不同的原因，为下一章设计纸病图像的识别算法提供了理论和实际依据。第五章基于图像阈值分割及分形特征的纸病识别算法研究，介绍了常规的形态特征、灰度特征、纹理特征等各种图像特征；提出了一种基于图像阈值分割及分形特征的纸病识别算法，详细介绍了其算法设计的原理和实现步骤；最后进行系统测试并对测试结果进行分析。第六章总结与展望。4 第二章纸病图像获取与检测系统的总体设计2.1纸病的概述纸病的一般性定义：如果纸张的纤维结构分布偏离了标准模型的纤维结构的理想分布,就可以认定产生了纸病,即纸张的不同外观纸病实际上是对理想纤维结构的某种严重偏离[25]。在纸张的抄造过程中,纤维结构的分布是随机的,质量高的纸张其分布是随机而均匀的。从物体亮度的物理性质看,纸病代表了灰度对背景平均值的偏离,不同纸病其偏离程度不同。不同种类的偏离,代表了不同类型的外观纸病。常见的纸病有：孔洞、尘埃、褶皱、透光、透帘、气泡、折子、斑点、硬质块、条痕、毛毯痕、裂口等等。由于纸病种类太多，为研究方便，结合实际生产情况，本课题选取孔洞、尘埃、褶皱和裂口这四种纸病进行检测和识别的研究。孔洞、尘埃和裂口属高对比度纸病，褶皱则是低对比度纸病。纸病检测系统分为透射式和反射式两种，其中约85%是透射式，即采用照明光源和位[26]于纸幅另一侧的数字照相机的配置方式。本文中的纸病图像均是在透射光照条件下采集的。1、合格纸样合格纸样如图2.1所示，整个图像的灰度分布范围较小，灰度变化均匀，没有明显的灰度阶跃。图2.1合格纸样2、孔洞典型的孔洞纸病如图2.2所示，孔洞处在透射光照射下用肉眼可见到完全穿透而没有纤维，一般小的称孔眼，大的叫破洞。有规律的孔眼是因网子有破损，网眼堵塞，焊接不良，毛毯有油，辊子粘浆等原因造成的；无规律的孔眼是由于浆料不净，压后成小孔，浆5 中气泡破裂，纸幅拉得过紧，真空伏辊粘眼，烘缸温度过高造成的；破洞主要是因为大浆[27]块、砂粒等脱落或压光后破裂、腐浆团上网被伏辊压溃后产生的。图2.2孔洞纸样3、尘埃典型的尘埃纸病如图2.3所示，尘埃处在纸面上用肉眼可见，其灰度明显暗于纸面。纤维性尘埃主要是由于黄筋、杂色纤维、色纸点、腐浆点、泡沫点等造成的；金属性尘埃[27]主要是由于铁锈，铜沫等造成的。图2.3尘埃纸样4、褶皱典型的褶皱纸病如图2.4所示，褶皱处的灰度从总体上看与背景差别不大，但褶皱在纸面上的凹凸不平体现为边界上较为明显的灰度阶跃变化。褶皱主要是由于浆料未洗净，6 网槽、毛毯有问题，打浆度及抄造速度不合适等原因导致纸页在运行过程受到的张力不均[27]匀和本身收缩不一致而造成的。图2.4褶皱纸样4、裂口典型的褶皱纸病如图2.5所示，裂口通常指在纸张的中部或者边沿出现了裂缝或破口。这些裂缝或破口容易在印刷过程中扩大或者被拉断，导致断纸停机，增加纸张损耗。裂口主要是由于纸张质量差；压痕过深；烘干机车速过慢，纸张脱水严重，失去韧性等原因导[27]致而造成的。图2.5裂口纸样7 2.2纸病检测实验系统概述2.2.1基本原理[25]纸病检测就是把带有缺陷的纸从正常纸张中分离出来的过程。纸病检测系统的基本原理是：在纸张的整个幅面上,用若干个CCD(电荷耦合元件)摄像机在线检测专用光源反射或透射光的强度，转化成电信号，经计算机处理，判断出纸张上各种外观纸病的类型、尺寸及位置等详细信息。同时，将这些数据储存到数据库，并模拟实时幅面，在计算机屏幕上显示各种纸病。一个功能完备的的纸病检测系统还可对纸病出现的周期性、连续性、密度和根源等进行分析，生成各种报表；用色标器在幅面的边缘打上标记，以便在后续的整理工序中针对不同纸病进行相应的处理,提高成品的合格率。2.2.2CCD相机简介CCD是一种高精度、高灵敏度的光电耦合器件，它具有自扫描的特性，能够将按空间域分布的光学图像变换成按时间域分布的离散电压信号，继而通过电子系统对这一信号进行各种处理得到物体的图像资料。CCD按其像元排列形式分为两大类型线阵（Liner）CCD和面阵（Area）CCD。线阵CCD因其驱动简单，信号相对易于处理而在工业检测领域得到广泛应用。面阵CCD相机的感光区为一矩形阵平面，通常的长宽比是3∶2，拍摄速度快。线阵CCD相机的感光区由光敏元件均匀地排成一列，分辨率较高，可以很容易地拍[7]摄出纸面上的瑕疵。CCD相机采用高质量的工业级镜片将纸页表面成像在传感器（CCD元素）上。对于离散的纸病（如斑点、孔洞等），通常采用焦距为35mm和50mm（特殊情况下采用28mm）的镜片。对于连续的纸病（如条痕、褶皱等）一般采用50mm或80mm的镜片，以提高横向分辨率。高精度镜片具有优良的分辨率、景域和景深。针对不同的需求应对光圈进行优化。由于速度快，离散纸病要采用大光圈（小视场光阑数：2.8，4）。连续纸病的检测时间[5]要求不同，要使用小光圈（视场光阑数：5.6，8或11）。2.2.3系统结构典型的纸病检测系统包括4个部分：传感，检测，特征化和分类。传感部分通常由光源的照明，光学器件，以及传感器构成，主要包括相机横梁和光源横梁，光源横梁用于给纸幅提供充足、明亮、一致的照明。根据纸种的不同，可以使用穿透式或者反射式照明。而相机横梁则安装有线阵的CCD相机，为了满足检测分辨率的需求，横梁上可以采用多达数十个相机以覆盖整个纸幅宽度。检测部分的作用是通过软件算法检测纸病，在出现纸病时通知特征提取部分捕获纸病。主要算法采用了各种不同的全局阈值和局部阈值技术，以及滤波技术。特征化部分根据检测部分的异常信息，对纸病图像提取出能够表达纸病特征而又尽可能少的特征向量。分类部分就是对检测到的不同纸病进行分类，通常它需要事先对不同的纸病类型进行学8 习，然后通过特征分析，选择特定的分类器方法。目前有些CCD摄像头已经集成了图像的摄取、数据的处理、纸病的检测和分类等功能，称为智能摄像头。根据本文采用的智能图像传感器的特点，设计纸病检测实验系统结构如图2.6所示：智能图像被测纸张计算机显示器传感器打印输出光源纸病检测软件图2.6纸病检测实验系统的构成2.2.4系统硬件本文采用的智能图像传感器是DVTLegend530，如图2.7(a)所示。该传感器的核心是CCD，其规格是：4.8mm×3.6mm（1/3”形式），640×480象素分辨率，7.4um×7.4um，正方形象素。其它主要硬件配置如下：CSMount，16mm镜头；LED频闪光源，IDRA；跳线（crossover）以太网电缆（CBL-C10EX）；15针数字I/O电缆（CBL5-Dxx*）RJ45和15针DB连接器；数字I/O接线面板（CON-BRK），如图2.7(b)所示；24伏直流电源。(a)智能图像处理器DVTLegend530(b)接线面板图2.72.2.5软件环境本检测系统的开发工具主要是：Delphi6.0和MATLAB7.0软件。1、Delphi简介9 Delphi是由Borland（现在已和Inprise合并）推出的一种非常优秀的可视化程序开发工具，该软件使用了MicrosoftWindows图形用户界面的许多先进特性和设计思想，提供丰富的VCL控件，采用高度结构化的ObjectPascal语言，具有结构清晰、编译迅速等特点。“真正的程序员用C，聪明的程序员用Delphi”，这句话是对Delphi最经典、最实在的描述。Delphi被称为第四代编程语言，它具有简单、高效、功能强大的特点。和VC相比，Delphi更简单、更易于掌握，而在功能上却丝毫不逊色；和VB相比，Delphi则功能更强大、更实用。可以说Delphi同时兼备了VC功能强大和VB简单易学的特点。它一直是程序员至爱的编程工具。Delphi具有以下的特性：基于窗体和面向对象的方法，高速的编译器，强大的数据库支持，与Windows编程紧密结合，强大而成熟的组件技术。Delphi拥有当今世界上最快的[28]编译器和最为领先的数据库技术。Delphi编译器可以3.5万行/秒的速度编译，编译后的可执行程序也是真正的二进制机器代码，它的速度已经非常接近C语言。Delphi具有强大的数据库开发和管理功能，非常适用于数据库编程，它提供了对多种数据库开发的支持，用于目前市面上几乎所有的数据库系统，包括大型数据库Sybase、Oracle、SQLServer、Informis、DB2等，中小型数据库Interbase、Access、Paradox、dBase、FoxPro等。同时Delphi提供了对数据库的多种连接支持，包括ODBC、ADO、BDE、dbExpress等。针对这些连接，Delphi中提供了BDE、ADO、Interbase、DataSnap和dbExpress类VCL控件，同时支持分布式、多层分布式开发。所有这些，为数据库开发人员提供了最大的方便，使[29]其能够在有限的时间内最大限度地完成数据库开发任务。本课题中纸病检测实验系统的纸病历史数据存储和查询等部分的设计都需要使用数据库编程，鉴于Delphi在数据库方面的优势，本课题采用Delphi软件开发平台开发的纸病图像检测系统，采集纸病图像并存储到数据库中，以供纸病识别算法研究使用。2、MATLAB简介MATLAB是矩阵（matrix）和实验室（laboratory）两个英文单词前三个字母的组合。其是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分[30]。MATLAB由一系列工具组成。这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。随着MATLAB的商业化以及软件本身的不断升级，MATLAB的用户界面也越来越精致，更加接近Windows的标准界面，人机交互性更强，操作更简单。另外MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。目前，MATLAB已经把工具箱延伸到了科学研究和工程应用的诸多领域，诸如数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯、电力系统仿真等。考虑到MATLAB极高的编程效率，本课题对图像处理算法的研究在MATLAB环境中10 进行，筛选出可行的算法，再用Delphi将算法集成到纸病检测系统中。2.3本章小结本章简要介绍孔洞、尘埃、褶皱和裂口这四种典型纸病的图像特征和形成原因；纸病图像的获取方法；介绍了纸病检测系统的基本原理、CCD相机、系统结构、系统硬件；最后对本文程序开发平台Delphi和MATLAB软件作了简单的介绍。11 第三章纸病图像预处理方法研究3.1图像平滑去噪一幅未经处理的原始图像，由于在摄取过程中，受环境条件以及图像智能传感器自身质量等各种因素的影响，会存在一定程度的噪声干扰。如使用CCD摄像头获取图像，光[31]照程度和传感器温度是生成的图像中含有大量噪声的主要原因。噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。因此，需要滤波来消除噪声影响、改善图像质量。噪声的种类复杂，常见的噪声主要是高斯噪声和椒盐噪声。图像滤波方法有多种，空域滤波就是在图像空间中借助模版对图像进行领域操作。输出图像中每一个像素的取值都是通过模版对输入像素相应领域内的像素值进行计算得到的。空域滤波器有很多种，但其基本特点都是让图像在傅里叶空间某个范围内的分量受到限制，同时保持其他分量不变，从而改变输出图像的频率分布，达到增强图像的目的。根据模版的特点可以将空域滤波分为线性和非线性两类。线性空域滤波常常是基于傅里叶分析，而非线性空域滤波通常是直接对领域进行操作。下面介绍3种最常用滤波去噪方法：线性滤波，中值滤波和自适应滤波。3.1.1线性滤波平滑线性滤波器的概念非常直观。它用滤波掩模确定的领域内像素的平均灰度值去代替图像每个像素点的值，这种处理减小了图像灰度的“尖锐”变化。由于典型的随机噪声由灰度级的尖锐变化组成，因此，常见的平滑处理应用就是减噪。然而，由于图像边缘（几乎总是一副图像希望有的特性）也是图像灰度尖锐变化带来的特性，所以均值滤波处理还[32]是存在着不希望的边缘模糊的负面效应。线性滤波的数学描述为：对于给定的图像fij,中的每个像点mn,，取其领域S。设S含有M个像素，取其平均值作为处理后所得图像像点mn,处的灰度。用一像素领域内各像素灰度平均值来代替该像素原来的灰度，既是领域平均技术（线性滤波）。领域S的形状和大小根据图像特点确定。一般取的形状是正方形、矩形及十字形等，S的形状和大小可以在全图处理过程中保持不变，也可以根据图像大的局部统计特性而变化，点mn,一般位于S的中心。如S为33领域，点mn,位于S中心，则：111fmn,,fminj（3-1）9ij112假设噪声n是加性噪声，在空间各点互不相关，且期望为0，方差为，g是未受污染的图像，含有噪声的图像f经过领域平均后为：111fmn,,,,fijgijnij（3-2）MMM221由上式可知，经领域平均后，噪声的均值不变，方差a，即噪声方差变小，M12 说明了噪声强度减弱了，抑制了噪声。由上式还可以看出，领域平均法也平滑了图像信号，特别是可能使图像目标区域的边界变得模糊。可以证明，对图像进行领域平均处理相当于图像信号通过一低通滤波器。线性滤波器的图像平滑效果如图3.1所示，以孔洞纸病图像为例：(a)(b)(c)(d)图3.1(a)加有椒盐噪声的纸病图像(b)33线性滤波器处理果(c)55线性滤波器处理结果(d)77线性滤波器处理结果比较以上采用不同尺寸的均值滤波器进行低通滤波处理的结果可知，当所用的平滑模板的尺寸增大时，消除噪声的效果增强，但同时所得图像变得模糊，细节的锐化程度逐步减弱。3.1.2中值滤波中值滤波是一种典型的低通滤波器，主要目的是保护图像边缘，同时也能去除噪声。中值滤波是将领域中的像素按灰度级排序，取其中间值为输出像素，它的效果依赖于两个要素：领域的空间范围和中值计算中涉及的像素数，当空间范围较大时，一般只取若干稀[33]疏分布的像素作中值计算。中值滤波的方法简单，易于实现，而且能够抑制随机噪声的同时不使边缘模糊。但对[34]于线，尖顶等细节多的图像不易采取中值滤波。13 中值滤波的数学描述为：若S为像素x0,y的领域集合（包含x0,y），x,y表00示S中的元素，fxy,表示x,y点的灰度值，S表示集合S中元素的个数，Sort表示排序，则对x0,y进行平滑可表示为：0fx0,ySortfxy,（3-3）0xy,SS12中值滤波处理效果图如图3.2所示：(a)(b)(c)(d)图3.2(a)含椒盐噪声的纸病图像；(b)中值滤波后的图像；(c)含高斯噪声的纸病图像；(d)中值滤波后的图像；由以上处理结果可以看出，中值滤波器不像均值滤波器那样，它在衰减噪声的同时不会使图像的边界模糊，这也是中值滤波器受欢迎的主要原因。因此本文选用中值滤波作为纸病图像去噪算法。14 3.1.3自适应滤波自适应滤波是近30年以来发展起来的一种最佳滤波方法。它是在维纳滤波，kalma滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。MATLAB7.0图像处理工具箱中的wiener2函数可以实现对图像噪声的自适应滤除。wiener2函数根据图像的局部方差来调整滤波器的输出。当局部方差大时，滤波器的平滑效果较弱，滤波器平滑效[35]果强。自适应滤波器不需要关于输入信号的先验知识，计算量小，特别适用于实时处理。wiener2函数采用的算法是首先估计出像素的局部矩阵和方差：1ann12,（3-4）MNnn12,2212ann12,（3-5）MNnn12,是图像中每个像素的MN的邻域。然后对每一个像素利用wiener滤波器估计出灰度值：22bnn12,,2ann12（3-6）2这里是图像中噪声的方差。对含有椒盐和高斯噪声的图像作自适应滤波处理效果图如图3.3所示：15 (a)(b)(c)(d)图3.3(a)含有椒盐噪声的尘埃纸样；(b)自适应滤波后的纸样；(c)含有高斯噪声的尘埃纸样；(d)自适应滤波后的纸样；从噪声消减情况来看，自适应滤波器在对椒盐噪声去除的效果不好，对高斯噪声的去除所达到的效果与中值滤波器相似。3.2图像分割在对图像的研究与应用中，人们往往只对图像中的某些部分感兴趣，这些部分常称为目标，为了对目标进一步处理，需要把它们提取出来。为了使后续特征值提取和图像分析工作有效进行，将图像划分为若干特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程称为图像分割（ImageSegmentation）。图像分割是图像分析前的关键步骤，图像分割结果的好坏直接影响对图像的理解。图像分割的基本概念是将图像中有意义的特征或者需要应用的特征提取出来。图像分割的方法和种类有很多，根据所使用的主要特征可以划分为三类：第一类是有关图像或图像部分的全局知识，这种知识一般由图像特征的直方图来表达；第二类是基于边缘的分割；第三类是基于区域的分割。不同类型的图像，往往需要用不同的分割方法对其进行分割，某些分割方法也只是适合于某些特殊类型的图像分割，并不存在某一种图像分割方法能够适用于所有的图像。如何选择分割方法，主要是根据实际的应用环境和具体的目标而定。16 在本课题中，高对比度纸病图像可用阈值化方法分割，而低对比度纸病图像的分割则需要用到边缘检测，下面将对这两种分割方法进行介绍。3.2.1阈值分割由于实现的直观性和简单性，图像阈值处理在图像分割应用中占有重要的地位。它利用了图像中的要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每一个像素点应该属于目标还是背景区域，从而产生相应的二值图像。阈值分割不仅可以大量压缩数据，减少存储容量，而且能大大简化在其后的分析和处理步骤。设原始图像为f（x，y），二值化后的图像为g（x，y），以一定的准则在f（x，y）中找出一个合适的灰度值作为阈值，阈值分割可用下式作一般表示：ZEf(x,y)Tg(x,y)(3-7)Z其他B式中T是图像f（x，y）灰度级范围内的任一个灰度级集合，ZE和ZB是任意选定的目标和背景灰度级。由此可见，要从复杂的景物中分辨出目标并将其形状完整地提取出来，阈值的选取是阈值分割技术的关键。目前有多种阈值选取方法。依据阈值的应用范围可分为全局阈值法、局部阈值法和动[34]态阈值法。全局阈值法采用同一阈值作用于整幅图像，算法简单快速，但抗噪声能力差，在物体和背景的灰度差别较明显时效果比较好。局部阈值法把图像分成若干个区域，对每个区域设置一个阈值进行二值化，或者对图像中的每一个像素点，根据其邻域的像素点的灰度变化情况来设定一个阈值，然后逐点对图像进行二值化。局部阈值法算法比较复杂，但它的抗噪声能力强，对光照不均匀、对比度低和有随机扰动的图像有较好效果。动态阈值法的阈值确定不仅取决于该像素的灰度值及其周围像素的灰度值，而且与像素位置信息有关。3.2.1.1常见的阈值选取方法阈值选取的合适与否极大地关系到图像分割的效果，多年来，众多的国内外学者致力于这一课题的研究，也提出了许多的阈值选取方法，但始终没有一种方法适用于所有的图像，不同类型的图像，一般需要采用不同的选取方法。常用的自动阈值选取方法有P参数法、双峰法、大津法、迭代法和最大类内、类间方差比法等，本文根据纸病图像的特点，选用后面三种方法进行研究。1、大津法（OTSU最大类间方差法）由Otsu于1978年提出的最大类间方差法以其计算简单、稳定有效，在实际中广为应用。该方法是一种基于数理统计观点，从图像灰度分布情况全局出发的阈值分割法。因为方差是灰度分布均匀性的一种度量，方差值越大说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的17 分割意味着错分概率最小。在实际运用中，往往使用以下的简化计算公式：222(T)W()W()(3-8)AABB2其中为类间方差，W为A类概率，为A类平均灰度，W为B类概率，为AABBB类平均灰度，为图像总体平均灰度。即阈值T将图像分成A，B两部分，使得两类总2方差(T)取最大值的T，即为最佳分割阈值。大津法有一个应用前提：灰度值呈双模式分布，即直方图有两个明显的波峰。只有当图像近似满足这个前提的情况下，大津法才能很好地工作。如果图像根本不是双模式分布，算出的结果也是无用的。2、最大类间、类内方差比法最大类间、类内方差比法和大津法类似，大津法的基本思路是使得两类数据间的方差越大的阈值就是越好的阈值，如果同时希望同一类的数据间的方差越小，即同一类的数据越相似，这时可用最大类间、类内方差比来作为选取阈值的依据，这就是最大类间、类内方差比法。类内方差可用下面公式表示：222(T)WW(3-9)WAABB22式中(T)为类内方差之和，W为A类概率，为A类的方差，W为B类概率，WAAB2为B类的方差。类间、类内方差比的表达式为：B2(T)(T)(3-10)2(T)W式中(T)为类间、类内方差比，使得(T)取最大值的T，即为最佳分割阈值。3、迭代法首先选择一个初始的图像灰度值T，用T将图像的像素点分作两部分，分别计算两部00分各自的平均灰度，小于T的部分为T，大于T的部分为T，计算T(TT)/2，再将0A0B1ABT的值赋给T，用T重新分割原图像，重复上述步骤，直到逐次迭代所得的T值与前一次1001分割所用的阈值T之间的差值小于事先定义的一个很小的参数，则分割结束，T就是自01动选择的阈值。选择初始的图像灰度值T的时候，若背景和目标在图像中占据的面积比较接近，则图0像的平均灰度值会是个好的选择；若目标所占的面积比背景小很多，背景像素部分在直方图中占主要地位，平均灰度值就不是好的初始值了。此时，T更加适合的初始值是诸如灰0度中间值一类的初值。3.2.1.2常规的阈值法的实验结果以较难分割的尘埃纸病图像为例，对其进行自动阈值分割。经实验，这几种常用方法的分割效果都不甚理想。最大类间、类内方差比法对所有的尘埃样本基本上都无法准确进行分割；大津法和迭代法对少数的尘埃颜色较深、尺寸较大的纸病图像可行。但对大部分的颜色不是太深、尺寸较小的尘埃纸病图像，上述几种方法均无法准确地分割出目标区域。18 对这类颜色不是太深、尺寸较小的尘埃纸病图像的分割结果如图3.4所示。(a)(b)(c)(d)图3.4(a)原图；(b)最大类间、类内方差比法分割；(c)大津法分割；(d)迭代法分割可见这三种方法在纸病检测中并不是很适用，特别是检测颜色不是太深、尺寸较小的尘埃纸病时有较大的局限性。3.2.1.3动态双阈值分割方法上述几种自动阈值方法对纸病图像不适用主要与纸病图像的特点有关，一般情况下，纸病图像中目标纸病所占的比例很小，将纸病和背景作为两类进行分割，显然比较困难。通过大量的实验统计表明，尘埃处的灰度比背景均值低25%左右，孔洞处的灰度则比背景均值高出25%左右，而裂口处的灰度则比背景均值高出20%左右；像褶子这类灰度范围比较集中、目标的灰度与背景的灰度差别不大，但在褶皱处有较明显的灰度阶跃。由图1可知，尘埃和褶子纸病图像的灰度都比较低，统计也表明这两类纸病区域几乎没有或很少有高于均值20%的像素点；而孔洞和裂口纸病图像目标纸病处的灰度比较高，高于均值20%的像素点有很多。基于上面对四类纸病图像灰度特征分析，采用一种基于灰度经验的动态双阈值分割方[36]法，提取纸病区域。尘埃、孔洞和裂口的动态双阈值分割方法如下，孔洞：将高于均值25%的像素点设为255；裂口：将高于均值20%的像素点设为255；尘埃：低于均值25%19 的像素点设为0，其余均设为纸病图像均值（为了便于显示分割效果），如图3.5(a)(c)(e)所示。尘埃、孔洞和裂口通过以上的动态双阈值分割方法进行初步分割出来后，再进行二值化处理，如图3.5(b)(d)(f)所示。(a)(b)(c)(d)(e)(f)图3.5纸病经双阈值分割后图像和二值化图(a)尘埃经双阈值分割后的图像(b)尘埃二值化图像(c)孔洞经双阈值分割后的图像(d)尘埃二值化图像(e)裂口经双阈值分割后的图像(f)尘埃二值化图像从上面几张图像可以看出，该算法对高对比度纸病图像非常适用，很好地分割出了原20 图像中的目标区域。当然，从图中也可看出，分割所得的区域较原图像中的稍小，这是纸病边缘处的灰度较接近于背景所致，但对于目标纸病的形状趋势几乎没变，对后面计算纸病图像的盒维数也几乎没有影响，所以该算法适用处理高对比度的纸病图像。3.2.2边缘检测边缘检测在图像处理与计算机视觉中占有特殊的位置，它是底层视觉处理中最重要的环节之一，也是实现基于边界的图像分割的基础。在图像中，边界表明一个特征区域的终结和另一个特征区域的开始，边界所分来区域的内部特征或属性是一致的，而不同区域内部的特征或属性是不同的，边缘的检测正是利用物体和背景在某种图像特性上的差异来实现的。这种差异包括灰度、颜色或者纹理特征。边缘检测实际上就是检测图像特性发生变化的位置。本文中低对比度的纸病图像褶子，由于褶皱处灰度阶跃较明显，则需采用边缘检测方法来对其分割，提取其边缘特征。3.2.2.1边缘检测算子边缘检测常用的微分算子有Roberts算子、Sobel算子、Prewitt算子、LoG算子以及Canny算子。1、Roberts算子Roberts算子是一种利用局部差分算子寻找边缘的算子，两个卷积核分别为1001G，G，采用1范数衡量梯度的幅度：Gxy,GG。Robertsxyxy0110算子对具有陡峭的低噪声的图像效果较好。2、Sobel算子101121Sobel算子的两个卷积计算核分别为G202和G000，采用范数xy101121衡量梯度的幅度Gxy,max,GGxy。Sobel算子对灰度渐变和噪声较多的图像处理得较好。3、Prewitt算子101111Prewitt算子的两个卷积计算核分别为G101和G000，与Sobelxy101111算子一样，采用范数作为输出。Prewitt算子对灰度渐变和噪声较多的图像处理得较好。4、LoG算子基本思想：先用高斯函数对图像滤波，然后对滤波后的图像进行拉普拉斯运算，算得的值等于零的点认为是边界点。21 LoG运算2hx,,ygxyf*x,y(3-11)根据卷积求导法：2hx,,ygxyf*x,y(3-12)221xy其中fxy,为图像，gxy,为高斯函数，Gxy,exp(3-13)222222221xyxyLoGxy,2e42xp2(3-14)22LoG算子能有效地检测边界，但存在两个问题：一是LoG算子会产生虚假边界，二是定位精度不高。在实际应用中，还应作如下考虑：的选取、模板尺寸N的确定、边界的强度和方向和提取边界的精度。其中高斯函数中方差数的选择很关键，对图像边缘检测效果有很大影响。高斯滤波器为低通滤波器，方差参数越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边缘点的丢失。反之，通频带越宽，可以检测到图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。因此，应用LoG算子，为取得更佳的效果，对于不同图像应选择不同参数。5、Canny算子Canny算子的梯度是用高斯滤波器的导数计算的，检测边缘的方法是寻找图像梯度的局部极大值。Canny方法使用两个阈值来分别检测强边缘和弱边缘，而且仅当弱边缘与强边缘连接时，弱边缘才会包含在输出中。因此此方法不容易受到噪声的干扰，能够检测到弱边缘。但Canny算子检测的边界连续性不如LoG算子。Canny算法步骤：用高斯滤波器平滑图像计算滤波后的图像梯度的幅值和方向对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值点，把其他局部极大值点置零以得到细化边缘。用双阈值算法检测和连接边缘，使用两个阈值T1和T2（T1>T2），T1用来找到每条线段，T2用来在这些线段的两个方向上延伸寻找边缘的断裂处，并连接这些边缘。3.2.2.2各种边缘检测算子的比较及MATLAB实现Roberts算子：利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声能力。该算子对具有陡峭边缘且噪声低的图像效果较好。Sobel算子和Prewitt算子：都是对图像先作加权平滑处理，然后再作微分运算，所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。虽然两个算子边缘定位效果不错，但检测出的边缘容易出现多像22 素宽度。LoG算子：该算子克服了抗噪能力比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘平滑掉了，造成这些尖锐边缘无法被检测到。Canny算法：虽然是基于最优化思想推导出的边缘检测算子，但实际效果并不一定最优，原因在于理论和实际有许多不一致的地方。该算子同样采用高斯函数对图像进行平滑处理，因此具有较强的抑制能力，同样该算子也会将一些高频边缘平滑掉，造成边缘丢失。Canny算法采用双阈值算法检测和连接边缘，采用的多尺度检测和方向性搜索比LoG算子好。分别采用Roberts算子、Sobel算子、Prewitt算子、LoG算子以及Canny算子检测纸病图像，结果如图3.6所示。23 (a)(b)(a)(b)(b)(d)(e)图3.6(a)Roberts算子；(b)Sobel算子；(c)Prewitt算子；(d)LoG算子；(e)Canny算子由上述对边缘检测算子的研究，根据不同算子对褶子纸病图像的处理情况，Roberts算子既保留了褶子的形状特征且杂点与其它算子相比较少，比较适合下章的纸病图像盒维数计算，所以本文选用Roberts算子对褶子进行边缘检测。3.3移除对象通过阈值分割和边缘提取，得到了二值化的纸病图像，一般情况下还要对二值化图像24 进行去噪处理，移除对象操作可以达到这个效果。MATLAB工具箱中专门有移除对象bwareaopen函数，该函数从对象中移除小对象。函数调用格式为：BW2=bwareaopen(BW,P)(3-15)BW2=bwareaopen(BW,P,CONN)(3-16)BW2=bwareaopen(BW,P)从二值图像中移除所有比P小的连通对象；参数CONN对应邻域方法；bwareaopen函数的算法基于3步。1、决定连通对象：L=bwlabeln(BW,CONN)。2、计算每个连通对象的面积：S=regionprops(L,'Area')。3、移除小于P的对象：bw2=ismember(L,find([S.Area]>=P))。基于本文中对纸病图像的要求，选取移除小于10个像素点的对象，以褶子纸病图像为例，如图3.7所示。(a)(b)图3.6(a)褶子经过Roberts算子边缘提取后的图像；(b)移除对象后的褶子纸病图像经过阈值分割后得到了二值化的纸病图像，经过移除对象操作后得到的纸病图像较清晰，满足下一章对纸病图像进行盒维数计算的要求，且该方法简单快速，所以本论文采用该函数从对象中移除小对象。3.4本章小结本章首先介绍了数字图像处理中预处理的其必要性；详细介绍了线性滤波、中值滤波和自适应滤波这三类去噪滤波器，包括其数学理论和实验结果；重点研究阈值分割方法和边缘检测两种图像分割算法：阈值风格方法从数学理论及对照实验两方面介绍了大津法、最大类间类内方差比法、迭代法三种常规算法，并提出一种基于灰度经验的动态双阈值法，用来检测高对比度纸病；边缘检测则详细介绍了Roberts算子、Sobel算子、Prewitt算子、LOG算子和Canny算子这五种边缘检测算子的基本理论，并对其检测效果进行比较，找出适合褶子这类纸病图像的边缘算子。简单介绍了移除对象函数，该方法简单快速，且处理效果满足下一章对纸病图像盒维数计算的要求。25 第四章分形维数与纸病图像的分形盒维数特征4.1分形4.1.1分形的概念分形（fractal）作为一门独立的学科,它只有大约40多年的历史。这个名词是美籍法国数学家曼德尔布洛特（Mandelbrot）在20世纪70年代为表征复杂图形和复杂过程时首[37]先引入自然科学领域的，它的原意是不规则的、支离破碎的物体。分形可以分为规则和不规则分形。在分形名词使用之前，一些数学家就提出过不少复杂和不光滑的集合，如Cantor集、Koch曲线、Sierpinski垫片、地毯和海绵等。这些都属于规则的分形图形，它们具有严格的自相似性。当然，与人为构造出的纯数学分形相比，自然界中所固有的物理分形具有随机性、复杂性和尺度有限性(即尺度在某一正区域[r，ξ]内具有分形特性)等特性。自然界的许多事物所具有的不光滑性和复杂性往往是随机的，如蜿蜒曲折的海岸线、变换无穷的布朗运动轨迹等。这类曲线的自相似性是近似的或统计意义上的，这种自相似性只存在于标度不变的区域，超出标度不变的区域，自相似性就不复存在了。这类曲线为不规则分形。迄今为止，分形还没有一个严格的定义。1980年曼德尔布洛特给人们展示了他创作的Mandelbrot集，即一幅用迭代算法生成的几何图形，在它层层嵌套的结构中有很多自相似的部分，其边缘具有无限复杂和精细的结构。随后，曼德尔布洛特提出了分形（fractal）的定义：其局部以某种方式和整体具有相似性的几何图形。曼德尔布洛特应用分形的思想解决了一些数学难题并对很多物理和经济现象进行了研究，逐步创立分形理论（Fractaltheory）这一新兴学科。它以分形性质及其应用为主要研究内容，人们也称其为分形几何学（Fractalgeometry），是一门以非规则几何形态为研究对象的几何学。由于自然界中不规则的现象普遍存在，因此分形几何又称为描述大自然的几何学。当然在自然界中不存在严格意义上的数学分形，但是在进行科学研究的过程中，人们可以对具有某些分形特性的对象建立近似的分形模型，然后应用分形作为工具，对这些对象进行分析和研究。可以通过以下几个分形的特点来进一步理解分形：（1）分形具有无限精细的结构，即在任意小的比例尺度下，它总有复杂的细节；（2）分形具有如此的不规则性，以至不能用传统的几何语言来描述它的局部和整体形貌；（3）分形通常具有某些自相似性，这些自相似性可以是近似的或者是统计意义上的；（4）一般情况下，分形以某种方式定义的分形维数大于它的拓扑维数；（5）分形可以由非常简单的方法定义，也可由递归或者迭代过程产生。一般而言，如果所研究的对象满足上述性质中的全部或大部分，即使有某个性质例外，也并不影响把其称为分形。26 4.1.2分形的发展与应用前景在传统的几何学中，人们研究一个几何对象，总是习惯于在欧氏空间对其研究和度量，其中字母n表示空间的维数，通常为整数，如n分别为1、2、3时，对应的空间为线性空间、平面空间、立体空间，在相应的空间中，我们可以测得几何对象的长度、面积、体积等。但是大约在一个世纪前，在数学领域，相继出现了一些被称为数学怪物(mathematicalmonsters)的东西，在传统的欧氏领域，人们无法用几何语言去表述其整体或局部性质，其中，比较著名的数学怪物包括：VonKoch曲线，此曲线在一维下测量任意段长度为无穷大（想象中，考虑到能测量原子的维度）；在二维下测量面积为零；Sierpinski三角形,此图形面积为零；Cantor集。这些数学怪物困扰数学家许多年，直至20世纪，被曼德尔布洛特创立的分形几何学(fractalgeometry)彻底解决。他提出：我们之所以无法用几何语言去描述这些数学怪物，是因为我们是在维数为整数的空间中，用维数同样是整数的“尺子”对其丈量、描述；而维数不应该仅仅是整数，可以是任何一个正实数；只有在几何对象对应的维数空间中，才能对该几何体进行合理的整体或局部描述。分形学发展史上的重要里程碑：1872年Cantor集合被创造；1895年Weierstrass曲线被创造，此曲线特点是“处处连续，点点不可微”；1906年Koch曲线被创造；1914年Sierpinski三角形被创造；1919年描述复杂几何体的Hausdorff维问世；1951年英国水文学家Hurst通过多年研究尼罗河，总结出Hurst定律；1967年Mandelbrot在《Science》杂志上发表论文《英国的海岸线有多长?》；1975年Mandelbrot创造“Fractals”一词；1977年Mandelbrot在巴黎出版的法文著作《Lesobjetsfractals：forme，hasardetdimension》；1977年Mandelbrot在美国出版英文著作《Fractals：From，Chance，andDimension》以及《TheFractalGeometryofNature》；1982年《TheFractalGeometryofNature》第二版，并引发“分形热”；1991年英国的Pergman出版社创办《Chaos，SolitonandFractal》杂志；1993年新加坡世界科学出版社创办《Fractal》杂志；1998年在马耳他(Malta)的瓦莱塔(Valletta)召开了“分形98年会议”(5thInternationalMultidisciplinaryConference)；1999年邓宇等推出《中医分形集》；2003年在德国的Friedrichroda召开了“第三届分形几何和推测学国际会议”；2004年在加拿大(Canada)的温哥华(Vancouver)召开了“分形2004年会议“(8thInternationalMultidisciplinaryConference)。分形理论自曼德尔布洛特创立以来，由于它在描述复杂现象方面的独特作用，分形已经在许多领域中得到了广泛应用，其中涉及的领域包括：地形地貌分析、生态系统、数字图像处理、动力系统、理论物理、城市交通和应用材料的研究，分形作为一种新的概念和方法，正在许多领域开展应用探索。例如：科学与艺术的完美结合--分形艺术，分形诞生在以多种概念和方法相互冲击和融合为特征的当代。分形混沌之旋风，横扫数学、理化、生物、大气、海洋以至社会学科，在音乐、美术间也产生了一定的影响。美国物理学大师约翰·惠勒说过：今后谁不熟悉分形，谁就不能被称为科学上的文化人。由此可见分形的重要性。中国著名学者周海中教授认为：分形几何不仅展示了数学之美，也揭示了世界的本质，还改变了人们理解自然奥秘的方式；可以说分形几何是真正描述大自然的几何学，对它的研究也极大地拓展了人类的认知疆域。27 分形几何学作为当今世界十分风靡和活跃的新理论、新学科，它的出现，使人们重新审视这个世界：世界是非线性的，分形无处不在。分形几何学不仅让人们感悟到科学与艺术的融合，数学与艺术审美的统一，而且还有其深刻的科学方法论意义。4.2分形维数分形维数是分形理论中用于描述对象的不规则度和自相似性的基本度量，在一定区间内具有标度不变性。数学家以Hausdorrf维数为基础，定义了多种维数，如盒维数、信息[38、39]维数、关联维数、广义维数和自相似维数等。这些维数从不同的方面刻画了分形集的分形特征。在传统几何学中，人们描述几何体的维数通常是整数维，比如用零维描述点、一维描述直线、二维描述平面、三维描述立体空间，甚至建立更高维的空间来描述更加复杂的物质或形态。分形维数的主要思想可以通过研究一组曲线来说明。分形是个新概念，分形学是个新的方法论和科学观。物质世界中广泛存在着非线性系统，所以必须寻找适当方法正确处理非线性间题。若把非线性问题按线性系统加以处理，则不能正确解释其基本面貌。分形学为处理非线性系统问题提出了新思路和新方法。分形概念的实质是除传统的物理学和几何学以外的不规则形体在标度变换下的自相似性。若对长度为1的线段n等分，每段线长为r，则：nr1（4-1）对面积为1的正方形n等分，每个小正方形的边长为r，则：2nr1（4-2）对于体积为1的正方体n等分，每个小正方体的边长为r，则：3nr1（4-3）上面三个等式中，r的幂次实际上就是该几何体能得到定常度量的空间维数，设空间维数为D，有如下公式:Dnr1（4-4）对上式两边取对数，可以得到空间维数D的表达式：lnnD（4-5）lnr对于英国的西海岸，Mandelbrot计算其维数D=1.25，从而确定了海岸线的长度。可见，实际问题中可以用分数维来描述复杂的几何体。此后，分维数发展成为描述分形体的一个重要特征量。在分形研究中，分形的维数起着至关重要的作用。下面介绍几种重要的分形维数，以加深对分形的理解。28 4.2.1相似维由式(4-5)所以可以将得到了空间维数的计算公式，该公式适合度量具有严格自相似性的几何体，所以可以将式(4-5)确定的维数定义为相似维，记为：logNDA()（4-6）s1logr对于近似相似或从统计意义上相似的分形，不能用该公式来描述。4.2.2Hausdorff测度n设U是n维Euclid空间R中的任意非空子集，U的直径U定义为：Uxsupy;,xyU（4-7）即U中任意两点之间的最大距离。如果集合FU，且U的直径不超过，即0U，则称U为F的一个-iiiii1覆盖。n设F是R中的子集，s为一非负数，对任意的0，定义：ssHFinfUi，Ui是F的-覆盖。（4-8）i1sss并约定空集0，当递减时，上式的下确界HF是非递减的，并且将HF在0时的极限值记为：ssHFlimHF（4-9）0s称HF为集合F的s维Hausdorff测度，它的极限通常为或零，理论证明Hausdorff[39]测度具有平移不变性和旋转不变性。4.2.3Hausdorff维ns对任何给定的集合FR且1，HF对s来说是非增的，因为当s=0时，只要sF是非空的，就有HF。进一步的，当t>s，且U为F的-覆盖时，我们有：itttstssUUiiUiUi（4-10）iii从而有：ttssHFHF（4-11）st由上式可得，当0时，若0HF。，必有HF0（t>s）。st同理可得，当ta1+100（即黑色区域大于白色区域），则需要反色处理。根据图像是否经过反色处理也可以将包含纸病图像做如下判断：未反色处理，则有尘埃或褶子纸病，否则含有孔洞或裂口纸病。其次纸病图像关心区域提取的好坏直接影响到接下的二值纸病图像的分形盒维数计算结果。分形盒维数反映了对象的空间占有情况，纸病图像的分形盒维数计算误差与关心区域（如孔洞、褶子等纸病）所占整个图像的比例有关，采用方法二计算时，是采用以能包裹住关心区域最小矩形的形式将纸病图像中的目标纸病提取出来，如果经过预处理及动态双阈值分割或Roberts算子进行边缘提取后，纸病图像仍然含有杂点，且杂点距离关心区域较远，则此时提取出来的矩形比理想状态下提取处理的包裹住关心区域最小矩形大，盒维数计算结果也会偏离正常范围。所以在纸病图像的去噪、图像分割和移除对象这些预处理中，要尽量把提取关心区域与其它杂点区分开来，很好的提取出关心区域。5.2.3识别算法设计的计算步骤（1）开始，载入待判别纸病灰度图像,计算该纸病图像的灰度均值Gray_Ave；（2）阈值分割原始纸病灰度图像：如果像素灰度大于1.2×Gray_Ave，则置该像素点灰度为1，否则为0。去除小的干扰杂点，计算图像中灰度值为1的像素点个数t1，如果t1大于100，表明图像可能为孔洞或裂口，转（3）；否则，图像可能为尘埃、褶子或无纸病，转（6）；（3）计算二值图像盒维数，如果盒维数大于1.6，可能为孔洞，转（4）；否则，可能为裂41 口，转（5）；（4）阈值分割原始纸病灰度图像：如果像素灰度大于1.25×Gray_Ave，则置该像素点灰度为1，否则为0。并去除小的干扰杂点，计算盒维数，如果盒维数大于1.6，确认为孔洞，输出纸病类型，算法结束；（5）如果盒维数大于0.8，确认为裂口，输出纸病类型，算法结束；（6）重新载入待判别纸病灰度图像,采用Roberts算子提取图像边缘，并去除小的干扰杂点。计算像素点为0的个数t2，如t2小于20，为无纸病，否则，图像可能包含尘埃或褶子，转（7）；（7）计算盒维数，如果盒维数在0.8到1.2之间，可能为褶子或狭长尘埃，转（8），否则，可能为尘埃，转（9）；（8）阈值分割原始纸病灰度图像：如果像素灰度小于0.75×Gray_Ave，则置该像素点灰度为0，否则为1。去除小的干扰杂点，计算像素点为0的个数t3，如果t3为0，则确定为褶子，否则为狭长尘埃，输出纸病类型，算法结束；（9）阈值分割原始纸病灰度图像：如果像素灰度小于0.75×Gray_Ave，则置该像素点灰度为0，否则为1。去除小的干扰杂点，计算盒维数，如果盒维数大于1.5，确认为尘埃，输出纸病类型，算法结束。需要说明的是，算法把无纸病、尘埃和褶子放在一起采用边缘检测，无纸病图像灰度分布一般比较均匀，边缘不明显，边缘检测图像去除杂点后图像趋于全白。褶子和狭长尘埃经过边缘提取及去除小的干扰杂点后，进行盒维数计算，因均在空间呈直线分布，其结果在0.8到1.2之间，由于褶子没有尘埃处的灰度那么低，所以在第(8)步采用较低的阈值0.75×Gray_Ave就可把褶子与狭长尘埃区分出来了。对于一般点状尘埃，因褶子整幅图的灰度比较集中，褶皱处灰度阶跃较明显经边缘检测后，褶子图像在空间直线分布明显，而点状尘埃分布情况和孔洞类似沿整个图像范围分布，由第（9）步计算其盒维数如果在1.5以上，则可肯定为尘埃。实际上在以上算法中，通过初步双阈值分割及盒维数计算结果大致可以判断纸病类型，因此第(4)、(5)、(9)是非必须的，之所以加上这几步，是为了利用盒维数特征进一步判断纸病性状，确保纸病识别算法的稳健性，减少误判的可能。另外，纸机生产线上不会时刻改变抄造的纸种，因此纸张图像的灰度在一定时间段内并不会出现太大的变化，因此算法中也就不需要对每一张纸张图像计算灰度均值Gray_Ave，而只需在纸病检测系统中设置定时抽取样本计算灰度均值，这样即可在减少计算量的同时保证阈值选取的准确性。5.2.4识别算法计算结果与分析采用基于图像灰度特征的双阈值分割及二值图像分形盒维数特征与识别算法，对尘埃、孔洞、褶子和裂口这四类纸病进行了大量实际样品检测，正确率均在90%以上，但也存在一些纸病图像的识别失败。识别失败的原因：当成纸仅包含较小尘埃时，该算法可能会将其识别成无纸病，不过这点在实际生产中可以接受，因为对于较小尘埃一般纸厂会认为是无纸病；对于纸病图像42 经过预处理后，杂点与关心区域较远时，容易识别出错（原因见5.2.2识别算法设计关键技术中的解释）；另外，该算法仅能对包含尘埃、孔洞、褶子和裂口四类纸病之一的纸病图像进行识别，如果一张图像上同时有多种、多个纸病或还有其它纸病的情况下，算法识别效果还有待于进一步研究。总体上讲，该算法不仅原理清晰，运算量小，检测快速，具有较好的鲁棒性。5.3本章小结本章首先介绍了各种图像的特征，主要包括形态特征、灰度特征和纹理特征。讨论了常规的图像特征提取、选择与识别方法；提出了一种基于图像动态双阈值分割及二值图像分形盒维数的特征提取与识别算法，主要介绍了其实现原理及具体程序实现的算法步骤；经过大量的实验研究表明，该算法取得较好的纸病识别效果。最后对算法实现中的关键技术及算法的适应性做了讨论。43 第六章总结与展望6.1总结本文在分析和研究国内外纸病检测技术的基础上，针对孔洞、尘埃、褶子和裂口这四种纸病图像的特点，研究了纸病图像的预处理算法及特征提取方法，研究并设计了针对这四种纸病图像识别算法。主要研究内容及成果总结如下：1、通过实验的方法，研究和探讨了图像预处理算法在纸病检测中的应用，研究和比较了图像平滑去噪、图像分割等算法。尘埃处的灰度比背景均值低25%左右，孔洞处的灰度则比背景均值高出25%左右，而裂口处的灰度则比背景均值高出20%左右；像褶子这类灰度范围比较集中、目标的灰度与背景的灰度差别不大，但在褶皱处有较明显的灰度阶跃。2、针对高对比度纸病图像具有不同灰度对比度的特点，提出一种基于灰度经验的动态双阈值分割方法，取得了良好的应用效果，与其它常见的灰度阈值分割方法相比，该方法简洁快速，可准确的分割出纸病图像的目标区域。对于低对比度的纸病图像褶子，由于褶皱处灰度阶跃较明显，则需采用边缘检测方法来对其分割，提取其边缘特征，本文选用Roberts算子对褶子进行边缘检测，该算子既保留了褶子的形状特征且杂点与其它算子相比较少，比较适合纸病图像盒维数的计算。3、针对尘埃、孔洞、褶子和裂口等常见典型纸病识别问题，分析和研究了四种纸病图像的分形盒维数特征，经过一系列的实验研究表明，不同纸病图像的分形盒维数存在差别，本文采用方法二作为纸病图像盒维数特征计算方法，点状纸病（尘埃和孔洞）及线状纸病（褶子和裂口）的盒维数则差别明显，其中尘埃和孔洞盒维数绝大部分在1.5-2.0之间，褶子和裂口盒维数绝大部分在0.9-1.1之间。由于不同纸病图像的分形盒维数不同，可以此为特征作为识别不同纸病的依据。4、为便于方法的应用，在分析纸病图像灰度特征及分形盒维数特征基础上，针对孔洞、尘埃、褶子和裂口这四种纸病图像纸病的识别，提出了一种基于图像阈值分割及分形特征的纸病识别算法。算法首先采用双阈值从背景中分割出纸病区域，然后以分割后区域计算反映纸病形状类型的分形盒维数，结合图像灰度均值阈值界限及盒维数计算结果，确定具体纸病类型。实验室实际应用表明，该算法取得良好的纸病识别效果。6.2展望纸病检测及识别系统是一种十分复杂的系统，相关理论报告很少，国内对纸病检测识别技术的研究尚处于初步阶段，本文虽然取得了一定的研究成果，但总体上来说，本文设计的系统应用功能和纸病类型比较有限，相比较实际生产中应用方面还有不小差距，今后可以从以下几个方面对本系统进行改进：44 1、本文只选取了孔洞、尘埃、褶子和裂口四种典型纸病进行研究，而实际生产中还有透光、气泡、硬质块等多种纸病。因此，在今后的研究中，可选择更多的纸病进行研究，使得检测识别算法具有更好的通用性。2、本文只应用了中值滤波这种常见的去噪方法对纸病图像进行去噪处理，纸病图像噪声处理的好坏直接影响后面的盒维数计算，探求一种既能去除噪声又不至于是图像模糊的方法，一直是图像增强处理中的难题，今后在图像预处理中应进一步进行研究和改进。3、本文采用的基于经验的动态双阈值分割方法，其阈值参数是针对本实验情况确定的，对于实际生产中的情况不一定适用，需要根据具体情况具体分析，因此在通用性方面还需进一步研究和完善。4、本文只研究了一幅图像中仅含一种纸病类型的纸病图像，实现其特征提取及识别，对于一幅纸病图像有两种或两种以上纸病类型的纸病图像，其分形盒维数差别就不是太明显，因此，今后可对此作更深的讨论。5、在今后的研究中，可将纸张匀度算法集成到纸病检测识别算法中，进行深入研究。6、本系统在普通PC机上长时间运行后会出现系统变慢。因此，在编程时，需充分考虑内存分配、异常处理等方面，进一步优化算法，以增强系统的稳定性。另外，本系统的检测速度远未达到实际应用的要求，在系统软件及硬件方面仍有很大的研究空间。45 参考文献[1]我国造纸工业现状及主要问题[J].福建轻纺,2008,4:23-25[2]靳福明.我国造纸工业的建设项目及相关政策[J].中国造纸,2008,27(11)[3]温喜东.纸病检测系统在卫生纸上的应用[J].国际造纸,2003,22(6):40-44[4]陈奇志.2006年我够造纸工业运行状况分析[J].造纸信息，2007，2[5]关健华.全幅纸病检测技术及在造纸中的应用[J].中国造纸,2000,19(6):32-35[6]杨军.ULMANTi纸病检测系统[J].中华纸业,2003,24(3):33-36[7]刘磊.线阵CCD相机在纸板机上的应用[J].中国造纸,2005,24(2):63-64[8]PraastH.Evaluationofcalendarblackening,mottlingandmissingdotsbyaPCbasedimagerdanalyzer[C].Proceedingsof3EuropeanResearchSynposiumonImageAnalysisforPulpandPaperResearchandProduction,STFI,Stockholm,1995,26[9]徐志鹏.造纸过程中纸病检测关键技术研究[D]:[博士论文].江南大学,2005[10]Jukkalivarinen,KatriinaHeikkinen,duhanigauhamaa,PetriVuorimaa,AriVisa.Adefectdetectionschemeforwebsurfaceinspection[J].InternationalJournalofPatterngecognitionandArtificialIntelligence,2000,14(6):755[11]SHossainHajimowlana,RobertoMuscedere,GrahamAJullienandJamesWRoberts.Anin-cameradatastreamprocessingsystemfordefectdetectioninWebinspectiontasks[J].Real-TimeImaging,1999,5(1):23-34[12]KellerDsetal.WaveletAnalysisofSimulatedPaperFormation,PaperJaPuu-PaperAndTimber,1999,81(7):499-505[13]I’AnsonSJ.IdentificationofperiodicmarksinpaperandboardbyimageanalysisusingtwodimensionalfastFouriertransforms-Part1:Thebasics[J].TappiJ,1995,78(3):113[14]I’AnsonSJ.IdentificationofperiodicmarksinpaperandboardbyimageanalysisusingtwodimensionalfastFouriertransforms-Part2:Formingandpresssectionmarks[J].TappiJ,1995,78(7):97[15]JangHF,RobertsonAG,SethRS.Opticalsectioningofpulpfiberswithconfocallaserscanningmicroscopy[C].Proceedingof1991TappiInternationalPaperPhysicsConference,Hawaii,1991,65[16]吕岑,张玉杰,孙瑜.基于图像灰度的纸病检测方法研究[J].西北轻工业学院学报,2002,20(6):91-94[17]吕岑,孙瑜.基于统计处理的纸病检测研究[J].中国造纸学报,2003,18(2):151-155[18]吕岑,张根宝,孙瑜.纸病图像的数学形态学分割方法[J].陕西科技大学学报自然科学版,2002,21(6):82-85[19]吕岑,张根宝,孙瑜.纸病图像检测与分割的二阶段方法[J].中华纸业,2004,25(1):23-26[20]徐志鹏,须文波.基于小波奇异性的纸病检测[J].中国造纸学报,2004,19(2):146-151[21]周兴林,曲兴华,叶声华.基于图像灰度的目标快速检测算法的研究[J].传感技术学报,200746 20(3):607[22]亢洁,史忠科,杨刚.基于CB形态滤波的形态学纸病检测方法研究[J].中华纸业,2008,10:30-33[23]徐杰.基于机器视觉的纸病检测方法研究与应用[D]:[硕士论文].南京林业大学，2008[24]陈文凯.基于机器视觉的纸病检测算法研究与集成[D]:[硕士论文].南京林业大学，2009[25]Todd,clap.On-lineinspectionoffiltermediaforprocessandproductimprovement[J].Filtration&Separation,2002,11(39):32-34[26]温喜东，在线纸病检测技术的新发展及应用[J].中国造纸，2002，21（2）：61-64[27]刘华，王金乐，常见纸病及检测技术[J].印刷质量与标准化，2007.5:22-24[28]刘瑞新、万朝阳、董淑娟等.Delphi程序设计教程[M].机械工业出版社,2006[29]刘斌、李文革等.Delphi7数据库高级教程[M].清华大学出版社,2004[30]尹泽明，丁春利，精通Matlab6[M].清华大学出版社，2002[31]刘禾，数字图像处理及应用[M].中国电力出版社，2006，1[32]陈兵旗，实用数字图像处理与分析[M].中国农业大学出版社，2008[33]Matlab7.0从入门到精通[M].人民邮电出版社，2004[34]MatlabR2007图像处理技术与应用52页[35]Matlab7.0在图像处理中的应用[M].机械工业出版社，2005，6[36]吴冰，秦志远，自动确定图像二值化最佳阈值的新方法[J].测绘学院学报，2001，18（4）：283-286[37]MandelbrotBB.Thefractalgeometryofnature[M].上海:上海远东出版社,1998.[38]XieHP.Fraetalsinrockmeehanies[M].Netherlands:A.A.BalkemaPress,1993.[39]李水根.分形[M].高等教育出版社,2004,122.115-116[40]彭瑞东,谢和平,鞠杨.二维数字图像分形维数的计算方法[J].中国矿业大学学报,2004,33(1):19-24[41]金聪，戴上平，郭京蕾，张维.人工智能教程[M].清华大学出版社.2007.[42]LopezJ.3DFractal-BasedCharacterizationforEngineeringSurfaceTopography[J].InternationalJournalofMachineToolsandManufacture,1995,35(2):211-218[43]何斌等著.VisualC++数字图像处理(第二版)[M].人民邮电出版社,2002[44]边肇棋，张学工.模式识别(第二版)[M].北京:清华大学出版社，1999[45]倪洁.基于机器视觉的纸病图像处理算法研究与应用[D]:[硕士论文].南京林业大学，201047 学号:3090366作者:殷燕屏指导教师:胡慕伊教授专业:制浆造纸工程研究方向:制浆造纸装备与控制基于阈值分割及分形特征的纸病图像识别算法研究详细摘要随着造纸工业在中国的不断发展，纸机车速和幅宽的不断增加，在生产过程中，由于设备磨损、生产原料或环境污染、操作等原因，会造成一些外观纸病，仅靠传统人工肉眼检测纸张外观纸病已不现实。在实际生产中，准确判断某一纸病的类型并反溯病源，对于纸张生产质量的监控有重要意义。以机器视觉系统为基础,利用计算机图像处理技术,对预处理后的纸病图像,采用检测算法,实现了纸病的在线检测。因此，纸病检测与识别算法的研究设计对提高造纸企业的效益及造纸生产设备的自主研制均有重要意义。比较常见的纸病图像特征主要有形态特征、灰度特征、纹理特征等等。本文在分析和研究国内外纸病检测技术的基础上，重点研究纸病图像处理算法、纸病图像的灰度特征和分形特征及纸病检测和识别实验系统的设计，包括系统的算法研究、图像预处理和算法的程序实现等。针对尘埃、孔洞、褶子、裂口这四类常见典型纸病识别中遇到的一些问题，分析和研究纸病图像的灰度特征：尘埃处的灰度比背景均值低25%左右，孔洞处的灰度则比背景均值高出25%左右，而裂口处的灰度则比背景均值高出20%左右，针对这几种高对比度纸病图像，采用基于灰度经验的动态双阈值分割方法进行阈值分割；像褶子这类灰度范围比较集中、目标的灰度与背景的灰度差别不大，但在褶皱处有较明显的灰度阶跃，本文采用Roberts算子对褶子进行边缘检测。分形特征：经过计算，点状纸病（尘埃和孔洞）及线状纸病（褶子和裂口）的盒维数则差别明显，其中尘埃和孔洞盒维数绝大部分在1.5‐2.0之间，褶子和裂口盒维数绝大部分在0.9‐1.1之间。本文提出一种基于图像动态双阈值分割及分形盒维数的纸病特征提取与识别算法。根据不同纸病图像的灰度特征采用双阈值分割纸病区域；根据纸病图像的分形盒维数特征，判断纸病图像的形状，在此基础上设计四类纸病识别算法，取得了较好的纸病识别效果。虽然本文取得了一定的研究成果，但由于在实际生产中纸病种类繁多，研究得到的纸病检测识别算法还存在着局限性，距投入到实际生产中还存在着一定差距。本文最后对研究中存在的不足进行了总结，并对后续研究提出了建议。关键词：灰度特征；阈值分割；分形盒维数；纸病识别 IdentificationAlgorithmofPaperDefectsBaseonThresholdSegmentationandFractalCharacteristicsABSTRACTWiththecontinuousdevelopmentofthepaperindustryinChina,theincreasingwebwidthandmachinespeed.Intheproductionprocess,itisnoteasytoinspectthepaperdefectsbymanualinspection,whichcausedbyequipmentsabrasion,qualityofrawmaterialandenvironmentpollution.Inpracticalproduction,accuratejudgmentofapaperdiseasetypeanddeterminecauses,whichisimportanttomonitorproductionquality.Basedonmachinevisionsystem,analgorithmforedgedetectingisadoptedforthepre-processededgeimage,byvirtueofcomputerimageprocessingtechnology.Andadetectiontechnologyforpaperdefectsofbearingsisrealizedsuccessfullyon-line.Soastudyonalgorithmsofinspectingandrecognitionforpaperdefectsisofsignificancetoimprovethebenefitofpapermakingindustriesandspecializedfirmsinthefieldofmanufacturingpaper-machineandpulp-machinerydeviceinChina.Theordinaryimagecharacteristicofpaperdefectshasstatefeature、grey-scalefeature、texturefeatureandsoon.Thispaperanalyzesthedevelopmentandapplicationofpaperdefectstechnologyallovertheworld.Itfocusesonimageprocessingalgorithmsofpaperdefects,grayfeatureandfractalfeatureofpaperimage,paperdefectsdetectionandrecognitionexperimentsystemdesign,includingstudythealgorithms,theimageprocessingalgorithms,algorithmproceduresrealize.Aimingattheproblemsoftypicalpaperdefectsidentificationsuchasspecks,void,flawandgoffer,throughtheanalysisoftheimagegraycharacteristics：thegrayofspecksisinferiortotheaveragevalue25%,thegrayofvoidismorethantheaveragevalue25%,thegrayofgofferismorethantheaveragevalue20%.Aimingattheproblemsofhighcontrastpaperdefectsidentification,weusethethresholdsegmentation;andapplyRobertsoperatortotheedgedetectionofflawpaperdefects.Fractalfeature：Wehavedonecalculatedandcandividepaperdefectsintotwo:(specksandvoid)or(flawandgoffer),theboxdimensionoffractalcharacteristicsofspecksandvoidrangedfrom1.5-2.0,theboxdimensionoffractalcharacteristicsofflawandgofferrangedfrom0.9-1.1.Arecognizedalgorithmofpaperdefectsbaseonthresholdsegmentationandfractalcharacteristicsisproposed.Thealgorithmusingdualthresholdsegmentationpaperdiseaseareaandjudgingpaperdiseaseimageshapebytheboxdimensionoffractalcharacteristics.Basedonthesetheories，designingthepaperdefectrecognitionalgorithm,experimentresultsshowsthatthisapproachiseffective.Themethodappliedinthesystemstillhasalongdistancetotheutilitybecauseofthemanifoldpaperdefects,althoughthispaperhasacquiredsomeachievements.Therefore,thispaperconcludesdeficienciesinresearchandgivessuggestionsforfocusofnextwork. Keywords：Graycharacteristics;Thresholdsegmentation;Fractalboxdimension;Paperdefectsrecognition