工業(yè)過程噪聲干擾下圖像關心區(qū)域分割算法研究

張宗璐

(煙臺職業(yè)學院, 山東煙臺264000)

?

工業(yè)過程噪聲干擾下圖像關心區(qū)域分割算法研究

張宗璐

(煙臺職業(yè)學院, 山東煙臺264000)

針對單純的基于像素灰度值的圖像分割方法難以精確分割工業(yè)過程有噪聲干擾的情況，提出了基于自適應網(wǎng)格搜索的Gabor小波紋理粗糙度方法，用于對基于像素灰度值的FCM聚類結果進行去模糊化，從而分割出關心圖像。將所提算法行了大量實驗研究，實驗結果表明，該算法能夠很好地將所關心的圖像從工業(yè)噪聲中分割出來。

工業(yè)過程;噪聲;圖像分割;Gabor小波

引言

圖像處理主要包括圖像分割、圖像數(shù)據(jù)壓縮以及圖像清晰化處理等方面，其廣泛應用于氣象預報、軍事偵察、自然災害預報等各個領域。當前，針對工業(yè)生產(chǎn)過程中的圖像處理問題研究較少，究其原因，工業(yè)圖像類型呈多種多樣且變化頻繁，尤其是噪聲干擾嚴重，使得現(xiàn)有圖像處理方法難以適用[1-2]。

圖像分割方法是在原始圖像中分割出所關心的目標圖像，從而用于分析圖像特征、識別圖像內(nèi)容[3]。目前，圖像處理方法主要有基于邊緣特征提取的方法[4]、基于區(qū)域分割[5]的方法等。這些方法存在的一個普遍問題是沒有充分考慮工業(yè)過程圖像的復雜性，比如，工業(yè)過程圖像嚴重受噪聲干擾、工業(yè)過程圖像多變、對工業(yè)過程圖像的處理要求圖像處理方法實時、快速等。目前，諸多文獻所提出的圖像分割方法不能有效地解決受噪聲干擾的工業(yè)過程中圖像的分割問題[6]。

本文針對這一問題，采用一種新的去噪算法，該去噪過程模擬球體在地形表面的滾動來填平山谷(去除黑噪聲)和除去山峰(去除白噪聲)的過程，在降噪的基礎上，提出一種基于自適應網(wǎng)格搜索的Gabor小波紋理粗糙度方法，用于對基于像素灰度值的FCM聚類結果進行去模糊化，從而分割出關心圖像，并將所提算法行了實驗驗證。

1 改進的噪聲去除算法

工業(yè)噪聲不但會影響圖像的對比度，同時會降低圖像的質量和細節(jié)分辨力，因此對工業(yè)圖像進行降噪具有重要的理論和實際價值。為了有效去除工業(yè)圖像中的黑噪聲和白噪聲，文獻[5]提出了一種運用地形學高度替代待處理圖像中心原像素點灰度值的一種濾波方法。假設待處理圖像大小為N×N，待處理圖像為f(i,j)，降噪后的圖像為g(i,j)，此時圖像上每個像素點的灰度值是由(i,j)點鄰域中的幾個像素原始灰度值的平均值確定：

(1)

式中，i,j=0,1,…,N-1，S是中心點(i,j)鄰域坐標的集合，M是S內(nèi)坐標點的個數(shù)。

在文獻[5]的基礎上，本文采用一種新的去噪思想：在進行降噪處理時，以測地學上用到的地形表面形象地表示待處理的灰度圖像，以相對于地形表面的海拔高度代替灰度圖像中像素點的灰度值[7]，顯著噪聲通常表現(xiàn)為地形表面的山峰(稱為白噪聲)或山谷(稱為黑噪聲)，去噪過程就是利用球體在地形表面的滾動來填平山谷(去除黑噪聲)和除去山峰(去除白噪聲)的過程，如圖1所示。

圖1 去噪過程示意圖

在文獻[5]的基礎上，結合上文的思想，提出一種改進的去除黑噪聲的算法，具體過程為：

(1)設置待處理圖像的相關參數(shù)；設假設待處理圖像大小為M×N，即待處理圖像的寬為M、高為N，用于降噪的滾動球體的半徑為r，待處理圖像的像素點用(x,y)表示，并且x=y=r。

(2)根據(jù)式(2)～(5)更新以待處理圖像像素點(x,y)為中心、半徑為r的球體區(qū)域內(nèi)像素點的灰度值。

I2(x′,y′)=I1(x′,y′)+ΔI(x′,y′)

(2)

(3)

(4)

(5)

其中，I1(x′,y′)是原圖像，I2(x′,y′)是更新圖像，(x,y)是像素坐標，x′和y′分別是球體當前位置的橫坐標和縱坐標，INT(·)是取整函數(shù)。

(3)設定W是以點(x,y)為中心的降噪窗口，如果若x

(4)如果y

去除白噪聲的過程與去除黑噪聲的過程相似，不同的是球從灰度地形圖的下方開始滾動。

該算法對于存在大塊噪聲的圖像具有較好的去噪效果，如圖2所示。

圖2 去噪結果

2 基于PSO優(yōu)化Gabor小波紋理粗糙度的圖像分割

2.1 粒子群優(yōu)化算法

粒子群算法最初由kennedy等人[5-6]提出，用來模擬鳥群群體飛行覓食的行為，通過鳥群群體之間的協(xié)同互助和競爭實現(xiàn)覓食路徑的最優(yōu)化。覓食過程中，粒子將追蹤粒子群中的兩個極值，分別為粒子本身到當前狀態(tài)下所找到的最優(yōu)解pbest和全種群到當前狀態(tài)下所找到的最優(yōu)解gbest。

粒子的速度和位置可通過式(6)和式(7)進行更新：

vid(t+1)=vid(t)+c1*rand1*(ppid-xid(t)) +c2*rand2*(pgd-xid(t))

(6)

xid(t+1)=xid(t)+vid(t+1)

(7)

其中，xi,vi分別表示粒子的當前位置和速度(i=1,2,…,m；d=1,2,…,n)；rand1和rand2為[01]之間的隨機數(shù)；c1和c2為學習因子(c1,c2>0)。

2.2 Gabor小波

Gabor核函數(shù)定義為：

(8)

kμ,v=kveiφμ

(9)

一幅圖像的Gabor小波濾波由圖像的灰度分布I(x,y)與Gabor核ψμ,v的卷積進行定義：

Oμ,v(z)=I(z)*ψμ,v(z)

(10)

式中，z=(x,y)，“*”表示卷積計算，Oμ,v(z)是對應的濾波結果。

2.3 基于PSO的Gabor小波參數(shù)優(yōu)化

針對傳統(tǒng)Gabor小波濾波參數(shù)的確定需要通過經(jīng)驗進行設定，無法自適應選擇的缺點，本文提出了一種新的圖像分割算法——PSO優(yōu)化Gabor小波紋理粗糙度分割算法。該算法通過對以像素灰度值為基礎的FCM聚類結果去模糊化，從而分割出所關心的圖像，算法具有網(wǎng)絡自適應搜索功能。具體步驟為:

Step2：設置3×3的矩形滑動窗，如圖3所示，將尚未分割圖像進一步劃分為細分圖像單元，以更精確地反應圖像的紋理粗糙度，便于辨識。

圖3 圖像坐標和圖像邊緣點坐標

圖4 交疊的滑動窗

Step3：通過結合Gabor小波濾波公式(10)，本文利用公式(11)對每一幀數(shù)據(jù)wi(i=1,2,...,9)進行濾波處理[12-13]。

(11)

Step4：在將滑動窗滑動到源圖像的邊緣之前，滑動窗迭代運行Step3。

Step6：劃分網(wǎng)格，將每一維窗口平均分成gp段。

Step7：劃分搜索種群。

將整個種群分為兩個子種群即自適應網(wǎng)格搜索子群(簡稱網(wǎng)格子群)與收縮PSO子群(簡稱PSO子群)，兩個子種群的粒子個數(shù)分別為Popz與Pops。

Step8：種群初始化。

Step9：向導調(diào)整。

根據(jù)優(yōu)化準則即模型預報誤差均方根最小化評估每個粒子，得到feval(pxq),q=1,...,Popz+Pops，并按照下式調(diào)整PSO子群的個體向導與全局向導

(13)

Step10：網(wǎng)格調(diào)整。

根據(jù)gbest所在格子(這里稱為向導網(wǎng)格)的位置調(diào)整每個網(wǎng)格粒子的搜索范圍。調(diào)整后使所有網(wǎng)格粒子的搜索范圍都包括向導網(wǎng)格區(qū)間，如圖5所示。為了表述簡單，假設將每一維決策變量范圍分成3段，兩維空間，因此總共分割成9個網(wǎng)格，其中gbest位于第5個網(wǎng)格內(nèi)。在調(diào)整前粒子1的搜索范圍為網(wǎng)格1，調(diào)整后粒子1的搜索范圍變?yōu)榫W(wǎng)格1、2、4、5構成的空間。同樣，在調(diào)整前粒子2的搜索范圍為網(wǎng)格2，調(diào)整后粒子2的搜索范圍變?yōu)榫W(wǎng)格2、5構成的空間。

圖5 網(wǎng)格調(diào)整實例

Step11：網(wǎng)格子群位置更新。

網(wǎng)格子群的位置pxq(q=1,…,Popz)按照下式進行更新：

(14)

Step12：PSO子群位置更新。

收縮PSO子群的位置pxq(q=Popz+1,…,Popz+Pops)行更新

通過混沌映射，產(chǎn)生的解是可遍歷的、非重復的或偽隨機的[9-10]。對于混沌映射，文獻[9]和[10]給出了詳細的介紹，這里只給出該模型的公式[11-14]：

xn+1=f(xn,un)=

(16)

其中，un按照如下映射函數(shù)迭代：

un+1=f(un)=4*un(1-un)

(17)

3 應用驗證

燒結工況圖像中包含背景區(qū)、火焰區(qū)、物料區(qū)與輻射帶，由于顏色接近，且混雜噪聲導致圖像邊界模糊，難以分割，常規(guī)的圖像處理方法難以成功劃分火焰區(qū)與物料區(qū)。利用本文提出的圖像分割算法可以有效解決這個問題(表1)。

表1 不同對象、類別FCM聚類迭代次數(shù)與時間比較

從表1中可以看到，本文提出的圖像分割方法顯著提升了對圖像分割的實時性，具體體現(xiàn)在兩個方面：(1)保留了原始圖像的有用信息，例如看火；(2)消除了原始圖像中夾雜的各種噪音、干擾或無用數(shù)據(jù)。

通過圖6，可以發(fā)現(xiàn)，Tbest=86是本文所提出的圖像分割算法的最優(yōu)全局閾值，該最優(yōu)閾值可以被用于對原始灰度圖像進行閾值分割，能夠將物料區(qū)與火焰區(qū)進行精確區(qū)別，得到令人滿意的分割效果。

圖6 閾值分割后的結果

圖7 FCM分割后的結果

根據(jù)圖7(a)、(b)的實驗結果，可知與二類非監(jiān)督聚類圖像分割方法相比，基于三類非監(jiān)督FCM的圖像分割方法的分割精度明顯要好。根據(jù)圖7可以得到結論：僅僅利用基于像素灰度值的FCM分割方法無法精確的將火焰區(qū)域以及物料區(qū)域分離出來，尤其是在夾雜噪音的混合背景中。

從圖8中可以看到：首先通過FCM方法處理后的原始工業(yè)過程圖像，采用基于自適應網(wǎng)格搜索的Gabor小波紋理粗糙度方法，用于對基于像素灰度值的FCM聚類結果進行去模糊化，能夠將物料區(qū)與火焰區(qū)精確分割出來。從圖8中還可以看到，部分火焰區(qū)與物料區(qū)的邊緣部分被當作輻射帶或背景而舍棄，這樣大大降低了算法的復雜性與時間消耗，從而可以用于后期的實時特征提取或工況識別。

圖8 Gabor小波紋理粗糙度去模糊化的結果

為了驗證本文算法的有效性，將本文提出的分割算法的分割錯誤率與基于FCM的分塊自適應算法[11]和標準FCM算法的分割錯誤率進行了對比，對比結果見表2。

表2 不同算法分割錯誤率對比

實例驗證和圖像分割算法的對比很好地驗證了本文所提出的圖像分割方法的有效性和實用性。對實例的處理結果和三種分割方法的對比結果表明，本文提出的圖像分割算法不僅能夠很好地保留原始圖像的有用信息，而且能夠消除原始圖像中夾雜的各種工業(yè)噪聲噪音、干擾或無用數(shù)據(jù)對分割結果的不良影響，從而實現(xiàn)對原始圖像的準確分割。

4 結束語

本文提出了一種基于優(yōu)化Gabor小波紋理粗糙度分割算法，該算法通過對以像素灰度值為基礎的FCM聚類結果去模糊化，來分割出所關心的圖像。實例驗證和對比分析表明：與基于FCM的分塊自適應算法和標準FCM算法相較，本文提出的算法對圖像的分割結果更加的準確，能較好地保留原始圖像的所有細節(jié)和邊界信息。

[1] 章毓晉.圖像工程(下冊):圖像理解與機器視覺[M].北京:清華大學出版社,2000.

[2] Milan S,Vaclav H,Roger B.圖像處理、分析與機器視覺[M].艾海舟,武勃,譯.北京:人民郵電出版社,2003.

[3] 章毓晉.圖象分割[M].北京:科學出版社,2001.

[4] 賈迪,董娜,孟祥福,等.一種圖像的連續(xù)性邊緣 提取法[J].計算機工程與科學,2015,37(2):384-389.

[5] 譚筠梅,王履程,魯懷偉.一種有效去除圖像中脈沖噪聲的濾波算法[J].蘭州交通大學學報,2011,30(1):18-21.

[6] Li C Y,Wang X Y,Eberl S,et al.Supervised variational model with statistical inference and its application in medical image segmentation[J].IEEE Transactions on Biomedical Engineering,2015,62(1):196-207.

[7] 趙榮椿,遲耀斌,朱重光.圖像分割技術進展[J].中國體視學與圖像分析,1998,3(2):121-128.

[8] 喬小燕.基于特征灰度和分水嶺變換的甲藻橫溝區(qū)域分割[J].計算機科學,2012,39(6A):555-558.

[9] 朱林,蔡田.最小二乘支持向量機建模及應用[J].工業(yè)控制計算機,2013,26(9):60-61.

[10] 石林江,田建勇.基于全排序與混沌多樣性的高維目標進化算法[J].科學技術與工程,2014,14(28):108-112.

[11] 張琪,屈衛(wèi)清,熊偉清,等.基于混沌粒子群算法的多目標調(diào)度優(yōu)化研究[J].激光雜志,2015,(1):122-127.

[12] 陳亮,曹寧,鹿浩,等.基于FCM的分塊自適應圖像分割方法研究[J].電子設計工程,2014,22(24):190-193.

[13] Liu C J,Wechsler H.Gabor feature based classification using the enhanced Fisher Linear Discriminant Model for face recognition[J].IEEE Transactions on Image Processing,2002,11(4):467-476.

[14] Zhang W,Shan S,Gao W,et al.Local Gabor binary pattern histogram sequence(LGBPHS):a novel non-statistical model for face representation and recognition[J]//Proc.of the 10th IEEE Inte.Conf.on Computer Vision,Beijing,October 17-21,2005:786-791.

Research on Image Care Area Segmentation Algorithm Under Industrial Process Noise

ZHANGZonglu

(Yantai Vocational College, Yantai 264000, China)

Image segmentation methods simply based on pixel gray values are difficult to accurately segment industrial process images disturbed by industrial noise. To solve this problem, a Gabor wavelet texture roughness method based on self-adaptive web search is proposed to remove fuzziness of FCM clustering results based on pixel gray values to separate required images. The algorithm has been included in large simulation studies, and simulation results demonstrate that the algorithm can do very well in separating required images from industrial noise.

industrial process; noise; image segmentation; Gabor wavelet

2015-04-24

張宗璐(1982-),女,山東煙臺人,碩士,主要從事電工電子技術和數(shù)字圖像處理方面的研究,(E-mail)2354410698@qq.com

1673-1549(2015)03-0051-06

10.11863/j.suse.2015.03.11

TP391.9

A