吳文藝，崔長彩，葉瑞芳，張勇貞，余卿（.華僑大學制造工程研究院，福建廈門360；.華僑大學機電及自動化學院，福建廈門360）

采用二次灰度直方圖的砂輪磨粒圖像閾值分割

吳文藝1，崔長彩1，葉瑞芳2，張勇貞1，余卿2
（1.華僑大學制造工程研究院，福建廈門361021；2.華僑大學機電及自動化學院，福建廈門361021）

為了解決金剛石砂輪表面磨?；叶戎狈綀D閾值分割方法對區(qū)域劃分存在誤分割的缺陷，提出一種基于二次灰度直方圖連通區(qū)域標記磨粒圖像分割方法.首先，將原始金剛石磨粒圖像轉(zhuǎn)換為灰度圖像，并對其濾波處理消除噪聲.其次，設(shè)定閾值完成第一次直方圖閾值分割，消除較小結(jié)構(gòu)暗細節(jié).然后，標記各個連通區(qū)域，填上不同的顏色.最后，設(shè)定閾值完成第二次直方圖閾值分割，獲取感興趣目標磨粒區(qū)域.結(jié)果表明：文中方法可將感興趣目標磨粒與背景分離，得到較好的分割效果和較高的分割效率.

金剛石磨粒；區(qū)域標記；灰度直方圖；閾值分割

金剛石磨粒砂輪是重要的超硬磨料工具，砂輪表面磨粒的分布狀態(tài)和磨粒的參數(shù)特征對磨削加工過程和最終加工產(chǎn)品表面質(zhì)量具有重要的影響［1］.對磨粒的測量和識別是監(jiān)測砂輪磨粒狀態(tài)和優(yōu)化加工參數(shù)的基礎(chǔ)，而圖像分割是圖像分析和模式識別的前提［2－3］.目前，圖像分割主要有閾值化圖像分割、基于邊緣的圖像分割、基于區(qū)域的圖像分割和基于人工智能的圖像分割等基于特征的方法［4］.各種方法都有優(yōu)勢和不足，主要問題是一種方法不能勝任對所有圖像的分割，不同方法對同一圖像的處理效果不同，而且缺少分割算法選擇準則.閾值法因?qū)崿F(xiàn)簡單、計算量小、性能較穩(wěn)定等優(yōu)點而被廣泛采用［5］.但是，灰度直方圖閾值分割法對區(qū)域劃分存在缺陷，即誤分割.因此，如何確定分割閾值、提高圖像分割效果一直是圖像處理研究的熱點問題［6］.本文提出一種基于二次灰度直方圖連通區(qū)域標記磨粒圖像分割方法，根據(jù)所要提取的目標磨粒與背景結(jié)合劑在灰度特性上的不同，運用連通區(qū)域標記法填上不同的顏色［7］，分兩次選取合適的灰度閾值對圖像進行分割，從而獲取感興趣的目標區(qū)域.

1 二次閾值圖像分割法

1.1 灰度直方圖分析法

設(shè)一幅圖像的灰度級長度為L，其灰度級范圍為i＝0，1，…，L－1.當灰度級大小為i時，在圖像中對應(yīng)的像素數(shù)為ni，則圖像總像素N為

設(shè)一幅圖像的寬為m，高為n，則圖像的大小為m×n，即有N＝m×n.灰度級i出現(xiàn)的概率為

當圖像的灰度直方圖有明顯的2個波峰，且這2個波峰間形成一個凹槽低谷，說明目標和背景在圖像的灰度上各自形成一個波峰，低谷代表背景區(qū)與目標區(qū)的邊界.因而，選擇低谷處所對應(yīng)的灰度值為閾值，可以較好地將2個區(qū)域分離［8］.因為處理的對象圖像灰度直方圖具有兩個較為明顯的波峰，所以在第一次灰度直方圖的閾值設(shè)定時，采用雙峰直方圖閾值確定方法，標記各個連通區(qū)域后，使第二次灰度直方圖變?yōu)閱畏逯狈綀D.

1.2 閾值選擇算法原理

將圖像上某一像素值Pi與其鄰域區(qū)間Pl內(nèi)的最小像素值Pl，min、次小像素值Pl，mins、最大像素值Pl，max、次大像素值Pl，maxs進行比較.如果像素值Pi小于其鄰域區(qū)域內(nèi)的最小像素值Pl，min，或者像素值Pi等于其鄰域區(qū)域內(nèi)的最小像素值Pl，min，同時，Pi也小于其鄰域區(qū)域內(nèi)次小值Pl，mins，則可判斷Pi為谷點，從而找到合適的閾值點［9］.

1.3 雙峰灰度直方圖

設(shè)f（x，y）是大小為m×n的灰度圖像上的一個像素點，其中，目標區(qū)域和背景區(qū)域的灰度級分布概率密度分別表示為p1（i）和p2（i），λ為目標像素數(shù)與圖像總像素數(shù)的比值.圖像直方圖p（i）表示為

式（3）～（5）中：i表示圖像灰度級；μ1和μ2分別為目標和背景的灰度均值；σ1和σ2分別為目標和背景灰度的標準偏差.

在設(shè)定雙峰灰度直方圖閾值時，閾值的設(shè)定和選取至關(guān)重要.閾值設(shè)得過高，目標物體點可能會被作為背景；反之，則容易發(fā)生將背景點當作目標點［10］.

1.4 二值化圖像處理

將多灰度級圖像轉(zhuǎn)化為只有2個灰度級0，1組成的二值化圖像，即整個圖像只呈現(xiàn)出黑色和白色2種顏色的表現(xiàn)效果.一般地，0代表背景區(qū)域，1表示目標區(qū)域.如果圖像f（x，y）的灰度范圍是（T1，T2），設(shè)t為T1和T2之間的一個閾值，那么

式（6）中：f（x，y）為二值圖像的灰度級，即0或1.

1.5 形態(tài)學閉運算

形態(tài)學閉運算用于消除小于結(jié)構(gòu)元素的背景細節(jié)，即小部分的暗色細節(jié).該運算的優(yōu)點是大于結(jié)構(gòu)元素的目標基本保持原有大小.采用一個結(jié)構(gòu)元素，對圖像進行先膨脹后腐蝕的運算［11］，定義為

式（7）為膨脹運算，式（8）為腐蝕運算，式（9）為閉運算.式（7）～（9）中：“⊕”為膨脹算子；“Θ”為腐蝕算子；“·”為閉運算算子；F為待處理的二值圖像；S為運算中所需的結(jié)構(gòu)元素.假設(shè)結(jié)構(gòu)元素S在坐標原點處，當其移動到坐標為（x，y）的位置時，記為Sx，y.

1.6 算法計算流程

金剛石砂輪磨粒圖像分割流程，如圖1所示.根據(jù)處理對象選擇雙峰型直方圖，并經(jīng)過兩次閾值分割和形態(tài)學運算及連通域標記，實現(xiàn)磨粒的清晰提取分割.

圖1 磨粒圖像分割流程Fig.1 Flow chart of grain image segmentation

2 實驗與分析

選用粒度號為120／140的金剛石磨粒砂輪，測量設(shè)備為超景深測量系統(tǒng)，處理的圖像像素大小為250px×250px.在32位操作系統(tǒng)、雙核2.93GHz處理器、2GB（1 066MHz）內(nèi)存的戴爾臺式機上，應(yīng)用Matlab軟件對圖像進行計算分析.編寫圖像分割程序，將文中方法與幾種圖像分割方法的分割效果和分割效率進行比較.

3種經(jīng)典算法的分割結(jié)果，如圖2所示.由圖2（b）可知：磨粒邊緣提取出現(xiàn)較多的非目標區(qū)域邊緣.由圖2（c）可知：基于Ostu算法的圖像分割的最終分割結(jié)果出現(xiàn)部分誤分割，不便于標記目標磨粒，背景中與目標具有相近強度的部分也被分割出來作為目標.由圖2（d）可知：基于貝葉斯算法的圖像分割結(jié)果與Ostu算法相似都存在較多的誤分割，也不便于標記目標磨粒.

文中基于二次灰度直方圖連通區(qū)域標記的圖像分割的具體分割結(jié)果，如圖3所示.磨粒圖像左上方存在光線不足區(qū)域，計算第一次灰度直方圖（圖3（b）），完成第一次灰度直方圖閾值分割并消除較小結(jié)構(gòu)暗細節(jié)后，圖像剩余4塊連通區(qū)域，對這些連通區(qū)域進行標記，使其填充上不同顏色.光線不足區(qū)域與磨粒模糊區(qū)域被填充上相同的顏色，計算第二次灰度直方圖（圖3（e）），二次灰度直方圖為單峰直方圖，因單峰直方圖灰度級單一，背景占據(jù)了圖像的大部分比例，而目標所占的比例相對較小.因此，根據(jù)直方

圖呈現(xiàn)的各灰度級占據(jù)個數(shù)的分布情況，選擇屬于目標灰度級范圍內(nèi)的任意一級設(shè)為閾值，完成第二次直方圖閾值分割.對圖像進行第二次灰度直方圖閾值分割，最終將目標磨粒清晰區(qū)域分割出來.與其他3種算法相比，文中方法能將感興趣目標磨粒清晰區(qū)域完整分割出來，得到較好的分割效果.

圖2 3種經(jīng)典算法的分割結(jié)果Fig.2 Segmentation results of the three kinds of classical algorithms

Canny算子、Otsu算法、貝葉斯算法和文中算法對磨粒圖像分割所需要的時間分別為2.73，0.18，0.73，0.19s.由此可知：文中方法在整個圖像分割過程中用時與Otsu算法相當，而Canny算子用時最久.與其他3種算法相比，在兼顧分割精度的同時，文中算法具有花費較少時間的優(yōu)勢.

3 結(jié)論

圖像分割的目的是將圖像中感興趣目標區(qū)域和背景區(qū)域分離，以便進行深入的圖形分析和處理，如特征尺寸計算和模式識別.閾值化圖像分割是通過閾值將各像素進行分類的過程，主要根據(jù)物體和背景的灰度差異確定閾值.Ostu算法、貝葉斯算法和文中算法屬于這類方法，其關(guān)鍵在于閾值的確定，這種方法較為簡單，計算量較少.而邊緣檢測圖像分割是根據(jù)圖像局部特性的不連續(xù)性，所要確定的邊緣是在灰度或結(jié)構(gòu)等信息的突變處，這種分割適用于目標與背景間有明顯的邊緣突變.Canny算子屬于這種方法.基于區(qū)域的圖像分割是根據(jù)像素的相似性構(gòu)成區(qū)域，再由圖像空間局部特征進行區(qū)域劃分.基于人工智能圖像分割是根據(jù)人工智能的方法獲取某一圖像分割參數(shù)，如圖像灰度、紋理和顏色等分割圖像，具有克服不確定性因素和轉(zhuǎn)為能量最小化問題的能力.

文中對砂輪表面金剛石磨粒圖像進行分析，針對灰度直方圖閾值分割方法對區(qū)域劃分存在誤分割這一缺陷，提出基于二次灰度直方圖連通區(qū)域標記圖像分割方法.實驗結(jié)果表明：文中方法對目標磨粒與背景進行分割能夠得到較好的分割效果，且具有較高的分割效率.

［1］ 周麗君.基于垂直掃描白光干涉測量法的砂輪磨粒測量及評定［D］.廈門：華僑大學，2013：1－16.

［2］ KHAN J F，BHUIYAN M A，ADHAMI R R.Image segmentation and shape analysis for road－sign detection［J］.IEEE Transactions on Intelligent Transportation Systems，2011，12（1）：83－96.

［3］ DESHMUKH K S.Color image segmentation：A review［C］∥Society of Photo－Optical Instrumentation Engineers Conference Series.Singapore：ISPE，2010：7546（4－6）.

［4］ 黃長專，王彪，楊忠.圖像分割方法研究［J］.計算機技術(shù)與發(fā)展，2009，19（6）：76－79.

［5］ 李淼，楊恢先，張建波，等.改進二維直方圖區(qū)域劃分的閾值分割方法研究［J］.光電子·激光，2013，24（7）：1426－1433.

［6］ 錢衛(wèi)星，黃麗亞.二維Otsu自適應(yīng)閾值快速算法的改進［J］.華僑大學學報（自然科學版），2015，36（4）：427－431.

［7］ AL－KHISHALI M，AL－JUBOORI H.Automatic identification of grains of material samples［C］∥International Conference on Information Society.Toronto：IEEE Press，2013：42－47.

［8］ 梁華為.直接從雙峰直方圖確定二值化閾值［J］.模式識別與人工智能，2002，15（2）：253－256.

［9］ 盧建華.基于直方圖閾值法的遙感圖像分割算法研究［D］.福州：福建農(nóng)林大學，2013：29－31.

［10］ 陽樹洪.灰度圖像閾值分割的自適應(yīng)和快速算法研究［D］.重慶：重慶大學，2014：4－26.

［11］ 張立國，楊瑾，李晶，等.基于小波包和數(shù)學形態(tài)學結(jié)合的圖像特征提取方法［J］.儀器儀表學報，2010，31（10）：2285－2290.

（責任編輯：黃曉楠 英文審校：崔長彩）

Image Segmentation Method Using Second Time Gray Level Histogram of Connected Component Labeling of Grinding Wheel Abrasives Grains

WU Wenyi1，CUI Changcai1，YE Ruifang2，ZHANG Yongzhen1，YU Qing2
（1.Institute of Manufacturing Engineering，Huaqiao University，Xiamen 361021，China；2.College of Mechanical Engineering and Automaton，Huaqiao University，Xiamen 361021，China）

In this work，an approach based on two gray levels histogram connected components labeling was proposed to reduce the undesirable effects of blurred segmentation of abrasive grains on the surface of diamond grinding wheels using traditional gray histogram method.This developed approach includes following steps.Firstly，an original diamond grain image was transformed into gray image and the noise was filtered and removed.Secondly，the obtained grey image was segmented by setting aproper threshold value to eliminate smaller structures.Thirdly，different connected components were labeled with different colors.Finally，another threshold was set to complete the second histogram segmentation and extract the target grain region of interests.A case study indicated that the proposed method can precisely and efficiently segment the target grains from background.

diamond grain；component labeling；gray histogram；threshold segmentation

TP 391.41

A

1000－5013（2016）04－0422－05

10.11830／ISSN.1000－5013.201604006

2015－11－13

崔長彩（1972－），女，教授，博士，主要從事精密測量技術(shù)及光學儀器的研究.E－mail：cuichc＠hqu.edu.cn.

國家自然科學基金資助項目（51475176，51505162）；華僑大學研究生科研創(chuàng)新能力培育計劃資助項目（1400203055）