基于灰色自适应小目标检测

基于灰色自适应小目标检测吴国平1吴亦奇2裘咏霄1杜志顺11)中国地质大学（武汉）机械与电子信息学院，武汉，4300742)中国地质大学（武汉）计算机科学与技术学院，武汉，430074摘要目标检测是图像处理领域非常关键的一个环节，目标检测效果直接影响后续处理的成败。本文以实际拍摄的复合板图像为研究对象，以灰色系统理论为基础，构建图像处理全零灰色关联模型，对图像进行处理，压制图像背景干扰，强化图像小目标区域信息。用提取的灰关联图像信息，研究灰关联灰度直方图特性，构建差分方程模型，分析其差分灰关联度特征曲线，实现阈值的动态自适应分割，实现复合板小目标缺陷的检测。采用本算法，对相同相近噪声背景下同类130帧单缺陷或多缺陷（最多四个）复合板图像进行了缺陷检测，完全正确检测126帧，有漏检缺陷的图像1帧，误检3帧，正确率为96.9%。关键词复合板缺陷，图像小目标检测，灰色关联，自适应，分割阈值AdaptiveDetectionforSmallTargetBasedonGreySystemTheoryWuGuoping1,DuZhishun,WuYiqi2,QiuYongxiao11)FacultyofMechanical&ElectronicInformation,ChinaUniversityofGeosciences，Wuhan430074(E-mail:[e-mail])2)）FacultyofComputerScienceandTechnology,ChinaUniversityofGeosciences,Wuhan430074Abstract—Targetdetectionisacrucialprocedureintheareaofimageprocessingandhasadirecteffectonthesubsequentprocessing.Thispaper,takingtheactualimagesofcompositionplatesasresearchobjects,basedongreysystemtheory,composesimageprocessinggreyrelationmodeltoprocessimages,suppressimagebackgroundinterferenceandamplifysmalltargetareainformationofimages.Usingtheextractedgreyrelationalimageinformationcanstudythepropertiesofgreyrelationalgray-scalehistogram,composeequationmodel,analyzethecharacteristiccurvesofthedifferencegreyrelationalgrade,implementthedynamicadaptiveoftheanddetectthesmalltargetflawsofcompositeplates.Byusingthisalgorithm,afterdetectingflawsof130framesofcompositeplateswithoneormoreflaws(nomorethan5)underthesameorsimilarnoisebackground,theresultshowsthat126framesofthosearecompletelyright,oneframeisomittedand3framesarefalselydetected.Theaccuracyrateis96.9%.Keyword—compositeplateflaw,smalltargetdetectionofimage,greyrelation,Adaptive,thresholdsegmentation1.引言随着复合板的广泛使用，消费者对其需求和要求与日俱增，但在复合板的制作过程中，缺陷不可避免，并直接影响到产品的质量、外观及档次。快速检测复合板表面的缺陷，对复合板产品分级、分类、指导后续再加工具有实际意义。复合板表面的缺陷具有面积小、形态多样、分布随机、特征不明显等特性。当前，对于该类产品缺陷的检测一般采用传统的人工检测方法，手段低级，受主观影响大，效率低下。利用计算机视觉技术和模式识别理论结合实时技术，实现非接触式的无损检测，具有快速、准确、高效的特点。这有利于提高复合板生产的工业自动化水平。复合板表面的缺陷检测问题属于小目标检测问题，小目标检测是图像领域重要的研究方向，是目标检测领域研究的一个热点，也是难点。小目标由于其所占像素点少，容易受干扰，要找到一种有效而适应能力强的检测方法十分困难。对目标进行检测需要对背景抑制和有效提取目标特征信息。近些年来对背景抑制技术的研究非常活跃，主要有灰度变换和图像滤波两大类方法。灰度变换方法直接对图像像素进行处理，并不对背景和目标像素加以区分，当目标图像灰度范围与背景图像灰度范围重叠时，容易导致目标图像被增强的同时，背景图像也同时得到增强，不利于图像特征信息的提取，不利于图像目标的检测识别。图像滤波的的方法被用于图像目标检测，通常是从图像灰度空间分布角度考虑问题[7]，基于神经网络[8]和小波变换[9]的滤波方法被用于图像目标检测，通常考虑的是图像信息的特征差异，但两者都是从图像整体出发，在提取微小目标特征信息时，对特征信息区域和非特征信息区域采取同等的变换处理，当目标图像特征信息频谱与背景图像信息频谱交叠时，效果并不理想。上述方法的自适应性、算法的复杂性及其检测效率、检测正确率、稳定性等都有待进一步研究。北京名校高端写手团队代写硕士、博士毕业论文（各专业均可）、EI、SCI、CSSCI、核心期刊刊发表小论文。十年运作经验，技术力量雄厚。数学建模，实验仿真、数据分析（SPSS、MATLAB、EVIEWS、EXCEL、SPLUS&R、LINGO、MAPLEMATHEMATICA、MATHCAD）一站式服务。全程淘宝，安全无忧！电话：4000325985手机：[phone]Q:77995988；22358080北京通慧学术服务公司研究、探索基于灰色系统理论的小目标检测方法，前人做了许多工作，如马苗，田红鹏，张艳宁等对灰色理论在图像工程中的应用研究进展已做了较全面系统的阐述[2]，王中宇，付继华，孟浩等的基于灰色关联分析和区域生长的微小缺陷提取[12]，胡隽等人将灰色理论用于图像去噪[11]。这些研究主要利用图像的差异与相似信息，在压制图像背景干扰、提取图像小目标特征信息方面做了很好的尝试。对于复杂背景、复杂目标信息结构的图像识别问题尚待深入研究。尤其是对形态多样、分布随机、特征不明显的小目标自适应检测方面需要进一步研究。本文采用全零灰色关联模型，对图像进行处理，提取灰关联图像信息，研究灰关联灰度直方图特性，构建差分方程模型，分析其差分灰关联度特征曲线，实现阈值的动态自适应分割，实现复合板小目标缺陷检测。2.灰色关联滤波模型灰色关联分析是根据数据序列间的发展趋势、信息相似性找出信息系统中各因素间的复杂关系[1，2]。常用的是邓氏关联模型[1，3]：设参考序列0{()|1,2,...,}RSskkN，比较序列{()|1,2,...,;1,2,...,}iiTtkkNiM式中，N为各个序列的长度，M为数据序列个数，RS与iT的第k项关联系数为0,()ik，则两序列间的邓氏关联度为0,0,11()NiikRkN（1）用式（1）可求取M个数据序列中任一个序列相对参考序列的关联度0,iR，式（1）中：minmax0,0,max()()iikk，0,0()|()()|iiksktk，min0()minmin|()()|iikksktk，max0()maxmax|()()|iikksktk，称为分辨系数，其值在（0，1）区间选择[1]。式（1）是灰色关联度一维序列间的离散函数接近的测度。处理二维图像数据时，若将其转换为一维序列，一些近似区域像素点由于重排而发生分离，造成灰色关联度对该区域不敏感，不利于图像处理。对式（1）进行扩展，得到二维灰色关联滤波模型：0,0,111(,)MNkkijRijMN（2）其中，minmax0,0,max(,)(,)kiijij（3）0,0(,)|(,)(,)|kkijsijtij（4）min0(,)minminmin|(,)(,)|kkijijsijtij（5）max0(,)maxmaxmax|(,)(,)|kkijijsijtij（6）此时参考序列和比较序列可分别表示为：0{(,)|1,2,...,;1,2,...,}RSsijiMjN，{(,)|1,2,..,;1,2,...,;1,2,...,;}kkTtijkLiMjN在公式（2）中参考序列实际上是一个构建的图像漫游模板，由其在待处理图像数据空间逐行逐列滑动，便可由式（2）至式（6）计算其相应模板下的灰关联度0,kR，其值记于模板对应下的图像中点坐标位置。一般M=N,取奇数。显然模板的选择至关重要，通过研究复合板图像信息熵的特性及考察复合板图像直方图特性，发现复合板图像缺陷区域灰度总体偏暗，相对信息熵偏大，从此，可构建以均匀模板实现图像目标增强。为简化计算，提高效率，可令参考序列RS为全零矩阵，即构建一个全零模板。北京名校高端写手团队代写硕士、博士毕业论文（各专业均可）、EI、SCI、CSSCI、核心期刊刊发表小论文。十年运作经验，技术力量雄厚。数学建模，实验仿真、数据分析（SPSS、MATLAB、EVIEWS、EXCEL、SPLUS&R、LINGO、MAPLEMATHEMATICA、MATHCAD）一站式服务。全程淘宝，安全无忧！电话：4000325985手机：[phone]Q:77995988；22358080北京通慧学术服务公司3.自适应选取阈值检测灰关联度小目标区域图像的灰度统计直方图是一个1-D的离散函数[4]：()/kknn，0,1,...,1kL(7)L为图像灰度级，图像直方图是图像各灰度值统计特性与图像灰度值的函数，它统计一幅图像中各个灰度级出现的次数或概率；直方图反映了图像的整体灰度分布状态[5]，当l很小时，其灰度分布状态沿灰度变量l的变化率或变化梯度可表示为：()()()()kllkldOldll(8)式（8）是图像直方图关于灰度l的一阶导数的单边差分近似。对式（8）进行简化求取近似值，令l=1，可得1()kkdmdl(9)一般情况下,复合板图像经全零均匀模板实现图像目标增强后，其灰关联灰度图直方图分布几乎都具有单调特性，且目标图像相对集中于低灰关联灰度区域，分布范围大而均匀，而非目标区反之。故可由式（9）计算获取其差分曲线图，在其差分曲线拐点处确定提取图像目标的阈值T。4．实验图1是本实验处理的图像数据之一，像素为500×1200的RGB图像，在其中下部有一颜色较深的缺陷区域（小目标）。灰度化后的图像如图2所示。图1.有缺陷的木板图2.灰度化后的图像由于是实地拍摄的图像，很明显的看到光照不均匀，改善光照不均匀，进行光线补偿后的图像如图4所示。图3.光线补偿后的图像根据第一节描述的模型和方法，令参考序列RS为全零矩阵，构建一个全零模板。同时考虑两点：1）模板遍历时边缘损失要尽可能少；2）模板遍历时间要尽可能短。综合以上因素，本实验采用9×9的全零矩阵模板，建立零模灰色关联模型。由式（2）至式（6）计算其相应模板下的灰关联度0,kR，其值记于模板对应下的图像中点坐标位置，公式（3）中，的值取为0.5[1]。处理后的图像如图4所示：图4经零模灰色关联处理后的图像经零模灰色关联处理后的图像，背景区域得到了平滑，而缺陷区域得到均匀强化。由于采用的是全零（纯