基于超像素的海面油膜分割應用

靳衛衛,劉保占,趙建平,栗寶鵑,于新生,邱照宇

(1.中海油能源發展股份有限公司 安全環保分公司,天津 300452；2.中水北方勘測設計研究有限責任公司,天津 300222；3.中國海洋大學 海洋地球科學學院,山東 青島 266100)

近年來，海上石油泄漏事故頻繁發生，對海洋環境造成了巨大的損害[1]，海上溢油的監測和預警技術得到國際社會的廣泛關注，其中，海面油膜分割技術作為應用基礎，得到國內外學者的研究。

隨著電子光學傳感器技術的發展，光譜圖像在海洋環境監測中得到廣泛應用[2-3]。由于海洋環境復雜，普遍存在的風、浪、流、霧等環境因素，采集的電子圖像普遍存在光照不均勻和紋理一致等特點，導致對比度、清晰度低、顏色失真等問題，難以達到圖像分割質量要求。國內外學者開展了相關研究[4-7]。為了快速、準確地實現海面復雜環境下油膜目標的提取，在常規圖像分割算法中，引入海面圖像去噪增強處理和基于區域特征的超像素生成處理，驗證應用效果。

1 圖像增強

針對海面圖像光照不均勻和有霧模糊問題，文獻[4]提出的圖像傳播大氣散射模型，模型公式可表示為

S(x)=D(x)T(x)+A(1-T(x))

(1)

式中：S(x)為原始圖像；D(x)為結果圖像；A為光成分占比；T(x)為光成分穿透率。

經變換，結果圖像可以表示為

大氣光成分A值，文獻[5]指出暗通道圖最小像素值對應的原始圖像中響應區域的區域最大亮度值即可作為A。

光成分穿透率T(x)，文獻[6]給出了計算公式為

式中：w為程度因子；C為圖像RGB其中的一個通道；SC為單通道灰度圖像；AC為單通道光成分占比。

根據上述公式求得大氣光成分A和光成分穿透率T(x)后，便可代入結果圖像公式中求得最終去霧、增強后的圖像，圖1為處理后的海面油膜圖像。

圖1 海面油膜圖像去霧、增強效果圖

2 超像素處理

2.1 顏色空間轉換

據研究，人眼對于亮度變化更敏感，Lab顏色模型更加近似人眼生理視覺模型，其中，L分量符合人眼亮度感覺，更加有利于依據像素值的圖像聚類處理計算，因此，基于Lab顏色空間的相似性衡量更符合目標特性。Lab模型變換可通過以下2個步驟實現。

1)從RGB轉換到XYZ顏色空間，其轉換公式如下。

2)從XYZ轉換到Lab顏色空間， 其轉換公式如下。

通過上述公式變換后，原海面油膜圖像便從RGB顏色空間轉化到Lab顏色空間，圖2為經顏色空間轉化后各通道分量的圖像。

圖2 海面油膜圖像顏色空間轉換分量圖像

2.2 超像素生成

SLIC超像素生成算法將圖像像素的顏色值和坐標組成一個5維向量V(L，a，b，x，y)，2個像素的相似性即可由其歐式距離來度量，距離越小就越相似。

圖像像素間相似性計算公式如下。

式中：dc為顏色距離；ds為空間距離；Ns為類內最大空間距離；Nc為最大的顏色距離。簡化后距離度量公式變為

式中：m為常數，取值為1.0～40.0，取經驗值10.0。

經過SLIC算法生成的超像素圖像見圖3，超像素能較好地貼合油膜邊界，使得超像素內相似性最高，表征油膜區域特征。

圖3 海面油膜超像素劃分圖像

3 聚類分割

與基于像素特征的聚類分割算法不同，將超像素作為圖像特征基礎單元，代表區域像素的綜合信息，結合K-means聚類算法將n組樣本劃分為不相交的集群Ck，每個集群中用樣本的均值μk所描述的，滿足集群中差異最小化，用公式表述為

由于K-means算法存在局部最優的風險特點，容易受到種子點選擇的影響。為了避免具備最優化問題，引入二叉樹分裂概念，對k-means算法進行優化形成二分k-means算法。二分k-means算法主要思想:將圖像目標分裂成2個小的cluster，對每個cluster二叉樹分裂求解，以此類推經過K-1次分裂后即可得K個分類，此算法對種子的選擇不敏感，有效解決局部最優的問題。采用二分k-means算法對海面油膜超像素結果進行聚類處理，結果見圖4。

圖4 海面油膜聚類分割結果

4 結論

針對海面油膜圖像光照不均勻、清晰度低、像源信息大等特點，采用大氣散射模型和暗通道先驗圖像算法進行預處理，充分利用超像素區域特征代替傳統像素特征，有效地降低圖像分割計算量，同時，利用圖像區域相似特征有效去除圖像中的椒鹽噪聲，使得增強后的海面油膜分割算法抗噪能力和計算效率上具有較強優勢，能夠快速提取海面油膜。