梁禮明，吳 健，夏雨辰

(江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000)

?

均值漂移算法的鐵路護欄網(wǎng)格提取

梁禮明，吳 健，夏雨辰

(江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000)

針對鐵路沿線護欄的檢測問題，提出了一種改進的均值漂移算法。首先，從閾值分割算法入手，得到鐵路防護欄網(wǎng)格區(qū)域的顏色范圍；然后，基于均值漂移算法對其進行圖像平滑和分割；再針對產(chǎn)生的過分割圖像，采用基于最小面積的合并停止準(zhǔn)則來進行區(qū)域合并；最后進行網(wǎng)格提取。實例驗證表明：改進的均值漂移算法的效果優(yōu)于傳統(tǒng)的均值漂移算法。

鐵路護欄；網(wǎng)格提??；閾值分割；均值漂移；區(qū)域合并

0 引言

鐵路護攔網(wǎng)主要用于防止行人或動物穿越鐵路，保護列車線路行駛安全。目前開發(fā)的綜合檢測列車中，都安裝有視頻監(jiān)測系統(tǒng)，用于線路環(huán)境監(jiān)測和軌道狀態(tài)檢測，但線路環(huán)境監(jiān)測也只是利用車頭攝像機拍攝列車運行的前方視景，并沒有單獨針對護欄網(wǎng)進行自動檢測[1]。由于對線路環(huán)境信息的分析仍然是人工完成的，因此監(jiān)測效率較低。而全景拍攝的鐵路護攔網(wǎng)用自動化設(shè)備實行實時檢測也很難達到要求[2]。

鐵路護欄檢測方面研究文獻較少，而網(wǎng)格圖像特征提取方面仍有相關(guān)研究。文獻[3]采用基于隱馬爾科夫模型(HMM)解碼方法提取網(wǎng)格圖像中的直線，但處理圖像的背景無干擾。文獻[4]利用網(wǎng)格變化的規(guī)律提取網(wǎng)格特征，但覆蓋在圖像上方的網(wǎng)格必須是完整的。本文研究的鐵路防護欄圖像中的網(wǎng)格區(qū)域在圖像中所占面積比例很小，相當(dāng)于是許多個狹窄的細(xì)小區(qū)域的集合。鐵路護欄圖像分割背景復(fù)雜，網(wǎng)格提取困難，數(shù)據(jù)量巨大，為了以后向?qū)崟r檢測的推廣，不適合采用太過復(fù)雜的分割方法。所以，根據(jù)圖像中比較突出的像素特征和幾何結(jié)構(gòu)的先驗信息等特點，先從經(jīng)典閾值分割方法入手，并重點對均值漂移(Mean Shift)圖像分割等方法的理論和應(yīng)用進行研究。

1 閾值圖像分割方法

本次實驗采用的圖像是本項目圖片全圖的1/16，其中圖像的大小為378 pixel×504 pixel。圖像的目標(biāo)為綠色的網(wǎng)格，分別將鐵路護欄圖像RGB空間的3個分量當(dāng)成單獨的灰度圖,用閾值法進行分割；項目采集的原圖像(見圖1a)三分量的直方圖如圖1b、圖1c和圖1d所示，各個分量的直方圖均為單峰值直方圖，通過直方圖閾值法實驗[5],結(jié)果得出無法直接找到合適的閾值。

實驗先采用傳統(tǒng)閾值圖像分割方法對圖像進行分割并觀察效果。圖2為傳統(tǒng)閾值圖像分割方法。圖2a中利用Otsu法[6]獲取的閾值G分量閾值Tg=94；圖2b中利用最大熵閾值分割法[7]獲取的閾值為Tg=158；圖2c中Niblack局部閾值法[8]獲取的閾值為Tg=191；圖2d中手動雙閾值分割法[9]獲取的閾值為Tg=202。

從上述的分割結(jié)果可以看出：對于此類復(fù)雜圖像而言，Otsu法雖然把目標(biāo)區(qū)域(即防護欄網(wǎng))全部分割出來了，但是同時也有許多的背景區(qū)域被提取出來；最大熵閾值分割法得出的二值化圖像中背景幾乎全部被剔除，留下的全是目標(biāo)區(qū)域，但是目標(biāo)區(qū)域不完整；Niblack局部閾值法夸大了圖像細(xì)節(jié)，導(dǎo)致圖像中不平滑的背景中的局部噪聲也被分割出來。圖2d采取的是雙閾值二值化方法，在保證目標(biāo)區(qū)域全被提取出的前提下，以O(shè)tsu法所得的閾值為參考，測試網(wǎng)格區(qū)域的各分量的取值范圍：100≤Tg≤230。經(jīng)典閾值分割方法取得良好的分割效果，但由于存在較明顯的過分割和欠分割現(xiàn)象，在精確鐵路護欄網(wǎng)格的提取方面存在不足，因此本文將使用改進的分割方法進行圖像分割。

圖1 原圖及R、G、B各分量直方圖

圖2 傳統(tǒng)閾值圖像分割方法

2 均值漂移圖像分割與區(qū)域合并算法

2.1 均值漂移圖像分割帶寬的選擇

Mean Shift算法濾波過程中最大的優(yōu)點是保存了邊緣圖像的平滑。本文采用的方法是Mean Shift算法推廣到圖像分割中的一個新的應(yīng)用方向[10-14],

(1)

作為核函數(shù)，設(shè)置空間帶寬為hs，色度帶寬為hr，則核密度的估計函數(shù)為：

(2)

本文中的x是一個5維的特征向量，鐵路防護欄網(wǎng)圖像處理過程中使用二維空間位置向量xs和三維色度值向量xr。Mean Shift迭代公式為：

(3)

令xi為原始圖像中的像素點的集合，zi(i=1,…,N)為濾波后的圖像對應(yīng)的點，則設(shè)定初始點xi、空間帶寬hs=6、色度帶寬hr=12、最小移動步長ε=0.01和算法最大迭代次數(shù)K=10后，算法循環(huán)執(zhí)行以下步驟：

(Ⅰ)初始下標(biāo)j=1，迭代次數(shù)為k=0，初始待處理點yi,1=xi。

不同的帶寬參數(shù)對圖像分割的結(jié)果是有相當(dāng)大的影響的，一般來說，帶寬參數(shù)的選擇，可以基于目標(biāo)區(qū)域和背景區(qū)域的尺度大小。

圖3a為鐵路護欄網(wǎng)原圖，圖3b～圖3h為帶寬參數(shù)不同時MeanShift對鐵路防護欄圖像分割的效果。表1為鐵路防護欄網(wǎng)各子圖像濾波運算時間對比。

圖3 以帶寬(hr,hs)的值域-空間帶寬濾波鐵路護防欄的子圖像

表1 鐵路防護欄網(wǎng)各子圖像的濾波運算時間 s

從圖像分割實驗可以看出：

(Ⅰ)空間帶寬hs直接決定圖像分割的時間長短，隨著hs的增大，算法運行時間成倍增加;而hs不變，hr由小到大變化，算法運行時間只有略微減少。

(Ⅱ)圖像的分割質(zhì)量決定于色度帶寬hr的大小，隨著hr的增大，背景越平滑，即分割的區(qū)域數(shù)目快速減少；當(dāng)hs不變時，hr由小到大，結(jié)果改變不明顯。

(Ⅲ)空間帶寬hs在過小的hr(如hr=6)下改變時，鐵路防護欄網(wǎng)格的區(qū)域濾波效果不但不明顯，而且過分割現(xiàn)象很嚴(yán)重，如圖3b所示。

(Ⅳ)當(dāng)hr過大(如hr=24、hr=30)時，改變空間帶寬hs，會使圖像過度平滑，欠分割現(xiàn)象較嚴(yán)重，鐵路防護欄網(wǎng)區(qū)域未能全部分離出來，如圖3f～圖3h所示。

(Ⅴ)只有色度帶寬和空間帶寬在合理的范圍內(nèi)取值時，如色度帶寬為12、18時，空間帶寬為6、10時，圖像的分割效果很好，如圖3c～圖3e所示。

為了取得最好的濾波效果且最大限度地保存分割圖像中的網(wǎng)格區(qū)域，采用的空間帶寬為6，色度帶寬為12。

用Mean Shift算法對圖像進行處理時發(fā)現(xiàn)：改進的Mean Shift算法在濾波后能很好地突出和保留防護欄圖像邊緣特征。實驗在一臺普通PC機上進行，該機器配置為Intel(R) Core(TM)2 Duo CPU，內(nèi)存為2 GB，算法采用Matlab R2009b環(huán)境下編程實現(xiàn)。經(jīng)過一系列的實驗和測試，以下基本特征出現(xiàn)在鐵路護護欄的網(wǎng)格中：

(Ⅰ)色度特征：網(wǎng)格區(qū)域的RGB各分量的取值范圍相對來說是一定的，經(jīng)過測試獲取他們的范圍分別是：95≤Tr=120,100≤Tg≤230,80≤Tb≤240，Tr、Tg、Tb分別為R分量、G分量、B分量的閾值。

(Ⅱ)幾何特征：網(wǎng)格可以看成橫豎兩個方向的直線，且豎直線的間距近似是相等的，橫直線的相鄰間距也只有兩種。根據(jù)實地測量豎直線的間距為7.0 cm，橫直線的間距為5.5 cm和20.0 cm兩種(即只存在兩種長寬比的網(wǎng)格)。

(Ⅲ)輻射特征：網(wǎng)格一般由兩條相對明顯的邊線標(biāo)識，并且邊線兩邊的灰度有一定的反差效果。

(Ⅳ)拓?fù)涮卣鳎阂话阕o欄網(wǎng)不會突然中斷，網(wǎng)格和網(wǎng)格是彼此連接的。

2.2 分割后區(qū)域合并

為了盡量保存圖像中的網(wǎng)格區(qū)域，在Mean Shift圖像分割時，選取了相對較小的空間帶寬，這時過分割現(xiàn)象就是分割結(jié)果中伴隨的新問題。經(jīng)過Mean Shift算法分割后得到圖像各個區(qū)域內(nèi)部的色度值即為原圖像局部最大值的色度，具有色度一致性的優(yōu)點。但是由于存在過分割現(xiàn)象，圖像區(qū)域之間仍然有部分相似性存在，故采用區(qū)域合并算法。

算法中首先設(shè)置一個最小的面積閾值M0(即像素數(shù)目)，將低于這一閾值的小區(qū)域直接合并到其鄰近的相似區(qū)域中作為區(qū)域合并預(yù)處理手段。經(jīng)過測試得出面積最大閾值M1=100。

本文采用基于區(qū)域面積加權(quán)的區(qū)域相似度準(zhǔn)則和基于最小面積閾值的合并停止準(zhǔn)則來進行區(qū)域合并。區(qū)域合并過程為：

(Ⅰ)按照設(shè)定的最小面積(即像素數(shù))M0，將所有的區(qū)域面積小于M0的小區(qū)域直接合并到相鄰的大區(qū)域中。

(Ⅱ)針對被分割圖像R，分別計算出邊緣圖像E、標(biāo)識矩陣B的構(gòu)建區(qū)域鄰接圖RAG，并且計算每個區(qū)域的面積S(Ri)。

(Ⅲ)依據(jù)相似性準(zhǔn)則，依次開始合并面積最小的區(qū)域，將其合并到按式(4)計算出的相似度最大的相鄰區(qū)域中去。

(4)

其中,Ave(Ri)和Ave(Rj)表示兩個區(qū)域邊緣處對應(yīng)的梯度的均值。

(Ⅳ)更新區(qū)域鄰接圖RAG，重復(fù)步驟(Ⅲ)，直到所有區(qū)域的面積大于閾值100。

圖4a是鐵路防護欄網(wǎng)格的圖例。圖4b是應(yīng)用本文所提的自動Mean Shift方法分割后的效果圖像，其中分割參數(shù)hs=6，圖像中最小像素值M0=10。圖4c是原圖像分割后對顏色范圍提取的二值化圖像。圖4d是對上一步分割后的圖像按照本文所提出的圖像網(wǎng)格區(qū)域合并策略，并采用了最小面積閾值(M1=100)所得到的分割效果圖像。將前后兩種方法的分割效果圖像對比后不難看出：所改進的Mean Shift算法能夠較好地分割防護欄網(wǎng)圖像，把防護欄網(wǎng)格的區(qū)域較為明顯地突出來，雖然過分割現(xiàn)象在分割后的圖像中也伴隨顯現(xiàn)出來，但采用區(qū)域合并方法后能夠得到較好的二值化圖像，基本消除了過分割所產(chǎn)生的問題。

圖4 區(qū)域合并實驗結(jié)果

3 實驗與討論

實驗采用項目所采集的鐵路防護欄圖像，對鐵路防護欄圖像進行了普通Mean Shift分割和改進的組合Mean Shift分割，分割結(jié)果如圖5所示。

圖5a為本項目采集的鐵路防護欄原圖像；圖5b是普通Mean Shift分割結(jié)果，分割參數(shù)設(shè)置為hs=6，最小像素M0=10 pixel；圖5c是改進的組合MeanShift算法的分割結(jié)果。對比普通Mean Shift分割和改進的組合Mean Shift分割的結(jié)果可以看出：本研究(改進的Mean Shift算法)較好地實現(xiàn)了鐵路護欄圖像的分割，分割精度較為理想，基本消除了單獨用經(jīng)典閾值過分割和普通MeanShift帶來的欠分割和過分割問題，并且能得到較好的二值化結(jié)果。圖5d為對改進的Mean Shift算法所分割圖像的直線檢測，通過實驗結(jié)果可以看出：應(yīng)用改進的Mean Shift分割算法，鐵路護欄網(wǎng)格能夠很好地被識別。

圖5 防護欄圖像實驗結(jié)果

4 結(jié)束語

本文圍繞面向區(qū)域的鐵路防護欄圖像分割的重要研究內(nèi)容進行展開，對采集的鐵路護欄圖像進行閾值分割、固定帶寬選擇、區(qū)域合并、分割后的直線檢測等方面的分析與研究。實現(xiàn)了對大部分網(wǎng)格的提取定位，為后續(xù)對未檢測出來的網(wǎng)格部分實現(xiàn)補充檢測以及最終的網(wǎng)格完整性判斷提供了堅實的基礎(chǔ)。

[1] 常江.巡道車視頻檢測系統(tǒng)的設(shè)計及關(guān)鍵技術(shù)的實現(xiàn)[D].北京:北京交通大學(xué),2009.

[2] 王堯,余祖俊.高速鐵路線路護欄完整性自動檢測系統(tǒng)研究[J].鐵道學(xué)報,2013,35(4):43-50.

[3] Zheng Y F,Li H O,Doermann D.A Parallel Line Detection Algorithm Based on HMM Decoding[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(5):777-792.

[4] 沈玉峰,汪繼文,林勝華.網(wǎng)格提取的圖像修復(fù)方法[J].計算機工程與應(yīng)用,2009,45(20):173-174.

[5] 謝鵬鶴.圖像閾值分割算法研究[D].湘潭:湘潭大學(xué),2012.

[6] 胡兵.改進的Otsu算法在多尺度圖像分割中的應(yīng)用研究[D].長沙:中南大學(xué),2012.

[7] 張新明,張愛麗,鄭延斌,等.改進的最大熵閾值分割及其快速實現(xiàn)[J].計算機科學(xué),2012,38(8):278-283.

[8] 韓思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002,24(6):91-94.

[9] Comaniciu D,Meer P.Mean Shift:A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[10] 張少娜.基于均值漂移的目標(biāo)跟蹤算法研究[D].南京:南京郵電大學(xué),2013.

[11] 沈玉峰,林勝華,蘇守寶.網(wǎng)格提取的圖像修復(fù)方法[J].計算機工程與應(yīng)用,2009,45(20):173-174.

[12] Ning J F,Zhang L,Zhang D,et al.Interactive Image Segmentation by Maximal Similarity Based Region Merging[J].Pattern Recognition,2010,43(2):445-456.

[13] Park J G,Lee C.Skull Stripping Based on Region Growing for Magnetic Resonance Brain Images[J].Neuro Image,2009,47(4):1394-1407.

[14] Vijaya G,Vasudevan D V.A Simple Algorithm for Image Denoising Based on Mssegmentation[J].International Journal of Computer Applications,2010,2(6):9-10.

國家自然科學(xué)基金項目(5136501);江西省自然科學(xué)基金項目(20132BAB203020);江西省教育廳科學(xué)技術(shù)研究項目(GJJ13430)

梁禮明(1967-),男，江西吉安人,教授,碩士,研究領(lǐng)域為機器學(xué)習(xí)、模式識別、集員辨識.

2014-08-24

1672-6871(2015)03-0028-05

TP391.4

A