基于對(duì)抗生成網(wǎng)絡(luò)的漂浮物分割算法研究

黎嘉明 謝興 張鉛海 周連娣

摘要：本文設(shè)計(jì)一種基于對(duì)抗生成網(wǎng)絡(luò)的水面漂浮物分割算法。該算法利用改進(jìn)的K-means算法，保留只需關(guān)注的水面區(qū)域，去除多余檢測(cè)信息。之后構(gòu)建基于對(duì)抗生成網(wǎng)絡(luò)的水面漂浮物分割網(wǎng)絡(luò)，實(shí)現(xiàn)精細(xì)化分割水面漂浮物。最后可通過統(tǒng)計(jì)分割圖像，獲取當(dāng)前水域的漂浮物污染程度。

關(guān)鍵詞：漂浮物;對(duì)抗生成網(wǎng)絡(luò);圖像分割

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）01-0108-02

0 引言

目前我國(guó)十分重視生態(tài)環(huán)境的保護(hù)，尤其是對(duì)水環(huán)境資源的保護(hù)。水面漂浮物是常見的水污染情況之一，對(duì)水體生態(tài)平衡造成嚴(yán)重的影響[1]，因此研究一種水面漂浮分割算法具有很高的應(yīng)用前景。由于水面漂浮物檢測(cè)設(shè)備需要在野外環(huán)境布置，這導(dǎo)致分割效果受到地形多樣、光線復(fù)雜等環(huán)境因素的干擾。目前，漂浮物分割處理主要采用傳統(tǒng)的圖像處理算法，往往采用閾值分割、邊緣提取、形態(tài)學(xué)提取、分水嶺分割等方式提取水面漂浮物。但是，傳統(tǒng)的圖像處理技術(shù)對(duì)光照以及圖像噪聲極為敏感，魯棒性較差[2]。在處理背景相對(duì)復(fù)雜、對(duì)比度較低的對(duì)象時(shí)，傳統(tǒng)圖像處理技術(shù)并不能產(chǎn)生理想分割和識(shí)別效果。深度學(xué)習(xí)[2]是近年研究的熱點(diǎn)之一，其具有高精度、高魯棒性、抗干擾能力強(qiáng)的特點(diǎn)，因此適合用于水面漂浮物的檢測(cè)。

本文提出了一種基于對(duì)抗生成網(wǎng)絡(luò)的水面漂浮物分割算法。該算法利用改進(jìn)的K-means區(qū)域分割算法，對(duì)圖像進(jìn)行粗分割，提取水面區(qū)域以及河岸背景區(qū)域，得到所需關(guān)注的水面區(qū)域。之后構(gòu)建一個(gè)基于對(duì)抗生成網(wǎng)絡(luò)的漂浮物分割網(wǎng)絡(luò)，對(duì)水域中的漂浮物進(jìn)行更加精細(xì)的分割，獲取準(zhǔn)確的分割圖像。最后可根據(jù)漂浮物分割圖像，計(jì)算當(dāng)前水面漂浮物的占比，實(shí)現(xiàn)水面漂浮物污染情況的判斷。系統(tǒng)檢測(cè)流程如圖1所示。

1 基于改進(jìn)的K-means區(qū)域分割算法

由于檢測(cè)圖像可能存在著河岸區(qū)域和水面區(qū)域。相對(duì)于水面區(qū)域，河岸上存在著行人、植被等不可預(yù)見的干擾事物，這會(huì)將河岸上的干擾項(xiàng)引入到分割圖像中，影響漂浮物分割的精度。本算法設(shè)計(jì)了一種基于顏色直方圖改進(jìn)的K-means算法，實(shí)現(xiàn)了對(duì)河岸以及水面區(qū)域的分離，排除河岸背景對(duì)檢測(cè)結(jié)果的影響，提高漂浮物檢測(cè)的精度。

原始的K-means算法可能由于初始聚類中心的選擇不同，導(dǎo)致最后聚類的結(jié)果不同，使聚類結(jié)果陷入局部最優(yōu)解。為了解決這一弊端，本算法將顏色直方圖和K-means算法進(jìn)行結(jié)合，實(shí)現(xiàn)一種根據(jù)顏色直方圖的自適應(yīng)K-means區(qū)域分割算法。與原始方法不同，改進(jìn)的K-means區(qū)域分割算法對(duì)初始化階段進(jìn)行改進(jìn)，根據(jù)直方圖信息自適應(yīng)地選取K-means初始聚類中心點(diǎn)。在初始化階段，算法對(duì)采集圖像進(jìn)行顏色直方圖統(tǒng)計(jì)，獲得檢測(cè)圖像像素的顏色分布。由于水面區(qū)域是我們需要關(guān)注的區(qū)域，水面區(qū)域顏色相似且占最大的圖像面積，因此可以設(shè)定直方圖中數(shù)值最大的顏色值作為水面區(qū)域類的聚類中心，同時(shí)設(shè)置3個(gè)較小的值作為其他區(qū)域的聚類中心。之后多次計(jì)算歐氏距離以及中心點(diǎn)的，更新聚類中心，使區(qū)域間方差達(dá)到最大，類內(nèi)的方差達(dá)到最小。再通過區(qū)域合并，實(shí)現(xiàn)河岸與河道區(qū)域的二分類分割。基于改進(jìn)的K-means算法流程如圖2所示。

2 基于對(duì)抗生成網(wǎng)絡(luò)的漂浮物分割網(wǎng)絡(luò)

普通卷積神經(jīng)網(wǎng)絡(luò)利用卷積層和池化層提取低維圖像特征，再組合低維特征，形成更加抽象的高維表示，從而實(shí)現(xiàn)像素級(jí)圖像分割。然而由于特征提取的過程中使用了多次下采樣操作，使得漂浮物邊緣細(xì)節(jié)出現(xiàn)丟失，降低了分割精度。對(duì)抗生成網(wǎng)絡(luò)（GAN）是優(yōu)秀的圖像生成模型之一，其包含生成器G和判別器D，通過零和博弈的思想，使生成器G在動(dòng)態(tài)博弈的過程中學(xué)會(huì)生成細(xì)節(jié)豐富的圖像[3]。因此GAN的引入能夠使分割圖像生成更多的圖像細(xì)節(jié)，提高了檢測(cè)的精度。

本研究提出了基于對(duì)抗生成網(wǎng)絡(luò)的圖像分割網(wǎng)絡(luò)，用于對(duì)水面漂浮物進(jìn)行精細(xì)化分割。模型包含生成器G和判別器D。生成器G包含了下采樣和上采樣兩個(gè)過程。在下采樣中，網(wǎng)絡(luò)通過卷積層逐步降低輸出的分辨率，增加特征維度。過程包含4個(gè)卷積塊，每個(gè)卷積塊都包含卷積核大小為3x3，步長(zhǎng)為2的卷積層、批量歸一化Batch Normalization以及激活函數(shù)Rule，每個(gè)卷積塊輸出的分辨率為輸入特征的1/4。在上采樣中，通過反卷積層逐步提高輸出分辨率，減小特征維度。其網(wǎng)絡(luò)結(jié)構(gòu)與下采樣操作相似，只是將卷積操作變?yōu)榉淳矸e操作，最終通過softmax層輸出與檢測(cè)圖像尺寸大小相同的單通道分割圖像。判別器D包含了6個(gè)卷積塊，每個(gè)卷積塊都包含卷積核大小為3x3，步長(zhǎng)為1或2的卷積層、Batch Normalization、激活函數(shù)Rule，最終判別器D會(huì)輸出特征大小為8x8x512特征圖，用于計(jì)算網(wǎng)絡(luò)損失。生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。其中，k代表卷積核的大小，n代表卷積的維度，s代表卷積核的步長(zhǎng)。

在模型訓(xùn)練的過程中，我們將檢測(cè)圖像的像素值進(jìn)行像素歸一化，加快網(wǎng)絡(luò)收斂速度。然后將檢測(cè)圖像與區(qū)域分割圖像進(jìn)行維度疊加，令檢測(cè)圖像與區(qū)域分割信息在卷積層中融合，抑制干擾。經(jīng)過生成網(wǎng)絡(luò)G的處理后，得到分割圖像。再將生成的分割圖像與標(biāo)簽圖像分別與檢測(cè)圖像相乘，將相乘后的結(jié)果分別輸入至判別器D，得到分別得到真實(shí)標(biāo)簽和生成分割圖像的特征圖，計(jì)算生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的損失函數(shù)。生成器和判別器的損失函數(shù)分別由公式1、公式2所示。最后將利用Adam優(yōu)化器更新生成器G和判別器D的網(wǎng)絡(luò)參數(shù)。通過不斷迭代優(yōu)化，生成器能夠生成準(zhǔn)確的分割圖像。

其中，D為判別器的輸出，y1為標(biāo)簽圖像與檢測(cè)圖像相乘的圖像，y2為與生成器輸出的分割圖像與檢測(cè)圖像相乘的圖像，||||2表示計(jì)算L2范數(shù)。

3 實(shí)驗(yàn)參數(shù)與測(cè)試

本文利用大疆精靈3pro平臺(tái)對(duì)廣東省內(nèi)某河道進(jìn)行多次實(shí)地采集，共采集了387張大小為256x256的圖像，涵蓋了水瓶、泡沫、水浮蓮等常見漂浮物。算法在Ubuntu系統(tǒng)下運(yùn)行，利用python進(jìn)行編寫，運(yùn)行庫為tensorflow1.15，opencv3.4。在網(wǎng)絡(luò)訓(xùn)練時(shí)，設(shè)置訓(xùn)練集大小為300張，batch size為5，訓(xùn)練速率為0.0001，迭代次數(shù)為500。實(shí)驗(yàn)得到mIoU（即：分割結(jié)果和真實(shí)標(biāo)簽的交集除以分割結(jié)果和真實(shí)標(biāo)簽的并集）為73.7%，檢測(cè)時(shí)間為0.42秒/圖，基本滿足實(shí)際檢測(cè)的需要。

4 結(jié)論

本文設(shè)計(jì)的水面漂浮物分割算法，通過基于顏色直方圖改進(jìn)的K-means算法分割出水面區(qū)域和河岸背景區(qū)域，排除河岸事物對(duì)檢測(cè)結(jié)果的影響。并且構(gòu)建了一個(gè)基于對(duì)抗生成網(wǎng)絡(luò)的漂浮物分割網(wǎng)絡(luò)，能更好地對(duì)漂浮物細(xì)節(jié)進(jìn)行精細(xì)分割，提高了分割的效果。實(shí)驗(yàn)表明該算法滿足實(shí)際檢測(cè)的需要，為水面漂浮物檢測(cè)領(lǐng)域提供了新的方法。

參考文獻(xiàn)

[1] 蔡瑩，唐祥甫，蔣文秀.河道漂浮物對(duì)工程影響及研究現(xiàn)狀[J].長(zhǎng)江科學(xué)院院報(bào)，2013，30（08）：84-89.

[2] 屈薇.基于深度學(xué)習(xí)的圖像識(shí)別算法研究[J].數(shù)字技術(shù)與應(yīng)用，2019，37（09）：121-122.

[3] 鄒秀芳，朱定局.生成對(duì)抗網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（11）：1-9.