基于阈值分割的石化保温管线高温区域提取方法

张振杰　丁邺　肖里引

摘 要： 石化系统的蒸汽管网保温状况可分为两大类：正常温度区域和高温区域。巡检中快速定位蒸汽管网的超温区对安全运行、节能与环保至关重要。为了从红外图像中快速正确地获取超温区域并定位，根据一维基本的Otsu方法，给出了一种二维Otsu双阈值自动获取方法，并将此用于蒸汽管网红外图像分割。对实际采集到的管网红外图像进行仿真研究，结果表明，采用二维Otsu方法获得的阈值能够较好地过滤掉树木、灌木等环境干扰，分割保温管线中的正常温度区域和高温区域，满足了实际工程的需要。

关键词： 红外图像； 图像分割； 蒸汽管网； Otsu

中图分类号：TP399 文献标志码：A 文章编号：1006-8228（2015）08-15-03

Extraction method of high temperature region in petrochemical thermal insulation pipeline

based on threshold segmentation

Zhang Zhenjie1， Ding Ye2， Xiao Liyin2

（1. Research Institute， Lanzhou Petrochemical Co.， Lanzhou， Gansu 730060， China；

2. University of Science & Technology Beijing， School of Automation and Electrical Engineering）

Abstract： The thermal insulation of steam pipe network in the petrochemical system can be divided into two categories： normal temperature and high temperature area. In the inspection， to quickly locate the over-temperature area of the steam pipe network is very important for safe operation， energy saving and environmental protection. In order to get over-temperature area and locate it from the infrared image quickly and correctly， according to the method of one-dimensional basic Otsu， this paper presents a dual-threshold automatic acquisition method of two-dimensional Otsu， which is used for segmentation of steam pipe network infrared image. According to the simulation of real infrared images collected， the results show that the threshold obtained by two-dimensional Otsu method can effectively filter out the environmental interference including trees or shrubs， and divide the insulation pipeline into normal temperature and high temperature area， that meets the needs of practical engineering.

Key words： infrared image； image segmentation； steam pipe network； Otsu

0 引言

本文以中国石油某分公司蒸汽管线保温效果检测为背景。当蒸汽管网上存在较多超温区域时，蒸汽管网的散热损失将快速增长，这是造成蒸汽热量损失的重要原因[1]。大多数情况下超温区域人眼无法观察到，如果不能及时发现这些温度超标区域，将造成能量浪费，提高企业成本，甚至带来安全隐患导致生产事故。

利用红外热像仪可以获得表征管线温度信息的红外图，但是由于红外图在获取时受到树杈遮挡等因素造成其背景往往比较复杂，在红外图上不容易直接观察出什么区域是低温区，什么区域属于高温区。本文试图用图像分割方法将红外图像中心背景（包括树杈等）低温区和高温区分割开来。所谓图像阈值分割方法就是利用一个或几个阈值将将图像灰度进行分割，这类方法通常具有简单，快速，应用范围广的特性。但其关键在于阈值的选择和确定上[2]。

阈值的确定有人为给定和自适应获取两大类。自适应阈值法因适用性更广得到广泛关注，其中最著名的是Nobuyuki Otsu[3]提出的一种自动选取阈值的图像分割方法。该算法选择最优阈值的判别标准是，最大限度地使两类灰度级的差别达到最大，即Otsu（最大类间方差）算法，该方法稳定性好，适应能力强。1980年，Thierry Pun[4]提出了一种基于熵的概念的自动阈值分割方法，该方法引入了熵的概念，得到了很好的分割效果。1989年，Abutaleb A S[5]认为一维最大熵阈值法可以有效地从背景中分离所需的对象，但是该种方法没有考虑到图像像素之间的空间相关性，因而当像素之间的空间相关性比灰度值更加重要时，其性能会迅速下降，因此他提出了将一维熵阈值扩展至二维。但自适应阈值法目前一次只能得到一个阈值，这对需要多分类的蒸汽管网红外图像的分割是不够的。本文首先在将一维的单阈值Otsu方法推广到一维多阈值获取的基础上，提出一种阈值自适应获取方法，然后将一维方法推广到二维上，并将这些方法用于蒸汽管网红外图像分割。

1 一维Otsu方法

红外图像中的灰度值与物体表面温度值是单调对应关系。由于本文要获得温度阈值，因此下面在表述上均以温度值代替灰度值。

一维Otsu的单阈值获取方法[6]：设图像有L个温度级，温度值是i的像素数为n，则总的像素数是

⑴

每个温度级出现的概率为：

⑵

设阈值t将图像分割成2个区域：温度正常区域C0={0，1，2，…，t}和高温区域C1={t+1，t+2，…，L-1}，他们出现的概率分别为：

⑶

设C0、C1区域的温度均值分别为：

⑷

图像总的温度均值为：

⑸

由此可以得到正常温度区域C0、高温区域C1的类间方差：

⑹

则，由⑺式可得到最佳阈值t*：

⑺

2 二维Otsu双阈值获取方法[7]

参考文献[7]将二维Otsu阈值定义在图像灰度上的方法，本文将阈值定义在红外图像中的温度数值上。假设对于一幅M×N的数字图像，记f（x，y）表示点（x，y）处的温度值，记g（x，y）表示点（x，y）的k×k邻域的平均温度值，定义如下：

⑻

横坐标为温度值f（x，y）和纵坐标为该点的邻域平均温度值g（x，y）可以组成一个二元组，记为（i，j）。

定义二维温度直方图为：在一个L×L大小的正方形区域，L为图像的温度级，空间点的值是二元组（i，j）出现的次数cij，求得二元组（i，j）出现的概率Pij（i=1，2，…，L，j=1，2，…，L）。

⑼

二维双阈值Otsu算法任意给定的是两个阈值（s1，t1）和（s2，t2），这两个阈值实数对将图像分割成9个区域，如图1所示。

图1 二维双阈值Otsu算法直方图

对角线上区域1、5、9分别对应C0、C1和C2，而区域2、3、4、6、7、8是图像的噪声，若忽略红外图像中的噪声，则它们近似为零[8]。

于是C0、C1和C2出现的概率分别为：

⑽

⑾

⑿

C0、C1和C2在x轴和y轴的温度均值分别为：

⒀

⒁

⒂

整个图像在x轴和y轴的总体温度均值为：

⒃

于是，C0、C1和C2区域的类间方差定义为：

⒄

则，最优分割阈值（s1*，t1*），（s2*，t2*）可由⒅式得到。

⒅

显然⑽～⒅式可以容易推广到更多阈值的自动获取上，但是计算量也会随阈值数量的增加而呈指数增长。

3 仿真结果

对项目中复杂背景的红外图，用二维双阈值的Otsu分割得到的仿真结果与一维单阈值对比如图2所示。

图2结果表明，二维Otsu双阈值算法能够较好地分割出管线上的高温区域分布情况（图像中高亮白区域），可以清楚分辨树杈等环境干扰。

4 结束语

本文针对石化系统保温管线红外图像中高温区域的分割问题开展研究。在实际情况中，由于保温管道周围存在树木，灌木等多种干扰，因此需要将保温管道红外图像中的环境干扰、正常温度区域和高温区域分开。本文给出了一种二维Otsu双阈值方法，能自适应获得分割阈值，并且兼顾到图像像素的几何位置。本文涉及的方法均可很方便地推广到更多阈值上。仿真结果表明，本文给出的二维Otsu双阈值方法能够有效地排除环境干扰，将保温管线红外图像中的正常温度区域和高温区域分割开。

二维Otsu双阈值方法虽然解决了保温管线高温区域的分割问题，但是仍有一些方面有待改进，例如算法复杂度将随阈值增加而指数增加。

参考文献：

[1] 李晓刚，付冬梅.红外热像检测与诊断技术[M].中国电力出版社，

2006.

[2] 朱虹.数字图像处理基础[M].科学出版社，2005.

[3] Nobuyuki Otsu. A threshold selection method from gray-level

histogram[J].IEEE Trans on System， Man and Cybernetics，1979.9（1）：62-66

[4] Thierry Pun.A new method for gray-level picture thresholding

using the entropy of the histogram[J].Signal Process，1980.2（3）：223-237

[5] Abutaleb A S.Automatic thresholding of gray-level pictures using

two dimension entropy[J]. Computer Vision， Graphics and Image Processing，1989.47（1）：22-32

[6] 胡敏，李梅.改进的Otsu算法在图像分割中的应用[J].电子测量与仪

器学报，2010.24（5）：443-449

[7] 邱丽君，侯德文，王依才.改进的二维Otsu图像分割方法的研究[J].计

算机工程与应用，2010.46（33）：195-198

[8] 金元郁，张洪波，冯宇.基于遗传算法的二维双阈值Otsu图像分割算

法[J].电子科技，2009.22（11）：35-39