基于改进分水岭算法的球团矿图像分割

秦长泽，刘 琼

(武汉科技大学信息科学与工程学院，湖北 武汉，430081)

基于改进分水岭算法的球团矿图像分割

秦长泽，刘 琼

(武汉科技大学信息科学与工程学院，湖北 武汉，430081)

针对传统图像分割算法不能对球团矿图像中粘连球团进行准确有效分割的问题，提出一种改进的分水岭分割算法。该算法将标记和分水岭算法结合起来，利用标记带来的先验知识限定图像分割区域的数目，并对分水岭算法的梯度图像进行修改，从而能够对球团边缘准确分割，同时避免产生过分割现象。实验结果表明，改进分水岭算法对图像中粘连球团的边缘有良好的分割效果。

图像分割；分水岭算法；球团矿；标记；梯度图像

检测球团矿粒度的传统方法主要是取样筛分法，该方法有很大的局限性，例如不能实时检测球团粒度、检测结果不能在线反馈、效率较低，因此不利于球团烧结的自动化生产。而通过计算机图像处理技术对球团粒度进行实时在线检测具有效率高、操作方便等优点，有较高的应用价值。烧结球团粒度在线检测系统主要包括以下几部分：球团图像采集、图像处理、球团粒度测量计算以及粒度检测结果输出显示和反馈等，其中图像处理的最关键步骤是球团边缘分割，其分割效果直接影响到球团粒度检测结果的准确性，因此必须选择合适的边缘检测算法。

传统的图像分割算法是利用相邻区域像素点灰度值的变化计算一阶或二阶导数来检测边缘点[1]，主要有Roberts算法、Sobel算法、Prewitt算法和Log算法等。其中，Roberts算子利用局部差分寻找边缘，边缘定位精度较高，但是容易出现边缘丢失的情况，而且其抑制噪声能力较差；Prewitt算子和Sobel算子都能抑制噪声的干扰，但是定位的边缘容易产生多像素宽度，出现虚假边缘；Log算子的抗噪声能力强，但不能检测尖锐边缘[2]。

烧结球团图像比较特殊，图像中表层的球团粘连在一起，非表层的球团被表层的球团部分遮挡，不能完全显现出来，且由于球团表面不光滑，图像采集过程中会产生不同的噪声干扰，使得球团图像中出现白色小圆圈[3-5]。球团图像的特殊性决定了传统的边缘检测算法不能对其进行有效分割，生成的图像会出现边缘丢失、定位不准确等现象，造成后续工作中不能准确测量球团粒度。分水岭算法是一种基于形态学的图像分割算法[6]，其检测和定位图像边缘的能力强，特别适用于分割粘连的目标，但该算法易受图像中的噪声干扰而产生过分割现象，因此，本文拟采用改进的分水岭算法对球团图像进行处理，以期获得理想的分割效果。

1 分水岭算法

1.1 基本原理

分水岭算法的分割原理如图1所示。分水岭算法将图像看作一幅由高山、峡谷、盆地等构成的地形图，图像的灰度值看作地形的海拔高度，图像的分水岭就可以转换成地形图中为了防止两个盆地的水汇聚在一起而建造的大坝，大坝的位置常常借助于浸水法[7]确定，过程如下：先找到图像中每个区域的灰度极小值点，假设该处有一个小孔，水通过小孔均匀上升，进入聚水盆地形成水库，并从低到高淹没整个水库，为了阻止不同区域的水聚集在一起，在区域之间修建大坝，这些大坝就是分水岭算法的分割线。分水岭分割算法利用梯度幅值作为分割函数，即首先对每个像素点的灰度级进行排序，然后按照由低到高的顺序进行处理。每一个局部极小值对应一个区域，因此梯度图像有多少个极小值，原图像就会分割成多少个区域。

1.2 缺点与改进

分水岭算法主要依据梯度图像进行边缘分割，图像中的噪声会对图像梯度造成干扰，导致产生过分割现象，即图像被分割成大量细小区域，造成边缘定位不准确，分割效果不理想。因此要对分水岭算法进行改进，目的是将无关的细节对图像的影响降到最低。常用的改进方法有两种：一种是分割前处理，将分水岭算法与其他方法结合起来使用；另一种是分割后处理，主要是针对分割后图像的特点，采取区域合并的方法消除大量细小区域。本文采用第一种方法，将标记和分水岭算法结合起来使用，利用标记带来的先验知识限定分割区域的数目[8]。一个标记是属于一幅图像的连通分量，分为内部标记和外部标记，与目标相联系的称为内部标记，与背景相联系的称为外部标记，内部标记点形成的集合称为前景，外部标记点形成的集合称为背景[8-9]。标记时先对图像进行预处理，然后再定义一个所有标记必须满足的准则集合。本文将内部标记定义为一个具有相同灰度值的连通区域，限制内部标记只能是允许的局部极小值。改进的分水岭算法流程如图2所示。

图2 改进分水岭算法流程

Fig.2 Flow chart of the improved watershed algorithm

(1)图像预处理。采集的球团图像包含许多噪声，先进行预处理能够消除噪声的干扰，突出背景和目标，为下一步边缘分割做准备。具体操作是对图像采取中值滤波和锐化处理。中值滤波是对图像中每个像素的邻域内各像素的灰度值按大小顺序进行排序，把位于中间的灰度值看作该像素的灰度值。中值滤波对减小椒盐噪声具有明显效果。由于球团图像没有背景信息，边缘不够清晰，在中值滤波处理后要进行锐化处理，可以通过增强高频分量来减少图像的模糊程度，突出图像的细节边缘和轮廓。本文对球团图像采用7×7中值滤波，再采用Prewitt算子进行锐化处理。

(2)计算分割函数。将球团图像的梯度幅值作为分割函数，图像梯度对应一阶算子，可以用来寻找边缘的强度和方向。图像f(x,y)在(x,y)处的梯度定义为

(1)

式中：gx、gy分别为水平、垂直梯度。梯度向量幅值M(x,y)定义为

(2)

M(x,y)实际上代表图像f(x,y)的梯度图像[9]。本文采用常用的Sobel算子计算图像的一阶导数，以获得球团图像的梯度图像，Sobel算子在抑制噪声方面有很好的效果。

(3)标记和形态学重建。分别对前景和背景进行标记[10-12]，使局部极小区域出现在标记的位置上，同时删除其余局部极小区域。标记后对球团图像进行形态学开、闭重建，用以突出图像中与掩模图像指定对象一致的部分，忽略图像中的其他对象。形态学重建主要是利用掩模图像对标记图像进行重复膨胀，每一次膨胀从标记图像的峰值开始直到图像的灰度值不再发生变化。开重建操作的过程是：先腐蚀原图像的灰度图像，得到的腐蚀图像作为标记图像，将原来的灰度图像作为掩模图像，进行开重建运算就得到重建后的图像。闭重建操作的过程基于开重建操作，具体过程是使用小圆形结构元素对开重建的图像膨胀处理，获得的图像求补后作为标记图像[12]，将原来开重建后的图像求补后作为掩模对象，进行形态学闭重建操作，得到的图像求补后就是闭重建图像。开、闭重建操作能够消除图像中的噪声和细小空洞或突出，同时保证图像整体不失真。

(4)修改分割函数。常用方法是对梯度图像进行阈值处理，消除灰度微小变化产生的过度分割。本文采用一种使类间方差最大化的自动求取阈值方法，即Otsu法[2]，它能够完全在图像的梯度直方图上执行计算，有助于降低算法的复杂度。其基本思路是根据初始阈值将图像分为两类，然后计算两类之间的方差，并更新阈值，重新计算类间方差，当类间方差最大时获得的阈值就是所求的最佳阈值。具体方法如下。

(3)

C0和C1的灰度均值分别为

(4)

类间方差可以定义为

ϖ0ϖ1(u0-u1)2

(5)

(5)对图像进行分水岭分割。

2 球团图像分割实验

选择3幅不同的烧结球团图像，在Matlab软件平台中分别采用分水岭算法和改进分水岭算法对它们进行分割处理，结果如图3所示。

(a)球团图像1 (b)分水岭算法分割效果 (c)改进分水岭算法分割效果

(d)球团图像2 (e)分水岭算法分割效果 (f) 改进分水岭算法分割效果

(g)球团图像3 (h)分水岭算法分割效果 (i) 改进分水岭算法分割效果

图3 球团图像与分割效果对比

Fig.3 Pellet images and comparison of segmentation effects

从图3(a)、图3(d)、图3(g)中可以看出，由于缺乏背景信息导致采集的图像中部分球团边缘不清晰；由于脉冲噪声的干扰，球团表面上出现了一些白色小圆圈。从图3(b)、图3(e)、图3(h) 中可以看出，直接采用分水岭算法的分割效果不理想，分割后的图像中有大量细小的区域，即出现过分割现象。从图3(c)、图3(f)、图3(i) 中可以看出，分割后的图像中球团边缘比较清晰，没有出现虚假边缘和边缘丢失的情况，也没有出现过分割现象，分割效果比较理想。

3 结语

球团矿图像边缘分割的目的是使每个球团清晰显现出来，以利于下一步的球团粒度测量。采用传统分割算法容易出现球团边缘丢失、边缘定位不准确等问题，而分水岭算法对分割粘连在一起的目标具有很大的优势，但是易受噪声干扰产生过分割现象。本文主要将标记与分水岭算法相结合，先对图像进行预处理以最大限度消除噪声，然后标记图像，修改分割算法的分割函数，最后利用改进后的分水岭算法分割球团图像。实验表明，采用改进分水岭算法的球团分割效果比较理想，球团边缘比较清晰。后续研究可以尝试利用小波变换与分水岭分割相结合对算法进行改进。

[1] 张学成,杨敏华,张英杰，等.灰度矩边缘精确定位法的测量应用探究[J].计算机测量与控制，2006,14(11):1446-1449.

[2] Gonzalez R C，Woods R E.数字图像处理(第三版)[M]. 阮秋琦，阮宇智，译.北京：电子工业出版社,2011:407-410.

[3] 高国伟,谢元旦，汪琦，等.基于小波变换的堆积小球图像边缘检测[J].计算机应用研究，2006,23(7):254-255.

[4] 夏召红,谢元旦，马英海，等.基于小波变换的球团矿粒度检测[J].科技信息,2007(35):101-102.

[5] 温春友,邵志勇.基于数字图像处理的球团矿粒度检测[J].烧结球团，2004,29(2):38-40.

[6] 周品.MATLAB图像处理与用户界面设计[M].北京:清华大学出版社,2013:313-351.

[7] 王国权,周小红,蔚立磊.基于分水岭算法的图像分割方法研究[J].计算机仿真,2009,26 (5):255-258.

[8] 丁伟杰,范影乐,庞全.一种改进的基于分水岭算法的粘连分割研究[J].计算机工程与应用,2007,43 (10):70-72.

[9] 章毓晋.图像工程：图像分析[M].北京：清华大学出版社,2009:70-77.

[10]吴定允,张利红.改进分水岭算法在医学图像分割中的应用[J].电视技术,2011,35(5)：106-108.

[11]Vincent L,Soille P.Watersheds in digital spaces: an efficient algorithm based on immersion simulations[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(6):583-598.

[12]崔屺.图像处理与分析[M].北京:科学出版社,2002：75-78.

[13]Castelman K R.Digital image processing[M].New Jersey: Prentice Hall,1996:475-477.

[责任编辑 尚 晶]

Image segmentation of pellets based on improved watershed algorithm

QinChangze，LiuQiong

(College of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan 430081，China)

An improved watershed segmentation algorithm is proposed to solve the problem that cannot be solved by traditional image segmentation algorithms to segment the adhesive pellets in pellet images effectively and accurately. It combines markers with watershed algorithm, takes advantage of the prior knowledge from markers to limit the number of image segmentation regions, and modifies the gradient image in order to correctly segment the pellet edges and avoid the over-segmenting phenomenon in the meantime.Experimental results show that the improved watershed algorithm has better segmentation effect.

image segmentation;watershed algorithm; pellet; marker; gradient image

2014-09-22

武汉科技大学大学生科技创新基金研究项目(13ZRC123).

秦长泽(1990-),男,武汉科技大学硕士生.E-mail:810933427@qq.com

刘 琼(1969-),女,武汉科技大学副教授.E-mail:597813529@qq.com

TP391.41

A

1674-3644(2015)02-0134-04