一種基于PSO與OSTU的改進(jìn)絮體分割算法

謝 昕， 王建賓， 胡鋒平

(1.華東交通大學(xué) 信息工程學(xué)院，江西 南昌 330013;2.華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 330013)

一種基于PSO與OSTU的改進(jìn)絮體分割算法

謝 昕1， 王建賓1， 胡鋒平2

(1.華東交通大學(xué) 信息工程學(xué)院，江西 南昌 330013;2.華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 330013)

介紹了圖像分割中常用的直方圖法、迭代法、經(jīng)典大津法的閾值選取原理，然后對(duì)水處理混凝過程中的絮體圖像進(jìn)行分割對(duì)比實(shí)驗(yàn)，結(jié)合絮體運(yùn)動(dòng)特點(diǎn)和水處理實(shí)時(shí)性的要求，提出了一種基于粒子群優(yōu)化(PSO)與OSTU的絮體圖像分割的改進(jìn)算法，即先通過灰度拉伸以增強(qiáng)圖像灰度對(duì)比，再利用PSO算法的全局搜索能力來改善OSTU方法的閾值選取時(shí)間，求出分割閾值。實(shí)驗(yàn)表明：該算法能實(shí)現(xiàn)絮體圖像的準(zhǔn)確、快速分割，達(dá)到實(shí)時(shí)計(jì)算絮體等效粒徑和數(shù)量的要求。

粒子群優(yōu)化； 算法; 絮體； 圖像分割； 增強(qiáng)OSTU

0 引 言

飲用水處理工藝一般包括混凝、沉淀、過濾、消毒等幾個(gè)階段?；炷褪遣捎没炷齽┦顾械哪z體顆粒和細(xì)小的懸浮物相互凝聚，形成沉淀性能良好的絮體(礬花)，使之在后續(xù)的工藝中能夠有效地從水中分離[1]。

近年來，國內(nèi)外研究者將各種檢測(cè)技術(shù)應(yīng)用于混凝過程的檢測(cè)中。流動(dòng)電流檢測(cè)(streaming current detector，SCD)技術(shù)[2]是在原水中投加混凝劑，經(jīng)過混合后在其末端檢測(cè)水中的流動(dòng)電流值，找出沉淀后出水濁度值的關(guān)系。由于SCD儀表靈敏度較低，變化范圍較小，受原水中某些有機(jī)物影響較大，限制了使用場(chǎng)合。1984年,英國Gregory J和Nelson D W[3]研制出一種通過檢測(cè)透光率脈動(dòng)檢測(cè)值R即可以反映出混凝過程的效果的技術(shù),但在常規(guī)濁度的水處理中效果不甚理想。顯示絮凝控制方法(flocculation control device，F(xiàn)CD)[4]是一種基于圖像處理的高效、準(zhǔn)確的檢測(cè)技術(shù)，它以絮體的等效粒徑為主要參量，有效避免了物理化學(xué)因素的影響。但是FCD時(shí)間復(fù)雜度高，在絮體識(shí)別的過程中，花費(fèi)了大量的時(shí)間。而圖像分割是絮體識(shí)別的關(guān)鍵一步，如何提高絮體圖像分割的精度與速度是目前需要解決的一個(gè)關(guān)鍵問題。

研究者相繼提出了多種絮體圖像分割算法。宋曉峰[5]采用了基于方差最大比的閾值確定方法，能最大限度地將圖像分為物體和背景，但這種方法很難確定分割類數(shù)，需要人為確定，缺乏靈活性。陳峰等人[6]采用迭代閾值法對(duì)絮體圖像進(jìn)行分割，此算法計(jì)算復(fù)雜度小，計(jì)算速度快，但所計(jì)算的絮體圖像的閾值不是很準(zhǔn)確。張輝、程培英等人[7，8]采用二維OSTU自適應(yīng)算法對(duì)圖像進(jìn)行分割，隨閾值選取相對(duì)準(zhǔn)確，分割精度較好，但算法時(shí)間復(fù)雜度高，效率低，不能滿足實(shí)時(shí)性的要求。上述方法只能完成一些特定狀態(tài)的絮體分割且準(zhǔn)確度不高。

本文提出一種基于粒子群優(yōu)化(PSO)和OSTU的絮體分割算法，可實(shí)現(xiàn)對(duì)絮體區(qū)域的快速、精確提取。

1 圖像獲取

實(shí)驗(yàn)系統(tǒng)主要包括混凝池、沉淀池、圖像采集系統(tǒng)，如圖1所示?；炷睾统恋沓鼐捎?.75 m×1.00 m×2.30 m規(guī)格。

圖1 絮體圖像采集系統(tǒng)

高速工業(yè)攝像機(jī)采用西安維視公司研發(fā)的MV—VEM120SM(最大分辨率為1 280×960，最大幀頻為30 fps)。光源選用的是新源輝光電科技生產(chǎn)的LED水下燈。拍攝到此圖片時(shí)所用混凝劑為聚合氯化鋁(PAC)，水的流量為5 m3/h，混凝劑加注量為40 mg/L。

2 圖像前期處理與幾種常用分割方法

2.1 前期處理

前期對(duì)圖片先進(jìn)行截取和降噪，圖2(a)是混凝池中截取的原始絮體圖像，圖2(b)是降噪處理后的圖像，圖2(c)為灰度拉伸后的圖像，像素大小為270×200。

2.2 圖像分割算法

2.2.1 直方圖法[9,10]

直方圖法適用于所拍攝圖像中物體和背景各形成一個(gè)波峰的情況，宜選擇兩個(gè)波峰之間的波谷的閾值作為分割閾值。絮體的灰度直方圖如圖3所示，圖像中并不存在明顯的雙峰，因此，不太適合絮體圖像的分割。

圖3 原始絮體圖像灰度分布

2.2.2 迭代分割法[11]

算法步驟如下：

1)閾值的初始設(shè)定為

T=(Tmax+Tmin)/2,

(1)

式中T為平均灰度值，Tmax，Tmin分別為最大、最小灰度值。

2)根據(jù)初始閾值對(duì)絮體圖像進(jìn)行分割，并求出絮體部分和背景部分的平均灰度值T1和T2。

3)更新閾值

Tk=(T1+T2)/2,

(2)

式中T1,T2為平均灰度值，Tk為迭代后的灰度值。

4)重復(fù)步驟(2)～步驟(3)，直到Tk值不再發(fā)生變化為止。

5)OSTU法

OSTU法又叫大津法[12,13]或最大類間方差法，它主要利用類別方差作為判據(jù)，選取使類間方差最大和類內(nèi)方差最小的灰度值作為最佳閾值。

類內(nèi)方差

(3)

類間方差

(4)

總體方差

其中

式中M為圖像原始灰度級(jí),ni為灰度級(jí)為i的像素點(diǎn)個(gè)數(shù)，t為分割閾值,w1,w0分別為兩類灰度出現(xiàn)的概率,μ1,μ0為每一類的平均灰度。

其中最佳閾值T可由公式(5)求出

(5)

式中σB為類間方差，σw為類內(nèi)方差。

采用OSTU方法對(duì)絮體圖像分割后的效果。缺陷體現(xiàn)在絮體與背景灰度差不明顯時(shí)，會(huì)出現(xiàn)模糊的大塊白色區(qū)域，甚至?xí)G失整幅圖像的重要信息。

為此，可先對(duì)絮體圖像進(jìn)行灰度拉伸，以增強(qiáng)絮體與背景的對(duì)比度，然后再對(duì)拉伸后的圖像進(jìn)行分割。擬采用基于粒子群優(yōu)化的增強(qiáng)OSTU算法。算法首先對(duì)絮體圖像進(jìn)行灰度變換，然后利用粒子群優(yōu)化算法的全局搜索功能和尋優(yōu)的高效性以縮短OSTU算法的閾值選定時(shí)間。其中，采用非線性變換對(duì)絮體圖進(jìn)行灰度拉伸，如公式(6)所示

s=T(r)=1/(1+(m/r)E).

(6)

其中，r為圖像的初始灰度值；s為變換后圖像中的相應(yīng)灰度值；E為該函數(shù)的調(diào)節(jié)斜率，可根據(jù)所需要的不同效果進(jìn)行設(shè)定。絮體原始圖像按以上公式拉伸后的圖像如圖2(c)所示。

3 PSO算法的基本原理

PSO算法將每個(gè)個(gè)體看做是D維空間中一個(gè)粒子，在搜索的空間里，以一定的速度飛行，并根據(jù)對(duì)個(gè)體和集體的飛行經(jīng)驗(yàn)來動(dòng)態(tài)調(diào)整這個(gè)速度值。對(duì)于每一次迭代，粒子i在d維空間(1≤d≤D)按照如下方程運(yùn)動(dòng)

(7)

(8)

4 改進(jìn)后的絮體分割算法

利用PSO算法對(duì)OSTU算法進(jìn)行優(yōu)化，主要包括兩個(gè)步驟：適應(yīng)度函數(shù)的選取和參數(shù)的選擇。

4.1 選擇適應(yīng)度函數(shù)

把目標(biāo)函數(shù)直接當(dāng)做適應(yīng)度函數(shù)，本文選用閾值分割的類間方差求其最大值，類內(nèi)方差求其最小值，通過這兩個(gè)值得出最佳分割閾值。

4.2 參數(shù)的選取

公式(7)中參數(shù)的選取主要是設(shè)定權(quán)重w、加速常數(shù)，c1,c2種群大小以及最大速度Vmax和最大迭代次數(shù)這幾樣參數(shù)。算法的搜索能力受到權(quán)重選取的影響,一般在搜索的過程中w從0.9線性遞減一直到0.4。為了使微粒能夠更好地找到極值，一般情況下會(huì)選取c1=c2=2。另外還和適應(yīng)度函數(shù)的復(fù)雜維數(shù)有關(guān)，一般情況下會(huì)在20～100之間。最大迭代次數(shù)則由適應(yīng)度函數(shù)復(fù)雜度、維數(shù)、運(yùn)行時(shí)間限定及種群數(shù)等已設(shè)定好的參數(shù)確定。粒子每次飛行的最大距離由最大速度Vmax確定，通常情況下是將Vmax設(shè)定為每維變量的變化范圍。實(shí)驗(yàn)參數(shù)設(shè)定如下：wmax=0.9，wmin=0.4，c1=c2=2，種群數(shù)設(shè)為20，最大迭代的次數(shù)設(shè)定為60，根據(jù)圖像灰度值的范圍，取Vmax=255。

4.3 算法流程

算法流程如圖4所示。由于灰度圖像的范圍是在[0,255]之間，粒子的位置在[0,255]之間選擇，隨機(jī)值都是由rand()函數(shù)得出。然后計(jì)算出函數(shù)的適應(yīng)度值并且進(jìn)行比較和迭代計(jì)算，得到最優(yōu)閾值。

圖4 粒子群優(yōu)化算法流程圖

5 算法仿真與結(jié)果分析

不同算法對(duì)比如圖5，采用改進(jìn)PSO與OSTU算法對(duì)絮體圖像進(jìn)行分割后如圖5(c)所示。只用原始大津法對(duì)270×280絮體圖像的分割時(shí)間為95ms，而本文的算法時(shí)間為32 ms，求出的最佳分割閾值為173。與原來的分割后圖像比較之后,發(fā)現(xiàn)此方法的分割效果明顯要好于目前常用的幾種絮體分割算法。

為了正確計(jì)算絮體的等效粒徑和數(shù)量，還要對(duì)分割后絮體圖像進(jìn)行開運(yùn)算和閉運(yùn)算，使得各個(gè)絮體邊緣變得平滑，并且去除相鄰絮體間的微小連接，使得絮體顆粒界限分明，便于計(jì)數(shù)，如圖5(d)所示。

圖5 不同分割算法效果對(duì)比圖

6 結(jié) 論

本文在采用雙峰法、經(jīng)典OSTU算法及迭代法對(duì)絮體圖像進(jìn)行分割實(shí)驗(yàn)的基礎(chǔ)上，引入了改進(jìn)的基于PSO的OSTU算法,仿真實(shí)驗(yàn)表明:該算法具有較好的效果，也能滿足水處理實(shí)時(shí)性要求。但PSO算法的實(shí)施過程與所采用的參數(shù)有較大關(guān)系，對(duì)于不同的圖像分割算法的優(yōu)化處理，參數(shù)設(shè)置是不同的。然而如何設(shè)置，則主要依賴設(shè)計(jì)者的經(jīng)驗(yàn),如何使參數(shù)的設(shè)置更精確，需要進(jìn)一步的研究。

[1] 史如萍.水處理混凝劑投加量自動(dòng)控制方式研究進(jìn)展[J].城鎮(zhèn)供水,2011,22(1):86-88.

[2] 曲久輝,李圭自,崔福義.單因子水處理混凝投藥在線監(jiān)控系統(tǒng)的設(shè)計(jì)原則與綜合性研究[J].工業(yè)水處理,1996,6(3):22-24.

[3] Gregory J,Nelson D W．A new opptical method for flocculation monitoring[C]∥Solid-Liquid Separation,ElisHorwood：Chichester,1984:172-182.

[4] 巴怡然,宋啟敏,宋振亞,等.基于神經(jīng)網(wǎng)絡(luò)的FCD絮凝控制系統(tǒng)的研究[J].自動(dòng)化與儀表,2009,24(9):30-32.

[5] 宋曉峰.水中絮體在線檢測(cè)系統(tǒng)研究[D].上海:上海大學(xué),2006:39-49.

[6] 陳 峰.基于圖像處理的絮體檢測(cè)技術(shù)研究[D].鎮(zhèn)江：江蘇大學(xué),2006:28-38.

[7] 張 輝,王耀南,周博文,等.基于機(jī)器視覺的保健酒可見異物檢測(cè)系統(tǒng)研究與開發(fā)[J].儀器儀表學(xué)報(bào),2009,30(5):973-980.

[8] 程培英.一種新穎的圖像閾值分割方法[J].計(jì)算機(jī)應(yīng)用與軟件,2009,26(5):228-232.

[9] Wang Liang,Yan Jie.Method of infrared image enhancement based on histogram[J].Optoelectronics Letters,2011,7(3):237-241.

[10] 阮秋琦.數(shù)字圖像處理[M].北京：電子工業(yè)出版社,2005:48-49.

[11] 郭 臻,陳遠(yuǎn)知.圖像分割閾值算法研究[J].中國傳媒大學(xué)學(xué)報(bào):自然科學(xué)版,2008,15(2):77-82.

[12] Mahsa Chitsaz,Chaw Seng Woo.Software agent with reinforcement learning approach for medical image segmentation[J].Journal of Computer Science and Technology,2011,26(2):247-256.

[13] 覃 曉,元昌安,鄧育林,等.一種改進(jìn)的Ostu圖像分割法[J].山西大學(xué)學(xué)報(bào),2013(4):530-535.

[14] Li Linyi,Li Deren .Fuzzy entropy image segmentation based on particle swarm optimization[J].Progress in Natural Science,2008,36(9):1167-1171.

[15] 雷建鋒,汪 偉.基于OpenCV的圖像閾值分割研究與實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù),2013,36(24):73-77.

[16] 李健華,史步海.基于絮體等效粒徑的混凝控制研究[J].微計(jì)算機(jī)信息,2008,24(13):3-5.

An improved floc segmentation algorithm based on PSO and OSTU

XIE Xin1, WANG Jian-bin1, HU Feng-ping2

(1.School of Information Engineering,East China Jiaotong University,Nanchang 330013,China;2.School of Civil Engineering,East China Jiaotong University,Nanchang 330013,China)

Introduce threshold value selection principle such as histogram,iterative and classic OSTU method,then use these three methods to divide flocs image of water treatment coagulation process,by comparing the effect and combining the floc movement and the characteristics of the real-time demand in water treatment,put forward a kind of improved OSTU image segmentation method based on particle swarm optimization(PSO).First,using gray stretch to enhance image gray-scale contrast and then utilizing global search ability of PSO algorithm to improve threshold value time of reinforced OSTU method and get segmentation threshold.Experimental results show that the algorithm can realize accurate and fast segmentation of flocs in water treatment,reach requirement of realtime calculation of equivalent size and number of floc.

PSO; algorithm; floc; image segmentation; enhanced OSTU

10.13873/J.1000—9787(2015)01—0131—04

2014—05—12

國家自然科學(xué)基金資助項(xiàng)目(61272197)；江西省自然科學(xué)基金資助項(xiàng)目(20132BAB201027)；江西省教育廳科技項(xiàng)目(GJJ13362)

TP 391.4

A

1000—9787(2015)01—0131—04

謝 昕(1969-)，男，江西永豐人，教授，碩士生導(dǎo)師，主要從事機(jī)器視覺、網(wǎng)絡(luò)與信息安全等方向的研究。