鋼板表面缺陷圖像分割效果評價方法

陳 躍

CHEN Yue

（徐州工程學院 機電學院，徐州 221111）

0 引言

人們已經(jīng)對圖像分割進行了大量研究，也提出了很多分割方法，圖像分割的方法主要分為三種：基于閾值的分割、基于邊緣的分割和基于區(qū)域的分割。盡管圖像分割方法多種多樣，但是并沒有哪種分割方法適合所有的圖像，針對某種圖像分割效果較好的方法，可能對于其他圖像就無法取得很好的分割效果。分割效果到底如何，需要進行一定的評價，人的主觀評價受到個人觀點、知識量甚至情緒等影響，對同一分割結果，不同人的評價結果會有差別；而采用計算機技術的客觀評價方法不受外界因素干擾，因此有越來越多的學者進行這方面的研究。

一幅圖像的分割效果如何，除了和原始圖像在視覺上進行對比產生的主觀評價外，還要與分割的目的以及實際應用要求相聯(lián)系。僅從圖像本身角度出發(fā)，人們對于分割效果的評價方法有很多，Yasnoff等人[1]于1977年提出“錯誤分類百分比和”和“像素距離誤差”兩個測度來評價圖像分割算法，Canny[2]于1986年提出了用邊緣檢測的精度來評價分割效果的方法；Chalana[3]等人1997年提出將分割后圖像與人工分割的圖像進行比較來評價醫(yī)學圖像分割效果的方法。還有其他學者提出了不同的圖像分割效果評價測度，如Udupa提出的可靠性、精確性和效率評價三要素，Ortiz[4]提出正確分類比例、過分割比例和欠分割比例三個評價測度；MaYide[5]選用四種評價準則即交叉熵、區(qū)域內部均勻性、形狀測度和區(qū)域對比度進行綜合，提出了一種綜合評價指標，也存在客觀評價結果與主觀評價結果不一致的情況；章毓晉[6]提出利用對目標特征的測量精度作為準則來判斷分割后圖像的質量，利用專門設計的合成圖檢驗不同分割算法的性能；侯格賢[7]利用模糊度測度提出了一個綜合評價函數(shù)，對分割質量評價結果與人的視覺效果基本一致；文獻[8,9]對醫(yī)學圖像分割算法提出了性能評價的方法和準則；21世紀初，分割評價的學術地位和意義才得到普遍的認識和肯定，相繼有大學的研究團隊進行分割評價的研究，并提出了系統(tǒng)的分割評價方法[10～15]。以上這些分割評價方法均屬于有監(jiān)督評價方法，建立在有可供參考標準的基礎上，在實現(xiàn)過程中均要求有正確分割的圖像作為對比來進行計算，而正確分割的圖像往往需要人工分割，這就要求進行人工分割的專家做大量的分割標記工作，而且不同的專家對同一幅圖像的分割結果也有差別，即使同一個專家在不同情況下對同一幅圖像的分割結果也可能不同，這對分割效果的評價會產生不確定的影響；無監(jiān)督的分割效果評價方法，是通過對分割后圖像像素的統(tǒng)計分析來確定分割方法的優(yōu)劣，這種方法不需要預先確定分割標準，也不要人工精確分割的圖像，是通過“區(qū)域內均勻性”、“區(qū)域內差異性”和“區(qū)域間差異性”三個測度來進行評價的，這種評價是針對具有不同灰度變化的分割后圖像，并非針對分割后的二值圖像，對于二值圖像，只有在分塊區(qū)域跨越背景和前景的情況下區(qū)域內的像素才會出現(xiàn)差異，分塊區(qū)域大小不同計算結果也會出現(xiàn)較大變化，因此這種方法不太適合分割后的二值圖像評價。閔超波等[16]提出“局部視覺亮度差指標、全局視覺顯著性指標和亮度波動性指標”作為價紅外圖像中顯著性目標分割效果參數(shù)，是一種無先驗知識的紅外目標分割評價方法，評價結果與主觀視覺效果一致性較高。

對于鋼板表面的缺陷圖像，由于其背景像素變化復雜，和缺陷區(qū)域內像素值存在很多重疊，只有通過實驗來對分割效果進行評價。本文針對帶鋼表面缺陷分割后的二值圖像，提出采用像素離散度、缺陷區(qū)域重合度和缺陷區(qū)域面積來對不同分割方法的分割結果進行評價。

1 鋼板表面缺陷圖像分割效果評價方法

帶鋼表面缺陷圖像的分割目的是為了提取缺陷的部分特征，用于后續(xù)的缺陷分類。因此評價分割效果應該從特征提取角度來進行，同時還要考慮分割出的缺陷是否和原圖像中的缺陷出現(xiàn)了較大偏移，而對分割精確度并不需要太高，即使出現(xiàn)了部分的過分割或者欠分割，只要對缺陷特征提取不產生太大影響則不用過多考慮。鋼板表面的物理特點使得圖像中出現(xiàn)大量細小紋理，再加上噪聲影響，使背景和前景中存在大量灰度值相同的像素，噪聲可以通過濾波予以減弱或消除，但鋼板自身亮暗變化會使分割后的圖像中存在很多并非屬于缺陷區(qū)域的亮區(qū)域，這些對缺陷的特征提取會產生很大影響，因此，本文提出以“像素離散程度”作為帶鋼圖像分割結果的一個評價測度，離散程度越小，則細小紋理保留越少，分割出的缺陷越集中。如果分割出的缺陷只有一個連續(xù)區(qū)域，則離散度用各像素到缺陷區(qū)域質心距離的平均值來計算；另外，考慮到分割后的缺陷區(qū)域是否與原圖像中的缺陷區(qū)域重合，如果發(fā)生較大偏移則說明分割結果背離原始信息，不能用來進行缺陷特征提取，本文提出用人工分割圖像缺陷區(qū)域和本文算法分割缺陷區(qū)域的“重合度”來作為第二個分割效果評價測度，兩者缺陷區(qū)域質心距離越小，則兩者重合度越高，分割準確度越好；第三，以上兩個參數(shù)能說明分割后的缺陷位置分布情況，無法表達缺陷形狀是否和視覺效果一致，因此第三個參數(shù)擬采用缺陷面積來評價，面積本來無法描述形狀，但是不管采用哪種分割方法，其分割的根本原理是類似的，因此分割出的缺陷形狀可能會由于過分割或欠分割導致分割結果面積變小或變大，但是形狀相差不大，因此用缺陷面積結合前兩個參數(shù)共同評價分割效果。前兩個參數(shù)表達式分別用式(1)和式(2)來描述，面積則可以通過統(tǒng)計缺陷區(qū)域像素個數(shù)來代替。

像素離散度：

為了減少計算量，通過不同亮區(qū)域的質心之間的距離來表達像素的離散度，式(1)中mci為某個亮區(qū)域的質心，Dis為任意兩個亮區(qū)域之間的距離，即像素離散度是兩兩亮區(qū)域質心之間距離之和的平均值。px和py為某個亮區(qū)域中像素的坐標。式(1)中之所以除以總像素個數(shù)，是為了消除不同大小的圖像本身尺寸對離散度的影響。

重合度：

mcm是人工分割圖像中亮區(qū)域的質心，mca是自動分割圖像亮區(qū)域的質心。質心計算方法同式(2)。

缺陷面積的計算，由于每個像素所占的面積相同，可以直接用像素的個數(shù)來表示面積大小。

采用這三個參數(shù)，選取帶鋼表面缺陷原始圖像作為樣本，分別用K-means分割法、區(qū)域增長分割法和改進視覺注意機制分割法進行分割，計算出每個分割結果的三個參數(shù)，根據(jù)參數(shù)判斷分割結果的質量，并判斷與視覺效果是否一致。

2 鋼板表面缺陷圖像分割結果對比評價

帶鋼表面缺陷原始圖像作為樣本，如圖1所示。

圖1 帶鋼表面缺陷原始圖像

K-means聚類分割方法分割結果如圖2所示。

圖2 K-means分割法分割結果

區(qū)域增長法分割結果如圖3所示。

圖3 區(qū)域增長法分割結果

改進視覺注意機制分割方法分割結果如圖4所示。

圖4 改進視覺注意機制分割法分割結果

對以上三種分割結果，分別計算上文所述的三個參數(shù)，計算結果如表1～表3。

表1 缺陷離散度值

表2 缺陷重合度值

表3 缺陷面積(像素數(shù))

由表1可以看出，用缺陷離散度參數(shù)判斷缺陷分割效果，前三個圖像，三種分割方法離散度值相差較小，后三個圖像，改進視覺注意機制方法明顯小于前兩種方法，因此離散度能夠反映出缺陷區(qū)域在圖像中分布情況，計算出的結果與分布相一致，但對于沒有有效進行缺陷分割的圖像，其離散度值可能比分割出的缺陷離散度值還小，這主要是非缺陷亮塊的不規(guī)則分布引起的。表2中重合度，通過計算手工分割缺陷的質心和自動分割缺陷的質心之間的距離來表達，對有效分割出的缺陷，在本文方法中，只有殼狀凸起缺陷的重合度比前兩種方法差一些，其他缺陷圖像分割結果重合度要好于前兩種方法，說明分割結果更接近于手工分割的質心位置。由表3的面積參數(shù)來看，以手工分割結果為標準的話，除了殼狀凸起缺陷的區(qū)域增長分割的缺陷面積更接近于手工分割結果外，其他的缺陷圖像本文分割方法的分割結果更接近于手工分割結果。綜合三種評價參數(shù)來看，改進視覺注意機制的分割方法的分割結果更優(yōu)。

3 結論

對帶鋼表面缺陷的圖像的K-means分割法、區(qū)域增長分割法和改進視覺注意機制分割法的分割結果進行評價，提出采用像素離散度、缺陷區(qū)域重合度和缺陷區(qū)域面積三個參數(shù)來評價分割效果。針對分割結果計算出的三個參數(shù)值大小與圖像的視覺表現(xiàn)一致，說明采用此種方法評價帶鋼表面缺陷圖像的分割效果是有效的。

[1]Yasnoff,William A.,Mui,Jack K.,Bacus,James W.Error Measures for Scene Segmentation[J].Pattern Recognition.1977,9(4):217-231.

[2]Canny,John.Computational Approach to Edge Detection[J].Pattern Analysis and Machine Intelligence.1986,8(6):679-698.

[3]Chalana,Vikram.Methodology for evaluation of boundary detection algorithms on medical images[J].IEEE Transactions on Medical Imaging.1997,16(5):642-652.

[4]Ortiz de Solorzano,C.,Chin,K.,Chou,W.S.,etc.Measurement of genetic instability in breast cancer by confocal microscopy and 3D image analysis[A].Annual International Conference of the IEEE Engineering in Medicine and Biology[C].1999(2):822-826.

[5]馬義德,蘇茂君,陳銳.基于PCNN的圖像二值化及分割評價方法[J].華南理工大學學報(自然科學版).2009,37(5):49-53.

[6]章毓晉.一種評價圖像分割技術的新方法[J].模式識別與人工智能.1994,7(4):199-304.

[7]侯格賢,畢篤彥,吳成柯.圖象分割質量評價方法研究[J].中國圖象圖形學報.2000,5(1):39-43.

[8]Niessen W J,Bouma C J,Vincken K L et al.Error metrics for quantitativeevaluation of medical image segmentation[J].Proc.Theoretical Foundations of Computer Vision.1998:275-284 .

[9]Chalana V,Kim Y.A methodology for evaluation of boundary detection algorithms on medical images[J].IEEE Trans.Medical.Imaging.1997,16(6):642-652.

[10]Ranjith U,Caroline P,Martial H.Toward objective evaluation of image segmentation algorithms[J].IEEE Trans.On Pattern Analysis And Machine Intelligence.June 2007,29(6):929-944.

[11]Ranjith U,Caroline P,Martial H.A measure for objective evaluation of image segmentation algorithms[A].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05)[C].2005:34-41.

[12]Ranjith U,Martial H.Measures of Similarity[A].Proc.7th IEEE Workshop on Applications of Computer Vision (WACV/MOTION’05)[C].2005,1:394-400.

[13]Feng G,Song W,and Liu T C.Image Segmentation Evaluation From the Perspective of Salient Object Extraction[A].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06)[C].2006:98-114.

[14]Zhang H,Fritts J E,Goldman S A.An Entropy-based Objective Evaluation Method for Image Segmentation[J],Proc.SPIE Storage and Retrieval Methods and Applications for Multimedia.2003,53(7):38-49.

[15]Zhang H,Fritts J E,Goldman S A.Meta-Evaluation of Image Segmentation Using Machine Learning[J].Proc.IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR’06).2006:1138-1145.

[16]閔超波,張俊舉,常本康.無需先驗知識的紅外顯著性目標分割評價準則[J].模式識別與人工智能.2013,26(12):1106-1114.