基于Otsu方法的鋼軌圖像分割

袁小翠，吳祿慎，陳華偉

(1.南昌工程學(xué)院 江西省精密驅(qū)動與控制重點實驗室，江西 南昌 330099；2.南昌大學(xué) 機電工程學(xué)院，江西 南昌 330031)

?

基于Otsu方法的鋼軌圖像分割

袁小翠1，吳祿慎2*，陳華偉2

(1.南昌工程學(xué)院 江西省精密驅(qū)動與控制重點實驗室，江西 南昌 330099；2.南昌大學(xué) 機電工程學(xué)院，江西 南昌 330031)

由于鋼軌圖像灰度分布不均，一般的圖像分割法難以將目標從背景中分割出來，故本文提出了目標方差加權(quán)的類間方差閾值分割法對鋼軌圖像進行閾值分割。分析了鋼軌圖像的特點，總結(jié)了加權(quán)的目標方差(Otsu)方法及其它全局閾值分割法對鋼軌圖像分割存在的問題。然后，對Otsu方法進行改進，以目標出現(xiàn)的概率為權(quán)重，對類間方差的目標方差加權(quán)，使分割閾值靠近單模直方圖的左邊緣和雙模直方圖的谷底。最后，計算圖像的錯誤分類誤差、鋼軌圖像的缺陷檢測率和誤檢率來驗證算法的有效性。實驗結(jié)果表明，改進的Otsu方法能有效地分割鋼軌圖像，錯誤分類誤差接近0。與其它閾值分割法如Otsu法、其它改進的Otsu法、最大熵閾值分割法相比，本文方法對鋼軌圖像的分割效果更優(yōu)，缺陷檢測率和誤檢率分別為93%和6.4%，適合機器視覺缺陷檢測的實時應(yīng)用。

圖像分割；Otsu閾值；表面缺陷；機器視覺；鋼軌

1　引　言

鐵路向高速及重載方向的發(fā)展加重了鋼軌的磨損。鋼軌表面缺陷威脅著軌道行車安全，必須仔細檢測以維護鐵路安全運輸。目前有許多鋼軌缺陷檢測技術(shù)，例如，超聲檢測法[1]，電渦流[2]和機器視覺檢測法[3]。超聲檢測法只能檢測鋼軌內(nèi)部缺陷，檢測速度慢，電渦流檢測法能檢測表面缺陷且檢測速度快，但是檢測所用的探頭對鋼軌表面環(huán)境敏感，機器視覺用于表面缺陷檢測具有速度快，檢測率高的優(yōu)點，受到越來越多的關(guān)注。

機器視覺表面缺陷檢測法主要由圖像采集，圖像處理兩部分組成。鋼軌圖像處理包括鋼軌區(qū)域提取，閾值分割，缺陷分類等。閾值分割是圖像處理的難點與重點，其結(jié)果將直接影響缺陷的檢測率和誤檢率。閾值分割方法可以大致分為兩類：全局閾值分割法和局部閾值分割法[4]。全局閾值分割法根據(jù)整個圖像的直方圖信息選擇一個單閾值將圖像劃分成兩部分；局部閾值分割法是將原始圖像劃分成多個較小的圖像，并對每個子圖像選取相應(yīng)的閾值，局部閾值法對每一幅子圖像都要進行統(tǒng)計，速度慢，對光照不均圖像的分割效果較好，但在機器視覺檢測中難以適應(yīng)實時性的要求。相比于局部閾值分割法，全局閾值分割法更加簡單，快速，在機器視覺中應(yīng)用更廣泛，因此本文主要研究應(yīng)用全局閾值分割法分割鋼軌圖像。

盡管學(xué)者們提出了許多閾值分割法，但是沒有一種閾值分割法能對各種不同圖像都有效，許多閾值分割法都是針對具體的應(yīng)用而提出的。Sezgin等對40多種全局閾值分割法做了綜合比較[5]，指出Otsu[6]、最大熵(Maximum Entropy， ME)[7]閾值分割法是最有效及應(yīng)用廣泛的兩種全局閾值分割法。Nacereddine等對于焊縫缺陷檢測，比較了4種經(jīng)典的全局閾值分割法[8]，分別是：Ostu、最小錯誤率[9]、最大熵、矩不變[10]閾值分割法，證明ME閾值分割法優(yōu)于其它3種，然而，ME閾值分割法對于鋼軌圖像的分割效果并不理想。Otsu閾值分割法是將圖像劃分成兩類，計算每一個灰度級到兩類的灰度方差和，當(dāng)類間方差達到最大時，該灰度級為最佳閾值。當(dāng)圖像直方圖為雙?；蛘叨嗄rOtsu閾值分割法能獲得較好的分割結(jié)果，當(dāng)圖像的直方圖為單?；蛘呓咏鼏文r其分割效果差。為了使Otsu方法具有更廣泛的應(yīng)用，提出了許多改進的Ostu閾值分割法。Hu等根據(jù)圖像中目標與背景的比例限制Otsu閾值的取值范圍[11]，該改進方法對人腦核磁共振圖像和計算機斷層圖像的分割效果好。Ng等在Otsu閾值法的基礎(chǔ)上提出Valley-Emphasis Otsu閾值分割法(簡稱VE方法)[12]，用于機器視覺表面缺陷檢測，VE方法通過對圖像的類間方差進行加權(quán)，使分割閾值盡可能地靠近直方圖的谷底，當(dāng)圖像中缺陷比較大時，VE方法能獲得比較滿意的分割效果，但是當(dāng)缺陷比較小時，VE方法將大部分的背景錯分為缺陷。對此，F(xiàn)an等對VE方法進行改進，提出neighborhood valley-emphasis Otsu閾值分割法(簡稱NVE方法)[13]，NVE方法以谷底鄰域信息作為類間方差的權(quán)重，NVE方法能夠分割小目標圖像，即缺陷檢測時能將細小的缺陷從背景中分割出來，對光照不均圖像的分割效果也比較滿意，然而NVE方法對無缺陷圖像分割時容易將背景分割為目標，導(dǎo)致誤檢。

以上改進Otsu閾值分割法都是一維Otsu，一維Otsu閾值分割法速度較快，但其只考慮了圖像的灰度信息，而沒有結(jié)合圖像的空間鄰域信息來分割圖像，故對含有噪聲及光照不均的圖像難以獲得滿意的分割結(jié)果。許多學(xué)者將一維Otsu拓展到二維，利用圖像的灰度分布和鄰域的平均灰度值所構(gòu)成的二維直方圖來進行閾值分割。為了使低對比度和低信噪比圖像有較好的分割結(jié)果，景曉軍等結(jié)合圖像的灰度、均值和中值信息提出了三維Otsu閾值分割法[14]。然而，三維Otsu時間和空間復(fù)雜度均較高，因此，申鉉京等提出了一種三維直方圖重建和降維的Otsu 閾值分割算法[15]，該算法通過三維直方圖重建有效提高了抗噪性能，直方圖降維使三維Otsu算法的執(zhí)行效率得到有效提高。總之，相比于一維Otsu閾值分割法，二維、三維Otsu閾值分割法對噪聲及光照不均的圖像分割效果更優(yōu)，但是計算復(fù)雜、耗時，不適于機器視覺在線缺陷檢測。

鋼軌圖像的特點及閾值分割的難點包括：1)一般來說，缺陷的灰度比較低，背景灰度較高，但鋼軌長期暴露在野外，其表面存在銹跡，銹跡的灰度也較低，容易被誤檢為缺陷；2)對使用頻繁的鋼軌，鋼軌中間被摩擦的非常亮，但是兩側(cè)比較暗甚至仍然存在銹跡，因此，鋼軌圖像中間亮兩邊暗，圖像灰度分布不均；3)大部分鋼軌圖像無缺陷，少數(shù)圖像存在缺陷，而且缺陷區(qū)域遠小于背景區(qū)域，無缺陷的鋼軌圖像其直方圖呈單模分布，有缺陷的鋼軌圖像直方圖呈雙?；蛘呓咏鼏文７植?。

由于鋼軌圖像具有以上特點，一般的閾值分割法難以獲得滿意的分割結(jié)果，有些閾值分割法能將缺陷從背景中分割出來但卻無法正確分割無缺陷的圖像(如NVE方法)。無缺陷鋼軌圖像的理想分割閾值位于單模直方圖左邊緣；有缺陷鋼軌圖像的理想分割閾值位于雙模直方圖的谷底。若不能準確分割無缺陷的鋼軌圖像，在機器視覺進行缺陷檢測應(yīng)用中會導(dǎo)致缺陷出現(xiàn)高誤檢率。為了快速、準確地將缺陷從鋼軌圖像中分割出來，并且獲得高缺陷檢測率和低誤檢率，本文提出一種改進的一維Otsu閾值分割方法，通過對圖像的類間方差的目標方差加權(quán)，使分割閾值靠近單模直方圖的左邊緣或者雙模直方圖的谷底。本文改進的Otsu閾值分割法可稱為加權(quán)的目標方差Otsu方法(Weighted Object Variance， WOV)。

2　鋼軌圖像閾值分割

2.1Otsu閾值分割法

Otsu閾值分割法[6]，也叫最大類間方差閾值分割法，是日本學(xué)者Otsu首次提出來的，故以其名字命名。它將圖像劃分成兩類，分別為C0和C1類，當(dāng)類間方差達到最大時，該灰度級為最佳閾值。其分割原理是：設(shè)圖像大小為M×N，圖像灰度級范圍為[0，L-1]，ni為圖像灰度級i的像素點數(shù)，灰度級i出現(xiàn)的概率為：pi=ni/M×N；假設(shè)圖像中灰度級低于t的像素點構(gòu)成C0類，即灰度級為[0，t]的像素點歸為C0類，灰度級為[t+1，L-1]的像素點為C1類。若P0(t)，P1(t)表示C0類和C1類出現(xiàn)的概率；u0(t)，u1(t)表示C0類和C1類的平均灰度級。則有：

(1)

(2)

(3)

(4)

則圖像的類間方差δb(t)可表示為：

(5)

當(dāng)類間方差達到最大時該灰度級為最優(yōu)閾值，即Otsu閾值：

(6)

對于單閾值分割，當(dāng)圖像的直方圖呈雙模時，Otsu閾值分割法能獲得較滿意的分割結(jié)果，但當(dāng)目標和背景的方差相差較大或者當(dāng)圖像的直方圖呈單?；蛘呓咏鼏文７植紩rOtsu的分割效果差。文獻[16]通過理論證明Otsu閾值等于兩類平均灰度級的均值，即TOstu=(u0(TOstu)+u1(TOstu))/2，u0(TOstu)和u1(TOstu)為公式(3)、(4)中t=TOstu時的值。Otsu閾值偏向于方差較大的一類，將大部分的背景區(qū)域分割成目標，使得兩類圖像的大小相似。 圖1為鋼軌圖像的閾值分割結(jié)果，圖1(a)橢圓圈內(nèi)的低灰度區(qū)表示缺陷，圖1(b)、(c)分別是Otsu閾值和理想閾值的分割結(jié)果，本文將大于閾值的像素點的灰度值設(shè)置為255(白色、背景)，小于閾值的灰度值設(shè)為0(黑色、目標)。圖1(d)是鋼軌圖像的直方圖及分割閾值。從圖1可以看出，Otsu閾值將大部分的背景分割為目標，使得背景和目標的大小近似。

(a)鋼軌原圖

(b) Otsu閾值分割結(jié)果

(c)理想的分割結(jié)果

(d) 鋼軌圖像直方圖

2.2其它改進Otsu閾值分割法

為了更準確地將缺陷從背景中分割出來，文獻[12-13]提出了valley-emphasis Otsu閾值分割法，并將其用于機器視覺表面缺陷檢測，其改進的Otsu閾值分割法是對圖像類間方差加權(quán)，將式(5)改寫為：

(7)

分割閾值T為：

(8)

(a)原始圖(a)Original images

(b) VE分割結(jié)果(b)Thresholding results of VE method

(c) NVE分割結(jié)果(c)Thresholding results of NVE method

(a)無缺陷鋼軌直方圖及閾值(a)Histogram and thresholds of defect-free rail image

(b)裂紋鋼軌直方圖及閾值(b)Histogram and thresholds of defective rail image

圖2是VE和NVE方法對鋼軌圖像分割結(jié)果，第一、二行分別是無缺陷、裂紋缺陷鋼軌。圖2中從左到右分別是原始圖像，VE、NVE方法的閾值分割結(jié)果。圖3是圖2對應(yīng)的直方圖和分割閾值。對于兩鋼軌，NVE方法的分割閾值T分別是213和69，閾值都位于相應(yīng)直方圖的左、右邊緣，其幾乎將無缺陷鋼軌的全部背景都錯分為目標，但對于裂紋鋼軌的分割結(jié)果卻接近完美。VE方法的分割閾值位于直方圖局部谷底，錯誤地將部分背景分割為目標。

2.3WOV閾值分割法

(9)

最優(yōu)閾值：

(10)

式中：ω為權(quán)重因子，ω的取值為[0，1]，從而ωP0(t)u0(t)≤P0(t)u0(t)。當(dāng)圖像中的目標較大時，ω應(yīng)取大值，當(dāng)目標較小時，ω取小值，對無缺陷的鋼軌圖像，權(quán)重ω應(yīng)該接近0。對不同的鋼軌，缺陷大小不同，全局固定權(quán)重不能適合所有鋼軌圖像，權(quán)重ω的值最好能隨著缺陷在圖像中的比例來變化。式(1)中P0(t)的取值范圍為[0，1]，當(dāng)圖像被閾值t分割時，P0(t)表示目標出現(xiàn)的概率，P0(t)隨著t的增大呈非線性增長。本文將權(quán)重設(shè)為ω=P0(t)，因此式(9)可以寫為：

(11)

圖4為圖1(a)的灰度方差變化曲線圖，圖4(a) 的虛線為加權(quán)后的目標方差，圖4(b)的虛線為加權(quán)后類間方差，即式(11)的Yb(t)曲線變化，可以看到WOV方法的分割閾值小于Otsu閾值。

(a) 目標和背景的灰度方差

(b) 圖像類間方差曲線

3　實驗結(jié)果討論

為了測試WOV方法對鋼軌圖像的分割效果，選用兩種權(quán)威評價指標來評價其分割性能，分別是：錯誤分類誤差(Mis-classification Error，MCE)[17]和鋼軌缺陷的檢測率和誤檢率[18]。MCE表示目標像素錯分為背景，背景像素錯分為目標的比例，通常用MCE值來評價單張圖像的分割結(jié)果。缺陷的檢測率和誤檢率用來綜合評價機器視覺中缺陷的檢測結(jié)果。將WOV方法與Otsu及其它改進Otsu方法，如VE、NVE，ME閾值分割法進行比較。之所以與這些方法進行比較，是因為VE、NVE方法是比較有效的閾值分割法，廣泛應(yīng)用于機器視覺表面缺陷檢測，而ME閾值分割法是應(yīng)用最廣泛的經(jīng)典全局閾值分割法之一，被證實為比較有效的缺陷檢測閾值分割法。實驗所用的計算機配置為Intel Core 2.30 GHz CPU，1.19GB內(nèi)存，采用MATLAB R2009a實現(xiàn)各算法。

3.1MCE評價閾值分割結(jié)果

對于兩類分割問題，MCE定義為：

(12)

實驗中選用不同段軌道拍攝的鋼軌圖像進行閾值分割。有些軌道使用頻繁，鋼軌表面被車輪摩擦的比較光滑，尤其是在鋼軌的中間，但側(cè)邊比較粗糙或者仍然存在銹跡。有些鋼軌使用不頻繁，因而表面布滿銹跡，且銹跡的灰度級與缺陷的灰度級接近，閾值分割時容易將銹跡分割為目標，造成錯誤分割。為了突出缺陷特征，需要在不同亮度條件下采集圖像，由于不同鋼軌表面的反射特性不同，不同鋼軌圖像的灰度級差別大，如光滑的鋼軌形成鏡面反射，鋼軌圖像的灰度級高，而布滿銹跡的鋼軌形成漫反射，鋼軌圖像灰度級低。由于被檢測的鋼軌圖像大部分沒有缺陷，少數(shù)鋼軌存在缺陷，若對無缺陷的鋼軌圖像進行閾值分割時將銹跡或者背景誤分為目標，則將導(dǎo)致缺陷誤檢率高。缺陷檢測要求缺陷高檢測率、低誤檢率，因此，實驗中還包括了無缺陷圖像的閾值分割。

圖5～圖9是不同鋼軌閾值分割結(jié)果，表1為各圖對應(yīng)的MCE值。圖5、6是無缺陷鋼軌圖像的閾值分割結(jié)果，其中圖5鋼軌表面有許多銹跡，圖像的灰度比較低。圖6的鋼軌中間被摩擦的非常光滑，但是在兩側(cè)比較粗糙，圖像中間灰度高，兩側(cè)灰度相對低。VE方法的閾值位于局部直方圖的谷底，其將部分背景分割為目標；NVE方法幾乎完全錯分鋼軌Ⅰ，閾值位于單模直方圖的右側(cè)，其MCE值接近1，但卻完美地分割鋼Ⅱ，MCE值等于0，閾值位于單模直方圖的左邊緣。ME和Otsu方法都將部分背景錯分為缺陷，但WOV方法對兩無缺陷的鋼軌都獲得了接近完美的結(jié)果，對應(yīng)的MCE值均接近0。

圖7、8、9是有缺陷鋼軌圖的分割結(jié)果。圖7鋼軌表面比較光滑，表面存在一塊大的凹痕缺陷，NVE方法將所有的缺陷都分割為背景，導(dǎo)致缺陷漏檢；ME方法可以準確地將缺陷分割出來，但是也將少部分背景分割為目標；WOV方法將少部分的缺陷誤分為背景。圖8、9中鋼軌Ⅳ，Ⅴ表面存在銹跡，圖像的灰度級偏低，除了Otsu，VE方法，其它3種方法對鋼軌Ⅳ分割結(jié)果接近完美，MCE值接近0，然而對鋼軌Ⅴ，NVE和ME方法幾乎完全錯分圖像，但是VE和本文方法獲得了完美結(jié)果。

從以上5段不同鋼軌圖像的分割結(jié)果可以得出，無論鋼軌表面是否有缺陷，Otsu方法將一部分背景分割為目標；VE方法由于分割閾值位于直方圖局部谷底，因而容易將背景分割為目標，尤其是對無缺陷的圖像；NVE方法的分割閾值位于單模直方圖邊緣，左邊緣或者右邊緣，從而導(dǎo)致部分圖像錯分。ME方法對部分有缺陷的鋼軌圖像的分割效果好，但是對無缺陷的鋼軌圖像的分割效果差，將背景錯分為目標。WOV方法獲得的分割閾值位于雙模直方圖的谷底或者單模直方圖的左邊緣，無論鋼軌圖像是否包含缺陷，其分割閾值都接近理想閾值，MCE接近0，分割效果最優(yōu)。

(a) 鋼軌Ⅰ(a)Rail image Ⅰ

(b) Otsu(b)Otsu

(c) VE(c)VE

(d) NVE(d)NVE

(e) ME(e)ME

(f) WOV(f)WOV

(g) 鋼軌直方圖及各方法的分割閾值(g)Histogram and threshold values

(a) 鋼軌Ⅱ(a)Rail image Ⅱ

(b) Otsu(b)Otsu

(c) VE(c)VE

(d) NVE(d)NVE

(e) ME(e)ME

(f) WOV(f)WOV

(g) 鋼軌直方圖及各方法的分割閾值(g)Histogram and threshold values

(a) 鋼軌Ⅲ(a)Rail image Ⅲ

(b) Otsu(b)Otsu

(c) VE(c)VE

(d) NVE(d)NVE

(e) ME(e)ME

(f) WOV(f)WOV

(g) 鋼軌直方圖及各方法的分割閾值(g)Histogram and threshold values

(a) 鋼軌Ⅳ(a)Rail image Ⅳ

(b) Otsu(b)Otsu

(c) VE(c)VE

(d) NVE(d)NVE

(e) ME(e)ME

(f) WOV(f)WOV

(g) 鋼軌直方圖及各方法的分割閾值(g)Histogram and threshold values

(a) 鋼軌Ⅴ(a)Rail image Ⅴ

(b) Otsu(b)Otsu

(c) VE(c)VE

(d) NVE(d)NVE

(e) ME(e)ME

(f) WOV(f)WOV

(g) 鋼軌直方圖及各方法的分割閾值(g)Histogram and threshold values

鋼軌編號MCE值OtsuVENVEMEWOVⅰ0.40360.092310.12090.0225Ⅱ0.17750.117600.09550Ⅲ0.26680.22300.02890.06020.0111Ⅳ0.44550.42720.000600.0033Ⅴ0.684500.98810.98780

3.2鋼軌圖像的缺陷檢測率和誤檢率

以上實驗測試了單張圖像的分割效果，MCE越大，說明錯誤分類的像素點越多。在機器視覺缺陷檢測應(yīng)用中，MCE值不足以反映缺陷檢測效果，用戶更關(guān)心缺陷的檢測率和誤檢率。本部分選用測試線陣CCD相機拍攝的2 000張鋼軌圖像進行缺陷檢測率和誤檢率實驗。測試圖像中有1 423張無缺陷，577張圖像包含缺陷(有缺陷圖片比較少是因為實際運行的軌道大部分都沒有缺陷)。缺陷的檢測率和誤檢率[22]定義為：

檢測率：正確檢測出缺陷圖像的數(shù)量除以缺陷圖像的總數(shù)

誤檢率：檢測出偽缺陷(不是缺陷卻被當(dāng)作缺陷)圖像數(shù)量除以無缺陷圖像的總數(shù)

閾值分割后可得到二值圖，用連通區(qū)域標記法統(tǒng)計出圖像中所有黑色區(qū)域，根據(jù)連通區(qū)域內(nèi)像素點數(shù)判斷是缺陷還是噪聲，當(dāng)連通區(qū)域內(nèi)的像素個數(shù)小于給定閾值TH時，則認為是噪聲，大于TH時認為是缺陷，得到了表2所示的缺陷檢測率和誤檢率。

Otsu的閾值等于兩類灰度均值的平均，對無缺陷的圖像總是將背景錯分為目標，因而誤檢率為100%；VE方法的分割閾值位于直方圖局部谷底，將部分背景分割為目標，因而缺陷的誤檢率高，檢測率低；ME方法能較準確地分割大部分有缺陷的圖像，但是對無缺陷的鋼軌圖像會產(chǎn)生錯誤分割，缺陷檢測率較高，但是誤檢率也高。NVE方法獲得了很高缺陷檢測率，但同時缺陷的誤檢率也高。WOV方法的閾值位于單模直方圖的左邊緣，雙模直方圖的谷底，從而缺陷檢測率最高，誤檢測率最低。這符合機器視覺缺陷檢測應(yīng)用的要求。

表2　5種方法的缺陷檢測率和誤檢率

4　結(jié)　論

本文提出了一種鋼軌表面缺陷機器視覺檢測方法——目標方差加權(quán)Otsu閾值鋼軌圖像分割法。鋼軌表面的缺陷區(qū)域小，背景區(qū)域大，圖像直方圖呈單?；蛘呓咏鼏文７植迹ㄟ^對目標方差加權(quán)，其權(quán)重等于目標出現(xiàn)的概率，使分割閾值偏向單模直方圖的左邊緣，或者雙模直方圖的谷底來確保缺陷的高檢測率和低誤檢率。將WOV方法與Otsu，VE、NVE、ME閾值分割法進行對比，結(jié)果顯示，WOV方法的分割效果最優(yōu)，缺陷檢測率最高、誤檢率最低，適合機器視覺缺陷檢測實時應(yīng)用。

本文主要針對鋼軌圖像提出改進Otsu閾值分割法，以后需進一步研究一種比較通用的閾值分割法用于產(chǎn)品表面缺陷檢測。

[1]MOUSTAKIDIS S， KAPPATOS V， KARLSSON P，etal.. An Intelligent methodology for railways monitoring using ultrasonic guided waves [J].JournalofNondestructiveEvaluation， 2014， 33(4)： 694-710.

[2]SONG Z， YAMADA T， SHITARA H，etal.. Detection of damage and crack in railhead by using eddy current testing [J].JournalofElectromagneticAnalysisandApplications， 2011， 3： 546-550.

[3]LI Q， REN S. A real-time visual inspection system for discrete surface defects of rail heads [J].IEEETransactionsonInstrumentationandMeasurement， 2012， 61(8)： 2189-2199.

[4]BEAUCHEMIN M. Image thresholding based on semivariance [J].PatternRecognitionLetters， 2013， 34(5)： 456-462.

[5]SEZGIN M. Survey over image thresholding techniques and quantitative performance evaluation [J].JournalofElectronicImaging， 2004， 13(1)： 146-168.

[6]OTSU N. A threshold selection method from gray-level histograms [J].IEEETransactionsonSystrems，Man，andCybernetics， 1979， 9： 62-66.

[7]KAPUR J， SAHOO P K， WONG A. A new method for gray-level picture thresholding using the entropy of the histogram [J].ComputerVision，Graphics，andImageProcessing， 1985， 29(3)： 273-285.

[8]NACEREDDINE N， HAMAMI L， TRIDIM. Non-parametric histogram-based thresholding methods for weld defect detection in radiography [J].ProceedingsofWorldAcademyofScience，EngineeringandTechnology， 2005， 9： 213-217.

[9]KITTLER J， ILLINGWORTH J. Minimum error thresholding [J].PatternRecognition， 1986， 19(1)： 41-47.

[10]TSAI W H. Moment-preserving thresolding： A new approach [J].ComputerVision，Graphics，andImageProcessing， 1985， 29(3)： 377-393.

[11]HU Q， HOU Z， NOWINSKI W L. Supervised range constrained thresholding [J].IEEETransactionsonImageProcessing， 2006， 15(1)： 228-240.

[12]NG H F. Automatic thresholding for defect detection [J].PatternRecognitionLetters， 2006， 27(14)： 1644-1649.

[13]FAN J L， LEI B. A modified valley-emphasis method for automatic thresholding [J].PatternRecognitionLetters， 2012， 33(6)： 703-708.

[14]景曉軍， 李劍峰， 劉郁林. 一種基于三維最大類間方差的圖像分割算法[J]. 電子學(xué)報， 2003， 31(9)： 1281-1285.

JING X J， LI J F， LIU Y L. Image segmentation based on 3-D maximum between-cluster variance [J].ActaElectronicaSinica， 2003， 31(9)： 1281-1285.(in Chinese)

[15]申鉉京， 龍建武， 陳海鵬， 等. 三維直方圖重建和降維的 Otsu 閾值分割算法[J]. 電子學(xué)報， 2011， 39(5)： 1108-1114.

SHEN Y J， LONG J W， CHEN H P，etal.. Otsu thresholding algorithm based on rebuilding and dimension reduction of the 3-dimensional histogram [J].ActaElectronicaSinica， 2011， 39(5)： 1108-1114.(in Chinese)

[16]XU X， XU S， JIN L，etal.. Characteristic analysis of Otsu threshold and its applications [J].PatternRecognitionLetters， 2011， 32(7)： 956-961.

[17]YASNOFF W A， MUI J K， BACUS J W. Error measures for scene segmentation [J].PatternRecognition， 1977， 9(4)： 217-231.

[18]NGAN H Y T， PANG G KH， YUNG N H C. Automated fabric defect detection—a review [J].ImageandVisionComputing， 2011， 29(7)： 442-458.

袁小翠(1988-)，女，江西撫州人，博士，主要研究方向為圖像處理與逆向工程。E-mail：yuanxc2012@163.com

導(dǎo)師簡介：

吳祿慎(1953-)，男，江西樂平人，碩士，教授，博士生導(dǎo)師，1978年于北京航空航天大學(xué)獲得學(xué)士學(xué)位，1990年于清華大學(xué)獲得碩士學(xué)位，主要從事面外“moire”法、三維光學(xué)圖像測量與逆向工程的研究。E-mail：wulushen@163.com

(版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載)

Rail image segmentation based on Otsu threshold method

YUAN Xiao-cui1， WU Lu-shen2*， CHEN Hua-wei2

(1.JiangxiProvinceKeyLaboratoryofPrecisionDriveControl，NanchangInstituteofTechnology，Nanchang330099，China；2.SchoolofMechanicalandElectricalEngineering，NanchangUniversity，Nanchang330031，China)

*Correspondingauthor，E-mail：wulushen@163.com

As rail images show uneven gray distribution, general image segmenting methods can not accurately segment rail images. To address this issue, this paper presents an improved Otsu method using weighted object variance(WOV) for rail image segmentation to separate the defect from its background. Firstly, the property of a rail image was analyzed and the problems of the Otsu method and other global threshold methods for segmenting rail images were summarized. Then, the Otsu method was improved. By taking the cumulative probability of defect occurrence for the weighting, the object variance of between-class variance was weighted, and the threshold will always be a value that locates at two peaks or at the left bottom rim of a single peak histogram. Finally, the misclassification error (MCE)， the detection rate and false alarm rate of the defect image were calculated to validate the effectiveness of proposed method. The experimental results demonstrate that the improved Otsu method accurately segments various kinds of rail images and the MCE value is close to 0. As comparing to the Otsu method, other improved Otsu method and maximum entropy threshold method, the proposed method provides better segmentation results, the detection rate and false alarm rate for the rail defected image are 93% and 6.4% respectively. It is suitable for the applications in machine vision defect detection in real time.

image segmentation; Otsu thresholding; surface defects; machine vision; rail

2015-08-18；

2015-11-12.

國家自然科學(xué)基金資助項目(No. 51365037，No.51065021)

1004-924X(2016)07-1772-10

TP391.4；U213.43

Adoi:10.3788/OPE.20162407.1772