基于K均值聚類陶瓷窯爐火焰圖像分割方法

朱永紅，熊 朦，趙一峰，王 偉

（景德鎮(zhèn)陶瓷學院機械電子工程學院，江西 景德鎮(zhèn) 333403）

?

基于K均值聚類陶瓷窯爐火焰圖像分割方法

朱永紅，熊 朦，趙一峰，王 偉

（景德鎮(zhèn)陶瓷學院機械電子工程學院，江西 景德鎮(zhèn) 333403）

摘要：陶瓷產(chǎn)品燒制過程中，其燒結(jié)狀況隨著燒制階段不同而變化?；鹧婕y理在不同的燒制階段變化明顯，所以其可以作為陶瓷窯爐燒成帶工況識別的重要參數(shù)。本文提出了一種基于K均值聚類對陶瓷窯爐燒成帶火焰圖像進行彩色分割的方法，同時給出了相應(yīng)的k均值聚類算法。采用結(jié)合k均值聚類算法彩色分割方法實現(xiàn)了陶瓷窯爐火焰圖像樣本的有效分割，色彩信息得到最大保留。實驗結(jié)果表明該方法為陶瓷窯爐燒成帶火焰圖像特征提取提供了一種較好的技術(shù)手段。這將為利用燒成帶火焰圖像特征來檢測陶瓷窯爐燒成帶溫度，實現(xiàn)陶瓷窯爐燒成帶溫度智能控制提供一種新途徑。

關(guān)鍵詞：陶瓷窯爐；K均值聚類；火焰圖像分割；顏色空間

E-mail:xzx821016@126.com

0　引　言

在工業(yè)生產(chǎn)過程中，陶瓷窯爐燒成帶溫度是影響陶瓷產(chǎn)品燒成質(zhì)量的重要因素，因此對陶瓷窯爐燒成帶工況研究較先進的檢測和控制方法是十分必要的。現(xiàn)代陶瓷窯爐的測溫方法多是通過人工觀火和采用傳統(tǒng)的點檢測方法，如熱電偶。人工觀火是通過有經(jīng)驗的工人觀察火焰的顏色判斷窯爐內(nèi)的溫度，點檢測是檢測窯爐內(nèi)部關(guān)鍵點的溫度，前者反映對窯爐內(nèi)燒成帶溫度的整體情況的經(jīng)驗判斷但不精確， 后者隨著傳感器的老化精度不斷下降也無法對燒成帶溫度進行有效檢測。

近年來，隨著圖像處理技術(shù)的發(fā)展，基于CCD火焰圖像檢測方法廣泛應(yīng)用于火災(zāi)檢測 ，氧化鋁回轉(zhuǎn)窯 等場合，并取得了一定成果。目前，在消防領(lǐng)域大多通過識別分割火焰圖像檢測火災(zāi) ，在工業(yè)生產(chǎn)控制中大多通過提取火焰的特征分析物料燃燒的狀況 。在圖像中有效地分割出火焰部分是利用火焰圖像檢測溫度的關(guān)鍵技術(shù)之一，因此研究火焰圖像有效分割技術(shù)是十分必要的。常見的圖像分割方法有閾值法和聚類分析法等。其中，閾值法適用于灰度圖像的分割，不適用于火焰圖像的彩色分割。k均值聚類算法是一種比較成熟的聚類分析方法，已經(jīng)被成功應(yīng)用到醫(yī)學影像處理、人臉圖像的分割以及遙感圖像分析等領(lǐng)域中。考慮到陶瓷窯爐火焰圖像的特征，本文在Lab色彩空間下，將k均值聚類用于陶瓷窯爐燃燒帶火焰圖像的分割并進行了實驗，最后在不同的顏色模式下進行了分割對比實驗。結(jié)果表明，該火焰圖像分割方法具有較好的圖像分割效果，為陶瓷輥道窯燒成帶火焰圖像特征提取提供一種較好的技術(shù)手段。

1　K均值聚類原理

K均值聚類算法不需要訓練樣本，而是迭代地執(zhí)行對圖像的分類和提取各類的特征值，屬于一種無監(jiān)督的自適應(yīng)迭代統(tǒng)計方法。其基本思路是：先對當前的每一類去均值，然后按新生成的均值對像素進行重新分類，對新生成的類再迭代執(zhí)行前面的步驟。其操作步驟如下。

(1)初始化。取任意的K個屬性值向量為初始聚類的中心，按照最大循環(huán)次數(shù)或者聚類中心收斂誤差容限原則，設(shè)定迭代終止條件。

(2)進行迭代。根據(jù)相似度準則將數(shù)據(jù)對象分配到最接近的聚類中心，得到K個聚類數(shù)據(jù)集。

(3)更新聚類中心。計算各聚類數(shù)據(jù)集中個點的平均值，然后以每一類的平均值作為新的聚類中心，重新分配數(shù)據(jù)對象。更新聚類平均值公式如下：

(4)判斷是否完成聚類。若聚類中心不再發(fā)生變化或誤差平方和局部最小，則終止迭代，完成聚類分割，否則反復(fù)執(zhí)行第二步和第三步直至滿足中止條件。計算準則函數(shù)如下：

若 不發(fā)生明顯變化或者 取得極限鄰域內(nèi) ，則停止迭代完成聚類。

舉例如下：數(shù)據(jù)對象集合見表1。

表1Tab.1

作為二維樣本聚類中心選擇k=2。設(shè)M3:(x,y) =(1,2),M5:(x,y)=(4,1)為初始聚類中心，接下來進行迭代，將距離各個初始聚類中心距離更近的數(shù)據(jù)歸類到以該類中心所屬的類集合中。舉例分別計算M1到M3，M5的距離：

因為d(M1,M5)＜ d(M1,M3)，所以將M1歸類到M5所在的類集合 N2( 1)中，同理可得M2、M4∈ N1(1)，M6、M7、M8、M9、M10∈N2(1)。各方差計算如下：

總體平均方差為：

更新聚類中心：

同理可得O2＝(5.2，2.8)

采用式(5)，(6)相同算法，可得

E1=3.2，E2=54.86

總體平均方差為：

得 M1、M2、M3、M4∈N1(2)，M5、M6、M7、M8、M9、M10∈N2(2)，新聚類中心為N1(2)=(1.2,2)，N2(2)=(5.2， 2.8)。

迭代之后總體平均方差為從90.75降至58.06明顯減小，但聚類中心有比較大的差距，所以繼續(xù)(8)至(12)步驟，直至N1(p)，N2(p)，E(p)，即聚類中心不再發(fā)生變化或誤差平方和局部最小，至此不再贅述。

2　顏色空間模型的選取

圖像分割的目的是將目標部分在圖像中與背景分離并提取出來。陶瓷窯爐火焰圖像由火焰部分，火焰余光與背景部分組成，各部分色差很大且分布成簡單幾何圖形，由此可知，可以根據(jù)顏色信息通過K均值聚類將火焰從圖像中分離出來。

常用的顏色空間模型主要有HSV,RGB和Lab等。其中，Lab顏色模型是由CIE(國際照明委員會)制定的一種色彩模式，它的色彩空間比RGB空間大可以表達出來自然界中的所有色。在Lab顏色模型中，L代表亮度；a的正數(shù)代表紅色，負端代表綠色；b的正數(shù)代表黃色，負端代表藍色，其中a和b的取值范圍都是(－128，+128)。RGB顏色空間轉(zhuǎn)換為Lab顏色空間具體步驟如下：

⑴ 先將RGB顏色空間轉(zhuǎn)換為 XYZ 顏色空間：

⑵ 再將XYZ顏色空間轉(zhuǎn)換到Lab顏色空間:

3　火焰圖像K聚類算法流程及要點選擇

3.1K-均值算法流程

③X與Yj(n)之間的距離為 dj，定義為：

⑤對所有的簇，當下式成立時處理結(jié)束，否則返回步驟(2)繼續(xù)處理。

3.2k值的選擇

在K均值聚類算法中，K值的選擇由為重要，它直接決定了聚類的效果和速度。一般情況下，K值小聚類速度快但聚類結(jié)果粗糙，相反，K值大聚類結(jié)果精細但速度太慢。通常K值是根據(jù)經(jīng)驗或采用試驗法來確定。通過觀察陶瓷輥道窯火焰圖像，圖像內(nèi)可以分為火焰部分、窯爐璧映射部分和窯爐外黑暗背景三部分，再通過實驗驗證，本文最終選擇K值為3，此時聚類分割效果最優(yōu)。

3.3距離函數(shù)的選擇

在計算數(shù)據(jù)樣本之間的距離時，可以根據(jù)實際需要選擇某種距離（歐氏距離、曼哈頓距離、絕對值距離、契比雪夫距離等）作為樣本相似性度量。本文選用歐氏距離作為距離函數(shù)，距離公式為：

距離越小樣本越相似，差異度越?。痪嚯x越大樣本越不相似，差異度越大。

3.4聚類中心迭代終止判斷條件

K-means算法在每次迭代中都要考察每個樣本的分類是否正確，若不正確，則需要調(diào)整，在全部樣本調(diào)整完再修改聚類中心，進入下一次迭代，直到滿足某個終止條件：

①不存在能重新分配給不同聚類的對象；②聚類中心不再變化；

③誤差平方和準則函數(shù)局部最小。

3.5誤差平方和準則函數(shù)評價聚類性能

4　基于k均值聚類的陶瓷窯爐火焰圖像分割實驗

本文采用基于準則函數(shù)最優(yōu)的聚類算法中的K-均值聚類進行火焰圖像分割實驗?；跍蕜t函數(shù)最優(yōu)K-均值聚類分割算法流程圖如圖1所示。

圖1　K均值聚類分割算法流程圖Fig.1 The flow chart of K-means clustering segmentation algorithm

4.1顏色空間的轉(zhuǎn)換

首先把RGB顏色空間圖像轉(zhuǎn)換為Lab顏色空間。圖2為攝取的陶瓷窯爐燒成帶火焰圖像,圖3為轉(zhuǎn)換后的Lab顏色空間圖像。

4.2基于 K均值聚類火焰圖像的分割

結(jié)合陶瓷窯爐火焰圖像的特征，根據(jù)經(jīng)驗取值并通過實驗驗證，在K和n都取3時，陶瓷窯爐火焰圖像K-均值聚類分割取得了良好的效果，如圖4所示。由圖4知，K均值聚類方法將陶瓷窯爐燒成帶火焰圖像進行了良好的分割，經(jīng)分割后圖像各部分得到了較好的區(qū)分。

圖2　燒成帶火焰圖像Fig.2 Firing zone flame image

圖3　Lab顏色空間圖像Fig.3 Lab color space image

圖4　聚類分割結(jié)果Fig.4 Clustering segmentation results

5　結(jié)　論

本文提出了陶瓷窯爐燒成帶火焰圖像的分割方法，給出了基于K均值聚類分割算法。通過對火焰圖像的聚類分割實現(xiàn)對火焰圖像的特征提取，從而為利用陶瓷窯爐燒成帶火焰圖像檢測溫度提供技術(shù)基礎(chǔ)。通過對陶瓷窯爐燒成帶火焰圖像提取樣本進行顏色空間的轉(zhuǎn)換，再選取確定適合的聚類算法要點，采用聚類算法對陶瓷窯爐燒成帶火焰圖像進行聚類處理，實現(xiàn)了對火焰圖像的分割。實驗結(jié)果表明，本文所提出的基于K均值聚類分割方法較好地實現(xiàn)了對陶瓷窯爐燒成帶火焰圖像的分割。這為陶瓷窯爐燒成帶溫度的智能檢測提供一種新方法，從而為陶瓷窯爐的溫度智能控制以及陶瓷產(chǎn)品質(zhì)量的提高提出了新思路。

參考文獻:

[1]LIU Z,HADJISOPHOCLEOUS G,DING G,et al.Study of a video image fire detection system for protection of large industrial applications and atria[J].Fire Technology,2012,48(2):459-492.

[2]CHEN R,LUO Y,ALSHARIF M R.Forest fire detection algorithm based on digital image[J].Journal of Software,2013,8(8):1897-1905

[3]CHEN J,BAO Q.Digital image processing based fire flame color and oscillation frequency analysis[J].Procedia Engineering,2012,45:595-601.

[4]孫鵬,柴天佑,周曉杰,等.氧化鋁回轉(zhuǎn)窯燒成帶火焰圖像識別系統(tǒng)[J].化工學報,2008,59(7):1839-1842.SUN Peng ,et al.Journal of Chemical Industry and Engineering (China),2008,59(7):1839-1842.

[5 ZHANG H,LI J,ZOU Z.Alumina sintering kiln flame image retrieval based on ANN and flame shape feature[J].Chemical Product and Process Modeling,2009,4(1):1934-2659.

[6]李帷韜,周曉杰,柴天佑.基于火焰圖像的回轉(zhuǎn)窯燒成狀態(tài)識別方法研究[J].儀器儀表學報,2011,32(10):2168-2174.LI Weitao,et al.Journal of Scientific Instrument (China),2011,32(10):2168-2174.

[7]ZHANG H,ZOU Z,LI J,et al.Flame image recognition of alumina rotary kiln by artificial neural network and support vector machine methods[J].Journal of Central South University of Technology,2008,15:39-43.

[8]WANG J S,REN X D.GLCM based extraction of flame image texture features and KPCA-GLVQ recognition method for rotary kiln combustion working conditions[J].International Journal of Automation and Computing,2014,11(1):72-77.

K-means Clustering Based Flame Image Segmentation Method for Ceramic Kiln

ZHU Yonghong,XIONG Meng,ZHAO Yifeng,WANG Wei
( School of Mechanical & Electronic Engineering,Jingdezhen Ceramic Institute,Jingdezhen 333403,Jiangxi,China )

Abstract:In the firing process of ceramic products,the sintering conditions vary from phase to phase.In different firing phases,flame texture changes obviously,so it can be used as an important parameter for identifying the operating conditions of the firing zone in a ceramic kiln.K-means clustering-based color segmentation method of flame image in the firing zone for ceramic kiln is proposed in this paper,and at the same time the corresponding k-means clustering algorithm is also given.The effective segmentation of flame image sample for ceramic kiln is realized by color segmentation method with K-means clustering algorithm,and color information is reserved to an extreme.The experimental results show that this method will provide feature extraction of firing zone flame image for ceramic kiln with a good technical means.This will provide a new way for utilizing the flame image features to detect the firing zone temperature of ceramic kiln,so as to realize intelligent temperature control of ceramic kiln.

Key words:ceramic kiln; K-means clustering; flame image segmentation; color space

基金項目：國家自然科學基金(61164014,61563022)，江西省自然科學基金(20152ACB20009)，研究生創(chuàng)新基金(JYC201430)。

收稿日期：2015-10-06。

修訂日期：2015-10-10。

DOI：10.13957/j.cnki.tcxb.2016.01.018

中圖分類號：TQ174.4

文獻標志碼：A

文章編號：1000-2278(2016)01-0086-05

通信聯(lián)系人：朱永紅(1965-),男,博士，教授。

Received date:2015-10-06.Revised date:2015-10-10.

Correspondent author:ZHU Yonghong(1965-),male,Doc.,Professor.