基于閾值分割的石化保溫管線高溫區域提取方法

2015-05-30 10:48:04張振杰丁鄴肖里引

計算機時代 2015年8期

張振杰　丁鄴　肖里引

摘要：石化系統的蒸汽管網保溫狀況可分為兩大類：正常溫度區域和高溫區域。巡檢中快速定位蒸汽管網的超溫區對安全運行、節能與環保至關重要。為了從紅外圖像中快速正確地獲取超溫區域并定位，根據一維基本的Otsu方法，給出了一種二維Otsu雙閾值自動獲取方法，并將此用于蒸汽管網紅外圖像分割。對實際采集到的管網紅外圖像進行仿真研究，結果表明，采用二維Otsu方法獲得的閾值能夠較好地過濾掉樹木、灌木等環境干擾，分割保溫管線中的正常溫度區域和高溫區域，滿足了實際工程的需要。

關鍵詞：紅外圖像；圖像分割；蒸汽管網； Otsu

中圖分類號：TP399 文獻標志碼：A 文章編號：1006-8228（2015）08-15-03

Extraction method of high temperature region in petrochemical thermal insulation pipeline

based on threshold segmentation

Zhang Zhenjie1， Ding Ye2， Xiao Liyin2

（1. Research Institute， Lanzhou Petrochemical Co.， Lanzhou， Gansu 730060， China；

2. University of Science & Technology Beijing， School of Automation and Electrical Engineering）

Abstract： The thermal insulation of steam pipe network in the petrochemical system can be divided into two categories： normal temperature and high temperature area. In the inspection， to quickly locate the over-temperature area of the steam pipe network is very important for safe operation， energy saving and environmental protection. In order to get over-temperature area and locate it from the infrared image quickly and correctly， according to the method of one-dimensional basic Otsu， this paper presents a dual-threshold automatic acquisition method of two-dimensional Otsu， which is used for segmentation of steam pipe network infrared image. According to the simulation of real infrared images collected， the results show that the threshold obtained by two-dimensional Otsu method can effectively filter out the environmental interference including trees or shrubs， and divide the insulation pipeline into normal temperature and high temperature area， that meets the needs of practical engineering.

Key words： infrared image； image segmentation； steam pipe network； Otsu

0 引言

本文以中國石油某分公司蒸汽管線保溫效果檢測為背景。當蒸汽管網上存在較多超溫區域時，蒸汽管網的散熱損失將快速增長，這是造成蒸汽熱量損失的重要原因[1]。大多數情況下超溫區域人眼無法觀察到，如果不能及時發現這些溫度超標區域，將造成能量浪費，提高企業成本，甚至帶來安全隱患導致生產事故。

利用紅外熱像儀可以獲得表征管線溫度信息的紅外圖，但是由于紅外圖在獲取時受到樹杈遮擋等因素造成其背景往往比較復雜，在紅外圖上不容易直接觀察出什么區域是低溫區，什么區域屬于高溫區。本文試圖用圖像分割方法將紅外圖像中心背景（包括樹杈等）低溫區和高溫區分割開來。所謂圖像閾值分割方法就是利用一個或幾個閾值將將圖像灰度進行分割，這類方法通常具有簡單，快速，應用范圍廣的特性。但其關鍵在于閾值的選擇和確定上[2]。

閾值的確定有人為給定和自適應獲取兩大類。自適應閾值法因適用性更廣得到廣泛關注，其中最著名的是Nobuyuki Otsu[3]提出的一種自動選取閾值的圖像分割方法。該算法選擇最優閾值的判別標準是，最大限度地使兩類灰度級的差別達到最大，即Otsu（最大類間方差）算法，該方法穩定性好，適應能力強。1980年，Thierry Pun[4]提出了一種基于熵的概念的自動閾值分割方法，該方法引入了熵的概念，得到了很好的分割效果。1989年，Abutaleb A S[5]認為一維最大熵閾值法可以有效地從背景中分離所需的對象，但是該種方法沒有考慮到圖像像素之間的空間相關性，因而當像素之間的空間相關性比灰度值更加重要時，其性能會迅速下降，因此他提出了將一維熵閾值擴展至二維。但自適應閾值法目前一次只能得到一個閾值，這對需要多分類的蒸汽管網紅外圖像的分割是不夠的。本文首先在將一維的單閾值Otsu方法推廣到一維多閾值獲取的基礎上，提出一種閾值自適應獲取方法，然后將一維方法推廣到二維上，并將這些方法用于蒸汽管網紅外圖像分割。

1 一維Otsu方法

紅外圖像中的灰度值與物體表面溫度值是單調對應關系。由于本文要獲得溫度閾值，因此下面在表述上均以溫度值代替灰度值。

一維Otsu的單閾值獲取方法[6]：設圖像有L個溫度級，溫度值是i的像素數為n，則總的像素數是

⑴

每個溫度級出現的概率為：

⑵

設閾值t將圖像分割成2個區域：溫度正常區域C0={0，1，2，…，t}和高溫區域C1={t+1，t+2，…，L-1}，他們出現的概率分別為：

⑶

設C0、C1區域的溫度均值分別為：

⑷

圖像總的溫度均值為：

⑸

由此可以得到正常溫度區域C0、高溫區域C1的類間方差：

⑹

則，由⑺式可得到最佳閾值t*：

⑺

2 二維Otsu雙閾值獲取方法[7]

參考文獻[7]將二維Otsu閾值定義在圖像灰度上的方法，本文將閾值定義在紅外圖像中的溫度數值上。假設對于一幅M×N的數字圖像，記f（x，y）表示點（x，y）處的溫度值，記g（x，y）表示點（x，y）的k×k鄰域的平均溫度值，定義如下：

⑻

橫坐標為溫度值f（x，y）和縱坐標為該點的鄰域平均溫度值g（x，y）可以組成一個二元組，記為（i，j）。

定義二維溫度直方圖為：在一個L×L大小的正方形區域，L為圖像的溫度級，空間點的值是二元組（i，j）出現的次數cij，求得二元組（i，j）出現的概率Pij（i=1，2，…，L，j=1，2，…，L）。

⑼

二維雙閾值Otsu算法任意給定的是兩個閾值（s1，t1）和（s2，t2），這兩個閾值實數對將圖像分割成9個區域，如圖1所示。

圖1 二維雙閾值Otsu算法直方圖

對角線上區域1、5、9分別對應C0、C1和C2，而區域2、3、4、6、7、8是圖像的噪聲，若忽略紅外圖像中的噪聲，則它們近似為零[8]。

于是C0、C1和C2出現的概率分別為：

⑽

⑾

⑿

C0、C1和C2在x軸和y軸的溫度均值分別為：

⒀

⒁

⒂

整個圖像在x軸和y軸的總體溫度均值為：

⒃

于是，C0、C1和C2區域的類間方差定義為：

⒄

則，最優分割閾值（s1*，t1*），（s2*，t2*）可由⒅式得到。

⒅

顯然⑽～⒅式可以容易推廣到更多閾值的自動獲取上，但是計算量也會隨閾值數量的增加而呈指數增長。

3 仿真結果

對項目中復雜背景的紅外圖，用二維雙閾值的Otsu分割得到的仿真結果與一維單閾值對比如圖2所示。

圖2結果表明，二維Otsu雙閾值算法能夠較好地分割出管線上的高溫區域分布情況（圖像中高亮白區域），可以清楚分辨樹杈等環境干擾。

4 結束語

本文針對石化系統保溫管線紅外圖像中高溫區域的分割問題開展研究。在實際情況中，由于保溫管道周圍存在樹木，灌木等多種干擾，因此需要將保溫管道紅外圖像中的環境干擾、正常溫度區域和高溫區域分開。本文給出了一種二維Otsu雙閾值方法，能自適應獲得分割閾值，并且兼顧到圖像像素的幾何位置。本文涉及的方法均可很方便地推廣到更多閾值上。仿真結果表明，本文給出的二維Otsu雙閾值方法能夠有效地排除環境干擾，將保溫管線紅外圖像中的正常溫度區域和高溫區域分割開。

二維Otsu雙閾值方法雖然解決了保溫管線高溫區域的分割問題，但是仍有一些方面有待改進，例如算法復雜度將隨閾值增加而指數增加。

參考文獻：

[1] 李曉剛，付冬梅.紅外熱像檢測與診斷技術[M].中國電力出版社，

2006.

[2] 朱虹.數字圖像處理基礎[M].科學出版社，2005.

[3] Nobuyuki Otsu. A threshold selection method from gray-level

histogram[J].IEEE Trans on System， Man and Cybernetics，1979.9（1）：62-66

[4] Thierry Pun.A new method for gray-level picture thresholding

using the entropy of the histogram[J].Signal Process，1980.2（3）：223-237

[5] Abutaleb A S.Automatic thresholding of gray-level pictures using

two dimension entropy[J]. Computer Vision， Graphics and Image Processing，1989.47（1）：22-32

[6] 胡敏，李梅.改進的Otsu算法在圖像分割中的應用[J].電子測量與儀