基于Meanshift的彩色示溫漆圖像分割算法

胡昊 吳壯志

【摘要】示溫漆圖像分割是示溫漆溫度自動識別的關鍵步驟，本文提出了一種基于Meanshift的示溫漆圖像分割算法。首先利用像素點的五維信息在LUV色彩空間下完成粗分割;然后針對碎片問題應用區域合并的方法消除碎片并完成細分割。實驗結果表明，該方法分割的結果分界線明顯，分割效果較好。

【關鍵詞】示溫漆;色彩量化;Meanshift;區域合并

1.引言

示溫漆測溫技術特點明顯：測試范圍寬，不受結構的限制，能夠比較直觀地反映所測部件的溫度，并提供溫度場的信息，近年來在航空發動機的溫度測試中應用廣泛。利用計算機彩色圖像處理技術設計示溫漆溫度識別系統，能夠解決依靠人眼來判斷的落后檢測，可以大大的提高測量精度，提高工作效率，解決航空發動機溫度測量中存在的諸多問題。示溫漆溫度識別系統主要分為三個步驟：（1）圖像預處理：去除圖像中的噪聲;（2）圖像分割：根據顏色信息分割示溫漆圖像，提取出不同顏色的區域;（3）溫度映射：根據示溫漆溫度值與顏色值的對應數據，識別出各個區域的溫度。圖像分割的效果直接影響到溫度識別的精確度，因此示溫漆彩色圖像分割問題是示溫漆溫度自動識別的關鍵步驟。示溫漆圖像特點明顯：紋理簡單，顏色呈塊狀分布，溫度相近區域之間顏色相近、邊界顏色漸變，溫度相差較遠區域之間顏色相差較大、邊界明顯。目前常用的分割方法主要有：基于區域的分割方法、基于閾值的分割方法、基于邊緣的分割方法、基于聚類的分割方法等。本文根據示溫漆圖像的特征，選取基于Meanshift聚類的算法對圖像進行分割，取得了比較好的分割效果。

2.Meanshift原理

Meanshift是一種迭代統計算法，常用于目標跟蹤和圖像分割領域。最先由Fukunaga和Hostetler在1975年提出。1995年，cheng改進了Meanshift算法中的核函數和權重函數，擴大了Meanshift算法的適用范圍。Comaniciu等首次將meanshift算法應用到圖像空間中，兩個像素點顏色越接近，概率密度越高，聚類中心最終會收斂到概率密度最高的點，該點的顏色即為量化后的顏色。王美玲應用Meanshift算法進行示溫漆圖像分割，采用圖像的LUV空間，通過將彩色圖像亮度值L作為Meanshift的密度函數來尋找像素點L值的密度極大值中心。

給定Rd中的樣本點集，設初始的估算向量為x（可以選取空間中任選一點），為給定的核函數，在重新估算均值時用來決定鄰近點的權重，通常可以選用高斯核函數。由K決定的均值為：

（1）

其中：

N（x）為x的，對N（x）中的點;h表示核寬度。

Meanshift的迭代過程如下：計算m（x）并將其賦給x，重復估算m（x）直到m（x）收斂。

3.Meanshift彩色圖像分割算法

設為彩色圖像的一個像素點，其中為二維的位置向量，為三維的顏色向量。根據文獻[3]，圖像點x的概率密度函數定義為位置概率密度函數和顏色概率密度函數的積：

（2）

其中：

核函數：

表示空間位置的信息，離原點距離越近，其值越大;核函數：

表示顏色的信息，顏色越相似，其值越大。C是一個歸一化參數，hp和hc是核寬度，分別表示空間距離閾值參數和像素值閾值參數。

傳統的RGB色彩空間是根據人眼識別的顏色來定義的，將色調、亮度、飽和度混在一起。本文采用與視覺統一的LUV色彩空間，其中L表示亮度，U、V表示色度。文獻[4]在用Meanshift算法進行示溫漆圖像分割時，只考慮了像素的亮度值L，而沒有考慮色度U、V，而且也沒有考慮像素值的空間信息。本文在算法實現過程中，充分利用像素點所包含的空間信息和顏色信息，將每個像素點x看成一個五維的列向量：

（3）

其中（x，y）表示空間信息，表示顏色信息。其主要思路如下：分割算法分為粗分割和細分割兩步。首先利用Meanshift迭代過程計算每個像素點的概率密度極值點，同一類的點會收斂到相同的極值點，即類中心點。用類中心點的顏色代替類中各點的顏色，完成粗分割;粗分割完成后，由于極值點過多，容易產生過分割，產生一些較小的區域，因此要合并一些類，完成區域合并操作。通過設置類大小參數M，將小于M的類合并到周圍色彩差最小的類中，色彩差定義如下：

（4）

Meanshift分割算法具體步驟如下：

（1）將圖像有RGB色彩空間轉換到LUV色彩空間;

（2）選取合適的和對圖像各像素點進行Meanshift運算;

（3）標記圖像中的各類中心以及圖像中各點所屬的類中心;

（4）各點顏色值替換為所屬類中心的顏色值，完成粗分割;

（5）將小區域合并到周圍色彩最相似的大區域中，完成細分割。

4.實驗的結果與分析

Meanshift圖像分割過程中，hp、hc、M是三個很重要的參數，參數的大小直接影響了分割的效果。實驗中將M設定為圖像大小的1%，即小于1%的區域需要合并到周圍的大區域中。圖1給出了示溫漆圖像1、2、3在不同參數下的分割結果。從圖1可以看到，hp和hc兩個參數的設定對分割的效果起到了關鍵的作用。當hp和hc較小時，分割后的區域數目較多;當hp和hc較大時，分割后區域數目較少，存在顏色丟失的情況。hp和hc的大小直接影響了分割的精度。另外從表2還可以發現，參數的大小與運行時間成正比例關系。表1給出了圖像2在不同參數下的運行時間，參數值越大，Meanshift運算時包含的像素點越多，算法運行時間越長。

圖1 示溫漆圖像1、2、3在不同參數下的分割結果

表1 示溫漆圖像1不同參數下的運算時間

參數 =3 =3 =5 =5 =7 =3 =7 =7 =9 =9

運行時間（秒） 0.175483 0.260182 0.343971 0.361097 0.484425

實驗對K-means算法和Meanshift算法在示溫漆圖像上的分割效果進行了對比，如圖2所示。從圖2中可以看到，第2和第5幅圖中，Kmeans算法存在明顯的色彩丟失情況;第1幅圖中，Kmeans算法分割后，中間出現暗紅色區域;第3幅圖中，Meanshift算法對右半部分圖的分割更為精確;第4幅圖中，Meanshift算法右半部分存在色彩丟失的情況，主要是因為右半部分存在著顏色漸變的區域，顏色非常接近。但總的來說，Meanshift算法的整體分割效果更好。

圖2 Kmeans與Meanshift分割對比

5.結束語

示溫漆圖像分割是示溫漆溫度識別的關鍵步驟，本文提出了一種基于Meanshift的彩色示溫漆圖像分割算法。算法首先通過Meanshift聚類對圖像進行粗分割，然后再利用區域合并消除圖像中存在的碎片問題，實驗結果驗證了算法的有效性。通過與Kmeans算法比較表明，本文算法整體分割效果更好。本文對于Meanshift算法參數的選擇問題上仍存在改進的空間，以便進一步提高量化分割的精確度。

參考文獻

[1]李揚，李志敏.航空發動機渦輪葉片溫度測量技術現狀與發展[C].航空發動機設計、制造與應用技術研討會論文集，2013.

[2]盧志茂.基于聚類分析的圖像分割算法研究[D].黑龍江：哈爾濱工程大學，2012.

[3]Zhang L，Zhang D，Wu C.Scale and orientation adaptive mean shift tracking[C].Computer Vision，2012：52-61.

[4]Khan Z H.Robust Visual Object Tracking Using Multi-Mode Anisotropic Mean Shift and Particle Filters[J].IEEE Transactions on Circuits and Systems for Video Technology，2011.

[5]Fukanaga K，Hostetler L D.The estimation of the gradient of a density function with applications in pattern recognition[J].IEEE Trans Information Theory，1975，21（1）.

[6]Cheng Y Z.Mean shift，mode seeking，and clustering[J].IEEE Trans on Pattern Analysis and Machine Intelligence，1995，17（8）：790-799.

[7]D.Comaniciu，P.Meer.Robust analysis of feature spaces：color image segment[C].Proc.CVPR，1997.750-755.

[8]D.Comaniciu，Visvanathan Ramesh，Peter Meer.Realtime tracking of non-rigid objects using mean shift[C].Proc.CVPR，2000，2：2142-2149.

[9]王美玲.基于彩色圖像處理的示溫漆溫度識別系統[D].江蘇：南京航空航天大學，2009.