基于粒子群聚類算法的陶瓷圖像分割方法

江 毅，張 彤，熊珍珍

(景德鎮(zhèn)陶瓷學大學，江西 景德鎮(zhèn) 333403)

基于粒子群聚類算法的陶瓷圖像分割方法

江 毅，張 彤，熊珍珍

(景德鎮(zhèn)陶瓷學大學，江西 景德鎮(zhèn) 333403)

聚類技術已成為圖像處理、計算機視覺、模式識別等研究鄰域的重要方法。本文針對不同陶瓷圖像分割的復雜性，結合模式識別理論的k-聚類思想，提出一種基于粒子群聚類算法的陶瓷圖像分割方法。該方法基于粒子群優(yōu)化算法對全局最優(yōu)解的搜索來獲得待分割圖像的最佳閾值。實驗結果表明，與其它測試算法相比，該方法無論對圖像的單閾值還是雙閾值分割，均能夠獲得較好的分割效果，且獲得閾值的時間也較短。

圖像分割；粒子群優(yōu)化算法；聚類；陶瓷圖像

0 引 言

圖像分割作為計算機視覺和數(shù)字圖像處理中的主要關鍵技術，是圖像識別和圖像理解的重要先期步驟，對圖像進行分割的質量好壞在一定程度上直接決定著其后繼圖像處理步驟的優(yōu)劣效果。圖像分割方法是使圖像被分成或分隔成具有相似特征(如灰度、顏色、紋理、密度)的區(qū)域，主要方法有：閾值法、邊緣檢測法、區(qū)域跟蹤法、紋理方法等[1]。近十年以來，群智能優(yōu)化方法[2]作為一種能夠解決不同類型優(yōu)化問題的新興技術正被應用于越來越多的經(jīng)濟學、科學理論、及工業(yè)生產應用研究領域。這類方法的一個共同特點在于其對待求解問題無嚴格的數(shù)學特征要求，如函數(shù)是否可導、連續(xù)、函數(shù)形式是否統(tǒng)一等，比較典型的方法，諸如：遺傳算法[4]、人工免疫算法[5]、粒子算法[6]和蟻群算法[7]等優(yōu)化方法。來源于對鳥群捕食行為的一種仿真建模方法，粒子群優(yōu)化算法[8](Particle Swarm Optimization，PSO)已經(jīng)成為一種新型的優(yōu)化技術，由于其算法結構較為簡單、對待求解的問題無需梯度信息、實現(xiàn)方式簡易且求解問題的速度較快等優(yōu)點。近年來，PSO方法已廣泛應用于諸如：靜態(tài)及動態(tài)優(yōu)化問題、神經(jīng)網(wǎng)絡權值預測、數(shù)據(jù)挖掘及其關聯(lián)分析、模糊系統(tǒng)控制等領域[8-12]。然而，從可查閱的國內外文獻來看，將改進的PSO方法應用于陶瓷文物圖像處理的研究成果尚不多見。

通信聯(lián)系人：江毅((1982-)，男，副教授。

當前，國內外對陶瓷文物修復前的裂紋等破損區(qū)域的邊緣檢測方法仍以傳統(tǒng)的人工視覺檢測為主，而人工檢測的統(tǒng)計結果顯示[13]：其可靠性只有80%，且對檢測者的經(jīng)驗和責任心依賴較大。除人工檢測方法以外，國內外還常采用無損檢測方法[14]。無損檢測方法能夠有效避免其它外力接觸所引起的陶瓷材料的磨損。國內外陶瓷裂紋無損檢測技術歸納起來可分為[13,14]：渦流檢測、液體滲透檢測、磁粉檢測、射線照相檢測和超聲檢測。無損檢測技術的優(yōu)點在于不改變被檢測對象使用性能的前提下評價材料完整性和連續(xù)性，檢測出固有缺陷及其形狀、位置和大小等信息。但受古陶瓷材料自身及檢測時主觀因素的影響，各種方法都有自身的優(yōu)缺點及需進一步完善的部分。由于陶瓷文物的裂紋檢測和數(shù)字圖像分割技術在原理上存在共性，即都是根據(jù)圖像表面已知信息識別出物體邊緣，從而深入進行后繼的陶瓷處理，如陶瓷文物圖像重構、陶瓷文物修復等工作。因此，可將陶瓷文物圖像的裂紋檢測過程預先在計算機上虛擬實現(xiàn)，從而為后繼陶瓷文物本體上的手工修復等操作提供參考價值，提高陶瓷文物修復的可信度和準確性。

Correspondent author:JIANG Yi(1982-), male, Associate Professor.

E-mail:jyprc9@163.com

本文借鑒模式識別中的經(jīng)典K聚類算法思想，將PSO與聚類思想進行融合應用于陶瓷圖像的目標提取中，提出一種基于粒子群聚類分割技術的陶瓷圖像分割方法。實驗數(shù)據(jù)顯示出：所提出的新方法不僅能夠對國際上通用的標準圖像進行人物及背景的準確提取，而且還能以較少的代價獲得最佳閾值，算法的聚類效果是比較有效的。

1 粒子群優(yōu)化算法

PSO方法最初源于對鳥群集體覓食行為的一種仿真模擬，并從該過程得到啟發(fā)并應用于不同類優(yōu)化問題的求解,其基本原理描述如下[3]：

在PSO執(zhí)行過程中，首先根據(jù)待求解問題的可行區(qū)域，確定出粒子群在搜索空間中對潛在解搜索的區(qū)域范圍。在搜索過程的特定時刻，每個粒子按照一個特定的速度飛行，而不同時刻的粒子飛行速度將會發(fā)生變化，這種變化的幅度由粒子積累的飛行經(jīng)驗及粒子同伴的當前飛行經(jīng)驗來調整，確切的說，這一調整依賴于兩個極值來確定：粒子在搜索空間中當前飛行到的最優(yōu)位置，稱之為“個體極值”，另一個極值是粒子群體在整個搜索空間中搜索到的最優(yōu)位置，稱之為“全局極值”。每一個粒子在搜索空間中所處位置的優(yōu)劣都由一個預先確定的評價函數(shù)來測定其適應度值。此外，在不同的PSO改進方法中，粒子的鄰居可以預先設定為種群中的鄰近區(qū)域內粒子，此時，全局極值來源于所有粒子鄰近區(qū)域中的局部極值。粒子在搜索空間的飛行過程中，每個粒子與粒子群體之間都有一定的信息交流，分享各自對潛在解所在區(qū)域的收集信息，各粒子間的這種“默契”將確保粒子群體中的絕大部分最終飛至最優(yōu)解所處位置或是其鄰近區(qū)域，在粒子的每一次飛行(迭達)中，每個粒子都遵循Yu Shi和Hui Russell Eberhart提出的全局優(yōu)化模型[9]。即：

其中，k表示迭達次數(shù)(即飛行時刻)，vk是單個粒子在搜索空間中的速度向量，xk表示粒子在搜索空間的當前飛行位置，pbestk表示單個粒子在搜索空間中歷經(jīng)k次飛行后所找到的最優(yōu)飛行位置，該位置作為單個粒子求解問題所得到臨時最優(yōu)解，pgbestk表示粒子群體在經(jīng)歷k次飛行后所找到的最優(yōu)飛行位置,該位置對應著粒子群體所飛行的當前時該最優(yōu)解。vk+1是vk、pbestk-xk和pgbest-xk的向量和。在此，粒子飛行過程中，為防止粒子速度過快或過慢，通常將粒子的每維速度限定在一個合理的范圍內[vmin，vmax]，如果某維飛行后，其速度沒有在限定的速度圍內，則該維速度將按以下方式重新設置。即：

此外，PSO方法執(zhí)行過程中涉及到的參數(shù)還包括慣性權重 ω。稱為學習因子的兩個加速常量c1，c2。兩個隨機常數(shù) r1，r2。

2 基于粒子群聚類算法的最佳閾值圖像分割

2.1 聚類中的最佳閾值選擇

在圖像分割中應用模式識式中的k聚類思想，其依據(jù)主要為[1]：以類內中模式樣本(即像素)保持最大相似性而各類間保持最大距離為目標。采用迭達式法則獲得圖像分割的最佳閾值。其步驟為：

①在單閾值情況下，隨機給定閾值 t1將圖像分割成目標 c1與背景 c2兩類，兩類的概率分別為：

其中，nci是 ci類的像素個數(shù)(i=1，2)，Nimage為圖像中的總像素。兩類的中心灰度均值 μi及方差 分別為：

②對圖像中的每一只像素進行分類處理。其方式如下：

②分類處理后，目標和背景中的所有像素需重新計算中心灰度均值，記

閾值的確定應滿足如：若 h(t2) ＜ h(t1)，則重新對像素進行歸類處理，否則 t1即為所確定的閾值。由上述分析可知，聚類最佳閾值的確定應滿足：

同樣，在多閾值情況下(以雙閾值情況為例)，在每次分類結束后，若滿足如下公式，則 為確定的閾值，否則重新進行像素分配，再按以下方式進行比較。

2.2 圖像分割的粒子群聚類算法步驟

利用粒子群的尋優(yōu)能力，圖像分割問題可以被當作是PSO執(zhí)行過程中的粒子群尋優(yōu)問題，當不同粒子間的不斷相互學習，不間斷的信息交換，最終使得絕大部份粒子都尋找到最優(yōu)位置或其鄰近區(qū)域，從而確定出圖像分割的最佳閾值。由于圖像處理中的像素的灰度級為256，在此，實驗測試中的粒子初始位置及速度，以及每次迭達中粒子的位置及速度都限定在[0，255]，圖1描述了粒子群聚類算法的實現(xiàn)流程，其對應的粒子群聚類算法描述如下。

(1)初始化粒子群：設定粒子數(shù)為 np，隨機設置粒子的初始位置vok和速度x0

k(1≤k≤np)，每個粒子 pbest設為初始位置，pbest中最好的設為pgbest，最大迭達次數(shù)為nmax，迭達計數(shù)器 nc=0；

(2)根據(jù)粒子當前位置，計算每個粒子的適應度值 fiti(k)，單閾值采用式(7)進行計算，雙閾值采用式(11)計算，根據(jù)當前個體粒子適應度值fiti(k)，找出全局極值位置pgbest[d]；

(3)while(nc＜nmax) do

圖1 粒子群聚類算法流程圖Fig. 1 Flow chart of PSO clustering algorithm

①按式(1)更新粒子 j 的速度，并判斷速度是否越界，如果越界則根據(jù)式(3)調整速度。

②按式(2)更新粒子 j 的位置。

③根據(jù)當前粒子位置，各個樣本(即像素)按最小距離原則進行分類處理。

End

(4)根據(jù)各個粒子的個體極值 fit，找出全局極值位置 pg be st [d ]和 pg fi t全局適應度值 。

(5) nc ← nc+1；

End

(6)輸出全局適應度值 p g f i t 及全局極值位置pgbest[d]。

3 實驗分析與結果

實驗運行環(huán)境為∶Intel Pentium 4, CPU 2.26GHZ, Windows Xp, Matlab 7.0。實驗中，我們將所提出的粒子群聚類算法簡稱為ISPSO方法，并將所提出的粒子群聚類算法應用于兩幅陶瓷圖像的邊緣分割中，以識別出陶瓷圖像中細微的裂紋細節(jié)部份，并與國 際上通用的最大類間方差法OTSU[1]進行比較，測試圖像bowl和title的大小分別為∶ 243×300, 512×512,對應的直方圖如圖2所示。

圖2 陶瓷圖像和對應的直方圖Fig.2 Ceramic image and histogram

實驗測試中，粒子數(shù)設定為np=20；慣性因子w采用線性遞減方式，由0.9變化至0.3；迭達次數(shù)nmax=200。加速常數(shù)c1=1.5，c2 =1.6。對粒子群聚類算法分別進行10次獨立實驗。圖3(a)和(c)是采用OTSU方法分割圖像后的效果，而圖3(b)和(d)是采用ISPSO方法分割圖像后的效果。

本文測試中，OTSU分割bowl和tile圖像后的最佳閾值分別是175.0065和196.9875。對于本文提出的ISPSO，我們將該方法運行10次，分別得到了bowl和tile圖像后的最佳閾值分別是178.5和204.27，且10次獲得閾值的時間都較是較為接近的，如表1所示，此外，獲得最優(yōu)閾值的時間也在可接受的范圍內。從圖3中對比兩種方法得到的分割效果，可見本文提出的ISPSO方法能夠有效的實現(xiàn)裂紋細節(jié)的提取，并有效的實現(xiàn)了裂紋區(qū)域與周邊背景的分離。

圖3 OTSU和ISPSO對圖像分割后的效果Fig.3 Effect after the image segmentation by OTSU and ISPSO

表1 基于單閾值圖像分割運行10次的實驗的結果Tab.1 Experiment results of 10 times single threshold image segmentation

此外，為更好的驗證本文提出的ISPSO方法，實驗中也采用了國際標準測試圖像Camera圖像進行測試，該圖像為256色圖，大小為：512×512，如圖4(a)所示。實驗結果見圖4(b)和(c)所示。

為更好的測試本文所提出ISPSO方法的有效性，我們對Camera圖像從單閾值和雙閾值進行測試，以驗證本文算法提出的魯棒性。圖4(b)與圖4(c)分別是單閾值與雙閾值最佳閾值分割的效果，

表2顯示出了基于單閾值和雙閾值圖像分割運行10次的實驗結果?？梢姡瑹o論是單閾值分割還是雙閾值分割，實驗的效果均在理想的范圍內。

基于以上實驗結果分析，可以看出，基于粒子群聚類的圖像分割方法運行時間較短，因此，相應的計算量并不是很大，能夠較快速的找到最優(yōu)的位置，故本文ISPSO中的粒子群聚類效果是比較理想的，在保持最優(yōu)結果穩(wěn)定的同時，實驗中搜索閾值的時間又不會波動太大，這充分說明了本文提出的方法ISPSO在搜索的精度、閾值的穩(wěn)定性和速度等方面都能達到一個較合理的折衷狀態(tài)。實驗表明，對于某一具體的應用范圍，本文提出的粒子群聚類算法是較為有效的。

圖4 ISPSO分割效果圖Fig.4 Segmentation effect of ISPSO

表2 基于單閾值和雙閾值圖像分割運行10次的實驗的結果Tab.2 Experiment results of 10 times single and double threshold image segmentation

4 結束語

本文在模式識別中k聚類算法的思想基礎上，提出了一種改進的粒子群優(yōu)化方法，并將其應用于陶瓷圖像的分割中，從實驗測試的結果來看∶改進的PSO方法能夠較好的實現(xiàn)圖像中人物及目標區(qū)域的分割提取，分割的時間測定進一步表明了改進后的PSO方法具有一定的實效性。本文的后繼工作將繼續(xù)深入研究改進PSO方法的不同參數(shù)對圖像分割效果的影響機制，定量分析其影響程度。此外，將其它智能優(yōu)化方法中較好求解優(yōu)化問題的機制融合于本文改進PSO方法中，也是本文后繼工作的一部分。

[1]朱虹. 數(shù)字圖像處理基礎[M]. 北京∶ 科學出版社, 2005.

[2] 馮春時. 群智能優(yōu)化算法及應用[D]. 合肥∶ 高等教育出版社, 2007.

[3] 崔遜學. 多目標進化算法及其應用[M]. 北京∶ 國防工業(yè)出版社, 2006.

[4] 金聰, 彭嘉雄. 基于遺傳策略的圖像灰度多閾值選擇方法[J].計算機工程與應用, 2003, 39(8)∶ 23-26.

JIN C, PENG J X. Computer Engineering and Applications, 2003, 39(8)∶ 23-26.

[5] 王春柏, 趙寶軍, 何佩琨. 基于免疫遺傳算法的自適應圖像分割方法[J]. 紅外與激光, 2004, 33(2)∶ 178-181.

WANG C B, ZHAO B J, HE P K. Infrared and Laser Engineering, 2004, 33(2)∶ 178-181.

[6] 韋苗苗, 江銘炎. 基于粒子群優(yōu)化算法的多閾值圖像分割[J].山東大學學報(工學版), 2005, 35(6)∶ 118-121.

WEI M M, JIANG M Y. Journal of Shandong University (Engineering Science), 2005, 35(6)∶ 118-121.

[7] 王曉年, 馮遠靜. 馮祖仁. 一種基于主動輪廓模型的蟻群圖像分割算法[J]. 控制理論與應用, 2006, 23(4)∶ 515-522.

WANG X N, FENG Y J, FENG Z R. Control Theory & Applications, 2006, 23(4)∶ 515-522.

[8] KENNEDY J, EBERHART R. Particle swarm optimization [C]. Proceeding of the IEEE International Conference on Neural Network. Perth, Australia∶ IEEE Service Center, 1995∶ 1942-1948.

[9] SHI Y, EBERHART R C. A modified particle swarm optimizer [C]. Proceedings of the IEEE International Conference on Evolutionary Computation. Piscataway, NJ & Anchorage, AK, USA∶ IEEE Service Center, 1998∶ 69-73.

[10] TANG K Z, LI Z Y, WU J. Multilevel thresholding approach using modified bacterial foraging optimization [J]. Journal of Software, 2014, 9(12)∶ 2771-2779.

[11] MAITRA M, CHATTERJEE A. A hybrid cooperativecomprehensive learning based PSO algorithm for image segmentation using multilevel thresholding [J]. Expert Systems with Applications, 2008, 34 (2)∶ 1341-1350.

[12] TANG K Z, YANG J Y, CHEN H Y, et al. Improved genetic algorithm for nonlinear programming problems [J]. Journal of Systems Engineering and Electronics, 2011, 22(3)∶ 540-546.

[13] BODNAR L J, NICOLAS L J, CANDORE C J. Nondestructive testing by infrared thermography under random excitation and ARMA analysis [J]. International Journal of Thermophysics, 2012, 33(10)∶ 2011-2015.

[14] MAIRE E, COLOMBO P. Characterization of the morphology of cellular, ceramics by 3D image processing of X-ray tomography [J]. Journal of the European Ceramic Society, 2007, 27 (4)∶ 1973-1981.

Method of Ceramic Image Segmentation Based on Particle Swarm Clustering Algorithm

JIANG Yi, ZHANG Tong, XIONG Zhenzhen
(Jingdezhen Ceramic Institute, Jingdezhen 333403, Jiangxi, China)

Clustering has become an important method in investigation of many areas such as image processing, computer vision and pattern recognition. In this paper, a new ceramic image segmentation method is provided based on the k-clustering from theory of pattern recognition according to the complexity of all kinds of ceramic images. The proposed method obtains the optimal threshold by the search of particles. Experimental results show that it can get better segmentation results in single threshold and double segmentation, and the time of obtaining the threshold value is shorter than the compared algorithm.

image segmentation; particle swarm optimization; clustering; ceramic image

date: 2016-01-19. Revised date: 2016-03-25.

10.13957/j.cnki.tcxb.2016.05.020

TQ174.5

A

1000-2278(2016)05-0557-07

2016-01-19。

2016-03-25。