青銅器小碎片圖像分割方法研究

王棟娟

(山西省財政稅務(wù)專科學(xué)校信息學(xué)院，山西 太原 030024)

0 引言

青銅器是我國歷史文化的重要組成部分，但在出土?xí)r常呈碎裂、腐蝕狀，因此拼接修復(fù)任務(wù)十分艱巨。目前針對不同類型的文物碎片提出了很多修復(fù)方法，但碎片圖像的前期處理(包括去噪、分割等)階段主要還是靠人工來完成，這樣需要耗費極大人力成本。因此找到一種簡單高效的青銅器小碎片目標(biāo)分割提取方法是非常重要的。

目前圖像分割方法主要有以下幾種：一是基于閾值的分割方法，有算法用Otsu分割顯微圖像[1]、河冰圖像[2]，并根據(jù)采集到的圖像特點采用不同預(yù)處理方式，取得了較好的分割效果。二是基于邊緣的分割算法[3]，由于不同區(qū)域之間的邊緣灰度值變化較大,可根據(jù)邊緣強度的不同檢測提取目標(biāo)。三是基于區(qū)域的分割研究[4]，有針對復(fù)雜背景下的小目標(biāo)分割方法，關(guān)鍵在于種子點的選取和停止準(zhǔn)則的確定。還有學(xué)者研究基于模糊集的分割方法[5]，能很好地處理復(fù)雜、模糊的問題。而青銅器小碎片目標(biāo)和背景相對單一，且受光照不均和陰影掉渣等采集問題的影響，上述這些方法并不適用。另有學(xué)者利用神經(jīng)網(wǎng)絡(luò)開展分割研究[6,7],雖能很好地分割規(guī)則不明確、相對復(fù)雜的圖像，但是運算量較大，費時費力。

為此，本文提出了一種基于底帽變換和Otsu算法的分割方法，對采集的碎片圖像提取灰度圖做中值濾波，并經(jīng)過底帽變換處理，然后用Otsu算法分割圖像，最后利用連通域消除錯分割的背景，得到了較好的效果。

1 圖像預(yù)處理

1.1 濾波去噪

青銅器小碎片的原有紋理易被銹蝕，因此基于色彩和紋理拼接難度較大。在圖像預(yù)處理的過程中，一般可以忽略色彩而注重輪廓提取，為提高運算效率，提取圖像的灰度圖即可。且在圖像采集過程中，碎片表面會有氧化物，在取放時候極易掉渣，而產(chǎn)生的細(xì)小脫落物會影響到拍攝效果。由于這些脫落物在圖像上呈現(xiàn)為細(xì)小黑色點狀，因此本文采用中值濾波的方式來消除碎屑帶來的影響。

1.2 底帽變換

由于圖像采集場地限制，光照明顯不均勻，且在拍照過程中可能會導(dǎo)致碎片邊緣有少許陰影，根據(jù)實際拍攝效果，屬于背景亮目標(biāo)暗的情況，因此選用底帽變換來解決上述問題。底帽變換是利用數(shù)學(xué)形態(tài)學(xué)的變換實現(xiàn)的。令結(jié)構(gòu)元為b，則底帽變換定義為：

B(f)=(f·b)-f

(1)

式中，·表示閉運算;f為灰度圖，即選用合適的結(jié)構(gòu)元b對濾波后的灰度圖像f做閉運算之后減去圖像f即可得到底帽變換的結(jié)果。

2 圖像分割

2.1 Otsu圖像分割

本文目標(biāo)與背景的大小比例適當(dāng)，且背景簡單，目標(biāo)單一，因此適用Otsu方法對圖像進行分割。Otsu算法是以在一幅圖像的直方圖上執(zhí)行計算為基礎(chǔ)，具體內(nèi)容如下[8]：記k為前景與背景的分割閾值，前景點數(shù)占圖像比例為p1，平均灰度值為m1；背景點數(shù)占圖像比例為p2，平均灰度為m2。則圖像的總平均灰度為：

mG=p1m1+p2m2

(2)

從最小灰度值到最大灰度值遍歷k，當(dāng)k使得方差值

σ2=p1(m1-mG)2+p2(m2-mG)2

(3)

最大時k即為分割的最佳閾值。得到閾值后即可對圖像進行二值化處理。

2.2 去除連通分量

由于部分小碎片表面存在氧化或者金屬反光現(xiàn)象，在圖像二值化后碎片內(nèi)部可能會有部分目標(biāo)被錯分割為背景，這些部分可以看作是圖像取反后較小的連通分量被去除，具體方法如下：

1) 將二值圖像取反，在取反結(jié)果中進行連通區(qū)域標(biāo)記，使得不同連通域有唯一的各自的標(biāo)記值。

2) 通過標(biāo)記值計算出在圖像各個連通域中的像素總個數(shù)，即各個連通域的面積。

3) 刪除面積較小的連通域，將結(jié)果圖像取反。

3 實例分析

為驗證本文算法的可行性和有效性，實驗在Matlab R2019a軟件上進行，實驗平臺為Windows 10。碎片實際尺寸均小于5 cm×5 cm，根據(jù)圖像大小確定結(jié)構(gòu)元大小為200，所用碎片的數(shù)字圖像均為垂直定點拍攝。

3.1 主觀評價

以3幅青銅器小碎片采集圖像為例，圖1為第一組實驗圖像，其中圖1(a)為小碎片原圖像，碎片左上部分有金屬反光，且圖像不均勻光照非常明顯。為更直觀地看到碎片陰影及部分脫落物，將碎片部分細(xì)節(jié)放大，如圖1(b)所示。圖1(c)為中值濾波后的圖像，細(xì)小的脫落物被很好地去除，具體細(xì)節(jié)放大如圖1(d)所示。圖1(e)為底帽變換的結(jié)果，可以看出不均勻光照背景被很好地去除，目標(biāo)明顯突出。圖1(f)為用Otsu方法分割圖像的結(jié)果。由于碎片部分金屬反光，在經(jīng)過底帽變換處理后，易被錯分割為背景，通過圖像取反計算連通域的面積，去除較小的連通域。圖1(g)為本方法的最終結(jié)果圖，可以看出目標(biāo)碎片被很好地分割出來。圖1(h)為未用底帽變換的Otsu分割結(jié)果，此結(jié)果受光照影響較大，效果不佳。

圖1 第一組實驗圖像

圖2(a)、(b)為兩個不同碎片原圖像，圖2(c)、圖2(d)分別為碎片原圖對應(yīng)的實驗結(jié)果圖，可以看出碎片目標(biāo)被很好地分割出來，相比之下碎片3的背景偏暗，陰影部分和脫落物較多，但是依然能夠很好地將目標(biāo)分割出來。

圖2 碎片原圖像及實驗結(jié)果

3.2 客觀評價

為定量評價本文算法的性能，采用杰卡德相似系數(shù)(JS)和斯皮爾曼相關(guān)系數(shù)ρ作為評價指標(biāo)，將本文算法結(jié)果與經(jīng)人工處理碎片原圖像的二值結(jié)果相比較。令A(yù)為碎片圖像真實前景，B為經(jīng)本文算法所得前景，則JS可定義為[9]：

(4)

N(.)表示閉合區(qū)域內(nèi)的像素個數(shù)。JS指標(biāo)越接近于1，表明分割的結(jié)果越好，算法的性能也越好。而斯皮爾曼相關(guān)系數(shù)ρ定義為：

(5)

其中，N表示像素個數(shù);di表示兩個數(shù)據(jù)次序的差值。斯皮爾曼相關(guān)系數(shù)來計算兩個矩陣的相似度。系數(shù)越接近于1表示A和B的相似度越大，即分割結(jié)果越相似。其結(jié)果如表1所示。

由表1不難看出，JS指標(biāo)及斯皮爾曼相關(guān)系數(shù)均接近于1，表明本文算法的結(jié)果和經(jīng)人工處理的圖像結(jié)果相似度高，說明圖像分割方法的性能很好。且處理一副圖像的時間約為3～4 s，而人工處理一幅圖像至少需要30 s,甚至更久(視圖像復(fù)雜程度而定)，在運行速度方面本文算法相比人工有很大優(yōu)勢，且能減少人工處理帶來的影響，為后續(xù)拼接奠定良好基礎(chǔ)。

表1 算法評價指標(biāo)

4 總結(jié)

本文提出了一種基于底帽變換和Otsu的青銅器小碎片分割方法。首先將青銅器小碎片灰度圖中值濾波后做底帽變換處理，然后用Otsu分割方法進行分割，最后利用圖像取反去除連通分量的方法提高分割效果。利用本文的方法對3幅青銅器小碎片進行了實例驗證。結(jié)果表明本文的方法能成功分割出青銅器小碎片目標(biāo)，減少了圖像預(yù)處理工作。在后續(xù)的研究過程中將繼續(xù)下一步碎片特征提取的問題，方便后續(xù)匹配。