適用于機場跑道異物檢測的區(qū)域生長改進算法

鄭浪 羅天洪 王成琳 何澤銀 李忠濤

（1.重慶交通大學(xué) 機電與車輛工程學(xué)院， 重慶? 400074; 2.重慶文理學(xué)院 智能制造工程學(xué)院， 重慶? 402160）

摘? 要： 檢測機場跑道異物對飛機安全起飛著陸具有重大的意義。為此，文中提出一種適用于機場跑道異物檢測的改進區(qū)域生長算法。提出的算法在對機場跑道圖像進行區(qū)域種子點選擇的基礎(chǔ)上，以其為中心，進行8連通區(qū)域生長;采用Sobel算法對區(qū)域生長后的圖像進行邊緣增強;以顏色相似、區(qū)域相鄰及吞噬小面積區(qū)域三要素為準(zhǔn)則，融合特征相似區(qū)域，從而得到目標(biāo)分割圖像。利用所提算法對所測試異物的識別率分別達到91.7%和93.8%，表明提出的算法能準(zhǔn)確地分割機場跑道異物區(qū)域，并能有效地抑制背景干擾，成功地解決了傳統(tǒng)區(qū)域生長算法產(chǎn)生的過分割問題。

關(guān)鍵詞： 改進區(qū)域生長算法; 異物檢測; 機場跑道; 區(qū)域合并; Sobel算法; 圖像分割

中圖分類號： TN911.1?34; TP242. 6+2? ? ? ? ? ? ? ? 文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）09?0051?04

Improved region growth algorithm applicable to detection

of foreign object debris on airport runway

ZHENG Lang1， LUO Tianhong2， WANG Chenglin2， HE Zeyin1， LI Zhongtao1

（1. School of Mechanotronics & Vehicle Engineering， Chongqing Jiaotong University， Chongqing 400074， China;

2. School of Intelligent Manufacturing Engineering， Chongqing University of Arts and Sciences， Chongqing 402160， China）

Abstract： The detection of foreign object debris （FOD） on airport runway is of great significance for aircrafts to take off and land safely. For this reason， an improved region growth algorithm applicable to FOD detection on airport runway is proposed. In the algorithm， the regional seed point of the airport runway image is selected and taken as the center to perform 8?connected region growth. The Sobel algorithm is adopted to enhance the image edge after the image is subjected to region growth. Regions with similar features are fused on the basis of the criteria of similar colors， adjacent regions and swallowing small regions to obtain the target segmentation image. The recognition rates of FOD obtained with the proposed algorithm are 91.7% and 93.8% respectively， which shows that the algorithm can accurately segment the FOD region of airport runway and effectively suppress background interference. Therefore， it successfully deals with over?segmentation occurred in the application of the traditional region growth algorithm.

Keywords： improved region growth algorithm; FOD detection; airport runway; region merging; Sobel algorithm; image segmentation

0? 引? 言

隨著經(jīng)濟的快速發(fā)展，交通出行方式不斷增加，在所有交通工具中，以飛機出行的方式備受人們的青睞。然而，在飛機起飛和降落時，機場跑道上的異物（Foreign Object Debris，F(xiàn)OD）很可能被吸進飛機發(fā)動機內(nèi)，造成發(fā)動機故障，也有可能扎壞飛機的輪胎，進而構(gòu)成嚴(yán)重的事故[1]。因此，檢測機場跑道異物是整個機場飛機高效安全飛行必須解決的一個關(guān)鍵問題[2]。

近年來，機器人視覺成為了研究熱點，人們針對目標(biāo)圖像分割提出了很多研究方法[3]。要良好實現(xiàn)目標(biāo)識別，準(zhǔn)確的圖像分割很關(guān)鍵。圖像分割的方法大致分為：邊緣檢測、區(qū)域分割和閾值分割。區(qū)域生長算法易受噪聲的影響，在分割結(jié)果圖中易留下噪點，解決這類問題，通常需先對原圖像進行濾波處理，經(jīng)過濾波處理后容易造成邊緣模糊問題和形成空洞兩個問題。一般采用圖像閉操作處理這類問題。文獻[4]針對混凝土切片CT圖像亮度分布不均問題，采用環(huán)形分區(qū)與區(qū)域生長的分割算法，提高了圖像閾值分割的準(zhǔn)確性;文獻[5]為準(zhǔn)確分割肺部CT圖像，提出一種區(qū)域生長與水平集相融合的圖像分割法，用經(jīng)典區(qū)域生長方法初步定位肺部邊界，再使用水平集融合方法分割，有效地降低了肺部邊緣輪廓的漏檢率。文獻[6]針對醫(yī)學(xué)圖像提出一種多尺度區(qū)域生長算法，該方法針對噪聲具有較強的魯棒性，但是區(qū)域生長方法缺少通用性，并不通用于各個領(lǐng)域。

除了本文中提到的研究者外，還有很多科研人員在其他領(lǐng)域采用區(qū)域生長法對圖像進行分割，但是還仍未見有學(xué)者對FOD圖像運用基于區(qū)域生長算法進行分割識別。因此，本文提出一種適用于機場跑道異物檢測的改進區(qū)域生長算法，通過改進區(qū)域生長準(zhǔn)則，對過分割區(qū)域按融合三要素法則進行合并，得到FOD的準(zhǔn)確分割圖像。

1? 改進區(qū)域生長算法

1.1? 傳統(tǒng)區(qū)域生長

傳統(tǒng)區(qū)域生長算法是由Zucker提出的一種半自動化的圖像分割算法，主要將圖像分割成若干個相似的區(qū)域。區(qū)域生長算法的核心思想是：將特征相似或相同的像素分割到同一個區(qū)域內(nèi)，完成圖像的分割[7]。具體步驟為：對分割圖像進行種子點選擇，以種子點為中心，將種子點的鄰域中與種子點有相似或相同特征的像素合并在同一個區(qū)域中，再以新合并到區(qū)域中的像素作為種子點進行區(qū)域生長，直到?jīng)]有符合區(qū)域生長準(zhǔn)則的像素點可以進行生長為止。傳統(tǒng)區(qū)域生長算法有初始化簡單、執(zhí)行速度快、生長終止易控制等優(yōu)點。

1.2? 改進區(qū)域生長算法

改進區(qū)域生長算法基本原理：首先確定每個區(qū)域中的某個已知點，加上與已知點相似的鄰近點形成一個區(qū)域，在這里利用區(qū)域的均值。當(dāng)鄰近點與區(qū)域均值的差值的絕對值小于閾值[T]時，即滿足生長條件。方法是從種子點開始，在8連通方向上生長區(qū)域，當(dāng)其鄰近點滿足生長條件，則并入相似點目標(biāo)區(qū)域，當(dāng)新的點被合并后再用新的區(qū)域重復(fù)這一過程，直到?jīng)]有可接受的鄰近點時該區(qū)域生成過程終止。

1.2.1? 種子點的選擇

改進區(qū)域生長算法的種子點選擇準(zhǔn)則滿足式（1）要求：

[f（i，j）=q & Cut（i，j）=250，? ? q∈[Imin，Imax]] （1）

式中：構(gòu)建初始圖像，圖像的像素值均為[Cut（i，j）]=250;[Imin，Imax]分別為機場跑道二值化圖像最小像素值和最大像素值;[q]值從最小依次取到最大，區(qū)域生長一次，生長圖像[Cut（i，j）]像素值更新一次。

1.2.2? 生長準(zhǔn)則

基于區(qū)域生長算法，圖像分割的關(guān)鍵問題在于準(zhǔn)確確定生長準(zhǔn)則。生長準(zhǔn)則直接影響圖像分割的效果。本文針對機場跑道圖像提出一種改進區(qū)域生長算法的生長準(zhǔn)則，其方法如式（2），式（3）所示：

[ave=1nf（u，v）] （2）

[ΔH=f（i，j）-sum

式中：區(qū)域生長方式采用鄰域區(qū)域，[n=8];[f（u，v）]為種子點[（i，j）]周圍鄰域像素點的灰度值;[ave]為種子點鄰域區(qū)域像素點灰度均值。

1.2.3? 區(qū)域合并

對原圖像采用改進區(qū)域生長算法進行分割后，過分割問題未得到徹底解決，為了準(zhǔn)確分割出目標(biāo)圖像，需要進一步對區(qū)域生長圖像進行區(qū)域合并。在此階段需要不斷地將相鄰區(qū)域按區(qū)域優(yōu)先級進行合并，直到每個區(qū)域的像素個數(shù)不超過閾值[N]。下面詳細(xì)介紹區(qū)域合并的規(guī)則：

1） 顏色合并優(yōu)先級

基于生物視覺系統(tǒng)對視覺信號微弱差別比較敏感，普遍認(rèn)為同一對象的圖像顏色相似度概率較大，可利用顏色直方圖的巴氏距離對圖像區(qū)域之間的關(guān)系進行數(shù)值化處理。顏色合并優(yōu)先級采用式（4）計算：

[Pk（m，n）=1-D（m，n）] （4）

式中：[D（m，n）]是區(qū)域[m，n]在[L×a×b]空間的像素均值巴氏距離度量函數(shù)[8]。為了提高計算效率，采用文獻[9]所提算法，在保證全部覆蓋目標(biāo)區(qū)域的情況下，去掉圖像中顏色出現(xiàn)概率低的區(qū)域。

2） 區(qū)域相關(guān)性優(yōu)先級

區(qū)域相關(guān)性是指相鄰區(qū)域在三維空間中的相關(guān)聯(lián)程度，計算相鄰區(qū)域[m，n]相關(guān)性可采用式（5）計算：

[Pl=GL（m，n）max（L（m），L（n））] （5）

式中：[GL（m，n）]為區(qū)域[m，n]的公共邊界長度;[L（m），L（n）]為區(qū)域[m，n]的邊界長度;[Pl]值越大表示兩區(qū)域相似度越高，合并優(yōu)先級更高。

3） 面積合并優(yōu)先級

針對圖像全局區(qū)域，優(yōu)先合并相鄰區(qū)域面積小的區(qū)域，對小面積區(qū)域定義優(yōu)先級[Ps]：

[Ps=S-（S（m）+S（n））S] （6）

式中：[S]為整個機場跑道圖像面積;[S（m），S（n）]為局部區(qū)域[m，n]的面積。

綜合以上三種區(qū)域合并優(yōu)先級，按一定權(quán)重進行融合，融合準(zhǔn)則如下[10]：

[P=i?Pk+j?Pl+k?Ps] （7）

式中：[i=0.5];[ j=0.3];[k=0.2]。

1.3? 改進區(qū)域生長算法步驟

改進區(qū)域生長算法步驟具體如下：

步驟1：根據(jù)機場跑道異物圖像直方圖，確定閾值[T];

步驟2：對機場跑道圖像像素以小到大依次排序，以選定的區(qū)域生長種子點[f（x，y）]進行區(qū)域生長：

[Threshold=f（i，j）-f（x，y）≤T]

[ave=f（i，j）]

步驟3：繼續(xù)用種子點鄰域為生長方向，以鄰域中的像素點為種子，將滿足生長條件的點合并到目標(biāo)區(qū)域中，更新分割區(qū)域：

[ave=1kkf（i，j）Threshold=f（i，j）-ave≤T]

步驟4：重復(fù)以上步驟，直到不再有符合存在鄰近滿足生長條件的點為止，該區(qū)域生成過程結(jié)束，得到分割后的圖像Cut;

步驟5：圖像Cut存在過分割現(xiàn)象，對Cut圖像按區(qū)域吞噬準(zhǔn)則[T1]進行合并，最后得到FOD準(zhǔn)確分割圖像。

2? 仿真實驗結(jié)果

為驗證本文所提算法對機場跑道異物圖像分割的有效性，在Windows 10系統(tǒng)下使用Matlab 2014a對路面異物圖像進行仿真實驗。用尼康D3300相機對路面上的異物進行拍攝，得到路面的原始圖像代替機場跑道異物圖像。為縮短仿真實驗時間，首先對拍攝圖像進行縮放，得到大小圖像，使用本文提出的種子選擇準(zhǔn)則、區(qū)域生長條件和區(qū)域合并準(zhǔn)則進行實驗，取閾值[T=25]，得到準(zhǔn)確分割異物圖像。

2.1? 本文所提算法識別結(jié)果

本次實驗收集7張學(xué)生門禁卡、機械零部件作為識別對象，運用本文所提算法進行了三組仿真實驗，實驗識別結(jié)果如圖1～圖3所示。圖1a），圖2a），圖3a）為機場跑道原始采集圖像;圖1b），圖2b），圖3b）為原始圖像經(jīng)過區(qū)域生長后的圖像Cut;圖1c），圖2c），圖3c）為圖像Cut經(jīng)過圖像邊緣增強，二值化處理后的結(jié)果圖，從結(jié)果圖中可以直觀地看出圖像仍然存在過分割現(xiàn)象。本文將過分割圖像進行區(qū)域合并，得到結(jié)果如圖1d），圖2d），圖3d）所示，從結(jié)果圖中可以清楚看出本文算法準(zhǔn)確分割出路面上的目標(biāo)異物。

本次實驗對有525個異物目標(biāo)的機場跑道圖像進行了檢測分割，圖像分別是在天氣晴朗的正午與下午和陰天的情況下拍攝所得，異物目標(biāo)隨機分布，其中，機場異物分別由315個卡片異物與210個機械零部件組成，識別率分別為91.7%和93.8%，誤檢率分別為4.5%與1.4%，具體檢測性能指標(biāo)見表1。

2.2? 本文算法與其他方法對比

為了更準(zhǔn)確地驗證本文所提算法的有效性，針對經(jīng)典區(qū)域生長算法易出現(xiàn)過分割現(xiàn)象，將本文所提算法與經(jīng)典區(qū)域生長算法和一般彩色圖像分割算法[11]進行對比，結(jié)果如圖4所示。

傳統(tǒng)區(qū)域生長算法采用手動選擇種子點，能夠分割出機場跑道異物圖像，但是只能分割連續(xù)區(qū)域，故從圖4第四列圖像可以看出，經(jīng)典區(qū)域生長算法均只能識別出離散分布異物中的一個異物目標(biāo);一般彩色圖像分割算法能夠識別出機場跑道上的異物，但是識別出的結(jié)果圖還有很多噪點，對后續(xù)目標(biāo)識別等研究會產(chǎn)生影響;本文所提改進區(qū)域算法能夠準(zhǔn)確分割出機場跑道上異物目標(biāo)，比其他兩種算法更加適用于機場跑道異物檢測環(huán)境。

為了更加客觀地說明本文所提算法的有效性，可以在識別率，誤檢率兩個性能指標(biāo)方面對本文所提算法、傳統(tǒng)區(qū)域生長算法（Traditional Region Growth Algorithm，TRGA）與一般彩色圖像分割算法（General Color Image Segmentation Algorithm，GCISA）進行對比，結(jié)果對比如表2所示，結(jié)果表明，一般彩色圖像分割算法識別率、誤檢率與本文所提算法相差不大，是傳統(tǒng)區(qū)域生長算法的6倍左右。

3? 結(jié)? 論

本文針對機場跑道大部分區(qū)域背景顏色相同的特征，設(shè)計了一種新的區(qū)域生長方法。為了實現(xiàn)準(zhǔn)確分割FOD的需求，提出了一種適用于機場跑道的區(qū)域生長改進算法。仿真結(jié)果表明，本文提出的改進區(qū)域生長算法可以依據(jù)圖像特征不同選取合適的閾值，能夠準(zhǔn)確地分割機場跑道上的異物，異物的識別率分別高達91.7%和93.8%，相比于現(xiàn)有彩色圖像分割算法與傳統(tǒng)區(qū)域生長算法，可以有效地抑制背景干擾，為后續(xù)目標(biāo)實時檢測的深入研究奠定了理論依據(jù)。

參考文獻

[1] FAA. AC 150/5220?24?airport foreign object debris （FOD） detection equipment [EB/OL]. [2009?09?30]. https：//www.faa.gov/airports/resources/advisory_circulars/index.cfm/go/document.current/documentNumber/150_5220?24.

[2] XU Haoyu， HAN Zhenqi， FENG Songlin， et al. Foreign object debris material recognition based on convolutional neural networks [J]. EURASIP journal on image and video processing， 2018（1）： 21.

[3] PENG B， ZHANG L， ZHANG D. A survey of graph theoretical approaches to image segmentation [J]. Pattern recognition， 2013， 46（3）： 1020?1038.

[4] 王杭，李宗利，商玉娟，等.基于環(huán)狀分區(qū)和區(qū)域生長的混凝土CT圖像分割[J].人民長江，2017，48（23）：89?93.

[5] 唐思源，楊敏，苗玥，等.區(qū)域生長和水平集相融合的肺部CT圖像分割[J].電子技術(shù)應(yīng)用，2018，44（5）：129?133.

[6] 肖明堯，李雄飛，張小利，等.基于多尺度的區(qū)域生長的圖像分割算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2017，47（5）：1591?1597.

[7] 曹建芳，李艷飛，崔紅艷，等.改進區(qū)域生長算法在寺觀壁畫脫落病害標(biāo)定中的應(yīng)用[J].新疆大學(xué)學(xué)報（自然科學(xué)版），2018，35（4）：429?436.

[8] ZHAI Y， SHAH M. Visual attention detection in video sequences using spatiotemporal cues [C]// Proceedings of the 14th ACM International Conference on Multimedia. Santa Barbara， USA： ACM， 2006： 815?824.

[9] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [J]. IEEE transactions on pattern analysis and machine intelligence， 2019， 37（3）： 569?582.

[10] 孫豐，秦開懷，孫偉，等.基于區(qū)域合并的圖像顯著性檢測[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2016，28（10）：1679?1687.

[11] 徐蔚波，劉穎，章浩偉.基于區(qū)域生長的圖像分割研究進展[J].北京生物醫(yī)學(xué)工程，2017，36（3）：317?322.