一种基于PSO与OSTU的改进絮体分割算法

谢 昕， 王建宾， 胡锋平

(1.华东交通大学 信息工程学院，江西 南昌 330013;2.华东交通大学 土木建筑学院，江西 南昌 330013)

一种基于PSO与OSTU的改进絮体分割算法

谢 昕1， 王建宾1， 胡锋平2

(1.华东交通大学 信息工程学院，江西 南昌 330013;2.华东交通大学 土木建筑学院，江西 南昌 330013)

介绍了图像分割中常用的直方图法、迭代法、经典大津法的阈值选取原理，然后对水处理混凝过程中的絮体图像进行分割对比实验，结合絮体运动特点和水处理实时性的要求，提出了一种基于粒子群优化(PSO)与OSTU的絮体图像分割的改进算法，即先通过灰度拉伸以增强图像灰度对比，再利用PSO算法的全局搜索能力来改善OSTU方法的阈值选取时间，求出分割阈值。实验表明：该算法能实现絮体图像的准确、快速分割，达到实时计算絮体等效粒径和数量的要求。

粒子群优化； 算法; 絮体； 图像分割； 增强OSTU

0 引 言

饮用水处理工艺一般包括混凝、沉淀、过滤、消毒等几个阶段。混凝就是采用混凝剂使水中的胶体颗粒和细小的悬浮物相互凝聚，形成沉淀性能良好的絮体(矾花)，使之在后续的工艺中能够有效地从水中分离[1]。

近年来，国内外研究者将各种检测技术应用于混凝过程的检测中。流动电流检测(streaming current detector，SCD)技术[2]是在原水中投加混凝剂，经过混合后在其末端检测水中的流动电流值，找出沉淀后出水浊度值的关系。由于SCD仪表灵敏度较低，变化范围较小，受原水中某些有机物影响较大，限制了使用场合。1984年,英国Gregory J和Nelson D W[3]研制出一种通过检测透光率脉动检测值R即可以反映出混凝过程的效果的技术,但在常规浊度的水处理中效果不甚理想。显示絮凝控制方法(flocculation control device，FCD)[4]是一种基于图像处理的高效、准确的检测技术，它以絮体的等效粒径为主要参量，有效避免了物理化学因素的影响。但是FCD时间复杂度高，在絮体识别的过程中，花费了大量的时间。而图像分割是絮体识别的关键一步，如何提高絮体图像分割的精度与速度是目前需要解决的一个关键问题。

研究者相继提出了多种絮体图像分割算法。宋晓峰[5]采用了基于方差最大比的阈值确定方法，能最大限度地将图像分为物体和背景，但这种方法很难确定分割类数，需要人为确定，缺乏灵活性。陈峰等人[6]采用迭代阈值法对絮体图像进行分割，此算法计算复杂度小，计算速度快，但所计算的絮体图像的阈值不是很准确。张辉、程培英等人[7，8]采用二维OSTU自适应算法对图像进行分割，随阈值选取相对准确，分割精度较好，但算法时间复杂度高，效率低，不能满足实时性的要求。上述方法只能完成一些特定状态的絮体分割且准确度不高。

本文提出一种基于粒子群优化(PSO)和OSTU的絮体分割算法，可实现对絮体区域的快速、精确提取。

1 图像获取

实验系统主要包括混凝池、沉淀池、图像采集系统，如图1所示。混凝池和沉淀池均采用1.75 m×1.00 m×2.30 m规格。

图1 絮体图像采集系统

高速工业摄像机采用西安维视公司研发的MV—VEM120SM(最大分辨率为1 280×960，最大帧频为30 fps)。光源选用的是新源辉光电科技生产的LED水下灯。拍摄到此图片时所用混凝剂为聚合氯化铝(PAC)，水的流量为5 m3/h，混凝剂加注量为40 mg/L。

2 图像前期处理与几种常用分割方法

2.1 前期处理

前期对图片先进行截取和降噪，图2(a)是混凝池中截取的原始絮体图像，图2(b)是降噪处理后的图像，图2(c)为灰度拉伸后的图像，像素大小为270×200。

2.2 图像分割算法

2.2.1 直方图法[9,10]

直方图法适用于所拍摄图像中物体和背景各形成一个波峰的情况，宜选择两个波峰之间的波谷的阈值作为分割阈值。絮体的灰度直方图如图3所示，图像中并不存在明显的双峰，因此，不太适合絮体图像的分割。

图3 原始絮体图像灰度分布

2.2.2 迭代分割法[11]

算法步骤如下：

1)阈值的初始设定为

T=(Tmax+Tmin)/2,

(1)

式中T为平均灰度值，Tmax，Tmin分别为最大、最小灰度值。

2)根据初始阈值对絮体图像进行分割，并求出絮体部分和背景部分的平均灰度值T1和T2。

3)更新阈值

Tk=(T1+T2)/2,

(2)

式中T1,T2为平均灰度值，Tk为迭代后的灰度值。

4)重复步骤(2)～步骤(3)，直到Tk值不再发生变化为止。

5)OSTU法

OSTU法又叫大津法[12,13]或最大类间方差法，它主要利用类别方差作为判据，选取使类间方差最大和类内方差最小的灰度值作为最佳阈值。

类内方差

(3)

类间方差

(4)

总体方差

其中

式中M为图像原始灰度级,ni为灰度级为i的像素点个数，t为分割阈值,w1,w0分别为两类灰度出现的概率,μ1,μ0为每一类的平均灰度。

其中最佳阈值T可由公式(5)求出

(5)

式中σB为类间方差，σw为类内方差。

采用OSTU方法对絮体图像分割后的效果。缺陷体现在絮体与背景灰度差不明显时，会出现模糊的大块白色区域，甚至会丢失整幅图像的重要信息。

为此，可先对絮体图像进行灰度拉伸，以增强絮体与背景的对比度，然后再对拉伸后的图像进行分割。拟采用基于粒子群优化的增强OSTU算法。算法首先对絮体图像进行灰度变换，然后利用粒子群优化算法的全局搜索功能和寻优的高效性以缩短OSTU算法的阈值选定时间。其中，采用非线性变换对絮体图进行灰度拉伸，如公式(6)所示

s=T(r)=1/(1+(m/r)E).

(6)

其中，r为图像的初始灰度值；s为变换后图像中的相应灰度值；E为该函数的调节斜率，可根据所需要的不同效果进行设定。絮体原始图像按以上公式拉伸后的图像如图2(c)所示。

3 PSO算法的基本原理

PSO算法将每个个体看做是D维空间中一个粒子，在搜索的空间里，以一定的速度飞行，并根据对个体和集体的飞行经验来动态调整这个速度值。对于每一次迭代，粒子i在d维空间(1≤d≤D)按照如下方程运动

(7)

(8)

4 改进后的絮体分割算法

利用PSO算法对OSTU算法进行优化，主要包括两个步骤：适应度函数的选取和参数的选择。

4.1 选择适应度函数

把目标函数直接当做适应度函数，本文选用阈值分割的类间方差求其最大值，类内方差求其最小值，通过这两个值得出最佳分割阈值。

4.2 参数的选取

公式(7)中参数的选取主要是设定权重w、加速常数，c1,c2种群大小以及最大速度Vmax和最大迭代次数这几样参数。算法的搜索能力受到权重选取的影响,一般在搜索的过程中w从0.9线性递减一直到0.4。为了使微粒能够更好地找到极值，一般情况下会选取c1=c2=2。另外还和适应度函数的复杂维数有关，一般情况下会在20～100之间。最大迭代次数则由适应度函数复杂度、维数、运行时间限定及种群数等已设定好的参数确定。粒子每次飞行的最大距离由最大速度Vmax确定，通常情况下是将Vmax设定为每维变量的变化范围。实验参数设定如下：wmax=0.9，wmin=0.4，c1=c2=2，种群数设为20，最大迭代的次数设定为60，根据图像灰度值的范围，取Vmax=255。

4.3 算法流程

算法流程如图4所示。由于灰度图像的范围是在[0,255]之间，粒子的位置在[0,255]之间选择，随机值都是由rand()函数得出。然后计算出函数的适应度值并且进行比较和迭代计算，得到最优阈值。

图4 粒子群优化算法流程图

5 算法仿真与结果分析

不同算法对比如图5，采用改进PSO与OSTU算法对絮体图像进行分割后如图5(c)所示。只用原始大津法对270×280絮体图像的分割时间为95ms，而本文的算法时间为32 ms，求出的最佳分割阈值为173。与原来的分割后图像比较之后,发现此方法的分割效果明显要好于目前常用的几种絮体分割算法。

为了正确计算絮体的等效粒径和数量，还要对分割后絮体图像进行开运算和闭运算，使得各个絮体边缘变得平滑，并且去除相邻絮体间的微小连接，使得絮体颗粒界限分明，便于计数，如图5(d)所示。

图5 不同分割算法效果对比图

6 结 论

本文在采用双峰法、经典OSTU算法及迭代法对絮体图像进行分割实验的基础上，引入了改进的基于PSO的OSTU算法,仿真实验表明:该算法具有较好的效果，也能满足水处理实时性要求。但PSO算法的实施过程与所采用的参数有较大关系，对于不同的图像分割算法的优化处理，参数设置是不同的。然而如何设置，则主要依赖设计者的经验,如何使参数的设置更精确，需要进一步的研究。

[1] 史如萍.水处理混凝剂投加量自动控制方式研究进展[J].城镇供水,2011,22(1):86-88.

[2] 曲久辉,李圭自,崔福义.单因子水处理混凝投药在线监控系统的设计原则与综合性研究[J].工业水处理,1996,6(3):22-24.

[3] Gregory J,Nelson D W．A new opptical method for flocculation monitoring[C]∥Solid-Liquid Separation,ElisHorwood：Chichester,1984:172-182.

[4] 巴怡然,宋启敏,宋振亚,等.基于神经网络的FCD絮凝控制系统的研究[J].自动化与仪表,2009,24(9):30-32.

[5] 宋晓峰.水中絮体在线检测系统研究[D].上海:上海大学,2006:39-49.

[6] 陈 峰.基于图像处理的絮体检测技术研究[D].镇江：江苏大学,2006:28-38.

[7] 张 辉,王耀南,周博文,等.基于机器视觉的保健酒可见异物检测系统研究与开发[J].仪器仪表学报,2009,30(5):973-980.

[8] 程培英.一种新颖的图像阈值分割方法[J].计算机应用与软件,2009,26(5):228-232.

[9] Wang Liang,Yan Jie.Method of infrared image enhancement based on histogram[J].Optoelectronics Letters,2011,7(3):237-241.

[10] 阮秋琦.数字图像处理[M].北京：电子工业出版社,2005:48-49.

[11] 郭 臻,陈远知.图像分割阈值算法研究[J].中国传媒大学学报:自然科学版,2008,15(2):77-82.

[12] Mahsa Chitsaz,Chaw Seng Woo.Software agent with reinforcement learning approach for medical image segmentation[J].Journal of Computer Science and Technology,2011,26(2):247-256.

[13] 覃 晓,元昌安,邓育林,等.一种改进的Ostu图像分割法[J].山西大学学报,2013(4):530-535.

[14] Li Linyi,Li Deren .Fuzzy entropy image segmentation based on particle swarm optimization[J].Progress in Natural Science,2008,36(9):1167-1171.

[15] 雷建锋,汪 伟.基于OpenCV的图像阈值分割研究与实现[J].现代电子技术,2013,36(24):73-77.

[16] 李健华,史步海.基于絮体等效粒径的混凝控制研究[J].微计算机信息,2008,24(13):3-5.

An improved floc segmentation algorithm based on PSO and OSTU

XIE Xin1, WANG Jian-bin1, HU Feng-ping2

(1.School of Information Engineering,East China Jiaotong University,Nanchang 330013,China;2.School of Civil Engineering,East China Jiaotong University,Nanchang 330013,China)

Introduce threshold value selection principle such as histogram,iterative and classic OSTU method,then use these three methods to divide flocs image of water treatment coagulation process,by comparing the effect and combining the floc movement and the characteristics of the real-time demand in water treatment,put forward a kind of improved OSTU image segmentation method based on particle swarm optimization(PSO).First,using gray stretch to enhance image gray-scale contrast and then utilizing global search ability of PSO algorithm to improve threshold value time of reinforced OSTU method and get segmentation threshold.Experimental results show that the algorithm can realize accurate and fast segmentation of flocs in water treatment,reach requirement of realtime calculation of equivalent size and number of floc.

PSO; algorithm; floc; image segmentation; enhanced OSTU

10.13873/J.1000—9787(2015)01—0131—04

2014—05—12

国家自然科学基金资助项目(61272197)；江西省自然科学基金资助项目(20132BAB201027)；江西省教育厅科技项目(GJJ13362)

TP 391.4

A

1000—9787(2015)01—0131—04

谢 昕(1969-)，男，江西永丰人，教授，硕士生导师，主要从事机器视觉、网络与信息安全等方向的研究。