赵亚凤 任洪娥

(东北林业大学，哈尔滨，150040)

原木材积检测在现代木材工业中占有重要的地位。目前，材积检测技术主要有人工检测、光电检测、激光检测和计算机视觉检测。随着现代木材工业的发展，计算机视觉检测由于其劳动强度低，检尺精度高而得到广泛研究，为当前原木检测技术的研究热点，是实现数字化检尺的基础。

原木检尺的一个主要参数是径级，即原木端面直径。利用图像处理的方法进行原木径级识别，是实现计算机视觉自动检尺的基础［1］。原木堆中，由于原木堆放时参差不齐，导致其端面不可能在一个平面上，特别是堆放时凹进的原木，其端面落在上方原木的阴影里，采集图像时由于其受光程度不一致，端面图像颜色会有很大改变，给基于阈值的图像分割造成一定困难。并且，有些原木的端面留有采伐茬口，采集到的图像中会出现台阶。另外，在生产过程中有的原木端面出现开裂或破损，采集的图像为缺圆。这些因素都给原木端面的识别造成了一定困难。

为了准确地获取原木端面尺径，首先需要对原木端面图像进行分割，确定其基本轮廓，为后续的分析和处理提供依据。笔者在分析成堆原木端面图像特征的基础上，基于遗传算法增强图像，并改进同态滤波提出一种适用于成堆原木特征的分割方法。

1 成堆原木端面图像特征及现有算法分析

成堆的原木端面图像是256级灰度图像，主要由端面和黑色背景组成，端面的灰度值与周围背景的灰度值有着明显差异，其背景灰度值非常低，而端面灰度值较高。图1给出了一个采集到的正常堆放原木端面图像，该图像的分辩率是446×446像素。可以看出，原木端面为浅色，背景为深色，但由于上方凸出原木的遮挡，产生阴影，下方原木端面中呈现不理想的浅色。正常堆放的原木，其端面参差不齐，上方原木在下方原木端面形成的阴影和背景很难区分，并且有的原木留有采伐茬口，导致端面图像中有一半为浅色，另一半为深色，图像分割时必然会出现台阶或分割成两个半圆。

图1 采集原木端面图像

近10 a来，在原木检尺参数图像识别方面，已有学者做了一些研究。黄习培等人利用指针链表提取原木端面的二值图像［2］，将端面图像视为类圆形，利用插值和拟合算法，确定该类圆图形的圆心和半径，识别原木端面尺径。该算法对实际中的不规则圆型的原木检尺精度较低。龙德帆等人提出了轮廓跟踪的方法［3］，利用动态规划法来提取端面轮廓，选取端面轮廓的最大内切圆圆心作为原木端面的中心，通过该中心的最短直径即确定为原木的检尺径，但确定最大内切圆的圆心位置的算法是一个复杂的过程。栾新等人采用聚类分析和模糊识别相结合的方法，引入模糊概念，较好地解决了对不规则类圆图形目标的识别［4］，但上述算法是建立在原木截面平直的基础上，而实际上是不可能的。林静静等人提出了基于链码的原木端面图像检尺径识别算法［5］，改进了轮廓跟踪技术，从图像中心点竖直向下扫描，获取跟踪起始点，在一定约束条件下寻找端面图像目标轮廓，对于不规则的原木端面图像还不能取得很好的分割效果。文献［6］—文献［9］中也提出了原木检尺中的图像处理技术，当没有阴影时，有很高的检尺精度，但由于拍摄角度和原木遮挡造成的阴影对检尺精度有较大影响。以上提出的算法在精确识别和计算自然堆放的原木直径上，存在适应性较差、计算量大等缺欠，与实际应用还有一定距离。

2 遗传算法的图像增强原理及流程

遗传算法GA模拟达尔文生物进化论，是模拟自然选择和生物进化过程的计算模型，是一种搜索最优解的方法。作为一种基于自然进化的随机搜索方法，该算法比较适合用于复杂大空间的搜索，且能得到一个近似最优解［10－11］。

需要的原木端面图像由端面和黑色背景组成，而采集的原木端面图像质量较差，图1中较多灰度信息为无用信息。为了提高图像质量，利用遗传算法进行图像增强。分段线性变换法可用来增强图像，抑制不感兴趣的灰度信息，突出感兴趣的端面和背景。原木端面图像的灰度图由0～255个灰度值组成，作者采用3段线性变换法，先将图像0～255个灰度区间分成低、中、高3段，两个转折点为X1、X2;再对分段后的每段灰度区间进行线性变化，变化后低、中、高段对应的两个转折点为 Y1、Y2［12－13］。对低段和高段进行压缩，对灰度值的中间区间进行扩展，即 X1＞Y1、X2＜Y2。

该方法的关键在于如何确定两个转折点(X1，Y1)和(X2，Y2)。传统变换中多采用手动选择，需要多次反复实验才能得到合适的值，很难达到最佳效果。本研究利用遗传算法，自适应搜索确定最佳分段点。

首先随机选择一组模型群体，通过选择、交叉和变异3个基本步骤，得到新的群体，之后再多次重复这一过程，直到最后的模型群体变得一致。这里提到的一致，是指根据确定的目标适应度函数对每个个体进行评价，由于进化，会不断产生更优的群体，同时以全局并行搜索的方式，搜索优化群体中的最优个体，最后求得满足要求的全局最优解。为了实现以上的目的，遗传算法具体程序流程如下:

①图像编码

由于原木端面图像的灰度图由0～255个灰度值组成，正好对应1个8位二进制，为1个字节。编码时使用2个字节作为一个染色体，为了确定2个转折点，前1个字节为第一个转折点坐标(X1，Y1)，后1个字节为另一个转折点坐标(X2，Y2)。

②初始化种群和初始化参数的设置

随机产生一个由N个个体组成的染色体种群，作为初始种群，并计算每个个体的适应度。确定最大进化代数、染色体长度、交叉概率、变异概率和模拟退火中的初始温度。

③构建适应度函数

常用的适应度函数为方差函数，是一种空间域的灰度测度，但仅以方差为适应度函数并不能很好地区分图像局部细节差异，只能反映图像整体统计特征。作者同时考虑信息熵、均方差和信噪改变量构建适应度函数。

式中:E为信息熵，E越大表明增强后图像的信息量越大;pi为第i级灰度出现的概率;F为灰度均方差，越大表示增强后图像对比度越高;n=M×N;gi，j为图像灰度值;D为信噪改变量，描述图像增强后灰度级大于给定阈值Th的数量，D越大表示增强后影响的灰度层次损失越少，保留的层数越多，合适的阈值可以防止过度增强。可见，适应度函数越大，图像的增强效果越好。

④遗传运算

对群体进行交叉运算，之后作变异运算。

⑤确定最优值

按照以上的遗传算子，产生新的种群，并对新的种群重复以上步骤，直到取得最大适应度，确定最优转折点坐标。

按照遗传算法的取值规律，本实验中的参数选取如下:变量的二进制位数为8，群体规模为40，最大进化代数为 100，交叉率为 0.65，变异率取 0.02。

采用上述的设置参数，用该优化遗传算法对图像进行增强，效果如图2所示。

图2 增强后原木端面图像

3 消除阴影的同态滤波图像分割

利用遗传算法增强图像后，可以清晰地提取出需要分割的图像，但图像中阴影和背景不能区分。成堆原木由于任意堆放，端面不能保证完全在一个平面，上方凸出产生的阴影和采伐中留下的茬口是图像分割中最需解决的问题。

采用同态滤波的方法进一步对增强后的图像进行分割处理，并同时消除阴影和茬口。从图2中可以看出，阴影和茬口在空间上变化缓慢，在频域上呈现低频特征，背景和端面的交界处是急剧变化的，在频域上呈现高频特征。

同态滤波可在频域中将图像动态范围进行压缩，抑制低频分量并突出高频分量［14－15］。用二维函数g(i，j)表示空间域图像时，可用入射和反射两个分量来表征:

g(i，j)=I(i，j)·r(i，j)。

式中:I(i，j)为入射的光源总量;r(i，j)为物体反射光的总量。

设计一个对高频和低频分量影响不同的高通滤波器，就可以适当降低入射光源总量函数的影响，并增强反射率函数的频谱成分，降低阴影和茬口的影响。由于理想滤波器脉冲响应呈振荡特征，滤波时会产生振铃效应。为了消除或减少振铃效应，减小图像的边缘模糊度，选用二阶巴特沃思滤波器H(u，v)，使频率响应更光滑。

式中:f0为选定的截止频率;f(u，v)为点(u，v)到频率域原点(u0，v0)的距离;r1和r2为修改因子，取rH和rL分别为高频和低频增益;f(u，v)＞f0时，rH=r1;f(u，v)＜f0时 rH=r1－r2。本研究中滤波器的高通截止频率 f0=100，r1=2，r2=0.5，分割效果如图 3 所示。

图3 图像分割效果

在对成堆原木进行分割时，典型聚类算法能取得较好的效果［8］，作为经典的聚类算法代表，最大峰值算法(KMA)在图像分割问题上取得了不错的效果，图4为KMA算法对图2分割的结果。

图4 经典KMA算法分割效果

本研究用经典的prewitt算子对图3进行边缘提取，并将其与典型聚类算法进行比较，结果见图5。可以看出，与传统的KMA算法相比较，本算法不需要非常准确地确定初始中心的取值，也不需要事先确定图中原木的数量。对两个图的对比可以看出，用同态滤波分割后的图像提取能够更有效地识别阴影和茬口部分，完全消除了阴影遮挡和茬口造成的半圆和台阶，其分割效果优于KMA算法。

图5 边缘提取后效果

4 结束语

将遗传算法用于成堆原木图像的增强，由于分段线性变换法可突出感兴趣的端面和背景，利用遗传算法的最优搜索确定3段线形变换法的转折点，在构建适应度函数时综合考虑灰度均方差、信息熵和信噪改变量，保证图像的整体和局部增强。对增强后的图像进行分割，考虑到阴影和茬口在空间上较背景变化缓慢，用同态滤波在频域中将压缩图像动态范围，抑制低频分量，并突出高频分量，可消除阴影和茬口的影响。对多根原木堆积的端面图像分割证明了该算法的有效性，说明它特别适用于有阴影存在的图像分割问题。最后，将该方法与KMA算法效果做了一个比较，证明其有更好的分割效果。今后将对该类图像分割问题做进一步的研究，方向是寻找更适合的边缘提取方式，同时优化巴特沃思滤波器参数。

［1］ 梅振荣，任洪娥，朱朦.基于非线性最小二乘原理的原木端面识别算法［J］.计算机工程与应用，2012，48(2):177－178.

［2］ 黄习培，景林.原木端面图像检尺直径识别算法的研究［J］.林业机械与木工设备，2006，34(1):24－26.

［3］ 龙德帆，樊尚春，庞宏冰，等.用于原木材积检测的图像处理与分析算法［J］.北京航空航天大学学报，2005，31(1):82－85.

［4］ 栾新，王炎.计算机视觉技术在原木材积测量中的应用［J］，电子测量技术，1997，20(2):44－46.

［5］ 林静静，魏云龙，陈建清，等.基于链码的原木端面图像检尺径识别算法［J］.厦门大学学报:自然科学版，2010，49(1):57－60.

［6］ 王执煜，李宁宁，丛喜东.计算机及图像识别技术在原木检尺中的应用研究［J］.林业机械与木工设备，2006，34(9):13－16.

［7］ 景林，黄习培，丁盛彬.成捆原木计算机图像检尺系统研究及应用［J］.计算机应用，2006，26(12):137－139.

［8］ Wang Yaming，Huang Wenqing，Zhao Yun.Computer vision technology in log volume inspection［J］.Journal of Forestry Research，2002，13(1):67－70.

［9］ 任洪娥，徐海涛.一种基于链码技术的图像目标物体面积统计新方法［J］.计算机应用研究，2008，25(1):303－305.

［10］ Jin Cong，Peng Jiaxiong.Digital Image Segmentation Based on Genetic Algorithm［J］.Mini-Micro Systems，2002，23(7):875－877.

［11］ Shi Jianbo，Malik J.Normalized cuts and image segmentation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):888－905.

［12］ 李国，龚志辉，尤辉，等.改进的自适应遗传算法在图像模糊增强中的应用［J］.测绘科学，2012，37(2):77－79.

［13］ 黄楠.遗传算法在图像增强中的应用研究［J］.计算机仿真，2012，29(8):261－264.

［14］ 韩念龙，刘闯，庄立.基于不同小波变换与同态滤波结合的CBERS－02B卫星CCD图像的薄云去除［J］.吉林大学学报:地球科学版，2012，42(1):275－279.

［15］ 易瑶，张东波，李雄.基于背景估计和同态滤波的眼底图像归