基于非下采样CONTOURLET变换和PCNN的表面缺陷自动识别方法.pdf

第21卷1期应用基础与工程科学学报Vo1．21，No．1
2013年2月JOURNALOFBASICSCIENCEANDENGINEERINGFebruary2013

文章编号：1005-0930(2013)O1-0174-01l中图分类号：TP391文献标识码：A
doi：10．3969／j．issn．1005-0930．2013．01．019

基于非下采样Contourlet变换和PCNN
的表面缺陷自动识别方法

周新星，王典洪，孙林2，王洪亮，李东明
(I．中国地质大学(武汉)机械与电子信息学院，湖北武汉430074；2．武汉钢铁(集团)公司，湖北武汉430083)

摘要：基于多尺度几何分析的表面缺陷特征提取方法中，常用的可分离二维
Wavelet基是各向同性的，无法有效表示图像的纹理和边缘，且通常对多尺度分
解系数所提取的特征不全面．提出基于非下采样Contourlet变换(NSCT)和脉冲
耦合神经网络(PCNN)的特征提取方法，并应用于冷轧带钢表面缺陷自动识别．
首先用NSCT对缺陷图像进行多尺度多方向分解；然后将子带图像输入PCNN
迭代点火，计算点火图的熵序列作为子图的特征，合并各子图特征得到原图的特
征向量；最后用支持向量机进行分类识别．该方法能够全面准确提取缺陷图像信
息，尤其是纹理边缘等方向信息，且方法可并行实现，PCNN不需要训练．利用从
生产线现场采集的缺陷图像对文中方法进行了试验，识别率达95．44％．
关键词：表面检测；特征提取；非下采样Contourlet变换；脉冲耦合神经网络；多尺度几何分析

基于机器视觉的表面缺陷检测系统已成为表面缺陷检测系统的主流，它由4个部分
组成：图像预处理、缺陷检测、缺陷特征提取和分类识别，其中后两者是最重要的环节．目
前研究主要集中在分类器的设计上，专门研究缺陷特征提取的文献并不多．然而，由于缺
陷特征提取对后续的分类识别起着至关重要的作用，所以很有必要对其进行深人研究，这
也是本文研究的主要内容．
冷轧带钢表面缺陷的形成原因复杂，涉及炼钢、热轧和冷轧过程，缺陷种类多，形态复
杂．它们各自表现出不同的特征，如纹理特征、形状特征等，还有很多缺陷太过复杂难以用
明确的特征来表示；同时，同一类型的缺陷在表观上存在较大差异，不同类缺陷有时又很
相似，这都给冷轧带钢表面缺陷的特征提取带来挑战．从目前发表文献看，国内外学者主
要提取纹理特征、几何特征、灰度特征、不变矩特征等进行缺陷图像的识别，由于是在空间
域直接提取特征，而图像的某些潜在特性在空间域表现不明显，故识别率仍有待提
高¨。J．多尺度几何分析是近几年蓬勃发展的高维函数稀疏表示方法，它符合人类视觉皮
层对图像有效表示的要求，即局部性、方向性和多尺度性，在图像处理领域有非常好的应
用前景．为克服在空间域提取缺陷特征的不足，有学者提出基于多尺度几何分析的表面缺

收稿日期：2011-09．18：修订日期：2012-03-28
基金项目：国家自然科学基金项目(11175160)；湖北省自然科学基金重点项目(2010CDAO07)
作者简介：周新星(1984一)，男，博士研究生Tel：18064127361，Email：[e-mail]
No．1周新星等：基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法175

陷特征提取方法，即先对缺陷图像进行多尺度分解，再对分解后的系数即子带图像提取特
征，这其中，选择何种多尺度分析方法和对系数提取何种特征量是最关键的2个问题．
对于第一个问题，Wavelet变换是最常用的多尺度分析工具-4，如文献[6]提出基于
Wavelet变换的幅值谱不变矩特征提取方法，应用于表面缺陷识别，识别率达91．60％．然
而。二维可分离Wavelet是由一维Wavelet用张量积扩展得到，它的基缺乏方向性，是各向
同性的，在表述图像中纹理、边缘等方向信息时效果不理想，而纹理和边缘正是表面缺陷
图像的主要特征．因此，需要寻找更加有效的多尺度分析方法对缺陷图像进行处理．近几
年国外学者提出了新的多尺度变换，包括CurveletJ、Bandelet_8J、Contourlet-9。等．
Contourlet变换是一种“真正”的图像二维表示方法，能用不同尺度、不同方向的子带更准
确地捕获图像中的分段二次连续曲线，使表示图像边缘的Contourlet系数更加稀疏．但
Contourlet变换缺乏平移不变性，这在奇异性方面导致了伪吉布斯现象．非下采样
Contourlet变换(nonsubsampledcontourlettransform，NSCT)是Contourlet的改进形式，
它继承了Contourlet的优良特性并具有平移不变性．所以，NSCT更加适合