基于超像素的海面油膜分割应用

靳卫卫,刘保占,赵建平,栗宝鹃,于新生,邱照宇

(1.中海油能源发展股份有限公司 安全环保分公司,天津 300452；2.中水北方勘测设计研究有限责任公司,天津 300222；3.中国海洋大学 海洋地球科学学院,山东 青岛 266100)

近年来，海上石油泄漏事故频繁发生，对海洋环境造成了巨大的损害[1]，海上溢油的监测和预警技术得到国际社会的广泛关注，其中，海面油膜分割技术作为应用基础，得到国内外学者的研究。

随着电子光学传感器技术的发展，光谱图像在海洋环境监测中得到广泛应用[2-3]。由于海洋环境复杂，普遍存在的风、浪、流、雾等环境因素，采集的电子图像普遍存在光照不均匀和纹理一致等特点，导致对比度、清晰度低、颜色失真等问题，难以达到图像分割质量要求。国内外学者开展了相关研究[4-7]。为了快速、准确地实现海面复杂环境下油膜目标的提取，在常规图像分割算法中，引入海面图像去噪增强处理和基于区域特征的超像素生成处理，验证应用效果。

1 图像增强

针对海面图像光照不均匀和有雾模糊问题，文献[4]提出的图像传播大气散射模型，模型公式可表示为

S(x)=D(x)T(x)+A(1-T(x))

(1)

式中：S(x)为原始图像；D(x)为结果图像；A为光成分占比；T(x)为光成分穿透率。

经变换，结果图像可以表示为

大气光成分A值，文献[5]指出暗通道图最小像素值对应的原始图像中响应区域的区域最大亮度值即可作为A。

光成分穿透率T(x)，文献[6]给出了计算公式为

式中：w为程度因子；C为图像RGB其中的一个通道；SC为单通道灰度图像；AC为单通道光成分占比。

根据上述公式求得大气光成分A和光成分穿透率T(x)后，便可代入结果图像公式中求得最终去雾、增强后的图像，图1为处理后的海面油膜图像。

图1 海面油膜图像去雾、增强效果图

2 超像素处理

2.1 颜色空间转换

据研究，人眼对于亮度变化更敏感，Lab颜色模型更加近似人眼生理视觉模型，其中，L分量符合人眼亮度感觉，更加有利于依据像素值的图像聚类处理计算，因此，基于Lab颜色空间的相似性衡量更符合目标特性。Lab模型变换可通过以下2个步骤实现。

1)从RGB转换到XYZ颜色空间，其转换公式如下。

2)从XYZ转换到Lab颜色空间， 其转换公式如下。

通过上述公式变换后，原海面油膜图像便从RGB颜色空间转化到Lab颜色空间，图2为经颜色空间转化后各通道分量的图像。

图2 海面油膜图像颜色空间转换分量图像

2.2 超像素生成

SLIC超像素生成算法将图像像素的颜色值和坐标组成一个5维向量V(L，a，b，x，y)，2个像素的相似性即可由其欧式距离来度量，距离越小就越相似。

图像像素间相似性计算公式如下。

式中：dc为颜色距离；ds为空间距离；Ns为类内最大空间距离；Nc为最大的颜色距离。简化后距离度量公式变为

式中：m为常数，取值为1.0～40.0，取经验值10.0。

经过SLIC算法生成的超像素图像见图3，超像素能较好地贴合油膜边界，使得超像素内相似性最高，表征油膜区域特征。

图3 海面油膜超像素划分图像

3 聚类分割

与基于像素特征的聚类分割算法不同，将超像素作为图像特征基础单元，代表区域像素的综合信息，结合K-means聚类算法将n组样本划分为不相交的集群Ck，每个集群中用样本的均值μk所描述的，满足集群中差异最小化，用公式表述为

由于K-means算法存在局部最优的风险特点，容易受到种子点选择的影响。为了避免具备最优化问题，引入二叉树分裂概念，对k-means算法进行优化形成二分k-means算法。二分k-means算法主要思想:将图像目标分裂成2个小的cluster，对每个cluster二叉树分裂求解，以此类推经过K-1次分裂后即可得K个分类，此算法对种子的选择不敏感，有效解决局部最优的问题。采用二分k-means算法对海面油膜超像素结果进行聚类处理，结果见图4。

图4 海面油膜聚类分割结果

4 结论

针对海面油膜图像光照不均匀、清晰度低、像源信息大等特点，采用大气散射模型和暗通道先验图像算法进行预处理，充分利用超像素区域特征代替传统像素特征，有效地降低图像分割计算量，同时，利用图像区域相似特征有效去除图像中的椒盐噪声，使得增强后的海面油膜分割算法抗噪能力和计算效率上具有较强优势，能够快速提取海面油膜。