一种线束端子显微图像全自动分割方法

芦碧波，刘利群，郑艳梅，侯守明，张霄宏



一种线束端子显微图像全自动分割方法

芦碧波，刘利群，郑艳梅，侯守明，张霄宏

( 河南理工大学计算机科学与技术学院，河南焦作454000 )

线束是电子设备中广泛使用的接线部件，其质量可以通过测量线束的内径、外径等数据进行分析。本文使用水平集方法分割线束端子显微图像外径和内径轮廓。为处理粘连，首先设置图像的RGB空间，然后将其转换至Lab空间，再用水平集方法分割其外径轮廓。分割内径轮廓时，根据线束端子显微情况图像的颜色特点，将其转换至Lab空间，以增强黄蓝信息之间的差异，使用水平集方法进行分割，后使用数学形态学方法进行处理，得到最终的内径轮廓。实验结果表明，本文方法可以同时获得较好的线束端子显微图像外径和内径轮廓，有利于后续的数据提取和质量检测。

图像分割；水平集；C-V模型；颜色空间；线束端子

0 引 言

线束是电路中链接各个电器的接线部件，由绝缘护套、接线端子、导线等不同的材料构成，广泛应用于飞机、汽车、计算机等电子设备中。线束向电子电器部件提供规定的电流值，既要保证电信号传输的稳定性，也要保证链接电路的可靠性。一旦线束质量出现问题，则严重影响电子电器部件功能甚至引起自燃等恶性事故。因此检测线束的质量以保证电子电器部件的功能正常发挥尤为重要[1]。

线束结构分为内外两层，外层为绝缘层或防水层，内层为负责信号传输的一根或多根线束导线。线束质量可通过线束外径和内径的周长、面积等数据进行分析。传统数据测量方法主要采用人工测定，引入数字图像处理技术可以进行相关数据的自动测量。由于线束的横截面比较小，无法用常规的摄像方法获取其横截面图像，所以，需要在显微镜下进行拍摄并获取线束端子显微图像，再进行图像处理。具体流程如下：对线束截面切片后进行抛光处理和腐蚀处理，清洗后在显微镜下获取线束端子彩色显微图像[2]，通过数字图像处理技术提取内外直径、面积等相关数据，最后按照相关技术指标判断其质量是否合格。由于腐蚀工艺和光照影响，线束端子显微图像呈现其固有的特点：背景区域包含黑色和绿色，且颜色分布极不规律，分割时易造成过度分割；目标区域线束外径和内径的颜色极为相似，给内径轮廓的分割带来了较大的难度。

数字图像处理中的图像分割和边缘检测都可以提取轮廓。图像分割方法如阈值法[3]，活动轮廓算法[4]，分水岭法[5]等，典型的边缘检测算法如Roberts算子[6]，Sobel算子[7]，Canny算子[8]等。虽然这些方法或算法都可以得到物体边界或轮廓，但由于不能保证获得的轮廓的封闭性，所以无法直接进行数据提取。测地线法可以得到封闭的轮廓[9]，但对于线束端子显微图像，该方法无法同时获取外径与内径的轮廓。李纯明与LI Bingnan的多水平集方法可以同时获得多条分割线[10-11]，但会出现过多的过度分割。

线束端子显微图像中外径和内径的面积、周长等数据的提取需要封闭线束外径轮廓和内径轮廓，否则，提取的数据将不够准确，会导致在判断线束质量是否合格中产生误判。针对线束外径与内径的不同特性，本文两次使用水平集方法[12]，选取不同的颜色空间，进行区域自动收缩，并结合图像增强、数学形态学等技术克服线束端子显微图像明暗度不均、噪声大等因素的影响，全自动分割线束端子显微图像，同时获得了线束外径与内径的轮廓，为后续的数据提取提供了便利。

1 经典C-V模型

2001年，Chan和Vese等提出无边界主动轮廓模型(Active Contours without Edges，C-V模型)，使用水平集函数表示目标轮廓。通过对如下能量泛函求极小对图像进行分割[12]：

(1)

式中：0为一幅灰度图像，为水平集函数，为Heaviside函数。像素点处于边界内部时，水平集函数大于0，处于边界外部时小于0，处于边界上时，水平集函数等于0。，1，2为加权系数，要求≥0，1>0，2>0。1，2分别为演化曲线内部和外部区域灰度均值。引入时间变量，得到如下的水平集演化方程：

上式可以使用文献[12]中的有限差分格式进行计算。

经典C-V模型假设图像分为两个区域，背景区域和目标区域，在背景区域，水平集函数小于0，在目标区域，水平集函数大于0。但对于多区域图像，单水平集函数无法表示，C-V模型不能进行有效地分割。本文线束端子显微图像含有背景区域、绝缘层区域和导线区域三个区域，所以，单用经典C-V模型，无法直接获得有效的分割。

2 线束端子显微图像分割流程

线束端子显微图像外轮廓与内轮廓分割流程如图1所示。先分割图像的外轮廓，根据线束端子显微图像的特性，选取R通道，G、B通道设置为0，再将其转换至Lab空间，选取b通道下的图像，用C-V方法进行水平集分割[13]，选取面积最大的目标，根据获取的二值图像的边缘得到原图像的外轮廓。再根据外轮廓边界，自动获取外轮廓边框图像，并进行区域自动收缩。增强收缩后的图像，将其转换至Lab空间，选取a通道下的图像，用C-V方法进行水平集分割。分割处理得到的二值图像有许多面积大小不一的物体，利用面积约束剔除非目标物体。最后，用数字形态学方法处理得到线束内径轮廓。

图1 线束端子显微图像外径内径轮廓分割流程图

3 外径轮廓分割

3.1 RGB空间设置与Lab空间选择

线束端子显微图像背景偏绿色，目标偏黄色，如图2(a)所示。该类图像在R空间下的边界梯度最大，图像特征最为明显，且图中目标区域与背景区域的差异也最为显著，该空间的图像最有利于进行水平集分割；在G空间下，背景图像比较复杂，易产生过度分割；在B空间下，目标区域和背景区域的差异不明显，难以进行水平集分割。因此，将原图按如下：

进行RGB空间设置得到图像1，如图2(b)所示。

将图像1转换至Lab空间，Lab颜色空间中的三个分量相互独立[14]，其中L通道表示亮度，取值范围为[0，100]，表示从纯黑到纯白的过渡，0表示纯黑，100表示纯白；a通道表示从红色到绿色的过渡，取值范围为[127，-128]；b通道表示从黄色到蓝色的范围，取值范围为[127，-128]。经过转换后的图像在Lab空间各个通道下的图像如图2(c)~2(e)所示：图2(c)中背景与外轮廓边界明显，但内轮廓与外部绝缘层区域也有较明显梯度，进行水平集分割时易分割出内部轮廓，但又不能完全分割，只会产生无效分割。图2(d)中背景有较多的干扰成分，分割时会产生不必要的分割。图2(e)背景单一，目标区域与背景区域梯度明显，且内轮廓与绝缘层之间无明显差异，不会产生无效分割。所以，选取图2(e)为待分割图像2。

3.2 分割外径轮廓

获取Lab空间b通道下的图像2后，用C-V方法对其进行水平集分割，由于光照不均匀、背景材料中的杂质等原因，使得分割的图像中出现一些小目标。用面积约束剔除小的目标，保留面积最大的目标。最后，根据获得的二值图像的边缘获取外轮廓的边缘，如图2(f)。

图2 分割外轮廓

4 自动获取内径轮廓分割区域

4.1 自动获取外轮廓框图

分割出外径轮廓后，自动检索外径轮廓的顶端横坐标1，底端横坐标2，左端列坐标1，右端列坐标2。然后，根据1、2、1、2在原图中自动提取出外径轮廓彩色框图3：

获得彩色图像3后，转化为灰度图像，其算法：

(5)

式中：R、G、B为彩色图像的三个通道，gray为经过灰度转换后的灰度图像。

4.2 自动收缩图像

为提高内径轮廓提取效率，将图像3转换为灰度图像3gray。根据外径轮廓，累积计算出灰度图像3gray中外径轮廓线的总像素值和像素个数(M3)，进而得到外径轮廓线的像素平均值0。

式中：为图像3gray外径轮廓线，(，)为轮廓线上像素的位置坐标，为轮廓线上像素的个数。0可作为原图中绝缘层区域图像的平均像素参考值。

获取3后，进行图像迭代收缩，以获得内径轮廓分割区域，迭代算法如下：

1) 设置标记符flog=0；

2) 计算灰度图像3gray四周边框的平均灰度值分别为1、2、3、4。1、2、3、4中有个值大于0，则进行次flog=flog+1操作。的值由每次图像中计算出的1、2、3、4决定；

3) 判断flog。若flog<2，则灰度图像3gray与图像3从四个方向向内收缩一个单位，然后转至1)。否则停止图像迭代收缩；

算法中，每次迭代计算后flog值清零，以此保证当得到的区域图像四个边的平均像素值有两个或两个以上大于等于绝缘层图像平均像素值0时，即flog³2，则停止迭代收缩。图像3经过收缩后生成图像4，供提取内径轮廓使用。

5 内径轮廓分割

5.1 图像增强与空间选择

由于拍摄时光线不足等原因，线束端子显微图像对比度不佳。为拉大线束内径区域与外部绝缘层的颜色差异，对图像4进行增强处理：

其中：，，为图像4的三个通道，1，1，1为增强后图像5的三个通道。经验值取值范围为1.5~2.0。若图像增强后像素值大于255，则像素值强制设定为255。增强后的图像中绝缘层区域图像偏绿，而线束内径包含黄色成分较多。这些区域在RGB空间中颜色差异小，为此本文将原有图像转换到Lab空间[15]。

Lab空间图像中，L通道下的图像包含较多的细节，易造成过度分割；b通道下的图像对比度低，梯度不明显，区域差异性太小，不利于水平集分割；a通道下的图像背景与目标区域的亮度差异相对明显，噪声较少，因此，选取a通道进行分割。

5.2 处理C-V分割后的二值图像

图3(a)给出C-V分割处理后的二值图像。由于区域颜色不完全一致，材料中的杂质等原因，二值图像中出现多个物体，根据线束端子先验知识和面积约束，保留面积最大目标即得到线束内径的轮廓，图中面积最大的白色区域即为目标区域。剔除其他小面积目标，得到如图3(b)所示。

5.3 数学形态学方法处理

图3(b)中出现多处毛刺与空洞，这与线束内径轮廓情况不符，而且会影响内径面积、周长等数据的统计。因此要用数学形态学中的开运算闭运算处理该二值图像，可填充孔洞，去除边缘毛刺。图3(c)~3(d)给出形态学方法处理前后的线束内径轮廓在彩图上的叠加显示。

图3 处理C-V分割后的图像

6 实验对比与结果分析

实验平台为Intel Core i5 CPU处理器、4 GB内存的计算机，实验由MATLAB2009a完成，图像处理过程中水平集演化过程迭代次数为500次。实验过程中处理了近百张线束端子显微图像。本文选取经典C-V模型[12]、李纯明多水平集算法[10]、LI Bingnan多水平集方法[11]作为对比算法。本文算法实验结果与对比实验结果如图4所示。

图4(a)~(d)为四幅待分割的线束端子显微图像，图4(e)~(h)给出经典C-V方法分割结果，在图4(e)和图4(f)中，可以观察到分割结果不完整，左侧线束轮廓缺失，并且，由于背景区域明暗度不均，背景也得到了一定的分割。在图4(g)和4(h)中，外轮廓基本上被分割了出来，但是，背景区域也得到了多余的分割。在四幅图像中，内径轮廓都没有被分割出来，只得到了零碎的分割小目标。

图4(i)~(l)为李纯明的多水平集方法分割所得到的结果。图4(i)~(k)的外轮廓分割都出现了缺口，图4(i)的外轮廓得到了有效的分割。图4(j)、4(l)的内轮廓得到了较好的分割，但在整个内部区域出现了过度分割，分割得到了许多零碎的小区域。在四幅图像中，所有的背景图像都被过度分割，所有的内径轮廓区域都被分割出许多零碎的小目标，使得所有的图像都没有得到理想的分割效果。

图4(m)~(p)为LI Bingnan的多水平集方法分割所得到的结果。由其分割结果可以看出，该方法对背景区域的亮度极为敏感，所有图像的背景区域都得到了大量的过度分割。而在目标区域，线束端子显微图像的外轮廓并没有得到有效的分割，内轮廓基本上没有得到相应的分割。

图4(q)~(t)为本文方法分割结果，线束的外径轮廓和内径轮廓同时被完整地分割出来，背景区域没有出现不必要的分割，线束内部区域也没有出现零碎的分割小块。线束内外轮廓完整、边界清晰，有效避免了过度分割现象，同时轮廓的封闭性也有助于提取面积、周长等相关数据。

图4 实验结果对比

表1为本文方法分割出的轮廓周长与人工测绘所得轮廓周长的数据对比。人工测绘使用Photoshop选取轮廓，然后用本文实验代码计算出边界像素个数，经过多次试验，证明人工测绘数据精确、可靠。表中的轮廓长度均以像素个数作为参考。由表1可见，外径轮廓的误差比较小，得到了十分满意的结果；内径轮廓的偏差中，图4(a)的偏差略大，其他图像的偏差都比较满意。偏差比计算式：

表1 实验偏差

7 结 论

针对经典C-V模型和多水平集不能较好地同时分割线束端子显微图像内外径轮廓的情况，本文提出两次使用单水平集，自动收缩图像，并结合图像增强、颜色空间转换、数学形态学等技术的全自动图像分割方法，得到清晰、完整、准确的线束内外径轮廓，保证了质量检测相关数据的有效提取。对于95%的线束端子显微图像，本文方法可以得到准确完整的外径轮廓，但对于内径轮廓，这一数据仅约为70%。提高内径轮廓精准分割的比例，将是今后研究工作的一个重点。

参考文献：

[1] 高印寒，王天皓，杨开宇，等. 汽车线束的动态串扰特性预测 [J]. 吉林大学学报：工学版，2014，44(5)：1258-1263.

GAO Yinhan，WANG Tianhao，YANG Kaiyu，. Prediction of the dynamic crosstalk of automotive wiring hardness [J]. Journal of Jilin University：Engineering and Technology Edition，2014，44(5)：1258-1263.

[2] 吴丽如，唐志列，吴泳波，等. 应用共焦空间微分显微镜获取边缘增强显微图像 [J]. 光学学报，2014，34(3)：217-221.

WU Liru，TANG Zhilie，WU Yongbo，. Application of Spatial Differential Confocal Microscopy in Obtaining Edge Enhanced Microscopic Image [J]. Acta Optica Sinica，2014，34(3)：217-221.

[3] 韩长材，曹娜，雷岚，等. 燃烧室雾化场全息图像分割方法研究 [J]. 激光与光电子学进展，2014(8)：81-86.

HAN Changcai，CAO Na，LEI Lan，. Study on a Method for Segmentation of Atomization Field Holography in a Combustion Chamber [J]. Laser & Optoelectronics Progress，2014(8)：81-86.

[4] 朱晓舒，孙权森，夏德深，等. 基于核函数的活动轮廓模型 [J]. 计算机辅助设计与图形学学报，2015，27(3)：388-393.

ZHU Xiaoshu，SUN Quansen，XIA Deshen，. Active Contours Driven by Kernel-Based Fitting Energy [J]. Journal of Computer-Aided Design & Computer Graphics，2015，27(3)：388-393.

[5] 李强强，黎蔚. 一种改进的桥梁图像分水岭分割算法 [J]. 计算机工程与科学，2015，37(3)：605-610.

LI Qiangqiang，LI Wei. An improved watershed segmentation algorithm for bridge image [J]. Computer Engineering & Science，2015，37(3)：605-610.

[6] ZHAO Dewei，YANG Lei，WU Xiaoyu，. An improved Roberts edge detection algorithm based on mean filter and wavelet denoising [J]. Lecture Notes in Electrical Engineering(S1876-1100)，2012，136：299-305.

[7] Koyuncu Ismail，Cetin Ozdemir，Katircioglu Ferzan，. Edge dedection application with FPGA based Sobel operator [C]// 23rd Signal Processing and Communications Applications Conference，Malatya，SIU，June 19，2015：1829-1832.

[8] LANG Baihe，SHEN Lingyun，TAI Linhan，. An adaptive edge detection method based on Canny operator [J]. Advanced Materials Research(S1022-6680)，2011，255/260：2037-2041.

[9] 潘改，高立群，张萍. 基于LBF方法的测地线活动轮廓模型 [J]. 模式识别与人工智能，2013，26(12)：1179-1184.

PAN Gai，GAO Liqun，ZHANG Ping. Geodesic Active Contour Based on LBF Method [J]. Pattern Recognition and Artificial Intelligence，2013，26(12)：1179-1184.

[10] LI Chunming，RUI Huang，DING Zhaohua，. A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI [J]. IEEE Transactions on Image Processing(S1057-7149)，2011，20(7)：2007-2016.

[11] LI Bingnan，CHUI Cheekong，CHANG Stephen，. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation [J]. Computers in Biology and Medicine(S0010-4825)，2011，41(1)：1-10.

[12] TONY Chan，Vese Luminita. Active contours without edges [J]. IEEE Transactions on Image Processing(S1057-7149)，2001，10(2)：266-277.

[13] LU Bibo，CUI Min，LIU Qiang，. Automated grain boundary detection using the level set method [J]. Computers & Geosciences(S0098-3004)，2009，35(2)：267-275.

[14] Gonzalez Rafael C，Woods Richard E，Eddins Steven L. 数字图像处理(MATLAB版)：二版 [M]. 阮秋琦，译. 北京：电子工业出版社，2014：135-139.

[15] 邹秋霞，杨林楠，彭琳，等. 基于Lab空间和K-Means聚类的叶片分割算法研究 [J]. 农机化研究，2015(9)：222-226.

ZOU Qiuxia，YANG Linnan，PENG Lin，. Segmentation Algorithm Based on Blade Lab Space and K-Means Clustering [J]. Journal of Agricultural Mechanization Research，2015(9)：222-226.

A Method for Segmenting the Microscopic Cable Harness Image Automatically

LU Bibo，LIU Liqun，ZHENG Yanmei，HOU Shouming，ZHANG Xiaohong

( College of Computer Science and Technology of Henan Polytechnic University,Jiaozuo 454000, Henan, China)

The cable harness is widely used in electronic equipment and wiring component. Its quality can be measured by analyzing the length of wire inside diameter and outside diameter. The level set method is applied to segment the microscopic image of cable harness. To deal with adjoining object, we reset the RGB channels of the image and convert them to Lab space, where the level set method is applied to segment the inner counter. n essental feasure for our imageen Lab space is selected for inner contour segmentation as it can enhance the difference between blue and yellow color information, which is an essential feature for this kind of microimage. Finally, the binary image is processed by mathematical morphology technique before obtaining the final internal contour. The experimental results show that the proposed method can obtain contours efficiently and make it feasible to the data extraction and quality control.

image segmentation; level set; C-V model; color space; cable harness

1003-501X(2016)10-0049-07

TP31

A

10.3969/j.issn.1003-501X.2016.10.009

2015-10-09；

2016-05-16

国家自然科学基金项目(U1404103)；河南省教育厅科学技术研究重点项目(14A520029，15A520070)；河南理工大学创新型科研团队项目(T2014-3)

芦碧波(1978-)，男(汉族)，河南焦作人。博士，副教授，主要研究数字图像处理中的图像去噪、图像分割、图像融合、色调映射等问题及其应用。E-mail: lubibojz@gmail.com。