工业过程噪声干扰下图像关心区域分割算法研究

张宗璐

(烟台职业学院, 山东烟台264000)



工业过程噪声干扰下图像关心区域分割算法研究

张宗璐

(烟台职业学院, 山东烟台264000)

针对单纯的基于像素灰度值的图像分割方法难以精确分割工业过程有噪声干扰的情况，提出了基于自适应网格搜索的Gabor小波纹理粗糙度方法，用于对基于像素灰度值的FCM聚类结果进行去模糊化，从而分割出关心图像。将所提算法行了大量实验研究，实验结果表明，该算法能够很好地将所关心的图像从工业噪声中分割出来。

工业过程;噪声;图像分割;Gabor小波

引言

图像处理主要包括图像分割、图像数据压缩以及图像清晰化处理等方面，其广泛应用于气象预报、军事侦察、自然灾害预报等各个领域。当前，针对工业生产过程中的图像处理问题研究较少，究其原因，工业图像类型呈多种多样且变化频繁，尤其是噪声干扰严重，使得现有图像处理方法难以适用[1-2]。

图像分割方法是在原始图像中分割出所关心的目标图像，从而用于分析图像特征、识别图像内容[3]。目前，图像处理方法主要有基于边缘特征提取的方法[4]、基于区域分割[5]的方法等。这些方法存在的一个普遍问题是没有充分考虑工业过程图像的复杂性，比如，工业过程图像严重受噪声干扰、工业过程图像多变、对工业过程图像的处理要求图像处理方法实时、快速等。目前，诸多文献所提出的图像分割方法不能有效地解决受噪声干扰的工业过程中图像的分割问题[6]。

本文针对这一问题，采用一种新的去噪算法，该去噪过程模拟球体在地形表面的滚动来填平山谷(去除黑噪声)和除去山峰(去除白噪声)的过程，在降噪的基础上，提出一种基于自适应网格搜索的Gabor小波纹理粗糙度方法，用于对基于像素灰度值的FCM聚类结果进行去模糊化，从而分割出关心图像，并将所提算法行了实验验证。

1 改进的噪声去除算法

工业噪声不但会影响图像的对比度，同时会降低图像的质量和细节分辨力，因此对工业图像进行降噪具有重要的理论和实际价值。为了有效去除工业图像中的黑噪声和白噪声，文献[5]提出了一种运用地形学高度替代待处理图像中心原像素点灰度值的一种滤波方法。假设待处理图像大小为N×N，待处理图像为f(i,j)，降噪后的图像为g(i,j)，此时图像上每个像素点的灰度值是由(i,j)点邻域中的几个像素原始灰度值的平均值确定：

(1)

式中，i,j=0,1,…,N-1，S是中心点(i,j)邻域坐标的集合，M是S内坐标点的个数。

在文献[5]的基础上，本文采用一种新的去噪思想：在进行降噪处理时，以测地学上用到的地形表面形象地表示待处理的灰度图像，以相对于地形表面的海拔高度代替灰度图像中像素点的灰度值[7]，显著噪声通常表现为地形表面的山峰(称为白噪声)或山谷(称为黑噪声)，去噪过程就是利用球体在地形表面的滚动来填平山谷(去除黑噪声)和除去山峰(去除白噪声)的过程，如图1所示。

图1 去噪过程示意图

在文献[5]的基础上，结合上文的思想，提出一种改进的去除黑噪声的算法，具体过程为：

(1)设置待处理图像的相关参数；设假设待处理图像大小为M×N，即待处理图像的宽为M、高为N，用于降噪的滚动球体的半径为r，待处理图像的像素点用(x,y)表示，并且x=y=r。

(2)根据式(2)～(5)更新以待处理图像像素点(x,y)为中心、半径为r的球体区域内像素点的灰度值。

I2(x′,y′)=I1(x′,y′)+ΔI(x′,y′)

(2)

(3)

(4)

(5)

其中，I1(x′,y′)是原图像，I2(x′,y′)是更新图像，(x,y)是像素坐标，x′和y′分别是球体当前位置的横坐标和纵坐标，INT(·)是取整函数。

(3)设定W是以点(x,y)为中心的降噪窗口，如果若x

(4)如果y

去除白噪声的过程与去除黑噪声的过程相似，不同的是球从灰度地形图的下方开始滚动。

该算法对于存在大块噪声的图像具有较好的去噪效果，如图2所示。

图2 去噪结果

2 基于PSO优化Gabor小波纹理粗糙度的图像分割

2.1 粒子群优化算法

粒子群算法最初由kennedy等人[5-6]提出，用来模拟鸟群群体飞行觅食的行为，通过鸟群群体之间的协同互助和竞争实现觅食路径的最优化。觅食过程中，粒子将追踪粒子群中的两个极值，分别为粒子本身到当前状态下所找到的最优解pbest和全种群到当前状态下所找到的最优解gbest。

粒子的速度和位置可通过式(6)和式(7)进行更新：

vid(t+1)=vid(t)+c1*rand1*(ppid-xid(t)) +c2*rand2*(pgd-xid(t))

(6)

xid(t+1)=xid(t)+vid(t+1)

(7)

其中，xi,vi分别表示粒子的当前位置和速度(i=1,2,…,m；d=1,2,…,n)；rand1和rand2为[01]之间的随机数；c1和c2为学习因子(c1,c2>0)。

2.2 Gabor小波

Gabor核函数定义为：

(8)

kμ,v=kveiφμ

(9)

一幅图像的Gabor小波滤波由图像的灰度分布I(x,y)与Gabor核ψμ,v的卷积进行定义：

Oμ,v(z)=I(z)*ψμ,v(z)

(10)

式中，z=(x,y)，“*”表示卷积计算，Oμ,v(z)是对应的滤波结果。

2.3 基于PSO的Gabor小波参数优化

针对传统Gabor小波滤波参数的确定需要通过经验进行设定，无法自适应选择的缺点，本文提出了一种新的图像分割算法——PSO优化Gabor小波纹理粗糙度分割算法。该算法通过对以像素灰度值为基础的FCM聚类结果去模糊化，从而分割出所关心的图像，算法具有网络自适应搜索功能。具体步骤为:

Step2：设置3×3的矩形滑动窗，如图3所示，将尚未分割图像进一步划分为细分图像单元，以更精确地反应图像的纹理粗糙度，便于辨识。

图3 图像坐标和图像边缘点坐标

图4 交叠的滑动窗

Step3：通过结合Gabor小波滤波公式(10)，本文利用公式(11)对每一帧数据wi(i=1,2,...,9)进行滤波处理[12-13]。

(11)

Step4：在将滑动窗滑动到源图像的边缘之前，滑动窗迭代运行Step3。

Step6：划分网格，将每一维窗口平均分成gp段。

Step7：划分搜索种群。

将整个种群分为两个子种群即自适应网格搜索子群(简称网格子群)与收缩PSO子群(简称PSO子群)，两个子种群的粒子个数分别为Popz与Pops。

Step8：种群初始化。

Step9：向导调整。

根据优化准则即模型预报误差均方根最小化评估每个粒子，得到feval(pxq),q=1,...,Popz+Pops，并按照下式调整PSO子群的个体向导与全局向导

(13)

Step10：网格调整。

根据gbest所在格子(这里称为向导网格)的位置调整每个网格粒子的搜索范围。调整后使所有网格粒子的搜索范围都包括向导网格区间，如图5所示。为了表述简单，假设将每一维决策变量范围分成3段，两维空间，因此总共分割成9个网格，其中gbest位于第5个网格内。在调整前粒子1的搜索范围为网格1，调整后粒子1的搜索范围变为网格1、2、4、5构成的空间。同样，在调整前粒子2的搜索范围为网格2，调整后粒子2的搜索范围变为网格2、5构成的空间。

图5 网格调整实例

Step11：网格子群位置更新。

网格子群的位置pxq(q=1,…,Popz)按照下式进行更新：

(14)

Step12：PSO子群位置更新。

收缩PSO子群的位置pxq(q=Popz+1,…,Popz+Pops)行更新

通过混沌映射，产生的解是可遍历的、非重复的或伪随机的[9-10]。对于混沌映射，文献[9]和[10]给出了详细的介绍，这里只给出该模型的公式[11-14]：

xn+1=f(xn,un)=

(16)

其中，un按照如下映射函数迭代：

un+1=f(un)=4*un(1-un)

(17)

3 应用验证

烧结工况图像中包含背景区、火焰区、物料区与辐射带，由于颜色接近，且混杂噪声导致图像边界模糊，难以分割，常规的图像处理方法难以成功划分火焰区与物料区。利用本文提出的图像分割算法可以有效解决这个问题(表1)。

表1 不同对象、类别FCM聚类迭代次数与时间比较

从表1中可以看到，本文提出的图像分割方法显著提升了对图像分割的实时性，具体体现在两个方面：(1)保留了原始图像的有用信息，例如看火；(2)消除了原始图像中夹杂的各种噪音、干扰或无用数据。

通过图6，可以发现，Tbest=86是本文所提出的图像分割算法的最优全局阈值，该最优阈值可以被用于对原始灰度图像进行阈值分割，能够将物料区与火焰区进行精确区别，得到令人满意的分割效果。

图6 阈值分割后的结果

图7 FCM分割后的结果

根据图7(a)、(b)的实验结果，可知与二类非监督聚类图像分割方法相比，基于三类非监督FCM的图像分割方法的分割精度明显要好。根据图7可以得到结论：仅仅利用基于像素灰度值的FCM分割方法无法精确的将火焰区域以及物料区域分离出来，尤其是在夹杂噪音的混合背景中。

从图8中可以看到：首先通过FCM方法处理后的原始工业过程图像，采用基于自适应网格搜索的Gabor小波纹理粗糙度方法，用于对基于像素灰度值的FCM聚类结果进行去模糊化，能够将物料区与火焰区精确分割出来。从图8中还可以看到，部分火焰区与物料区的边缘部分被当作辐射带或背景而舍弃，这样大大降低了算法的复杂性与时间消耗，从而可以用于后期的实时特征提取或工况识别。

图8 Gabor小波纹理粗糙度去模糊化的结果

为了验证本文算法的有效性，将本文提出的分割算法的分割错误率与基于FCM的分块自适应算法[11]和标准FCM算法的分割错误率进行了对比，对比结果见表2。

表2 不同算法分割错误率对比

实例验证和图像分割算法的对比很好地验证了本文所提出的图像分割方法的有效性和实用性。对实例的处理结果和三种分割方法的对比结果表明，本文提出的图像分割算法不仅能够很好地保留原始图像的有用信息，而且能够消除原始图像中夹杂的各种工业噪声噪音、干扰或无用数据对分割结果的不良影响，从而实现对原始图像的准确分割。

4 结束语

本文提出了一种基于优化Gabor小波纹理粗糙度分割算法，该算法通过对以像素灰度值为基础的FCM聚类结果去模糊化，来分割出所关心的图像。实例验证和对比分析表明：与基于FCM的分块自适应算法和标准FCM算法相较，本文提出的算法对图像的分割结果更加的准确，能较好地保留原始图像的所有细节和边界信息。

[1] 章毓晋.图像工程(下册):图像理解与机器视觉[M].北京:清华大学出版社,2000.

[2] Milan S,Vaclav H,Roger B.图像处理、分析与机器视觉[M].艾海舟,武勃,译.北京:人民邮电出版社,2003.

[3] 章毓晋.图象分割[M].北京:科学出版社,2001.

[4] 贾迪,董娜,孟祥福,等.一种图像的连续性边缘 提取法[J].计算机工程与科学,2015,37(2):384-389.

[5] 谭筠梅,王履程,鲁怀伟.一种有效去除图像中脉冲噪声的滤波算法[J].兰州交通大学学报,2011,30(1):18-21.

[6] Li C Y,Wang X Y,Eberl S,et al.Supervised variational model with statistical inference and its application in medical image segmentation[J].IEEE Transactions on Biomedical Engineering,2015,62(1):196-207.

[7] 赵荣椿,迟耀斌,朱重光.图像分割技术进展[J].中国体视学与图像分析,1998,3(2):121-128.

[8] 乔小燕.基于特征灰度和分水岭变换的甲藻横沟区域分割[J].计算机科学,2012,39(6A):555-558.

[9] 朱林,蔡田.最小二乘支持向量机建模及应用[J].工业控制计算机,2013,26(9):60-61.

[10] 石林江,田建勇.基于全排序与混沌多样性的高维目标进化算法[J].科学技术与工程,2014,14(28):108-112.

[11] 张琪,屈卫清,熊伟清,等.基于混沌粒子群算法的多目标调度优化研究[J].激光杂志,2015,(1):122-127.

[12] 陈亮,曹宁,鹿浩,等.基于FCM的分块自适应图像分割方法研究[J].电子设计工程,2014,22(24):190-193.

[13] Liu C J,Wechsler H.Gabor feature based classification using the enhanced Fisher Linear Discriminant Model for face recognition[J].IEEE Transactions on Image Processing,2002,11(4):467-476.

[14] Zhang W,Shan S,Gao W,et al.Local Gabor binary pattern histogram sequence(LGBPHS):a novel non-statistical model for face representation and recognition[J]//Proc.of the 10th IEEE Inte.Conf.on Computer Vision,Beijing,October 17-21,2005:786-791.

Research on Image Care Area Segmentation Algorithm Under Industrial Process Noise

ZHANGZonglu

(Yantai Vocational College, Yantai 264000, China)

Image segmentation methods simply based on pixel gray values are difficult to accurately segment industrial process images disturbed by industrial noise. To solve this problem, a Gabor wavelet texture roughness method based on self-adaptive web search is proposed to remove fuzziness of FCM clustering results based on pixel gray values to separate required images. The algorithm has been included in large simulation studies, and simulation results demonstrate that the algorithm can do very well in separating required images from industrial noise.

industrial process; noise; image segmentation; Gabor wavelet

2015-04-24

张宗璐(1982-),女,山东烟台人,硕士,主要从事电工电子技术和数字图像处理方面的研究,(E-mail)2354410698@qq.com

1673-1549(2015)03-0051-06

10.11863/j.suse.2015.03.11

TP391.9

A