基于鄰域標(biāo)簽融合的煙草薄片視覺提取方法

李世杰，陳澤少，聶長武，張坤芳，張 喆，萬 帥，牛亞鵬，李 倬，張智軒

（河南中煙工業(yè)責(zé)任有限公司，鄭州 450000）

隨著計算機及圖形圖像學(xué)科的發(fā)展，圖像技術(shù)已然廣泛應(yīng)用于軍事、交通、安保和醫(yī)學(xué)等諸多領(lǐng)域。其中，圖像分割方法旨在實現(xiàn)將前景圖像依含義從背景中分離，是實現(xiàn)高層次理解分析的關(guān)鍵環(huán)節(jié)，其分割提取的品質(zhì)直接影響了后續(xù)圖像分析、理解的精準(zhǔn)度。

目前圖像分割主要基于區(qū)域閾值和邊緣兩大類方法，其與先進(jìn)算法、機器學(xué)習(xí)等相結(jié)合衍生出諸多算法。詹志寧等[1]學(xué)者分析了多種閾值分割算法，得出了適用不同分割對象范疇。南京農(nóng)業(yè)大學(xué)伍艷蓮等[2]學(xué)者基于作物圖像背景復(fù)雜難分割的問題，提出了一種改進(jìn)均值漂移的圖像分割方法，實現(xiàn)對綠色作物的有效分割。湖南文理學(xué)院聶方彥等[3]學(xué)者提出了基于非廣延高斯熵的圖像閾值分割方法，充分利用了圖像中像素灰度級不均勻分布隨機的特點，得到了較優(yōu)益的分割結(jié)果。武漢科技大學(xué)嚴(yán)晨曦等[4]學(xué)者設(shè)計了一種改進(jìn)Ostu方法，將背景像素比重引入目標(biāo)方程中，有效降低了分割誤差。煙臺大學(xué)田洪志等[5]學(xué)者針對沖壓件劃痕區(qū)域與背景灰度差異較小的現(xiàn)象提出了2次不同閾值動態(tài)分割的方法，滿足了工廠條件下檢測的需求。

綜上所述，圖像分割技術(shù)尚無兼顧普遍案例的分割方法。目前，國內(nèi)外對加熱卷煙的端面煙草薄片填充的檢測仍處于空白狀態(tài)，端面煙草薄片填充品質(zhì)可以直觀地反映加熱卷煙的煙支品質(zhì)及卷接工藝水平，開展煙草薄片分割技術(shù)的研究，可以為后續(xù)進(jìn)一步的深化分析理解奠定基礎(chǔ)。

在此技術(shù)研究背景下，本文提出了一種新型煙草薄片視覺提取方法，首先針對原始圖像進(jìn)行空域平滑處理，并進(jìn)行Lab空間轉(zhuǎn)換，通過設(shè)計領(lǐng)域標(biāo)簽融合算法并將其與傳統(tǒng)的閾值分割算法進(jìn)行對比，能直觀便捷地反映對圖像分割效果的評價。

1 圖像預(yù)處理

煙草薄片經(jīng)圖像采集系統(tǒng)采樣、量化過程中由于外部光照不均、電壓閃爍或器件內(nèi)部噪聲等因素影響，數(shù)字量化后呈現(xiàn)的圖像會伴隨一定的噪聲。預(yù)處理階段對圖像進(jìn)行平滑濾波處理能夠在一定程度上消除經(jīng)圖像采集系統(tǒng)或外部干擾帶來的噪聲影響，起到增強圖像信息的目的[6]。

1.1 高斯濾波

Gaussian濾波是一種空域線性濾波方法，其將圖像中每一個像素點的值由其本身和鄰域內(nèi)像素值經(jīng)過高斯濾波器加權(quán)平均后得到，相比頻域方法處理簡單高效，被廣泛應(yīng)用于圖像處理的減噪過程。Gaussian核函數(shù)表示如下

式中：σ為標(biāo)準(zhǔn)差；e為自然對數(shù)。

Gaussian核函數(shù)空域呈現(xiàn)沿X-Y軸對稱的帽型結(jié)構(gòu)，原始圖像與該核函數(shù)進(jìn)行卷積能夠?qū)μ幱跒V波窗內(nèi)的像素點進(jìn)行加權(quán)平均化處理，從而達(dá)到消除噪聲的目的。其中濾波窗口通過高斯核函數(shù)離散化得到的函數(shù)值表示，若Gaussian濾波器G窗口大小為（2k+1）×（2k+1），則有如下表示

假設(shè)原始圖像F（m×n）某像素點灰度值f（x，y），其經(jīng)Gaussian核函數(shù)濾波后的灰度值f"（x，y）可以表示如下

1.2 平滑濾波實驗

采用離散化處理后的Gaussian核函數(shù)對原始圖像的R，G，B3通道分別進(jìn)行卷積濾波后再次合成。其中Gaussian濾波窗口尺寸分別選取3×3、5×5、7×7，σ分別取1、2、4和8。Gaussian濾波處理后的圖像如圖1所示。

從圖1可以看出，濾波窗口尺寸越大，圖像細(xì)節(jié)保留越差，模糊程度越大。σ越大，圖像細(xì)節(jié)保留越差，模糊程度越大。為了能適度減少圖像噪聲，保留圖像細(xì)節(jié)信息，本文采用3×3，標(biāo)準(zhǔn)差σ為1濾波窗口。

圖1 濾波預(yù)處理后圖像

2 圖像色彩空間轉(zhuǎn)換

圖像是人類視覺系統(tǒng)對不同頻率光波的客觀感應(yīng)和主觀感知的綜合呈現(xiàn)，其基于不同函數(shù)功能模型的彩色多維空間在數(shù)字系統(tǒng)中進(jìn)行數(shù)字量化表征。目前常用色彩空間有RGB、Lab和HSV等，不同業(yè)務(wù)領(lǐng)域采用相應(yīng)色彩空間模式進(jìn)行表征能夠后續(xù)處理起到事半功倍的效果。

基于Lab顏色空間表征的圖像是由L、a、b三通道矢量復(fù)合而成的數(shù)字圖像。其L通道分量表征像素點亮度范圍，能夠表示從純黑到純白的亮度范圍；a通道分量表征純綠色到紅色的色彩范圍；b通道分量表征純藍(lán)色到黃色的色彩范圍。Lab顏色空間將視覺系統(tǒng)對亮度及色彩的感受數(shù)字量化，其具備色彩表征能力強、色域范圍寬、設(shè)備相關(guān)性小等特點，可將圖像內(nèi)部的差異化信息更顯著的表征出來，尤為適合圖像分割應(yīng)用。

一般來講圖像采集系統(tǒng)獲得的圖像不能直接由RGB顏色空間轉(zhuǎn)換為Lab顏色空間，需通過XYZ空間進(jìn)行映射轉(zhuǎn)換。假設(shè)圖像在RGB空間表示為f（rij，gij，bij），其中i∈[0，m]，j∈[0，n]，在XYZ坐標(biāo)系表示為f′（xij，yij，zij），Lab坐標(biāo)系表示為f″（Lij，aij，bij），其從RGB空間轉(zhuǎn)換到Lab空間過程如下：

由RGB空間映射到XYZ空間有如下關(guān)系

由XYZ空間映射到Lab空間有如下關(guān)系

式中：xn，yn，zn分別為參照白點的CIE-XYZ的三色刺激值，分別取值96.442，100.000，82.522；f（t）為色彩通道灰度取值與刺激值比值的函數(shù)；t為XYZ色彩通道灰度值與刺激值比值。

將預(yù)處理后的圖像進(jìn)行Lab空間表征，Lab空間表征圖像及其L、a、b3通道分量分別如圖2所示。

圖2 坐標(biāo)空間轉(zhuǎn)換后圖像及3通道分量

3 典型閾值分割方法

3.1 最大類間方差法

最大類間方差法（Ostu），是由日本學(xué)者Nobuyuki于1979年提出的一種基于圖像灰度劃分類別間方差最大選取分割閾值的方法。其依據(jù)圖像灰度直方圖灰度分布特性，篩選出分割閾值，使得目標(biāo)與背景圖像之間的類間方差最大，將初始圖像劃分為有明顯差異性的2部分，從而提取前景圖像。

假設(shè)圖像尺寸M×N，像素平均灰度為u，其分割閾值記為Thd，小于該閾值的圖像像素點數(shù)記為N1，其所占圖像總像素比例為w1，平均灰度值記為u1[7]；大于該閾值的圖像像素點數(shù)記為N2，其所占圖像總像素比例為w2，平均灰度值記為u2。分割閾值兩側(cè)圖像間方差記為G，則有如下表示：

類間方差可以表示為

依Thd遍歷圖像的灰度取值，方差G取值最大時對應(yīng)的Thd即為圖像最佳分割閾值[8]。

3.2 最大信息熵閾值分割法

該方法以信息熵為閾值選取準(zhǔn)則進(jìn)行圖像分割，通過遍歷灰度搜尋最佳分割閾值，使前景與背景2類圖像信息熵值最大，具備較廣泛的應(yīng)用性[9]。

假設(shè)圖像尺寸M×N，像素點灰度值取值區(qū)間[0，L-1]，像素灰度值i的數(shù)量ni，分布概率pi，則pi=ni/（M×N），（i=0，1，2，3...L-1）[10]。

假設(shè)分割閾值為Thd，像素灰度值為i的像素集合為Pi，依Thd劃分為C1和C2兩大類像素集合：C1={P0，P2，...PThd-1}、C2={PThd，PThd+2，...PL-1}。將C1，C2分布概率歸一化處理，可得

則C1和C2信息熵可以分別表示為

圖像信息熵值H=H1+H2。

4 鄰域標(biāo)簽融合的圖像分割方法

從采集的煙草薄片圖像可以看出其像素點色彩分布并非均勻，薄片輪廓范圍內(nèi)存在著若干顯著區(qū)別于整體色調(diào)的微小圖形區(qū)域，該類區(qū)域在灰度直方圖中呈現(xiàn)為灰度峰值顯著高于鄰域的像素點集合。傳統(tǒng)的最大類間方差及信息熵法將灰度閾值作為信息劃分的依據(jù)，原理上難以有效區(qū)分上述圖形區(qū)域，易造成圖像提取過程中的誤分割，影響細(xì)節(jié)完整性。

4.1 基于滑動窗口極值比較的初始聚類中心獲取

提取待分割圖像的L、a、b通道分量灰度直方圖，如圖3所示。

由圖3可以看出，L分量圖像存在2個明顯的波峰及一個較弱的波峰，a分量圖像存在一個主峰，b分量存在一個主峰，且各分量灰度分布區(qū)間內(nèi)存在若干孤立灰度毛刺。圖像在聚類迭代計算過程中，上述灰度毛刺若最為初始聚類中心，極易使聚類迭代過程陷入局部最優(yōu)陷阱。本方法采用滑動窗口極值比較方法本方法采用滑動窗口極值比較方法進(jìn)行初始聚類中心選取，設(shè)置固定長度窗口自坐標(biāo)軸起點向終點滑動，窗口內(nèi)極值與右端臨近窗口極值比較進(jìn)而確定峰值，具體步驟如下：

圖3 圖像三通道灰度分布直方圖

（1）設(shè)置滑動窗口長度M。

（2）從坐標(biāo)軸原點向右滑動，記錄窗口內(nèi)灰度峰值，與左側(cè)臨近窗口內(nèi)峰值對比，高于左側(cè)峰值則將其保留，用作下一次峰值比較，否則剔除。

（3）沿坐標(biāo)軸右側(cè)繼續(xù)滑動搜索，繼續(xù)步驟（2）直至坐標(biāo)終點。

圖像L、a、b三通道分量灰度分布直方圖分別進(jìn)行滑動窗口峰值獲取各通道峰值坐標(biāo)。

4.2 基于圖像L、a、b三分量的K-means聚類分割

從原始圖像的L、a、b3通道灰度分布直方圖可以看出，各分量圖像的波峰分布能夠反映出圖像的全局像素的分布情況，將三分量的峰值的分布位置作為聚類算法的初始聚類中心，可避免聚類算法陷入局部最優(yōu)的陷阱。算法步驟如下。

（1）將圖像L、a、b3通道灰度直方圖進(jìn)行滑動窗口峰值處理，獲取各分量圖像的像素波峰分布集合為

式中：i∈[1，wpnk]，j∈[1，wpnm]，k∈[1，wpnn]，Gvi、Gvj，Gvk分別為L、a、b三通道灰度直方圖的波峰所對應(yīng)的灰度值，k、m、n分別為L、a、b三通道灰度直方圖的波峰數(shù)量。

（2）設(shè)置分類數(shù)K和初始聚類中心，K=k×m×n，圖像的初始聚類中心可表示為

式中：i=j=k=1，2，...K。

（3）計算各像素點Pixi（xi，yi，zi），其中i∈（1，2，...m×n）到各初始聚類中心IC的歐氏距離EDiK（i=1，2，...m×n，K=1，...max{k，m，n}），若EDiK當(dāng)K取m時取得最小值，則將Pixi歸到m類，可得屬于m類的像素集合m={Pixm1，Pixm2，PixmL}。

（4）重新計算聚類中心，可得

（5）判別是否達(dá)到迭代次數(shù)或者迭代精度。否則繼續(xù)步驟（3）、（4）。

4.3 微小領(lǐng)域相鄰區(qū)域標(biāo)簽融合

在煙草薄片的交界邊緣由于其基于閾值的聚類分割由于將色彩閾值作為分割的唯一區(qū)別項，使得難以兼顧局部最優(yōu)、前景圖像中色彩分布不均勻、前景與背景連接邊緣難以界定等原因，在已分割取得的前景圖像中存在若干微小區(qū)域，前景的邊緣被誤剔除。采用聚類分割后的圖像，誤剔除的前景圖像具有如下特征：①色彩分布顯著區(qū)別于前景的整體色彩；②與前景圖像鄰域交接；③形狀呈類圓形；④面積占比較小。

融合算法流程如下：

（1）讀取聚類分割待歸類圖像，獲取其單連通區(qū)域集合IC，其中num為集合IC單連通區(qū)域數(shù)量。

（2）微小連通區(qū)域選取。對集合IC中的區(qū)域單元面積計數(shù)，通過閾值比較保留面積較小區(qū)域，得到微小領(lǐng)域集合MIC。

（3）逐個計算MIC集合連通區(qū)域單元與已歸類前景圖像相交連接數(shù)。

（4）前景-微小領(lǐng)域區(qū)域合并。從MIC中提取連接數(shù)大于等于2的子區(qū)域，將其與前景分割圖像進(jìn)行合并。

綜合上述操作可以獲取信息細(xì)節(jié)更完整的前景圖像信息。

5 實驗結(jié)果對比

為了驗證算法的有效性，本實驗通過設(shè)計最大類間方差、最大信息熵、聚類分割及基于領(lǐng)域標(biāo)簽融合改進(jìn)方法的對比實驗以驗證算法的有效性，對比實驗結(jié)果如圖4所示，測試環(huán)境如下。

圖4 圖像分割對比實驗效果圖

軟件平臺：Matlab R2014a。

操作系統(tǒng)：Windows10。

內(nèi)存：8.00 GB。

處理器：Intel（R）Core（TM）i5-7300HQCPU@2.50GHZ。

顯卡：Intel（R）HD。

6 結(jié)論

從上述實驗對比效果可以看出，本文采用的方法能夠有效地將煙草薄片從背景圖像中提取出來，細(xì)節(jié)信息保留較為完整，解決了傳統(tǒng)閾值分割方法產(chǎn)生的誤分割、微小空洞殘留等問題，為后續(xù)進(jìn)一步開展煙草薄片圖像的深入分析奠定基礎(chǔ)。