基于Meanshift的彩色示溫漆圖像分割算法

胡昊 吳壯志

【摘要】示溫漆圖像分割是示溫漆溫度自動(dòng)識(shí)別的關(guān)鍵步驟，本文提出了一種基于Meanshift的示溫漆圖像分割算法。首先利用像素點(diǎn)的五維信息在LUV色彩空間下完成粗分割;然后針對(duì)碎片問(wèn)題應(yīng)用區(qū)域合并的方法消除碎片并完成細(xì)分割。實(shí)驗(yàn)結(jié)果表明，該方法分割的結(jié)果分界線明顯，分割效果較好。

【關(guān)鍵詞】示溫漆;色彩量化;Meanshift;區(qū)域合并

1.引言

示溫漆測(cè)溫技術(shù)特點(diǎn)明顯：測(cè)試范圍寬，不受結(jié)構(gòu)的限制，能夠比較直觀地反映所測(cè)部件的溫度，并提供溫度場(chǎng)的信息，近年來(lái)在航空發(fā)動(dòng)機(jī)的溫度測(cè)試中應(yīng)用廣泛。利用計(jì)算機(jī)彩色圖像處理技術(shù)設(shè)計(jì)示溫漆溫度識(shí)別系統(tǒng)，能夠解決依靠人眼來(lái)判斷的落后檢測(cè)，可以大大的提高測(cè)量精度，提高工作效率，解決航空發(fā)動(dòng)機(jī)溫度測(cè)量中存在的諸多問(wèn)題。示溫漆溫度識(shí)別系統(tǒng)主要分為三個(gè)步驟：（1）圖像預(yù)處理：去除圖像中的噪聲;（2）圖像分割：根據(jù)顏色信息分割示溫漆圖像，提取出不同顏色的區(qū)域;（3）溫度映射：根據(jù)示溫漆溫度值與顏色值的對(duì)應(yīng)數(shù)據(jù)，識(shí)別出各個(gè)區(qū)域的溫度。圖像分割的效果直接影響到溫度識(shí)別的精確度，因此示溫漆彩色圖像分割問(wèn)題是示溫漆溫度自動(dòng)識(shí)別的關(guān)鍵步驟。示溫漆圖像特點(diǎn)明顯：紋理簡(jiǎn)單，顏色呈塊狀分布，溫度相近區(qū)域之間顏色相近、邊界顏色漸變，溫度相差較遠(yuǎn)區(qū)域之間顏色相差較大、邊界明顯。目前常用的分割方法主要有：基于區(qū)域的分割方法、基于閾值的分割方法、基于邊緣的分割方法、基于聚類的分割方法等。本文根據(jù)示溫漆圖像的特征，選取基于Meanshift聚類的算法對(duì)圖像進(jìn)行分割，取得了比較好的分割效果。

2.Meanshift原理

Meanshift是一種迭代統(tǒng)計(jì)算法，常用于目標(biāo)跟蹤和圖像分割領(lǐng)域。最先由Fukunaga和Hostetler在1975年提出。1995年，cheng改進(jìn)了Meanshift算法中的核函數(shù)和權(quán)重函數(shù)，擴(kuò)大了Meanshift算法的適用范圍。Comaniciu等首次將meanshift算法應(yīng)用到圖像空間中，兩個(gè)像素點(diǎn)顏色越接近，概率密度越高，聚類中心最終會(huì)收斂到概率密度最高的點(diǎn)，該點(diǎn)的顏色即為量化后的顏色。王美玲應(yīng)用Meanshift算法進(jìn)行示溫漆圖像分割，采用圖像的LUV空間，通過(guò)將彩色圖像亮度值L作為Meanshift的密度函數(shù)來(lái)尋找像素點(diǎn)L值的密度極大值中心。

給定Rd中的樣本點(diǎn)集，設(shè)初始的估算向量為x（可以選取空間中任選一點(diǎn)），為給定的核函數(shù)，在重新估算均值時(shí)用來(lái)決定鄰近點(diǎn)的權(quán)重，通?？梢赃x用高斯核函數(shù)。由K決定的均值為：

（1）

其中：

N（x）為x的，對(duì)N（x）中的點(diǎn);h表示核寬度。

Meanshift的迭代過(guò)程如下：計(jì)算m（x）并將其賦給x，重復(fù)估算m（x）直到m（x）收斂。

3.Meanshift彩色圖像分割算法

設(shè)為彩色圖像的一個(gè)像素點(diǎn)，其中為二維的位置向量，為三維的顏色向量。根據(jù)文獻(xiàn)[3]，圖像點(diǎn)x的概率密度函數(shù)定義為位置概率密度函數(shù)和顏色概率密度函數(shù)的積：

（2）

其中：

核函數(shù)：

表示空間位置的信息，離原點(diǎn)距離越近，其值越大;核函數(shù)：

表示顏色的信息，顏色越相似，其值越大。C是一個(gè)歸一化參數(shù)，hp和hc是核寬度，分別表示空間距離閾值參數(shù)和像素值閾值參數(shù)。

傳統(tǒng)的RGB色彩空間是根據(jù)人眼識(shí)別的顏色來(lái)定義的，將色調(diào)、亮度、飽和度混在一起。本文采用與視覺(jué)統(tǒng)一的LUV色彩空間，其中L表示亮度，U、V表示色度。文獻(xiàn)[4]在用Meanshift算法進(jìn)行示溫漆圖像分割時(shí)，只考慮了像素的亮度值L，而沒(méi)有考慮色度U、V，而且也沒(méi)有考慮像素值的空間信息。本文在算法實(shí)現(xiàn)過(guò)程中，充分利用像素點(diǎn)所包含的空間信息和顏色信息，將每個(gè)像素點(diǎn)x看成一個(gè)五維的列向量：

（3）

其中（x，y）表示空間信息，表示顏色信息。其主要思路如下：分割算法分為粗分割和細(xì)分割兩步。首先利用Meanshift迭代過(guò)程計(jì)算每個(gè)像素點(diǎn)的概率密度極值點(diǎn)，同一類的點(diǎn)會(huì)收斂到相同的極值點(diǎn)，即類中心點(diǎn)。用類中心點(diǎn)的顏色代替類中各點(diǎn)的顏色，完成粗分割;粗分割完成后，由于極值點(diǎn)過(guò)多，容易產(chǎn)生過(guò)分割，產(chǎn)生一些較小的區(qū)域，因此要合并一些類，完成區(qū)域合并操作。通過(guò)設(shè)置類大小參數(shù)M，將小于M的類合并到周圍色彩差最小的類中，色彩差定義如下：

（4）

Meanshift分割算法具體步驟如下：

（1）將圖像有RGB色彩空間轉(zhuǎn)換到LUV色彩空間;

（2）選取合適的和對(duì)圖像各像素點(diǎn)進(jìn)行Meanshift運(yùn)算;

（3）標(biāo)記圖像中的各類中心以及圖像中各點(diǎn)所屬的類中心;

（4）各點(diǎn)顏色值替換為所屬類中心的顏色值，完成粗分割;

（5）將小區(qū)域合并到周圍色彩最相似的大區(qū)域中，完成細(xì)分割。

4.實(shí)驗(yàn)的結(jié)果與分析

Meanshift圖像分割過(guò)程中，hp、hc、M是三個(gè)很重要的參數(shù)，參數(shù)的大小直接影響了分割的效果。實(shí)驗(yàn)中將M設(shè)定為圖像大小的1%，即小于1%的區(qū)域需要合并到周圍的大區(qū)域中。圖1給出了示溫漆圖像1、2、3在不同參數(shù)下的分割結(jié)果。從圖1可以看到，hp和hc兩個(gè)參數(shù)的設(shè)定對(duì)分割的效果起到了關(guān)鍵的作用。當(dāng)hp和hc較小時(shí)，分割后的區(qū)域數(shù)目較多;當(dāng)hp和hc較大時(shí)，分割后區(qū)域數(shù)目較少，存在顏色丟失的情況。hp和hc的大小直接影響了分割的精度。另外從表2還可以發(fā)現(xiàn)，參數(shù)的大小與運(yùn)行時(shí)間成正比例關(guān)系。表1給出了圖像2在不同參數(shù)下的運(yùn)行時(shí)間，參數(shù)值越大，Meanshift運(yùn)算時(shí)包含的像素點(diǎn)越多，算法運(yùn)行時(shí)間越長(zhǎng)。

圖1 示溫漆圖像1、2、3在不同參數(shù)下的分割結(jié)果

表1 示溫漆圖像1不同參數(shù)下的運(yùn)算時(shí)間

參數(shù) =3 =3 =5 =5 =7 =3 =7 =7 =9 =9

運(yùn)行時(shí)間（秒） 0.175483 0.260182 0.343971 0.361097 0.484425

實(shí)驗(yàn)對(duì)K-means算法和Meanshift算法在示溫漆圖像上的分割效果進(jìn)行了對(duì)比，如圖2所示。從圖2中可以看到，第2和第5幅圖中，Kmeans算法存在明顯的色彩丟失情況;第1幅圖中，Kmeans算法分割后，中間出現(xiàn)暗紅色區(qū)域;第3幅圖中，Meanshift算法對(duì)右半部分圖的分割更為精確;第4幅圖中，Meanshift算法右半部分存在色彩丟失的情況，主要是因?yàn)橛野氩糠执嬖谥伾珴u變的區(qū)域，顏色非常接近。但總的來(lái)說(shuō)，Meanshift算法的整體分割效果更好。

圖2 Kmeans與Meanshift分割對(duì)比

5.結(jié)束語(yǔ)

示溫漆圖像分割是示溫漆溫度識(shí)別的關(guān)鍵步驟，本文提出了一種基于Meanshift的彩色示溫漆圖像分割算法。算法首先通過(guò)Meanshift聚類對(duì)圖像進(jìn)行粗分割，然后再利用區(qū)域合并消除圖像中存在的碎片問(wèn)題，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性。通過(guò)與Kmeans算法比較表明，本文算法整體分割效果更好。本文對(duì)于Meanshift算法參數(shù)的選擇問(wèn)題上仍存在改進(jìn)的空間，以便進(jìn)一步提高量化分割的精確度。

參考文獻(xiàn)

[1]李揚(yáng)，李志敏.航空發(fā)動(dòng)機(jī)渦輪葉片溫度測(cè)量技術(shù)現(xiàn)狀與發(fā)展[C].航空發(fā)動(dòng)機(jī)設(shè)計(jì)、制造與應(yīng)用技術(shù)研討會(huì)論文集，2013.

[2]盧志茂.基于聚類分析的圖像分割算法研究[D].黑龍江：哈爾濱工程大學(xué)，2012.

[3]Zhang L，Zhang D，Wu C.Scale and orientation adaptive mean shift tracking[C].Computer Vision，2012：52-61.

[4]Khan Z H.Robust Visual Object Tracking Using Multi-Mode Anisotropic Mean Shift and Particle Filters[J].IEEE Transactions on Circuits and Systems for Video Technology，2011.

[5]Fukanaga K，Hostetler L D.The estimation of the gradient of a density function with applications in pattern recognition[J].IEEE Trans Information Theory，1975，21（1）.

[6]Cheng Y Z.Mean shift，mode seeking，and clustering[J].IEEE Trans on Pattern Analysis and Machine Intelligence，1995，17（8）：790-799.

[7]D.Comaniciu，P.Meer.Robust analysis of feature spaces：color image segment[C].Proc.CVPR，1997.750-755.

[8]D.Comaniciu，Visvanathan Ramesh，Peter Meer.Realtime tracking of non-rigid objects using mean shift[C].Proc.CVPR，2000，2：2142-2149.

[9]王美玲.基于彩色圖像處理的示溫漆溫度識(shí)別系統(tǒng)[D].江蘇：南京航空航天大學(xué)，2009.