挖掘机器人铲斗目标图像的改进分水岭分割

王福斌，张 磊，王静波

（1.河北联合大学 电气工程学院，河北 唐山 063009；2.河北联合大学 现代技术教育中心电教中心，河北 唐山 063009）

为实现挖掘机器人的自动挖掘，采用视觉伺服控制的方法对挖掘机铲斗末端运动轨迹进行规划控制.由于挖掘作业现场环境的复杂性，尤其是背景图像的复杂及光照条件的不理想，使得对铲斗目标图像的分割和识别有较大的困难.一般的基于阈值的图像分割方法很难准确地将铲斗目标分割出来，从而影响了后续的铲斗特征提取及识别工作，为此本文将分水岭图像分割方法引入到铲斗目标分割中.

考虑到一般的分水岭分割方法容易造成图像的过分割或欠分割现象，为此提出了改进的分水岭图像分割方法进行铲斗目标的分割，首先采用模糊C-均值（C为预定的类别数目）聚类分割方法对原始图像进行初步分割，然后采用标记提取的分水岭分割方法完成对铲斗目标图像的分割［1］.

1 图像分割的模糊C－均值聚类算法

设给定图像数据集为X＝｛x1，x2，…，xk，…，xn｝∈R，其中xk为图像中各像素的灰度值.将图像X划分为c类，根据图像中像素及c个聚类中心的每一个中心的加权隶属度，对预定的目标函数进行迭代优化运算［2］.

设V＝｛v1，v2，…，vc｝为数据集的c个聚类中心，dik＝‖xk－vi‖为数据集中的某个元素xk与聚类中心vi间的距离.将元素与类进行模糊划分时，按照一定的隶属度将某个元素划分到某一类，第k个像素对第i类的隶属度可表示为uik，模糊隶属度矩阵U＝｛uik｝则用来表示分类结果.通过最小化隶属度矩阵U和聚类中心矩阵V组成的目标函数Jm（U，V），即可实现模糊C－均值聚类：

式中：Jm（U，V）为目标函数；（xk，vi）为第k个像素到第i类中心的距离；m≥1为模糊权重指数，m的经验取值为［1.5，2.5］，一般取m＝2.

模糊C均值聚类的实现过程就是通过迭代调整（U，V），使得目标函数为最小，具体计算步骤为：

（1）参数初始化.对于n个数据集的c个类（2≤c≤n），初始化迭代停止阈值ε＞0，迭代计数器b＝0及聚类中心V（0）.

（2）计算隶属度矩阵.对于∀i，k，如果存在＞0，则有

2 分水岭图像分割

分水岭变换起始于对图像的地形学理解，图像灰度值被解释为地标高度，可用于对图像进行灰度分割.分水岭分割方法有基于距离变换的分水岭分割、基于梯度的分水岭分割、控制标记符的分水岭分割等.

分水岭分割方法的思想是基于数学形态学理论，其变换过程也有若干种定义.VINCENT L提出的计算方法被认为是经典的计算过程，其主要步骤分为排序及淹没过程.排序主要是对每个像素的灰度级按增序排列，而淹没过程则从低到高渐次进行.经过分水岭变换后，淹没的区域之间的分界点以分水岭脊线形式出现，也代表输入图像的极大值点集.因此，分水岭变换时以原始图像的梯度图像作为输入图像.

图像f（x，y）在点（x，y）处的梯度可表示为对于数字图像，用差分代替导数后，得梯度近似表达式为

分水岭变换对噪声敏感，因此容易导致过分分割问题.为解决过分分割问题，目前提出了许多有效的办法，常用的有门限分水岭分割方法、基于区域合并的方法等.比较简单有效的方法可采用直接对梯度函数进行修改，对输入的梯度图像进行阈值处理，降低对微弱图像边缘的敏感性，即

式中：g（x，y）为输入的梯度图像；t为阈值.

在采用分水岭方法对梯度图进行分割前，为了防止过分分割，先将目标点标记出来.在局部区域中，若区域面积大于设定的阈值，即作为标记.以标记点为区域极小值进行分水岭分割［5－6］.

3 分割仿真实验

图1为铲斗目标分水岭分割结果图像.分水岭方法可以将铲斗从复杂的背景环境中提取出来，图2为障碍物分水岭分割结果图像.通过分水岭方法可以将障碍物从复杂的光照背景中提取出来.

4 结语

针对挖掘机器人铲斗目标及障碍物目标分割的复杂性，本文采用模糊C－均值聚类分割方法，先对图像进行初次分割，在初步分割后的图像基础上得到梯度图像，最后进行分水岭分割.仿真实验表明，该分割效果优于传统的分水岭分割方法.

图1 铲斗目标分水岭分割结果Fig.1 Watershed segmentationresult of bucket

图2 障碍物分水岭分割结果Fig.2 Watershed segmentation result of barrier

［1］冷美萍，鲍苏苏，孟祥玺，等.一种改进的分水岭分割算法［J］.贵州师范大学学报：自然科学版，2010，28（1）：62－65.LENG Meiping，BAO Susu，MENG Xiangxi，et al.A method of improved watershed segmentation algorithm［J］.Journal of Guizhou Normal University：Natural Sciences，2010，28（1）：62－65.

［2］李云松，李明.基于灰度空间特征的模糊C－均值聚类图像分割［J］.计算机工程与设计，2007，28（6）：1358－1361.LI Yunsong，LI Ming.FuzzyC－means clustering based on gray and spatial feature for image segmentation［J］.Computer Engineering and Design，2007，28（6）：1358－1361.

［3］WUEST B，ZHANG Y.Region based segmentation of Quick bird multi spectral imagery band ration and fuzzy comparison［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009（64）：55－64.

［4］KANG J Y，MIN L，LUAN Q X，et al.Novel modified fuzzyC－means algorithm with applications ［J］.Digital Signal Processing，2009，19（2）：309－319.

［5］曾荣周，伏云昌，童耀南.一种改进的分水岭分割的研究［J］.光电子技术，2007，27（1）：23－26.ZENG Rongzhou，FU Yunchang，TONG Yaonan.A method of improved watershed segmentation algorithm［J］.Optoelectronic Technology，2007，27（1）：23－26.

［6］朱俊良，王茂芝，郭科.基于形态预处理和标记提取的分水岭分割算法［J］.信息技术，2010，9：17－20.ZHU Junliang，WANG Maozhi，GUO Ke.Watershed segmentation method based on morphological preprocessing and marker extraction［J］.Information Technology，2010，9：17－20.