電力設(shè)備紅外圖像分割的自適應(yīng)聚類區(qū)域生長(zhǎng)法

李大華 李濰璇 高 強(qiáng) 于 曉 沈洪宇

1(天津理工大學(xué)電氣電子工程學(xué)院 天津 300384) 2(天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室 天津 300384) 3(天津理工大學(xué)海運(yùn)學(xué)院 天津 300384)

0 引 言

隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的發(fā)展,變電站自動(dòng)化程度越來(lái)越高。大多數(shù)變電站采用巡檢機(jī)器人巡檢,通過(guò)集中監(jiān)控或遠(yuǎn)程多媒體監(jiān)控,實(shí)現(xiàn)對(duì)變電站設(shè)備狀態(tài)的直觀分析和判斷[1]。目前變電站巡檢機(jī)器人主要能夠?qū)崿F(xiàn)自主導(dǎo)航、電池充電、設(shè)備溫度信息采集和最優(yōu)路徑規(guī)劃,但在處理采集信息方面研究較少,機(jī)器人平臺(tái)上的信息處理成為檢測(cè)電力設(shè)備的關(guān)鍵。并且電力設(shè)備故障是大范圍停電的主要原因,影響整個(gè)電力系統(tǒng)的穩(wěn)定性。因此,電力設(shè)備故障檢測(cè)是機(jī)器人平臺(tái)解決的問題之一[2-3]。

紅外熱成像技術(shù)的發(fā)展和電力設(shè)備的發(fā)熱特性,使得利用紅外圖像處理技術(shù)對(duì)電力設(shè)備智能故障檢測(cè)成為未來(lái)的發(fā)展趨勢(shì)[4]。紅外熱成像技術(shù)能將紅外輻射熱能轉(zhuǎn)化為可見的紅外圖像,通過(guò)觀察圖像可以找到發(fā)生故障的區(qū)域[5]。溫度越高圖像越亮,溫度越低圖像越暗。眾所周知,電力設(shè)備運(yùn)行時(shí)都會(huì)有發(fā)熱現(xiàn)象。每種設(shè)備都有一定的耐熱溫度,當(dāng)電力設(shè)備運(yùn)行時(shí)間過(guò)長(zhǎng)或遭到干擾,如過(guò)電流、過(guò)電壓、電力設(shè)備會(huì)異常發(fā)熱,使得自身的溫度超過(guò)耐熱溫度,這樣電力設(shè)備會(huì)隨時(shí)發(fā)生故障,嚴(yán)重影響整個(gè)系統(tǒng)的穩(wěn)定性和安全性。因此,電力設(shè)備的安全檢測(cè)與診斷顯得尤為重要[6]。

通過(guò)紅外圖像準(zhǔn)確識(shí)別與分析故障設(shè)備是電力設(shè)備檢測(cè)的最終目的,而準(zhǔn)確的分割是紅外圖像目標(biāo)識(shí)別與分析的關(guān)鍵。通過(guò)對(duì)圖像進(jìn)行分割,判斷設(shè)備發(fā)生高溫的具體部位。方便技術(shù)人員及時(shí)判斷設(shè)備的運(yùn)行狀態(tài),提高技術(shù)人員對(duì)設(shè)備故障判斷的準(zhǔn)確性。紅外圖像反映了目標(biāo)和背景在場(chǎng)景中的紅外輻射分布,然而,成像系統(tǒng)提供的大部分紅外圖像會(huì)受到背景噪聲的嚴(yán)重干擾,具有信噪比低、邊界模糊、灰度分布不均勻等特點(diǎn),大大增加了紅外圖像分析和目標(biāo)檢測(cè)的難度。因此,如何快速、準(zhǔn)確地分割紅外目標(biāo)是一個(gè)具有挑戰(zhàn)性的課題[3]。

圖像分割是利用圖像的某些特性,如灰度值分布、紋理分布等,將給定圖像分割為有限個(gè)非重疊區(qū)域的技術(shù)。對(duì)于圖像分割,主要有三種方法,即基于閾值分割的方法、基于邊界的方法、基于區(qū)域的方法。其中基于閾值分割易忽略圖像中的像素信息,還容易受到噪聲干擾?；谶吔绲姆椒ㄒ蕾囅袼刂翟诓煌瑓^(qū)域之間的變化,對(duì)于邊緣模糊的圖像分割效果不佳。基于區(qū)域的方法依據(jù)像素值的相似度對(duì)圖像內(nèi)的每一個(gè)像素點(diǎn)進(jìn)行分類,可保留像素的空間信息。區(qū)域增長(zhǎng)是由Adams等[7]于1994年提出的,之后研究學(xué)者對(duì)其不斷進(jìn)行改進(jìn)。Moigne等[8]利用邊緣特征的附加信息和距離度量為迭代并行區(qū)域增長(zhǎng)(IPRG)算法開發(fā)了一個(gè)停止準(zhǔn)則。Cheng[9]將三維松弛標(biāo)記技術(shù)用于區(qū)域分割。Jain[10]提出一種單種子的區(qū)域生長(zhǎng)法。Chaibou等[11]將區(qū)域語(yǔ)義模糊分類用于區(qū)域分割。Zhu等[12]提出了一種基于相鄰像素點(diǎn)的區(qū)域生長(zhǎng)分割方法,采用各向異性擴(kuò)散濾波算法對(duì)圖像進(jìn)行濾波,去除噪聲。

近年來(lái),很多研究者提出了電力設(shè)備紅外圖像的分割方法。李祥等[13]提出一種基于改進(jìn)遺傳算法的電力設(shè)備紅外圖像分割方法,雖然分割效率有明顯提升,但分割精度無(wú)法保證。余成波等[14]提出一種基于OTSU和區(qū)域生長(zhǎng)的電氣設(shè)備分割方法,但對(duì)于復(fù)雜的背景,如果不考慮空間信息,容易在灰度差較小的地方出現(xiàn)誤分割。徐鵬飛等[15]提出一種基于改進(jìn)PCNN算法的電力設(shè)備圖像分割方法,PCNN算法需要大量的紅外圖像進(jìn)行訓(xùn)練,分割精度與訓(xùn)練的圖像數(shù)量有關(guān)。馮振新等[16]提出一種改進(jìn)MSER算法的電力設(shè)備故障區(qū)域分割,但基于MSER的方法側(cè)重局部區(qū)域合并,如果對(duì)比度較低,可以將目標(biāo)像素合并到其領(lǐng)域背景中。

由此可見,基于閾值的分割方法在處理低噪聲、弱背景輻射的紅外圖像時(shí)具有操作簡(jiǎn)單、運(yùn)算速度快等優(yōu)點(diǎn),但難以處理強(qiáng)噪聲、弱對(duì)比度、非均勻背景的紅外圖像[17]?；谏窠?jīng)網(wǎng)絡(luò)的分割方法在前期需要訓(xùn)練大量的圖片,訓(xùn)練圖片的數(shù)量直接影響分割的精度,算法復(fù)雜程度大。因此,尋找一種不受對(duì)比度、背景和噪聲影響以及算法步驟簡(jiǎn)單的分割方法至關(guān)重要,在滿足以上條件的情況下,盡可能地保持圖像的完整性。

本文提出一種新的基于自適應(yīng)聚類的區(qū)域生長(zhǎng)法,提高了電力設(shè)備紅外圖像的分割質(zhì)量。具體而言,本文主要有以下三個(gè)貢獻(xiàn)點(diǎn):

(1) 在種子點(diǎn)選取中,利用自適應(yīng)聚類方法改進(jìn)了傳統(tǒng)手動(dòng)取點(diǎn)的不足,在自動(dòng)取點(diǎn)的同時(shí),有效地提高了分割效率。

(2) 在圖像分割中,對(duì)傳統(tǒng)生長(zhǎng)準(zhǔn)則進(jìn)行了改進(jìn),有效地提高了分割精度。

(3) 對(duì)分割后的圖像,利用形態(tài)學(xué)腐蝕算法去除小型電力設(shè)備的干擾,有效地提高了分割精度。

(4) 在不同噪聲強(qiáng)度的干擾下,與傳統(tǒng)分割方法相比,本文算法具有良好的魯棒性。

1 相關(guān)工作

1.1 K-means聚類算法

K-means聚類算法是一種通過(guò)標(biāo)準(zhǔn)測(cè)度函數(shù)判斷相似度作為基礎(chǔ),無(wú)須知道所搜尋目標(biāo)的無(wú)監(jiān)督學(xué)習(xí)[18]。設(shè)數(shù)據(jù)樣本集為X={x1,x2,…,xn},n為樣本數(shù),從數(shù)據(jù)樣本集中隨機(jī)選取K個(gè)點(diǎn)作為聚類中心,計(jì)算每個(gè)樣本數(shù)據(jù)到聚類中心的歐氏距離,并將每個(gè)樣本數(shù)據(jù)歸類到距離最近的聚類中心。然后計(jì)算每一類的樣本均值,將樣本均值的位置作為新的聚類中心,如此反復(fù)迭代直至標(biāo)準(zhǔn)測(cè)度函數(shù)最小。

其中樣本均值mi和標(biāo)準(zhǔn)測(cè)度函數(shù)J為:

(1)

(2)

式中:Si表示歸屬i類的樣本數(shù)據(jù)集合;mi表示Si的樣本均值。

整個(gè)K-means算法如算法1所示。

算法1K-means算法

1.初始樣本數(shù)據(jù)集X,k個(gè)聚類中心;

2.從樣本數(shù)據(jù)集X中隨機(jī)挑選k個(gè)數(shù)據(jù)作為初始聚類中心點(diǎn);

3.對(duì)每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分類,分到最近的聚類中心的一類中;

4.根據(jù)式(1)、式(2)計(jì)算J、mi,將mi的點(diǎn)作為新的聚類中心;

5.判斷J是否小于設(shè)定閾值;

6.若滿足,則得到最終聚類中心;

若不滿足,則重復(fù)步驟3。

1.2 區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)算法主要思想是合并區(qū)域內(nèi)具有相似值的像素。首先定位初始種子像素集,然后通過(guò)迭代合并相鄰像素,對(duì)不同區(qū)域進(jìn)行格式化,直到一幅圖像中的所有像素都在相應(yīng)的區(qū)域內(nèi)。該方法的分割是完整的。影響區(qū)域生長(zhǎng)算法的主要因素有初始點(diǎn)的位置和區(qū)域生長(zhǎng)準(zhǔn)則,本文會(huì)從這兩個(gè)方面進(jìn)行介紹。

令R表示整幅圖像,R1,R2,…,Rn為分割后的子區(qū)域,并需滿足以下條件。

(2)Ri是一個(gè)連通的區(qū)域,i=1,2,…,n。

(3)Ri∩Rj=?,對(duì)所有的i和j,i≠j。

(4)P(Ri)=TRUE,對(duì)于i=1,2,…,n。

(5)P(Ri∪Rj)=FALSE,對(duì)于i≠j。

2 基于自適應(yīng)聚類的區(qū)域生長(zhǎng)法

針對(duì)傳統(tǒng)區(qū)域生長(zhǎng)法手動(dòng)取點(diǎn)不精確,電力設(shè)備紅外圖像灰度不均勻、噪聲干擾嚴(yán)重的問題,提出一種新的自適應(yīng)聚類的區(qū)域生長(zhǎng)法。首先利用加權(quán)平均值法將紅外圖像轉(zhuǎn)化為灰度圖像,其次,提出一種自適應(yīng)聚類選種的方法,利用像素點(diǎn)的位置坐標(biāo)XY和對(duì)應(yīng)的灰度值Z建立三維坐標(biāo)系,選取坐標(biāo)系峰值的坐標(biāo)XY為一組感興趣的點(diǎn),利用K-means聚類算法將感興趣的點(diǎn)聚類成多個(gè)簇,將多個(gè)簇的中心點(diǎn)作為初始種子點(diǎn)。然后利用基于全局的灰度閾值和梯度閾值作為限定條件進(jìn)行區(qū)域生長(zhǎng)。最后,利用形態(tài)學(xué)腐蝕算法對(duì)電力線等小型設(shè)備的干擾進(jìn)行去噪和消除。該算法的框架如圖1所示。

圖1 算法框架

2.1 自適應(yīng)聚類選種

紅外圖像是彩色空間中的一種彩色圖像[19]。由于處理RGB圖像運(yùn)算量大,且灰度圖像中包含所需要的灰度信息,故先將紅外圖像轉(zhuǎn)化為灰度圖像。RGB圖像轉(zhuǎn)換為灰度圖像主要有平均值法、最大最小值法和加權(quán)平均值法。其中加權(quán)平均法是目前最流行的方法,故采用加權(quán)平均法將紅外圖像轉(zhuǎn)化為灰度圖像。

為了比較每個(gè)像素點(diǎn)的灰度值,并選取灰度值最大的點(diǎn)作為種子點(diǎn),本文提出建立以像素點(diǎn)的坐標(biāo)值XY和對(duì)應(yīng)的灰度值Z為坐標(biāo)軸的三維坐標(biāo)系。選取三維坐標(biāo)系峰值對(duì)應(yīng)的位置坐標(biāo)作為一組感興趣的點(diǎn),引入K-means算法聚類感興趣的點(diǎn),將聚類中心作為種子點(diǎn),實(shí)現(xiàn)種子點(diǎn)的自動(dòng)識(shí)別。對(duì)于K-Means算法,K值越高,所分的類越多,對(duì)于圖像后續(xù)識(shí)別分割過(guò)程越困難[20],故本文K取值為3。實(shí)驗(yàn)圖的聚類結(jié)果如圖2所示。

(a) 實(shí)驗(yàn)圖a的聚類結(jié)果 (b) 實(shí)驗(yàn)圖b的聚類結(jié)果

(c) 實(shí)驗(yàn)圖c的聚類結(jié)果 (d) 實(shí)驗(yàn)圖d的聚類結(jié)果

(e) 實(shí)驗(yàn)圖e的聚類結(jié)果圖2 聚類結(jié)果

2.2 區(qū)域生長(zhǎng)準(zhǔn)則

區(qū)域生長(zhǎng)階段根據(jù)生長(zhǎng)準(zhǔn)則判定像素點(diǎn)屬于目標(biāo)區(qū)域或背景區(qū)域。目前生長(zhǎng)準(zhǔn)則主要有三類,基于閾值的準(zhǔn)則、基于特征類型變化的準(zhǔn)則和二者混合的準(zhǔn)則。其中基于閾值的準(zhǔn)則中,最簡(jiǎn)單的方法是比較種子像素的灰度值與相鄰像素的灰度值之差是否小于全局閾值,若小于全局閾值,則相鄰像素屬于目標(biāo)區(qū)域。另外,研究學(xué)者提出一種局部閾值,然而這種方法需要調(diào)整閾值才能得到較好的結(jié)果。對(duì)于基于特征類型變化的準(zhǔn)則,它需要選擇種子區(qū)域,通過(guò)區(qū)域內(nèi)容和公共邊界來(lái)衡量區(qū)域間的相似性。這種方法的不足是需要預(yù)處理,預(yù)處理會(huì)嚴(yán)重影響實(shí)驗(yàn)結(jié)果。對(duì)于閾值和特征類型變化的準(zhǔn)則,需要用螢火蟲算法計(jì)算閾值并比較紋理特征,這是一個(gè)相當(dāng)復(fù)雜的方法,需要執(zhí)行很多步驟[4]。

為了提高計(jì)算效率,本文采用全局閾值,以像素灰度值和梯度值作為特征值。本文提出的生長(zhǎng)準(zhǔn)則有兩條:(1) 根據(jù)生長(zhǎng)點(diǎn)的灰度均值與已生長(zhǎng)區(qū)域平均灰度值的差小于灰度閾值確定生長(zhǎng)準(zhǔn)則;(2) 根據(jù)Sobel算子計(jì)算生長(zhǎng)點(diǎn)與待生長(zhǎng)點(diǎn)梯度小于梯度閾值確定生長(zhǎng)準(zhǔn)則。

(1) 灰度閾值。設(shè)生長(zhǎng)的區(qū)域?yàn)镽,其平均灰度為m?；叶乳撝禐門0。其中m的計(jì)算公式如下:

(3)

式中:m為平均灰度;f(x,y)為每個(gè)像素點(diǎn)的灰度值;n為已生長(zhǎng)區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)。

給出生長(zhǎng)點(diǎn)(x,y)的八鄰域模板如圖3所示。

圖3 種子點(diǎn)(x,y)的八鄰域模板

由圖3可得出生長(zhǎng)點(diǎn)(x,y)的灰度均值如下:

f(x+1,y-1)+f(x-1,y)+f(x,y)+

f(x+1,y)+f(x+1,y+1)+

f(x,y+1)+f(x+1,y+1)]

(4)

將生長(zhǎng)點(diǎn)的灰度均值與已生長(zhǎng)區(qū)域的平均灰度值作差,若式(5)成立,則滿足生長(zhǎng)條件。若式(5)不成立,則不滿足生長(zhǎng)條件。

|f(x,y)-m|≤T0

(5)

式中:T0為經(jīng)驗(yàn)閾值;每完成一次生長(zhǎng)m需重新計(jì)算。

(2) 梯度閾值。圖像的梯度即圖像灰度變化的變化率。電力設(shè)備的紅外圖像具有一定的噪聲點(diǎn),Sobel算子對(duì)圖像具有很好的平滑作用[21]。并且Sobel算子計(jì)算簡(jiǎn)便、快速,因此,本文選用Sobel算子計(jì)算梯度。

對(duì)于連續(xù)圖像g(x,y),在點(diǎn)(x,y)處的梯度為:

(6)

梯度的幅值定義為:

(7)

梯度的方向定義為:

(8)

由于數(shù)字圖像是離散的數(shù)字信號(hào),故用差分運(yùn)算替代微分運(yùn)算。根據(jù)表1所示的八鄰域模板和Sobel算子計(jì)算像素點(diǎn)的梯度。

像素點(diǎn)(x,y)的X方向的梯度為:

Gx(x,y)=g(x-1,y+1)+2g(x,y+1)+

g(x+1,y+1)-g(x-1,y-1)-

2g(x,y-1)-g(x+1,y-1)

(9)

像素點(diǎn)(x,y)的Y方向的梯度為:

Gy(x,y)=g(x-1,y-1)+2g(x-1,y)+

g(x-1,y+1)-g(x+1,y-1)-

2g(x+1,y)-g(x+1,y-1)

(10)

梯度的幅值:

(11)

設(shè)當(dāng)前種子點(diǎn)的梯度幅值為GS(x,y),待生長(zhǎng)點(diǎn)的梯度幅值為GN(x,y)。

將種子點(diǎn)的梯度幅值與待生長(zhǎng)點(diǎn)的梯度幅值作差,若式(12)成立,則滿足生長(zhǎng)條件。若式(12)不成立,則不滿足生長(zhǎng)條件。

|GS(x,y)-GN(x,y)|≤T

(12)

式中:T為梯度閾值。

因此,本文的生長(zhǎng)準(zhǔn)則為:

(13)

生長(zhǎng)準(zhǔn)則流程如圖4所示。

圖4 區(qū)域生長(zhǎng)準(zhǔn)則流程

2.3 腐蝕去噪

形態(tài)學(xué)具有完備的數(shù)學(xué)理論基礎(chǔ),實(shí)質(zhì)是通過(guò)結(jié)構(gòu)元素與圖像相互作用去噪,并且提取邊緣光滑、抗噪性好、易用于圖像并行處理的實(shí)現(xiàn)[22]。通過(guò)腐蝕運(yùn)算去除圖像中電力線等小型設(shè)備的干擾,并增強(qiáng)圖像的整體性。

B對(duì)A腐蝕,記作:AΘB。

腐蝕定義如下:

AΘB={x:Bx?A}

(14)

式中:A表示待腐蝕圖像;B表示結(jié)構(gòu)元素。經(jīng)過(guò)反復(fù)多次實(shí)驗(yàn),本文取B為邊長(zhǎng)3個(gè)像素點(diǎn)的正方形。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的有效性,選取三組正在運(yùn)行中不同電力設(shè)備的紅外圖像,該圖像具有變電站圖像常見的圖像問題,即對(duì)比度不高、背景不均勻、噪聲干擾。部分圖像邊緣亮度高于中間部分亮度。

3.1 圖像分割實(shí)驗(yàn)

本次實(shí)驗(yàn)在平臺(tái)MATLAB2014b完成,根據(jù)圖1所示的結(jié)構(gòu)框圖編寫代碼。采用本文方法與其他3種傳統(tǒng)分割方法做對(duì)比實(shí)驗(yàn),分割結(jié)果如圖5-圖10所示。其中圖像大小均為640×480。

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖5 實(shí)驗(yàn)紅外圖像

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖6 實(shí)驗(yàn)灰度圖像

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖7 傳統(tǒng)區(qū)域生長(zhǎng)法分割結(jié)果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖8 K-means聚類算法分割結(jié)果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖9 OTSU算法分割結(jié)果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖10 本文算法分割結(jié)果

可以看出,采用傳統(tǒng)區(qū)域生長(zhǎng)法、K-means算法和OTSU算法均產(chǎn)生明顯的欠分割現(xiàn)象,在一定程度上導(dǎo)致了圖像信息的丟失。OTSU算法還出現(xiàn)分割不連續(xù)的問題。

本文采用真陽(yáng)率(TPR)、假陽(yáng)率(FPR)和準(zhǔn)確率(ACC)作為評(píng)價(jià)指標(biāo)對(duì)比各算法的分割效果。TPR值越大,FPR值越小,ACC值越大表明分割效果越好,反之分割效果越差。從表1可以看出,本文算法的FPR值不算最小,ACC值不算最大,但與其他算法FPR值、ACC值相比差值不大,這是由于其他算法分割區(qū)域不完整導(dǎo)致的,且本文算法的TPR值最大,表明算法正確分割的區(qū)域很大,整體分割效果較好。K-means算法、OTSU算法雖然FPR值很小,但同時(shí)TPR值較低,分割得到的區(qū)域與真實(shí)區(qū)域相似度不高,分割效果較差。傳統(tǒng)區(qū)域生長(zhǎng)法TPR值和FPR值都很低,區(qū)域分割不完整。故從整體上看,本文算法分割的區(qū)域完整性最好、準(zhǔn)確率最高。

表1 不同算法定量結(jié)果對(duì)比分析

續(xù)表1

3.2 魯棒性實(shí)驗(yàn)

為了驗(yàn)證本文方法的魯棒性,對(duì)實(shí)驗(yàn)圖(b)的紅外圖像添加噪聲密度分別為0.015、0.015、0.030、0.045、0.060、0.075的椒鹽噪聲,采用ACC作為比較指標(biāo),比較本文方法與其他3種傳統(tǒng)分割方法的性能。根據(jù)實(shí)驗(yàn)結(jié)果畫出如圖11所示的折線圖?？梢钥闯鲭S著噪聲密度規(guī)律性的增加,ACC值變化的幅度是不一樣的。本文方法和傳統(tǒng)區(qū)域生長(zhǎng)法的ACC值較穩(wěn)定,但本文方法ACC值更高一點(diǎn),可以維持在0.97左右,明顯優(yōu)于其他三種算法。K-means算法和OTSU算法的ACC值波動(dòng)較大。因此,綜合實(shí)驗(yàn)結(jié)果和分析得出結(jié)論:本文方法魯棒性好、抗噪能力強(qiáng)。

圖11 電力設(shè)備紅外圖像抗噪能力測(cè)試

4 結(jié) 語(yǔ)

目前,無(wú)人巡檢值守的變電站越來(lái)越多,對(duì)自動(dòng)識(shí)別故障的要求越來(lái)越高。因此,提高圖像的分割精度是有必要的。為了獲得準(zhǔn)確的故障區(qū)域,提出自適應(yīng)聚類的區(qū)域生長(zhǎng)法。主要是種子點(diǎn)的自動(dòng)識(shí)別和生長(zhǎng)準(zhǔn)則的提出。利用TPR、FPR和ACC對(duì)分割結(jié)果進(jìn)行定量分析,并比較含有不同噪聲的紅外圖像分割性能。實(shí)驗(yàn)結(jié)果表明,本文算法能夠有效地抑制噪聲干擾,并獲得很好的分割結(jié)果。