聯(lián)合最大熵的改進Niblack紅外圖像分割算法

李云紅,劉 暢,李傳真,周小計,蘇雪平,任 劼,高子明

(西安工程大學 電子信息學院, 陜西 西安 710048)

人們常將紅外技術作為電力設備故障診斷的手段之一[1],而診斷的第一步就是要準確地將故障區(qū)域從紅外圖像中分割出來。在實際操作中,圖像采集設備以及待檢測電力設備所處的復雜環(huán)境背景都會對紅外圖像質量造成影響,導致圖像出現(xiàn)背景復雜、光照不勻等問題[2-4],不利于后續(xù)工作的開展。為了解決這些問題,國內外許多研究者對紅外圖像分割方法做了大量深入研究。目前比較主流的方法有大津法[5-6]、分水嶺分割[7]、最大熵分割法[8]等。在諸多算法被進一步優(yōu)化的同時，也與不同的算法進行結合，汲取各自的優(yōu)勢,提高算法的分割效果。文獻[9]引入Lévy飛行的飛蛾撲火智能算法用于優(yōu)化OTSU算法的閾值計算過程, 實現(xiàn)了對紅外圖像的多閾值分割,準確確定各個部分的溫度范圍;文獻[10]采用優(yōu)化的區(qū)域生長法對目標設備的紅外圖像進行特征提取，然后將其作為輸入,利用改進的BP神經(jīng)網(wǎng)絡進行分類,此方法具有誤差波動性小的特點;文獻[11]采用多源區(qū)域生長和最大熵閾值法對紅外圖像進行處理,得到初步劃分的目標區(qū)域圖像,然后，利用目標區(qū)域圖像訓練檢測器,最后，用檢測器進行細分割,算法具有良好的目標提取效果。

Niblack是一種基于局部閾值的圖像二值化算法,能夠對背景復雜、對比度低的紅外圖像有較好的分割效果[12]。但由于傳統(tǒng)的Niblack算法自適應性較低,對鄰域窗口大小和修正系數(shù)的選擇依賴于人工經(jīng)驗,其分割效果會產(chǎn)生較大的不確定性[13-16]。所以，如何確定修正系數(shù)以及鄰域窗口的尺寸并且得到較好的分割效果是一個有待深入研究的問題。本文給出了一種改進的Niblack算法,通過局部鄰域熵建立背景因子進行圖像背景的分類,并引入最大熵分割。經(jīng)過對大量電力設備紅外圖像的測試,驗證了本文所提算法對紅外圖像分割的有效性,并取得了較好的效果。

1 最大熵法和Niblack算法

1.1 最大熵法

(1)

其中，PA(T)和PB(T)分別表示以T為閾值時A區(qū)和B區(qū)像素的累積概率,且兩者的累積概率之和為1，累積概率如式(2)所示。

(2)

利用式(3)分別計算A區(qū)和B區(qū)內的熵,

(3)

由A、B兩區(qū)內的熵相加得到圖像的總熵,

HG(T)=HA(T)+HB(T)。

(4)

利用式(4)中的熵之和計算分割閾值TKapur,

(5)

1.2 Niblack算法

Niblack算法是一種經(jīng)典的局部閾值分割方法。通過對圖像的每個像素點設置一個閾值實現(xiàn)分割。在w×w鄰域內,計算灰度均值和標準差,然后，計算像素點的局部閾值T(x,y),

T(x,y)=m(x,y)+k×s(x,y)。

(6)

其中：k代表修正系數(shù)；m(x,y)表示像素點(x,y)在w×w鄰域內所有像素點的灰度平均值；s(x,y)則表示w×w鄰域內所有像素點的標準差。具體計算過程如下，

(7)

s(x,y)=

(8)

由此可以看出,當紅外圖像背景較為復雜或光照不均勻時,Niblack算法的分割效果要比全局閾值法更好。Niblack算法的分割效果和w值和k值相關,但確定修正系數(shù)k和鄰域窗口w的過程易受主觀經(jīng)驗影響,從而影響分割結果。當鄰域窗口值過大時,Niblack算法失去了局部的意義,而且影響算法的速度;鄰域窗口值過小時,易受到周邊噪聲的影響。對于修正系數(shù)k來說,若取值較小,則容易濾除細小的目標區(qū)域,該區(qū)域被劃分為背景區(qū)域的概率增大;若修正系數(shù)取值較大,該算法的抗干擾能力下降,會出現(xiàn)嚴重的噪聲噪點。

2 改進的Niblack算法

針對上文提到的傳統(tǒng)Niblack算法的不足,論文提出了一種改進的Niblack算法。該算法按照紅外圖像自身的像素矩陣來選取鄰域窗口的數(shù)值。改進后的鄰域窗口w值為

(9)

(10)

其中：w1和w2表示改進后鄰域窗口的行數(shù)和列數(shù)；line和column表示數(shù)字圖像矩陣像素的行數(shù)和列數(shù)；round表示近似取整函數(shù)。改進后的局部灰度均值和標準差為

(11)

s(x,y)=

(12)

通過實驗發(fā)現(xiàn),對于像素點(x,y)的灰度值f(x,y)和局部均值m(x,y)的差值在目標和背景之間也是有一定的差異的。于是本算法利用圖像的灰度信息對修正系數(shù)進行了改進。改進后的修正系數(shù)k值為

(13)

其中，fmax和fmin表示鄰域窗口內的像素最大和最小灰度值。

因此,改進后的鄰域窗口和修正系數(shù)的數(shù)值會按照預處理圖像的像素矩陣和灰度值信息進行動態(tài)選取?；叶绕骄祄(x,y)很容易受到極端值的影響。例如9個像素的灰度值依次是7，5，6，7，7，5，5，6，200,計算出的平均值是27.6,但一半以上的值都沒有超過7,當去除像素值最大點后,平均值為6。不難發(fā)現(xiàn),極端值會影響到領域內像素點的均值，若采用固定的修正數(shù)值分割圖像會產(chǎn)生嚴重的誤差。因此,改進后的Niblack算法會根據(jù)根據(jù)鄰域窗口內像素值對修正k值進行動態(tài)調整,來控制閾值的增減,避免不合適的閾值選取導致分割結果有較大誤差,提升整體圖像的分割效果。

3 聯(lián)合最大熵的改進算法

圖像中灰度值的大小與變化可以通過圖像的復雜度來說明,而局部鄰域熵是將灰度信息與灰度分布特性結合起來[17]。在鄰域熵大的區(qū)域,圖像的灰度分布比較均勻,對應的圖像背景相對簡單;而在鄰域熵較小的區(qū)域,圖像的灰度分布起伏不定,對應的圖像背景比較復雜。

假設Hij為以點(i,j)為中心的局部鄰域熵，

(14)

其中：w1×w2為局部鄰域窗口；pij為點(i,j)的灰度分布概率，

(15)

通過建立隸屬度函數(shù)將局部鄰域熵轉換為(0,1)之間的背景因子，對圖像的背景進行分類。背景因子越大,表示圖像的背景越簡單;反之,表示圖像的背景越復雜。其隸屬函數(shù)為

(16)

其中，Hmax和Hmin分別表示鄰域內的最大熵值和最小熵值。

因此,本文對圖像分類的依據(jù)是背景因子。通過實驗發(fā)現(xiàn),背景因子為0.3時,圖像的背景分類較為明顯。當F>0.3時,圖像背景簡單,采用最大熵法對圖像進行分割;當F≤0.3時,圖像背景復雜,采用改進的Niblack法對圖像分割。

由上可知,本文算法的思路是對不同復雜程度的圖像采用兩種算法進行分割,具體算法流程如圖1。

圖1 算法流程圖Fig.1 Algorithm flowchart

在本文算法中，首先，將采集到的紅外圖像進行中值濾波,減弱噪聲的干擾；然后，根據(jù)紅外圖像的像素矩陣和局部灰度信息,對Niblack算法中鄰域窗口和修正數(shù)值的選取進行改進,使其可以自適應調整;再通過局部鄰域熵建立背景因子對圖像的背景分類；最后，采取最大熵法和改進Niblack法對分類后的圖像進行分割。

4 實驗與結果分析

本文的實驗環(huán)境為Intel華碩i5-8265U CPU,8GB RAM,Matlab R2016b。圖2是不同電力設備的紅外圖像,分別使用本文方法、Niblack法、OTSU法、最大熵法、分水嶺法對其進行分割實驗，分割結果如圖3所示。

對于刀閘開關紅外圖像，本文方法可以準確清晰地將目標區(qū)域與背景區(qū)域分割,且誤分面積較小,而圖3A的Niblack法、圖3B的OTSU法、圖3C的最大熵法和圖3D的分水嶺法均出現(xiàn)了把少數(shù)目標區(qū)域誤分為背景的情況,并且分割邊緣模糊,給接下來的故障處理工作帶來不便。

對于高壓套管紅外圖像,本文方法的分割結果能夠對目標區(qū)域恰當分割。對故障區(qū)域分割比較準確的方法是分水嶺法。最大熵法、Niblack法和OTSU法將少量背景區(qū)域劃分成目標區(qū)域。

對于導線接頭紅外圖像,本文方法實現(xiàn)了較好的分割結果。而最大熵法、OTSU法和分水嶺法的分割效果不佳,不能完全把分割目標和背景分離,Niblack法的部分目標區(qū)域被分割成背景。

對于互感器紅外圖像，本文方法可以較好地分割出整個目標區(qū)域，但最大熵法和分水嶺法的分割結果不太理想，出現(xiàn)了將大量目標區(qū)域分割成背景的情況，Niblack和OSTU法的分割結果出現(xiàn)了少量目標區(qū)域的缺失。

圖2 4種電力設備紅外圖像Fig.2 Four kinds of power equipment infrared images

本文還采用了交并比(IoU)和誤分率(Eerror)兩種評價指標對不同方法的分割效果進行評價。

(17)

(18)

式中:St表示本文方法的分割結果;Ss表示標準分割結果。IoU越趨近于1,說明和標準分割結果的差距越小,分割準確性高。Eerror表示誤分割面積,其值越小分割結果越好[18]。

表1展示了本文算法在不同評價指標上的分割結果,可以看出，本文方法相較于其他方法具有一定的優(yōu)勢，尤其是在互感器的紅外圖像處理上,最接近標準分割結果。綜合4種對比算法,本文方法的交并比平均值達到0.833 5。且平均誤分率為0.016 4, 比其他算法分別降低了0.012 8，0.024 9，0.030 9，0.025 2。

圖3 主流方法對4組紅外圖像分割Fig.3 Mainstream methods for segmentation of 4 groups of infrared images

表1 分割交并比和誤分率對比表Tab.1 ComparisonTable of segmentation IoU and error ratio

5 結語

本文針對紅外圖像分割存在的問題,在兩種經(jīng)典算法的基礎上提出了一種改進的圖像分割算法。首先，根據(jù)紅外圖像的像素矩陣確定Niblack鄰域窗口值；再利用圖像整體與局部的灰度信息選取修正系數(shù),改善了傳統(tǒng)算法中由于手動調節(jié)參數(shù)而自適應性不足的問題；最后，通過背景因子實現(xiàn)對圖像的分類,根據(jù)圖像的不同類別分別采用最大熵法和改進Niblack法進行分割處理,克服了局部閾值算法的不足。實驗證明,本文提出的方法和Niblack法、OTSU法、最大熵法、分水嶺法相比，在交并比和誤分率的評價指標上具明顯優(yōu)勢,提升了分割紅外圖像的準確性,增強了算法的魯棒性,是一種有效的紅外圖像分割方法。