鋼板表面缺陷圖像分割效果評價方法

陳 躍

CHEN Yue

（徐州工程學(xué)院 機(jī)電學(xué)院，徐州 221111）

0 引言

人們已經(jīng)對圖像分割進(jìn)行了大量研究，也提出了很多分割方法，圖像分割的方法主要分為三種：基于閾值的分割、基于邊緣的分割和基于區(qū)域的分割。盡管圖像分割方法多種多樣，但是并沒有哪種分割方法適合所有的圖像，針對某種圖像分割效果較好的方法，可能對于其他圖像就無法取得很好的分割效果。分割效果到底如何，需要進(jìn)行一定的評價，人的主觀評價受到個人觀點(diǎn)、知識量甚至情緒等影響，對同一分割結(jié)果，不同人的評價結(jié)果會有差別；而采用計(jì)算機(jī)技術(shù)的客觀評價方法不受外界因素干擾，因此有越來越多的學(xué)者進(jìn)行這方面的研究。

一幅圖像的分割效果如何，除了和原始圖像在視覺上進(jìn)行對比產(chǎn)生的主觀評價外，還要與分割的目的以及實(shí)際應(yīng)用要求相聯(lián)系。僅從圖像本身角度出發(fā)，人們對于分割效果的評價方法有很多，Yasnoff等人[1]于1977年提出“錯誤分類百分比和”和“像素距離誤差”兩個測度來評價圖像分割算法，Canny[2]于1986年提出了用邊緣檢測的精度來評價分割效果的方法；Chalana[3]等人1997年提出將分割后圖像與人工分割的圖像進(jìn)行比較來評價醫(yī)學(xué)圖像分割效果的方法。還有其他學(xué)者提出了不同的圖像分割效果評價測度，如Udupa提出的可靠性、精確性和效率評價三要素，Ortiz[4]提出正確分類比例、過分割比例和欠分割比例三個評價測度；MaYide[5]選用四種評價準(zhǔn)則即交叉熵、區(qū)域內(nèi)部均勻性、形狀測度和區(qū)域?qū)Ρ榷冗M(jìn)行綜合，提出了一種綜合評價指標(biāo)，也存在客觀評價結(jié)果與主觀評價結(jié)果不一致的情況；章毓晉[6]提出利用對目標(biāo)特征的測量精度作為準(zhǔn)則來判斷分割后圖像的質(zhì)量，利用專門設(shè)計(jì)的合成圖檢驗(yàn)不同分割算法的性能；侯格賢[7]利用模糊度測度提出了一個綜合評價函數(shù)，對分割質(zhì)量評價結(jié)果與人的視覺效果基本一致；文獻(xiàn)[8,9]對醫(yī)學(xué)圖像分割算法提出了性能評價的方法和準(zhǔn)則；21世紀(jì)初，分割評價的學(xué)術(shù)地位和意義才得到普遍的認(rèn)識和肯定，相繼有大學(xué)的研究團(tuán)隊(duì)進(jìn)行分割評價的研究，并提出了系統(tǒng)的分割評價方法[10～15]。以上這些分割評價方法均屬于有監(jiān)督評價方法，建立在有可供參考標(biāo)準(zhǔn)的基礎(chǔ)上，在實(shí)現(xiàn)過程中均要求有正確分割的圖像作為對比來進(jìn)行計(jì)算，而正確分割的圖像往往需要人工分割，這就要求進(jìn)行人工分割的專家做大量的分割標(biāo)記工作，而且不同的專家對同一幅圖像的分割結(jié)果也有差別，即使同一個專家在不同情況下對同一幅圖像的分割結(jié)果也可能不同，這對分割效果的評價會產(chǎn)生不確定的影響；無監(jiān)督的分割效果評價方法，是通過對分割后圖像像素的統(tǒng)計(jì)分析來確定分割方法的優(yōu)劣，這種方法不需要預(yù)先確定分割標(biāo)準(zhǔn)，也不要人工精確分割的圖像，是通過“區(qū)域內(nèi)均勻性”、“區(qū)域內(nèi)差異性”和“區(qū)域間差異性”三個測度來進(jìn)行評價的，這種評價是針對具有不同灰度變化的分割后圖像，并非針對分割后的二值圖像，對于二值圖像，只有在分塊區(qū)域跨越背景和前景的情況下區(qū)域內(nèi)的像素才會出現(xiàn)差異，分塊區(qū)域大小不同計(jì)算結(jié)果也會出現(xiàn)較大變化，因此這種方法不太適合分割后的二值圖像評價。閔超波等[16]提出“局部視覺亮度差指標(biāo)、全局視覺顯著性指標(biāo)和亮度波動性指標(biāo)”作為價紅外圖像中顯著性目標(biāo)分割效果參數(shù)，是一種無先驗(yàn)知識的紅外目標(biāo)分割評價方法，評價結(jié)果與主觀視覺效果一致性較高。

對于鋼板表面的缺陷圖像，由于其背景像素變化復(fù)雜，和缺陷區(qū)域內(nèi)像素值存在很多重疊，只有通過實(shí)驗(yàn)來對分割效果進(jìn)行評價。本文針對帶鋼表面缺陷分割后的二值圖像，提出采用像素離散度、缺陷區(qū)域重合度和缺陷區(qū)域面積來對不同分割方法的分割結(jié)果進(jìn)行評價。

1 鋼板表面缺陷圖像分割效果評價方法

帶鋼表面缺陷圖像的分割目的是為了提取缺陷的部分特征，用于后續(xù)的缺陷分類。因此評價分割效果應(yīng)該從特征提取角度來進(jìn)行，同時還要考慮分割出的缺陷是否和原圖像中的缺陷出現(xiàn)了較大偏移，而對分割精確度并不需要太高，即使出現(xiàn)了部分的過分割或者欠分割，只要對缺陷特征提取不產(chǎn)生太大影響則不用過多考慮。鋼板表面的物理特點(diǎn)使得圖像中出現(xiàn)大量細(xì)小紋理，再加上噪聲影響，使背景和前景中存在大量灰度值相同的像素，噪聲可以通過濾波予以減弱或消除，但鋼板自身亮暗變化會使分割后的圖像中存在很多并非屬于缺陷區(qū)域的亮區(qū)域，這些對缺陷的特征提取會產(chǎn)生很大影響，因此，本文提出以“像素離散程度”作為帶鋼圖像分割結(jié)果的一個評價測度，離散程度越小，則細(xì)小紋理保留越少，分割出的缺陷越集中。如果分割出的缺陷只有一個連續(xù)區(qū)域，則離散度用各像素到缺陷區(qū)域質(zhì)心距離的平均值來計(jì)算；另外，考慮到分割后的缺陷區(qū)域是否與原圖像中的缺陷區(qū)域重合，如果發(fā)生較大偏移則說明分割結(jié)果背離原始信息，不能用來進(jìn)行缺陷特征提取，本文提出用人工分割圖像缺陷區(qū)域和本文算法分割缺陷區(qū)域的“重合度”來作為第二個分割效果評價測度，兩者缺陷區(qū)域質(zhì)心距離越小，則兩者重合度越高，分割準(zhǔn)確度越好；第三，以上兩個參數(shù)能說明分割后的缺陷位置分布情況，無法表達(dá)缺陷形狀是否和視覺效果一致，因此第三個參數(shù)擬采用缺陷面積來評價，面積本來無法描述形狀，但是不管采用哪種分割方法，其分割的根本原理是類似的，因此分割出的缺陷形狀可能會由于過分割或欠分割導(dǎo)致分割結(jié)果面積變小或變大，但是形狀相差不大，因此用缺陷面積結(jié)合前兩個參數(shù)共同評價分割效果。前兩個參數(shù)表達(dá)式分別用式(1)和式(2)來描述，面積則可以通過統(tǒng)計(jì)缺陷區(qū)域像素個數(shù)來代替。

像素離散度：

為了減少計(jì)算量，通過不同亮區(qū)域的質(zhì)心之間的距離來表達(dá)像素的離散度，式(1)中mci為某個亮區(qū)域的質(zhì)心，Dis為任意兩個亮區(qū)域之間的距離，即像素離散度是兩兩亮區(qū)域質(zhì)心之間距離之和的平均值。px和py為某個亮區(qū)域中像素的坐標(biāo)。式(1)中之所以除以總像素個數(shù)，是為了消除不同大小的圖像本身尺寸對離散度的影響。

重合度：

mcm是人工分割圖像中亮區(qū)域的質(zhì)心，mca是自動分割圖像亮區(qū)域的質(zhì)心。質(zhì)心計(jì)算方法同式(2)。

缺陷面積的計(jì)算，由于每個像素所占的面積相同，可以直接用像素的個數(shù)來表示面積大小。

采用這三個參數(shù)，選取帶鋼表面缺陷原始圖像作為樣本，分別用K-means分割法、區(qū)域增長分割法和改進(jìn)視覺注意機(jī)制分割法進(jìn)行分割，計(jì)算出每個分割結(jié)果的三個參數(shù)，根據(jù)參數(shù)判斷分割結(jié)果的質(zhì)量，并判斷與視覺效果是否一致。

2 鋼板表面缺陷圖像分割結(jié)果對比評價

帶鋼表面缺陷原始圖像作為樣本，如圖1所示。

圖1 帶鋼表面缺陷原始圖像

K-means聚類分割方法分割結(jié)果如圖2所示。

圖2 K-means分割法分割結(jié)果

區(qū)域增長法分割結(jié)果如圖3所示。

圖3 區(qū)域增長法分割結(jié)果

改進(jìn)視覺注意機(jī)制分割方法分割結(jié)果如圖4所示。

圖4 改進(jìn)視覺注意機(jī)制分割法分割結(jié)果

對以上三種分割結(jié)果，分別計(jì)算上文所述的三個參數(shù)，計(jì)算結(jié)果如表1～表3。

表1 缺陷離散度值

表2 缺陷重合度值

表3 缺陷面積(像素數(shù))

由表1可以看出，用缺陷離散度參數(shù)判斷缺陷分割效果，前三個圖像，三種分割方法離散度值相差較小，后三個圖像，改進(jìn)視覺注意機(jī)制方法明顯小于前兩種方法，因此離散度能夠反映出缺陷區(qū)域在圖像中分布情況，計(jì)算出的結(jié)果與分布相一致，但對于沒有有效進(jìn)行缺陷分割的圖像，其離散度值可能比分割出的缺陷離散度值還小，這主要是非缺陷亮塊的不規(guī)則分布引起的。表2中重合度，通過計(jì)算手工分割缺陷的質(zhì)心和自動分割缺陷的質(zhì)心之間的距離來表達(dá)，對有效分割出的缺陷，在本文方法中，只有殼狀凸起缺陷的重合度比前兩種方法差一些，其他缺陷圖像分割結(jié)果重合度要好于前兩種方法，說明分割結(jié)果更接近于手工分割的質(zhì)心位置。由表3的面積參數(shù)來看，以手工分割結(jié)果為標(biāo)準(zhǔn)的話，除了殼狀凸起缺陷的區(qū)域增長分割的缺陷面積更接近于手工分割結(jié)果外，其他的缺陷圖像本文分割方法的分割結(jié)果更接近于手工分割結(jié)果。綜合三種評價參數(shù)來看，改進(jìn)視覺注意機(jī)制的分割方法的分割結(jié)果更優(yōu)。

3 結(jié)論

對帶鋼表面缺陷的圖像的K-means分割法、區(qū)域增長分割法和改進(jìn)視覺注意機(jī)制分割法的分割結(jié)果進(jìn)行評價，提出采用像素離散度、缺陷區(qū)域重合度和缺陷區(qū)域面積三個參數(shù)來評價分割效果。針對分割結(jié)果計(jì)算出的三個參數(shù)值大小與圖像的視覺表現(xiàn)一致，說明采用此種方法評價帶鋼表面缺陷圖像的分割效果是有效的。

[1]Yasnoff,William A.,Mui,Jack K.,Bacus,James W.Error Measures for Scene Segmentation[J].Pattern Recognition.1977,9(4):217-231.

[2]Canny,John.Computational Approach to Edge Detection[J].Pattern Analysis and Machine Intelligence.1986,8(6):679-698.

[3]Chalana,Vikram.Methodology for evaluation of boundary detection algorithms on medical images[J].IEEE Transactions on Medical Imaging.1997,16(5):642-652.

[4]Ortiz de Solorzano,C.,Chin,K.,Chou,W.S.,etc.Measurement of genetic instability in breast cancer by confocal microscopy and 3D image analysis[A].Annual International Conference of the IEEE Engineering in Medicine and Biology[C].1999(2):822-826.

[5]馬義德,蘇茂君,陳銳.基于PCNN的圖像二值化及分割評價方法[J].華南理工大學(xué)學(xué)報(自然科學(xué)版).2009,37(5):49-53.

[6]章毓晉.一種評價圖像分割技術(shù)的新方法[J].模式識別與人工智能.1994,7(4):199-304.

[7]侯格賢,畢篤彥,吳成柯.圖象分割質(zhì)量評價方法研究[J].中國圖象圖形學(xué)報.2000,5(1):39-43.

[8]Niessen W J,Bouma C J,Vincken K L et al.Error metrics for quantitativeevaluation of medical image segmentation[J].Proc.Theoretical Foundations of Computer Vision.1998:275-284 .

[9]Chalana V,Kim Y.A methodology for evaluation of boundary detection algorithms on medical images[J].IEEE Trans.Medical.Imaging.1997,16(6):642-652.

[10]Ranjith U,Caroline P,Martial H.Toward objective evaluation of image segmentation algorithms[J].IEEE Trans.On Pattern Analysis And Machine Intelligence.June 2007,29(6):929-944.

[11]Ranjith U,Caroline P,Martial H.A measure for objective evaluation of image segmentation algorithms[A].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05)[C].2005:34-41.

[12]Ranjith U,Martial H.Measures of Similarity[A].Proc.7th IEEE Workshop on Applications of Computer Vision (WACV/MOTION’05)[C].2005,1:394-400.

[13]Feng G,Song W,and Liu T C.Image Segmentation Evaluation From the Perspective of Salient Object Extraction[A].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06)[C].2006:98-114.

[14]Zhang H,Fritts J E,Goldman S A.An Entropy-based Objective Evaluation Method for Image Segmentation[J],Proc.SPIE Storage and Retrieval Methods and Applications for Multimedia.2003,53(7):38-49.

[15]Zhang H,Fritts J E,Goldman S A.Meta-Evaluation of Image Segmentation Using Machine Learning[J].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR’06).2006:1138-1145.

[16]閔超波,張俊舉,常本康.無需先驗(yàn)知識的紅外顯著性目標(biāo)分割評價準(zhǔn)則[J].模式識別與人工智能.2013,26(12):1106-1114.