基于Meanshift的彩色示温漆图像分割算法

胡昊 吴壮志

【摘要】示温漆图像分割是示温漆温度自动识别的关键步骤，本文提出了一种基于Meanshift的示温漆图像分割算法。首先利用像素点的五维信息在LUV色彩空间下完成粗分割;然后针对碎片问题应用区域合并的方法消除碎片并完成细分割。实验结果表明，该方法分割的结果分界线明显，分割效果较好。

【关键词】示温漆;色彩量化;Meanshift;区域合并

1.引言

示温漆测温技术特点明显：测试范围宽，不受结构的限制，能够比较直观地反映所测部件的温度，并提供温度场的信息，近年来在航空发动机的温度测试中应用广泛。利用计算机彩色图像处理技术设计示温漆温度识别系统，能够解决依靠人眼来判断的落后检测，可以大大的提高测量精度，提高工作效率，解决航空发动机温度测量中存在的诸多问题。示温漆温度识别系统主要分为三个步骤：（1）图像预处理：去除图像中的噪声;（2）图像分割：根据颜色信息分割示温漆图像，提取出不同颜色的区域;（3）温度映射：根据示温漆温度值与颜色值的对应数据，识别出各个区域的温度。图像分割的效果直接影响到温度识别的精确度，因此示温漆彩色图像分割问题是示温漆温度自动识别的关键步骤。示温漆图像特点明显：纹理简单，颜色呈块状分布，温度相近区域之间颜色相近、边界颜色渐变，温度相差较远区域之间颜色相差较大、边界明显。目前常用的分割方法主要有：基于區域的分割方法、基于阈值的分割方法、基于边缘的分割方法、基于聚类的分割方法等。本文根据示温漆图像的特征，选取基于Meanshift聚类的算法对图像进行分割，取得了比较好的分割效果。

2.Meanshift原理

Meanshift是一种迭代统计算法，常用于目标跟踪和图像分割领域。最先由Fukunaga和Hostetler在1975年提出。1995年，cheng改进了Meanshift算法中的核函数和权重函数，扩大了Meanshift算法的适用范围。Comaniciu等首次将meanshift算法应用到图像空间中，两个像素点颜色越接近，概率密度越高，聚类中心最终会收敛到概率密度最高的点，该点的颜色即为量化后的颜色。王美玲应用Meanshift算法进行示温漆图像分割，采用图像的LUV空间，通过将彩色图像亮度值L作为Meanshift的密度函数来寻找像素点L值的密度极大值中心。

给定Rd中的样本点集，设初始的估算向量为x（可以选取空间中任选一点），为给定的核函数，在重新估算均值时用来决定邻近点的权重，通常可以选用高斯核函数。由K决定的均值为：

（1）

其中：

N（x）为x的，对N（x）中的点;h表示核宽度。

Meanshift的迭代过程如下：计算m（x）并将其赋给x，重复估算m（x）直到m（x）收敛。

3.Meanshift彩色图像分割算法

设为彩色图像的一个像素点，其中为二维的位置向量，为三维的颜色向量。根据文献[3]，图像点x的概率密度函数定义为位置概率密度函数和颜色概率密度函数的积：

（2）

其中：

核函数：

表示空间位置的信息，离原点距离越近，其值越大;核函数：

表示颜色的信息，颜色越相似，其值越大。C是一个归一化参数，hp和hc是核宽度，分别表示空间距离阈值参数和像素值阈值参数。

传统的RGB色彩空间是根据人眼识别的颜色来定义的，将色调、亮度、饱和度混在一起。本文采用与视觉统一的LUV色彩空间，其中L表示亮度，U、V表示色度。文献[4]在用Meanshift算法进行示温漆图像分割时，只考虑了像素的亮度值L，而没有考虑色度U、V，而且也没有考虑像素值的空间信息。本文在算法实现过程中，充分利用像素点所包含的空间信息和颜色信息，将每个像素点x看成一个五维的列向量：

（3）

其中（x，y）表示空间信息，表示颜色信息。其主要思路如下：分割算法分为粗分割和细分割两步。首先利用Meanshift迭代过程计算每个像素点的概率密度极值点，同一类的点会收敛到相同的极值点，即类中心点。用类中心点的颜色代替类中各点的颜色，完成粗分割;粗分割完成后，由于极值点过多，容易产生过分割，产生一些较小的区域，因此要合并一些类，完成区域合并操作。通过设置类大小参数M，将小于M的类合并到周围色彩差最小的类中，色彩差定义如下：

（4）

Meanshift分割算法具体步骤如下：

（1）将图像有RGB色彩空间转换到LUV色彩空间;

（2）选取合适的和对图像各像素点进行Meanshift运算;

（3）标记图像中的各类中心以及图像中各点所属的类中心;

（4）各点颜色值替换为所属类中心的颜色值，完成粗分割;

（5）将小区域合并到周围色彩最相似的大区域中，完成细分割。

4.实验的结果与分析

Meanshift图像分割过程中，hp、hc、M是三个很重要的参数，参数的大小直接影响了分割的效果。实验中将M设定为图像大小的1%，即小于1%的区域需要合并到周围的大区域中。图1给出了示温漆图像1、2、3在不同参数下的分割结果。从图1可以看到，hp和hc两个参数的设定对分割的效果起到了关键的作用。当hp和hc较小时，分割后的区域数目较多;当hp和hc较大时，分割后区域数目较少，存在颜色丢失的情况。hp和hc的大小直接影响了分割的精度。另外从表2还可以发现，参数的大小与运行时间成正比例关系。表1给出了图像2在不同参数下的运行时间，参数值越大，Meanshift运算时包含的像素点越多，算法运行时间越长。

图1 示温漆图像1、2、3在不同参数下的分割结果

表1 示温漆图像1不同参数下的运算时间

参数 =3 =3 =5 =5 =7 =3 =7 =7 =9 =9

运行时间（秒） 0.175483 0.260182 0.343971 0.361097 0.484425

实验对K-means算法和Meanshift算法在示温漆图像上的分割效果进行了对比，如图2所示。从图2中可以看到，第2和第5幅图中，Kmeans算法存在明显的色彩丢失情况;第1幅图中，Kmeans算法分割后，中间出现暗红色区域;第3幅图中，Meanshift算法对右半部分图的分割更为精确;第4幅图中，Meanshift算法右半部分存在色彩丢失的情况，主要是因为右半部分存在着颜色渐变的区域，颜色非常接近。但总的来说，Meanshift算法的整体分割效果更好。

图2 Kmeans与Meanshift分割对比

5.结束语

示温漆图像分割是示温漆温度识别的关键步骤，本文提出了一种基于Meanshift的彩色示温漆图像分割算法。算法首先通过Meanshift聚类对图像进行粗分割，然后再利用区域合并消除图像中存在的碎片问题，实验结果验证了算法的有效性。通过与Kmeans算法比较表明，本文算法整体分割效果更好。本文对于Meanshift算法参数的选择问题上仍存在改进的空间，以便进一步提高量化分割的精确度。

参考文献

[1]李扬，李志敏.航空发动机涡轮叶片温度测量技术现状与发展[C].航空发动机设计、制造与应用技术研讨会论文集，2013.

[2]卢志茂.基于聚类分析的图像分割算法研究[D].黑龙江：哈尔滨工程大学，2012.

[3]Zhang L，Zhang D，Wu C.Scale and orientation adaptive mean shift tracking[C].Computer Vision，2012：52-61.

[4]Khan Z H.Robust Visual Object Tracking Using Multi-Mode Anisotropic Mean Shift and Particle Filters[J].IEEE Transactions on Circuits and Systems for Video Technology，2011.

[5]Fukanaga K，Hostetler L D.The estimation of the gradient of a density function with applications in pattern recognition[J].IEEE Trans Information Theory，1975，21（1）.

[6]Cheng Y Z.Mean shift，mode seeking，and clustering[J].IEEE Trans on Pattern Analysis and Machine Intelligence，1995，17（8）：790-799.

[7]D.Comaniciu，P.Meer.Robust analysis of feature spaces：color image segment[C].Proc.CVPR，1997.750-755.

[8]D.Comaniciu，Visvanathan Ramesh，Peter Meer.Realtime tracking of non-rigid objects using mean shift[C].Proc.CVPR，2000，2：2142-2149.

[9]王美玲.基于彩色圖像处理的示温漆温度识别系统[D].江苏：南京航空航天大学，2009.