張銘鈞，李煊，王玉甲

(哈爾濱工程大學(xué)機電工程學(xué)院，黑龍江哈爾濱150001)

水下微光成像技術(shù)在近距離水下作業(yè)中，相比其他探測技術(shù)具有明顯優(yōu)勢，研究基于水下微光成像技術(shù)的圖像分割方法對提高自主式水下機器人的作業(yè)能力具有重要的研究意義和實用價值［1］。

由于水介質(zhì)對光線的散折射及吸收效應(yīng)、水中雜質(zhì)及水下照明條件等因素影響，水下圖像存在對比度低、信噪比低、顏色分布不均等問題。作者采用文獻［2］方法進行水下圖像分割時發(fā)現(xiàn)，該方法對噪聲有較好的抑制能力，但由于目標(biāo)與背景間灰度級較為相似，分割結(jié)果中易出現(xiàn)目標(biāo)與背景粘連等問題;文獻［3］方法以飽和度S作為主分析通道，對不同顏色分量進行序列分割，作者在實驗中發(fā)現(xiàn)，S分量受光照強度與光線入射角度影響較嚴(yán)重，由于球體目標(biāo)表面感光程度不均勻，分割結(jié)果中易出現(xiàn)目標(biāo)分離不完整等問題。文獻［4］提出一種新的模糊譜聚類分割方法，該方法定義模糊相似性測量矩陣，并將該矩陣應(yīng)用于譜聚類方法中，得到最終分割結(jié)果，作者在實驗中發(fā)現(xiàn)，該方法迭代確定相似性測量矩陣的耗時較長，難以滿足本課題水下作業(yè)的實時性要求(一般水下作業(yè)要求視覺系統(tǒng)處理時間為100 ～ 500 ms［5-6］，本課題要求水下視覺系統(tǒng)在200 ms內(nèi)返回目標(biāo)的定位信息)。本實驗室前期研究了近海淺水環(huán)境中水下圖像分割及目標(biāo)提取方法［7］，該方法以H通道為主，并融合 S和I通道信息完成圖像分割，采用該方法在水下燈照環(huán)境實驗發(fā)現(xiàn)，由于S通道受光照強度及分布情況影響較大，融合S和I通道信息得到的圖像存在目標(biāo)物與背景粘連，進而導(dǎo)致分割失敗。

針對上述問題，作者綜合考慮水下環(huán)境特點及本課題對視覺系統(tǒng)的時間要求，提出一種基于灰度化權(quán)值調(diào)整的水下彩色圖像分割方法，不同于傳統(tǒng)閾值分割方法中，灰度化權(quán)值固定且重點研究如何自適應(yīng)選擇閾值的思路，本文方法重點研究如何根據(jù)RGB彩色模型中水下圖像顏色信息的不同表達，來調(diào)整灰度化時三通道的權(quán)值，以獲得對比度較高的灰度圖像。本文方法在美國國家電視標(biāo)準(zhǔn)委員會(National Television Standards Committee，NTSC)提出的灰度化方法［8］(簡稱“NTSC法”)的基礎(chǔ)上進行灰度化權(quán)值調(diào)整的研究，提高差異性較大通道比重，同時降低差異性較小通道比重，以得到合適的權(quán)值完成圖像灰度化，并對灰度化后的圖像進行閾值分割［9］，得到最終的分割結(jié)果。

為提高序列圖像處理的實時性，以更好地配合機器人及機械手完成水下作業(yè)，在本文分割方法的基礎(chǔ)上，設(shè)計了一種兩步序列圖像處理方式，針對光照等水下環(huán)境因素變化的漸變性特點，將圖像序列分段，每段中分別采用灰度化權(quán)值調(diào)整方法和固定權(quán)值的方法進行灰度化，并完成閾值分割。

通過4組水下對比實驗以及耗時實驗，對本文所提方法的有效性進行實驗驗證。

1 基于灰度化權(quán)值調(diào)整的水下彩色圖像分割方法

針對傳統(tǒng)自適應(yīng)閾值法在水下圖像分割過程中，易存在目標(biāo)與背景粘連等問題，本文提出一種基于灰度化權(quán)值調(diào)整的水下彩色圖像分割方法。不同于傳統(tǒng)閾值分割法中圖像灰度化權(quán)值固定且研究如何確定圖像閾值大小與個數(shù)的思路，本文以NTSC法為基礎(chǔ)，研究如何調(diào)整圖像灰度化時的三通道權(quán)值，即灰度化權(quán)值調(diào)整方法，流程如圖1，利用統(tǒng)計的灰度信息來確定不同通道中目標(biāo)與背景間灰度級的差異性，通過提高差異性較大通道的比重，同時，減小差異性較小通道的比重，得到對比度較高的灰度圖像，對灰度化后的圖像進行閾值分割，得到最終分割結(jié)果。

圖1 基于灰度化權(quán)值調(diào)整的水下彩色圖像分割方法Fig.1 Underwater color image segmentation method based on weight adjustment of color to gray processing

為提高序列圖像處理的實時性，作者設(shè)計了一種兩步序列圖像處理方式，針對光照等水下環(huán)境因素變化的漸變性特點，將圖像序列分段并對每段進行兩步處理，第1步采用灰度化權(quán)值調(diào)整方法對前N幅圖像進行處理，選出一組最適權(quán)值，并直接用于第2步圖像灰度化，進而完成圖像閾值分割。

1.1 灰度化權(quán)值調(diào)整方法

圖像灰度化是閾值分割的第一步。NTSC法是一種基本的灰度化方法，其將CIE空間中的Y通道(即亮度信息)直接作為灰度值輸出，可表達為:

式中:r、g、b依次為 0.299、0.587 和 0.114［8］。

作者在RGB彩色模型中采用NTSC法進行水下彩色圖像分析時發(fā)現(xiàn)，NTSC法以保留圖像各種細節(jié)信息為主，其灰度化結(jié)果中包含氣泡、雜質(zhì)以及背景干擾等與目標(biāo)無關(guān)的信息;另外，由于水下圖像存在對比度低、信噪比低、顏色分布不均等問題，導(dǎo)致灰度圖像中目標(biāo)與背景的灰度級較相似，采用這類灰度圖像進行閾值分割時，分割結(jié)果中易出現(xiàn)目標(biāo)與背景粘連，目標(biāo)分離不完整等現(xiàn)象。作者對水下圖像的RGB彩色模型進一步分析發(fā)現(xiàn)，由于目標(biāo)物與背景的顏色不同，根據(jù)三基色原理［10］可知，目標(biāo)顏色與背景顏色的RGB合成比例不同，對應(yīng)到不同通道，其灰度級的差異程度不同。作者對上述分析進行實驗驗證，結(jié)果表明RGB三通道中目標(biāo)與背景間灰度級的差異程度不同，且至少存在一個通道中目標(biāo)與背景間灰度級存在明顯差異。

根據(jù)上述分析與實驗結(jié)果，不同于NTSC法以保留圖像細節(jié)信息為主，根據(jù)人類視覺系統(tǒng)對顏色的感知能力而確定r、g、b取值［11］的方式。本文灰度化權(quán)值調(diào)整方法以突出目標(biāo)信息為主，重點研究如何根據(jù)水下圖像特點來調(diào)整權(quán)值，以獲得對比度較高的灰度圖像。本文方法統(tǒng)計RGB三通道信息，來確定不同通道內(nèi)目標(biāo)與背景間灰度級差異性的大小，利用該差異性進行灰度化權(quán)值調(diào)整，提高差異性較大通道的比重，同時減小差異性較小通道的比重，以獲得對比度較高的灰度圖像。

基于上述分析，本文方法具體實現(xiàn)時依次按以下3步進行:1)目標(biāo)與背景粗略分類。旨在劃分出目標(biāo)的大致范圍;2)灰度信息統(tǒng)計。旨在得到圖像RGB三通道內(nèi)目標(biāo)與背景間灰度級的差異性;3)灰度化權(quán)值調(diào)整。根據(jù)RGB三通道間的灰度差異性的不同，來調(diào)整灰度化權(quán)值。具體實現(xiàn)過程如下。

1.1.1 目標(biāo)與背景粗略分類

在RGB彩色模型中對水下圖像進行粗略分類時發(fā)現(xiàn)，由于RGB模型中三通道信息相關(guān)性較高，導(dǎo)致難以直接確定哪個通道中目標(biāo)與背景間灰度級差異性較大，進行分類時，受差異性較小的通道影響，易導(dǎo)致分類結(jié)果與真實情況偏差較大。

針對上述問題，本文在三通道相互獨立的HSI彩色模型中進行目標(biāo)與背景粗略分類方法的研究。作者分析一幅水下燈照環(huán)境中采集的圖像發(fā)現(xiàn)，H通道用于區(qū)分顏色信息，目標(biāo)物與背景的顏色不同，因而H通道灰度圖像中目標(biāo)與背景的灰度級差異明顯，由于球體表面受光不均勻，圖像中目標(biāo)區(qū)域灰度不均勻，單獨基于H通道分類時易導(dǎo)致分離不完整。S通道受光照影響較大，不同光照條件成像效果不同，基于S通道的分類難以適用于水下不同環(huán)境;I通道與光照強度及分布情況相關(guān)，在I通道灰度圖像中，目標(biāo)表面反光較強灰度值較高，目標(biāo)周邊水域因光線直接穿過，其灰度值較低，背景中其他干擾物反光程度不同，呈現(xiàn)出不同灰度值，單獨基于I通道分類時結(jié)果中易出現(xiàn)大量背景干擾。

基于上述分析，本文融合H和I信息進行目標(biāo)與背景的粗略分類，其具體實現(xiàn)方法如下:

采用閾值法對H通道和I通道的對應(yīng)灰度圖像進行處理，然后對2個處理結(jié)果進行集合并運算，得到粗略分類后的圖像目標(biāo)區(qū)域O(iO，jO):

式中:iO、jO表示像素坐標(biāo)位置;H(iH，jH)和Ⅰ(iI，jI)分別表示H和I通道中目標(biāo)區(qū)域內(nèi)像素的坐標(biāo)位置，iH和iI表示橫坐標(biāo)，jH和jI表示縱坐標(biāo)。

除O(iO，jO)中的像素，圖像中其余像素屬于背景區(qū)域B(iB，jB)。至此完成目標(biāo)與背景的粗略分類。

1.1.2 灰度信息統(tǒng)計

將1.1.1節(jié)中得到的目標(biāo)與背景粗略分類結(jié)果{O(iO，jO)，B(iB，jB)}對應(yīng)到圖像的 RGB 彩色模型中，得到3組分類結(jié)果分別對應(yīng)三通道。在每個通道中完成兩步信息統(tǒng)計［12］:1)目標(biāo)區(qū)域與背景區(qū)域內(nèi)的像素灰度均值;2)目標(biāo)區(qū)域與背景區(qū)域間灰度均值差DR，DG和DB。至此完成灰度信息統(tǒng)計。

1.1.3 灰度化權(quán)值調(diào)整

作者采用NTSC法進行水下圖像灰度化，得到的灰度圖像較模糊，且包含大量氣泡、雜質(zhì)等干擾;另外，在不同光照條件下水下圖像中顯示的顏色信息不同，由于NTSC法中灰度化權(quán)值固定，導(dǎo)致在有些環(huán)境中出現(xiàn)分割失敗等問題。

針對上述問題，不同于NTSC法中權(quán)值固定的形式［6］，本文根據(jù)目標(biāo)與背景顏色信息在圖像RGB三通道中的表達的差異，來調(diào)整灰度化權(quán)值。本文利用1.1.2節(jié)中得到的灰度均值差，來判斷三通道間具有的差異性或相似性。當(dāng)某個通道的均值差遠大于其余2個通道時，表示該通道中目標(biāo)與背景存在較明顯差異，直接利用該通道信息作為灰度化結(jié)果，采用閾值分割即可得到較滿意的分割結(jié)果，本文稱該通道為主導(dǎo)通道;當(dāng)3個通道中不存在主導(dǎo)通道時，判斷3個通道間的相似性，若3個通道的均值差較接近，則采用NTSC法進行灰度化;若2個通道的均值差較接近，則按照NTSC法中這2個通道對應(yīng)權(quán)值的比例，重新分配權(quán)值，完成圖像灰度化。為避免圖像變形，調(diào)整后三通道對應(yīng)權(quán)值相加為1。作者對大量圖像進行分析，確定閾值Tbig與Tsmall，用于判斷三通道間的關(guān)系，其中Tbig＞Tsmall。

基于上述思路，本文以DR＞DG＞DB的情況為例，介紹算法實現(xiàn)的過程。定義下式:

若存在D1+D2+D3＜Tsmall，說明3個通道之間具有相似性，則采用NTSC法進行圖像灰度化;若不存在D1+D2+D3＜Tsmall，判斷D1＞D2是否成立，若成立，說明G通道和B通道間具有相似性，由于R通道的灰度均值差最大，表明R通道為主導(dǎo)通道，則RGB3個通道的取值依次為1、0、0。

若D1＞D2不成立，判斷D1＞Tbig是否成立，若成立，表明R通道為主導(dǎo)通道，則RGB三通道的權(quán)值依次為 1、0、0。

若上述3種情況依次均未滿足，說明R通道和G通道具有相似性，采用NTSC法中RG通道的對應(yīng)權(quán)值(即式(1)中r、g的值)，加權(quán)平均后進行歸一化處理，即可得到三通道權(quán)值rRG、gRG和bRG:

同理，適用于RB通道相似和GB通道相似的情況，其調(diào)整得到的圖像灰度化權(quán)值分別為

將式(1)中r、g、b的取值分別代入式(4)、(5)、(6)中，即可得到這3種情況下調(diào)整后的權(quán)值。

水下不同環(huán)境的圖像特征不同，調(diào)整后的灰度化權(quán)值也不同。采用調(diào)整后的權(quán)值完成圖像灰度化，并進行閾值分割［9］得到最終的分割結(jié)果。

1.2 兩步序列圖像處理方式

將本文分割方法用于機器人水下作業(yè)時發(fā)現(xiàn)，短時間間隔內(nèi)相鄰圖像特征相似，調(diào)整后的灰度化權(quán)值相近。若對每幅圖像均采用本文權(quán)值調(diào)整方法進行處理，會增加不必要的算法耗時。

基于上述分析，為提高序列圖像處理的實時性，以更好地配合機器人完成水下作業(yè)，在本文分割方法的基礎(chǔ)上，作者設(shè)計了一種兩步序列圖像處理方式，將整個圖像序列分段并在每段中進行兩步處理。第1步僅采用本文權(quán)值調(diào)整方法對前N幅圖像進行處理，選出一組最適權(quán)值;第2)步直接利用第一步的最適權(quán)值進行圖像灰度化、并進行閾值分割得到每幅圖像的分割結(jié)果。具體實現(xiàn)步驟如下:

1)當(dāng)目標(biāo)物穩(wěn)定出現(xiàn)在視場中后，開啟圖像分割任務(wù)，采用本文灰度化權(quán)值調(diào)整方法對前N幅圖像進行處理，得到N組權(quán)值，將N個組合中出現(xiàn)次數(shù)最多的一組作為最適灰度化權(quán)值r、g、b。

2)將第1)步得到的最適權(quán)值r、g、b直接用于后續(xù)圖像灰度化，并對灰度化后的圖像進行閾值分割，得到最終的分割結(jié)果。

不斷循環(huán)上述兩步的處理方式，以完成水下作業(yè)過程中圖像序列的分割處理。上述兩步處理過程中，減少了大部分圖像進行權(quán)值調(diào)整的耗時，因而提高了序列圖像處理的實時性。

2 實驗驗證

為驗證本文分割方法的有效性，進行4組水下對比實驗，其中，水下不同環(huán)境對比實驗分3組:1)水下燈照環(huán)境對比實驗，2)自然光照環(huán)境對比實驗，3)干擾環(huán)境對比實驗。第4組為與其他圖像分割方法對比實驗，該實驗用于進一步驗證本文分割方法的有效性。另外，為驗證本文兩步序列圖像處理方式的有效性，進行序列圖像處理耗時實驗。

為更全面地分析上述對比實驗結(jié)果，作者采用兩類評價指標(biāo)從灰度化結(jié)果和分割結(jié)果兩方面進行分析:1)采用基于HVS的圖像對比度無參考質(zhì)量評價模型［13］對比分析灰度化結(jié)果的優(yōu)劣;2)采用3個較常用的分割評價指標(biāo)對比分析分割結(jié)果的優(yōu)劣，分別為GC(區(qū)域間對比度)、UM(區(qū)域內(nèi)均勻度)和ME(誤分類誤差)［14］，其取值范圍均為［0，1］，且GC和UM的值越接近1說明分割效果越好，ME的值越接近0說明分割效果越好。

實驗在4×3×1 m3的水箱中進行，攝像機和水下燈固定安裝在支架上。球體目標(biāo)物懸浮于水中，距水面約0.5 m。實驗是在 Intel Core T5750 2 GHz、2 G內(nèi)存的PC機上進行的，編程環(huán)境為VC++6.0，圖像大小為 352×288。Tbig、Tsmall的取值由實驗確定，本文取為60和20。

2.1 水下不同環(huán)境對比實驗

水下不同環(huán)境對比實驗驗證本文分割方法有效性的同時，也用于驗證本文分割方法在水下不同環(huán)境中的適應(yīng)性。對比實驗在3種不同環(huán)境中進行，分別為:1)水下燈照環(huán)境;2)自然光照環(huán)境;3)干擾環(huán)境，干擾環(huán)境分為有流環(huán)境和人為干擾環(huán)境，有流環(huán)境中作者通過推進器人工造流，流速為0.5 kn(0.25 m/s)，人為干擾環(huán)境中通過人手在球體目標(biāo)物附近攪動水流，使得圖像背景中出現(xiàn)大量氣泡。

3種環(huán)境的對比實驗過程一致。實驗中，對球體目標(biāo)圖像分別采用NTSC法和本文方法進行圖像灰度化，然后進行閾值分割［9］得到最終分割結(jié)果。對比實驗結(jié)果如圖2所示，其中，圖(a)-(e)中的①與圖(a)-(e)中的②分別表示水下燈照環(huán)境對比實驗中黃球和紅球圖像分割結(jié)果，圖(a)-(e)中的③表示自然光照環(huán)境對比實驗中紅球圖像分割結(jié)果，圖(a)-(e)中的④與圖(a)-(e)中的⑤表示干擾環(huán)境對比實驗中紅球圖像分割結(jié)果，分別對應(yīng)有流環(huán)境和人為干擾環(huán)境。另外，自然光照環(huán)境和干擾環(huán)境中黃球與紅球?qū)嶒灲Y(jié)果相似，本文以紅球為例分析這兩種環(huán)境中的對比實驗結(jié)果。

為更全面地分析和驗證本文方法的有效性，采用分割評價指標(biāo)［14］分別對圖2(c)和(e)進行評價，用于對比分割結(jié)果;采用對比度評價模型［13］分別對圖2(b)和(d)進行評價，用于對比灰度化結(jié)果;并統(tǒng)計了算法耗時，上述數(shù)據(jù)列于表1。

圖2 水下不同環(huán)境對比實驗結(jié)果Fig.2 Comparison of experimental results in different underwater environments

表1 水下不同環(huán)境對比實驗數(shù)據(jù)統(tǒng)計Table 1 Comparison of experimental datas in different underwater environments

分析水下燈照環(huán)境對比實驗結(jié)果，從圖2(a)-(e)中的①與②可以看出，水下原始圖像中存在大量背景干擾物，紅球目標(biāo)顏色分布不均勻。NTSC法得到的灰度圖像中目標(biāo)區(qū)域與部分背景干擾區(qū)域的灰度級較相似，分割結(jié)果中存在大量干擾物，目標(biāo)邊緣不平滑且與背景存在一定程度粘連;本文方法得到的灰度圖像中目標(biāo)區(qū)域與背景區(qū)域間灰度級存在明顯差異，且背景干擾物較少，分割結(jié)果中干擾物較少，目標(biāo)邊緣平滑且得到較完整的目標(biāo)物。

分析自然光照環(huán)境對比實驗結(jié)果，從圖2(a)-(e)的③可以看出，由于自然光從上方入射，球體上半部光照充足偏紅色，下半部缺乏光照呈暗色調(diào)，目標(biāo)區(qū)域顏色不均勻。受上述顏色不均勻現(xiàn)象的影響，NTSC法得到的灰度圖像中目標(biāo)區(qū)域自上而下呈現(xiàn)不同的灰度級，分割結(jié)果中僅提取出目標(biāo)的下半部;本文方法得到的灰度圖像中目標(biāo)區(qū)域灰度級較均勻，因此分割出較完整的目標(biāo)物且邊緣較平滑。

分析干擾環(huán)境對比實驗結(jié)果，從圖2(a)-(e)的④與⑤可以看出，由于水流和人手的影響，原始圖像中目標(biāo)附近存在大量氣泡和人手干擾，且圖像受噪聲污染較嚴(yán)重。有流環(huán)境中，NTSC法得到的灰度圖像中存在大量氣泡，導(dǎo)致分割結(jié)果中大量氣泡被檢測出來，且目標(biāo)與背景粘連;本文方法得到的灰度圖像中目標(biāo)與背景灰度級存在較明顯差異，分割結(jié)果中大部分氣泡和噪聲被剔除，并分割出目標(biāo)。人為干擾環(huán)境中，NTSC法得到的灰度圖像中目標(biāo)區(qū)域被大量氣泡覆蓋，導(dǎo)致分割結(jié)果中目標(biāo)分離不完整;本文方法得到的灰度圖像中氣泡、人手與目標(biāo)的灰度級存在明顯差異，分割結(jié)果中大部分干擾被剔除，并得到較完整的目標(biāo)物。

對表1中的數(shù)據(jù)進行對比分析:

1)灰度化結(jié)果分析。較NTSC法，本文方法得到的HC的值有不同程度提高，5組實驗分別提高了6.45%、6.73%、25.15%、21.04%、19.76%。表明在水下燈照環(huán)境，自然光照環(huán)境和干擾環(huán)境中，本文方法的灰度化效果優(yōu)于NTSC法。

2)分割結(jié)果分析。較NTSC法，本文方法得到的實驗數(shù)據(jù)，GC和UM的值更接近于理想值1，ME的值更接近于理想值0。上述數(shù)據(jù)表明在水下燈照環(huán)境、自然光照環(huán)境以及干擾環(huán)境中本文方法的分割效果優(yōu)于NTSC法。

3)耗時分析。本文方法的平均耗時為94.4 ms，較 NTSC 法的平均耗時 15.6 ms，增加了 78.8 ms。雖增加了耗時，但能夠滿足本課題水下作業(yè)的時間要求。另外，為進一步降低本文分割方法的耗時，設(shè)計了兩步序列圖像處理方式，其效果通過2.3節(jié)序列圖像處理耗時實驗來驗證。

綜合上述對比實驗結(jié)果，相較于NTSC法，本文方法能夠增強灰度圖像對比度，有效地減輕氣泡、水中雜質(zhì)等干擾，并分離出較完整的目標(biāo)物。在水下燈照環(huán)境、自然光照環(huán)境和干擾環(huán)境的對比實驗中本文方法均得到較滿意的分割結(jié)果，表明本文方法能夠較普遍地應(yīng)用于水下環(huán)境圖像分割，且能夠滿足本課題水下作業(yè)的時間要求。

2.2 與其他圖像分割方法對比實驗

為進一步驗證本文分割方法的有效性，本文進行了與其他圖像分割方法的對比實驗，實驗分別在水下燈照環(huán)境和人為干擾環(huán)境中進行。實驗中，采用文獻［3］中基于自定義顏色空間的分割方法、文獻［4］中模糊譜聚類的分割方法和本文方法分別對采集得到的水下圖像進行處理，結(jié)果如圖3、4所示。圖3(a)和圖4(a)分別為圖2(a)②和圖2(a)⑤的圖像，圖3(b)～(d)表示分別采用上述3種方法處理圖3(a)得到的分割結(jié)果，圖4(b)～(d)表示分別采用上述3種方法處理圖4(a)得到的分割結(jié)果。

圖3 水下燈照環(huán)境中紅球分割結(jié)果Fig.3 Image segmentation results about red target in underwater environment with illumination condition

圖4 人為干擾環(huán)境中紅球分割結(jié)果Fig.4 Image segmentation results about red target in an interference environment

對比分析圖3(b)～(d)可以看出，文獻［3］方法以S通道信息為主，由于球體表面受光不均勻，邊緣處出現(xiàn)環(huán)形分隔帶，分割結(jié)果中目標(biāo)提取不完整。文獻［4］方法分離出較完整目標(biāo)物，但由于目標(biāo)區(qū)域灰度級與水箱底部干擾灰度級較相似，分割結(jié)果中存在干擾物。本文方法得到的分割結(jié)果中大部分干擾被剔除，且分離出較完整目標(biāo)物。

對比分析圖4(b)～(d)可以看出，文獻［3］、［4］方法和本文方法均能分割出目標(biāo)物，本文方法的目標(biāo)邊緣更平滑，目標(biāo)區(qū)域內(nèi)孔洞更少。

為更全面地對比3種方法的分割效果，采用分割評價指標(biāo)分別對圖3(b)～(d)和圖4(b)～(d)進行評價，并統(tǒng)計算法耗時，上述數(shù)據(jù)列于表2中。

表2 水下不同環(huán)境對比實驗數(shù)據(jù)統(tǒng)計Table 2 Comparison of experimental data in different underwater environments

對比分析表2中的數(shù)據(jù)可知，較文獻［3］和文獻［4］方法，本文方法的分割結(jié)果中，GC和UM的值更接近于理想值1，ME的值更接近于理想值0。同時，本文方法的平均耗時最短，較文獻［3］方法降低了 25.10%;較文獻［4］方法降低了 59.48%。上述數(shù)據(jù)表明在燈照環(huán)境與人為干擾環(huán)境中本文方法的分割效果和實時性均優(yōu)于文獻［3］和文獻［4］方法。

2.3 序列圖像處理耗時實驗

為驗證本文兩步序列圖像處理方式的有效性，作者在水下燈照環(huán)境中采集900幅紅球目標(biāo)圖像，采集過程中保持攝像機位置不變，在其視場范圍內(nèi)人為晃動目標(biāo)物，以模擬機器人水下作業(yè)的情況。

為便于對比，首先不采用本文兩步方式處理900幅序列圖像，對每幅圖像依次進行灰度化權(quán)值調(diào)整、圖像灰度化和閾值分割處理，得到最終分割結(jié)果。這一過程共耗時85 140 ms。然后采用本文兩步方式處理900幅序列圖像，實驗具體步驟如下:

1)采用本文權(quán)值調(diào)整方法對序列中前10幅圖像進行處理，得到10組權(quán)值，從中選擇出現(xiàn)次數(shù)最多的一組作為最適權(quán)值。這一步共耗時785 ms。

2)采用1)中的最適權(quán)值對后續(xù)140幅圖像進行灰度化處理，并進行閾值分割得到最終分割結(jié)果。這一步共耗時2 156 ms。

不斷循環(huán)上述兩步方式處理其余的750幅圖像，完成整個圖像序列的分割處理。

作者對上述實驗數(shù)據(jù)進行統(tǒng)計發(fā)現(xiàn)，采用本文兩步方式處理的900幅圖像共耗時17 646 ms，相對于不采用該方式的序列圖像處理耗時，其降低了79.27%，該結(jié)果表明本文兩步序列圖像處理方式提高了水下作業(yè)過程中序列圖像處理的實時性。

3 結(jié)束語

本文針對自適應(yīng)閾值法在水下圖像分割過程中存在目標(biāo)與背景粘連等問題，提出一種基于灰度化權(quán)值調(diào)整的水下彩色圖像分割方法，水下燈照環(huán)境、自然光照環(huán)境、干擾環(huán)境對比實驗以及與其他圖像分割方法對比實驗結(jié)果表明，較NTSC法，本文方法能夠有效減輕氣泡、水中雜質(zhì)等干擾，并分離出較完整的目標(biāo)物;較基于自定義顏色空間與模糊譜聚類的分割方法，本文方法的分割結(jié)果中目標(biāo)邊緣更平滑，分割更完整。評價指標(biāo)中，本文方法的GC、UM、ME和HC的取值均優(yōu)于上述方法。同時，較基于自定義顏色空間與模糊譜聚類的分割方法，本文方法的平均耗時最低，算法實時性優(yōu)于上述兩種方法。為提高序列圖像處理的實時性，作者設(shè)計了一種兩步序列圖像處理方式，序列圖像處理耗時實驗結(jié)果表明，相對于不采用兩步方式的序列圖像處理耗時，本文兩步方式降低了79.27%，提高了水下作業(yè)過程中序列圖像處理的實時性。

［1］徐玉如，李彭超.水下機器人發(fā)展趨勢［J］.自然雜志，2011，33(3):125-132.XU Yuru，LI Pengchao.Developing tendency of unmanned underwater vehicles［J］.Chinese Journal of Nature，2011，33(3):125-132.

［2］LI Z Y，ZHANG D，XU Y，et al.Modified local entropybased transition region extraction and thresholding［J］.Applied Soft Computing，2011，11:5630-5638.

［3］曹宇，趙杰，閆繼宏.基于自定義顏色空間的快速圖像分割方法［J］.計算機科學(xué)，2009，36(2):265-267.CAO Yu，ZHAO Jie，YAN Jihong.Image segmentation method based on custom color space model［J］.Computer Science，2009，36(2):265-267.

［4］LIU Hanqiang，ZHAO Feng，JIAO Licheng.Fuzzy spectral clustering with robust spatial information for image segmentation［J］.Applied Soft Computing，2012，12:3636-3647.

［5］GIACOMO M，SONG K，CHOI，J Y.Underwater autonomous manipulation for intervention missions AUVs［J］.O-cean Engineering，2009，31(1):15-23.

［6］曾文靜，徐玉如，萬磊，等.自主式水下機器人的光視覺管道探測跟蹤系統(tǒng)［J］.上海交通大學(xué)學(xué)報，2012，46(2):178-183.ZENG Wenjing，XU Yuru，WAN Lei，et al.Robotics vision-based system for autonomous underwater vehicle for an underwater pipeline tracker［J］.Journal of Shanhai Jiaotong University，2012，46(2):178-183.

［7］張銘鈞，萬媛媛，李煊.水中光視覺圖像分割及目標(biāo)提取方法［J］.哈爾濱工程大學(xué)學(xué)報，2013，34(12):1580-1586.ZHANG Mingjun，WAN Yuanyuan，LI Xuan.Image segmentation and target extraction based on underwater optical vision［J］.Journal of Harbin Engineering University，2013，34(12):1580-1586.

［8］章毓晉.圖像工程(上冊)［M］.3版.北京:清華大學(xué)出版社，2012:304-305.ZHANG Yujin.Image engineering(Ⅰ)［M］.3rd Ed.Beijing:Tsinghua University Press，2012:304-305.

［9］RANJANI J J，THIRUVENGADAM S J.Fast threshold selection algorithm for segmentation of synthetic aperture radar image［J］.Radar，Sonar＆ Navigation，IET，2012，6(8):788-795.

［10］陳林飛.基于分數(shù)變換光學(xué)的圖像編碼和信息處理技術(shù)研究［D］.杭州:浙江大學(xué)，2008:98-100.CHEN Linfei.Research on image encryption and information processing techniques based on fractional transform optics［D］.Hangzhou:Zhejiang University，2008:98-100.

［11］XIA Hua.Human computer interactions for converting color image to gray［J］.Neurocomputing，2012，85(15):1-5.

［12］HEMALATA V B，SUBHASIS C.Laplacian based non-local means denoising of MR images with Rician noise［J］.Magnetic Resonance Imaging，2013，31(9):1599-1610.

［13］田媛.灰度圖像無參考質(zhì)量評價方法研究［D］.長春:中國科學(xué)院長春光學(xué)精密機械與物理研究所，2010:39-41.TIAN Yuan.Study on no-reference quality assessment method for gray image［D］.Changchun:Changchun Institute of Optics，F(xiàn)ine Mechanics and Physics，Chinese A-cademy of Sciences，2010:39-41.

［14］劉春燕.圖像分割評價方法研究［D］.西安:西安電子科技大學(xué)，2011:29-32.LIU Chunyan.Survey on evaluation methods of image segmentation algorithms［D］.Xi＇an:Xidian University，2011:29-32.