姚學(xué)練 賀福強(qiáng) 平安 羅紅 萬思路

摘 要：針對(duì)橋梁蜂窩麻面圖像經(jīng)常存在光照不均、多背景并存的干擾問題，提出了基于HSI顏色空間與灰度波動(dòng)相結(jié)合的復(fù)雜橋梁蜂窩麻面的圖像分割算法。首先，繪制S分量灰度變化曲線;其次，搜索曲線所有潛在的波峰波谷，并求相鄰波峰波谷的高度差;然后，基于灰度像素個(gè)數(shù)差分值的標(biāo)準(zhǔn)差篩選出部分高度差;最后，基于部分高度差的標(biāo)準(zhǔn)差搜索最佳閾值完成圖像的閾值分割。實(shí)驗(yàn)結(jié)果表明，與二維OTSU法、Niblack法、二維Tsallis熵法等幾種算法相比，該算法的分割效果和實(shí)時(shí)性更好。

關(guān)鍵詞：彩色圖像;HSI空間;灰度波動(dòng);高度差;標(biāo)準(zhǔn)差;圖像分割

中圖分類號(hào)： TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2019）03-0882-06

Abstract： As the voids and pits image of bridge often has uneven illumination and multi-background interference problems， an image segmentation algorithm for complex voids and pits of bridge was proposed based on HSI color space and gray fluctuation. Firstly， S-component gray curve was plotted and all the potential peaks and troughs of the curve were searched， then the height differences between adjacent peaks and thoughs were calculated. Secondly， partial height differences were selected based on the standard deviation of gray pixel difference value. Finally the threshold segmentation of image was finished by searching the best threshold based on the standard deviation of partial height differences. Experimental results show that the proposed algorithm has better segmentation effect and real-time performance than OTSU， Niblack and Tsallis entropy method.

Key words： color image; HSI space; gray fluctuation; height difference; standard deviation; image segmentation

0 引言

蜂窩麻面是混凝土橋梁常見的病害。橋梁表面因蜂窩麻面的存在，不僅對(duì)橋梁的外觀效果有很大的影響，而且水通過蜂窩麻面滲入到橋梁內(nèi)部，可能導(dǎo)致鋼筋的腐蝕，降低橋梁的內(nèi)部質(zhì)量和強(qiáng)度[1]。因此，快速識(shí)別蜂窩麻面并加以修補(bǔ)顯得極其重要。然而快速識(shí)別病害及位置是一個(gè)難題。利用無人機(jī)對(duì)橋梁進(jìn)行圖像采集，結(jié)合圖像處理技術(shù)對(duì)橋梁蜂窩麻面檢測(cè)已是橋檢領(lǐng)域的一種手段。然而在多種復(fù)雜背景、光照不均條件下對(duì)蜂窩麻面彩色圖像分割是一個(gè)難點(diǎn)。圖像分割是圖像處理的一個(gè)重要步驟，其目的就是分離圖像內(nèi)的目標(biāo)與背景[2]。目前提出的圖像分割算法主要包括OTSU法[3]、Tsallis熵法[4-6]、分水嶺算法[7-8]、聚類分析法[9-10]、Niblack法[11]及神經(jīng)網(wǎng)絡(luò)算法[12-14]等。這些方法雖能分割圖像，但由于算法本身的限制效果并不理想。當(dāng)灰度波動(dòng)曲線中僅存在“單峰”圖像時(shí)，OTSU法難以分割。當(dāng)存在噪聲干擾、灰度分布交叉時(shí)，Tsallis熵法受圖像的鄰域空間特性制約，分割效果不佳[15]。由于噪聲點(diǎn)或者其他干擾因素的存在，造成區(qū)域極值過多，直接使用分水嶺算法容易導(dǎo)致圖像的過分割。聚類算法對(duì)圖像進(jìn)行自主分割，聚類數(shù)目難以確定，且效果受參數(shù)的影響較大。Niblack法最先通過統(tǒng)計(jì)給定窗口內(nèi)的均值和方差方法來尋求單個(gè)像素閾值。不但對(duì)參數(shù)的調(diào)節(jié)比較敏感，而且實(shí)時(shí)性較差。神經(jīng)網(wǎng)絡(luò)較復(fù)雜，結(jié)構(gòu)難以確定，而且容易陷入局部最小值，影響分割效果。

針對(duì)橋梁圖像經(jīng)常存在光照不均、多種復(fù)雜背景并存的干擾問題，傳統(tǒng)分割算法效果不佳，因此本文提出基于HSI顏色空間與灰度波動(dòng)相結(jié)合的復(fù)雜橋梁蜂窩麻面的圖像分割，首先繪制S分量灰度波動(dòng)曲線，然后對(duì)曲線上各灰度值像素個(gè)數(shù)進(jìn)行前后差分操作，判斷其前后差分值異向以尋找潛在波峰點(diǎn)和波谷點(diǎn)。其次計(jì)算各差分值的標(biāo)準(zhǔn)差以及各波峰點(diǎn)與相鄰波谷點(diǎn)的高度差，判斷所有高度差與差分的標(biāo)準(zhǔn)差的大小以篩選部分高度差。然后求解部分高度差的標(biāo)準(zhǔn)差，判斷部分高度差與其標(biāo)準(zhǔn)差的大小以篩選部分中的局部高度差。最后尋找局部高度差中最大的波峰值，結(jié)合對(duì)應(yīng)的高度差確定其相鄰波谷值及坐標(biāo)，以波谷值坐標(biāo)作為閾值進(jìn)行圖像分割。

1 基于HSI顏色空間的復(fù)雜蜂窩麻面的圖像分析

由于無人機(jī)拍攝環(huán)境的復(fù)雜性以及偏斜的光照角度，易造成圖像多背景并存以及光照不均勻。在某一局部區(qū)域?qū)儆诒尘安糠值幕叶燃?jí)，在另一個(gè)局部區(qū)域卻和目標(biāo)部分灰度級(jí)相近。依據(jù)Kim提出的Water Flow模型理論[16]，可以把圖像看作灰度值的三維地形，地形上的山峰部分對(duì)應(yīng)著目標(biāo)，低谷部分對(duì)應(yīng)著背景，不均勻光照相當(dāng)于改變了地形上的地貌，使灰度值波動(dòng)在局部區(qū)域內(nèi)拉高或者壓低。直接使用彩色圖像轉(zhuǎn)成灰度圖或直接彩色圖像RGB三分量進(jìn)行分割通常不能獲得比較好的效果[17]。直接使用彩色圖像轉(zhuǎn)成灰度圖或直接彩色圖像RGB三分量繪制在多背景和光照不均的情況下灰度值的三維地形，如圖1所示。

從圖1中，可看出外景對(duì)應(yīng)波峰而目標(biāo)位于波谷，此原因是導(dǎo)致分割不理想的重要原因。HSI顏色模型是開發(fā)基于彩色圖像描述的圖像處理算法的理想工具[18]，它把彩色信號(hào)表示為3種屬性：色調(diào)、色飽和度和亮度，克服了通用RGB顏色模型中兩者耦合的缺陷[19]。因此，首先需要進(jìn)行顏色模型的轉(zhuǎn)換，從RGB顏色模型到HSI顏色模型的轉(zhuǎn)換公式如下所示：

其中：R、G、B分別為圖像中一個(gè)像素的紅色、綠色、藍(lán)色分量，H、S和I分別為圖像中一個(gè)像素的色調(diào)、飽和度和亮度分量。

提取圖1（a）集度嚴(yán)重型蜂窩麻面圖像的H、S和I分量圖，并繪制灰度值的三維地形。如圖2所示。

對(duì)比圖2，發(fā)現(xiàn)在H、S和I分量圖中，盡管圖像上下方的光照不一致，但是S分量圖像波峰部分仍對(duì)應(yīng)著目標(biāo)，波谷部分則對(duì)應(yīng)著背景。說明在S分量圖中局部區(qū)域依然存在著灰度級(jí)的差異，如果上下方分別采用“相對(duì)閾值”進(jìn)行分割，則可以改善圖像的閾值分割效果。本文以S分量作為研究對(duì)象。

2 基于圖像灰度波動(dòng)的閾值搜索

2.1 灰度波動(dòng)曲線

由于S分量圖像中單個(gè)像素的灰度級(jí)與它在波動(dòng)上的位置互相對(duì)應(yīng)。假如知道像素灰度級(jí)的分級(jí)位置，依照它與波峰或波谷的接近程度來動(dòng)態(tài)地劃定它的歸屬，可有效分出目標(biāo)與背景。設(shè)S分量的灰度曲線函數(shù)為g（k），k=0，1，…，255，k為灰度值，g（k）為對(duì)應(yīng)灰度值k對(duì)應(yīng)的像素個(gè)數(shù)?；叶炔▌?dòng)曲線如圖3所示。

基于灰度波動(dòng)搜索閾值分割的關(guān)鍵在于求取灰度曲線上的波峰和波谷。一般而言，灰度波動(dòng)曲線不可能如圖3中的曲線那樣平滑，而是大量不同幅度波動(dòng)的隨機(jī)組合，如圖4所示，存在著若干大小尺度的波動(dòng)，甚至存在著少數(shù)連續(xù)的重復(fù)值。而較大尺度的波峰點(diǎn)和波谷點(diǎn)正隱含在若干的小尺度波動(dòng)之中。文獻(xiàn)[16，20]為了柔性地適應(yīng)不同的分割環(huán)境，設(shè)置波動(dòng)幅度閾值來控制對(duì)分割的敏感程度。然而由于復(fù)雜橋梁蜂窩麻面圖像背景色不是固定不變的，設(shè)置波動(dòng)幅度閾值對(duì)圖像的分割產(chǎn)生較大的影響。本文采用模板為3×3的高斯低通濾波器對(duì)圖像進(jìn)行去噪處理，去除由噪聲引起的若干的小尺度波動(dòng)，使曲線更加平滑。高斯低通濾波器采用二維高斯函數(shù)H（u，v）與輸入圖像i（x，y）進(jìn)行卷積運(yùn)算，二維高斯函數(shù)的定義如式（4）所示：

其中：取σ=1，D（u，v）是距頻率矩形中心的距離。經(jīng)過高斯濾波，圖像得以去噪，使其灰度波動(dòng)曲線更加平滑。

2.2 潛在波峰點(diǎn)和波谷點(diǎn)的搜索

采用差分操作搜索潛在的所有波峰點(diǎn)和波谷點(diǎn)。對(duì)灰度波動(dòng)曲線上各個(gè)位置對(duì)應(yīng)的像素個(gè)數(shù)進(jìn)行前后差分操作，并判斷其前后差分出現(xiàn)異向，以確定潛在波峰點(diǎn)和波谷點(diǎn)，判斷的依據(jù)為：

2.3 基于標(biāo)準(zhǔn)差的閾值搜索

由于波動(dòng)曲線上經(jīng)常出現(xiàn)一些連續(xù)重復(fù)值，對(duì)尋找最佳閾值產(chǎn)生很大的影響。標(biāo)準(zhǔn)差是反映一組數(shù)據(jù)離散程度最常用的一種量化形式，利用標(biāo)準(zhǔn)差篩選光照不均產(chǎn)生的局部區(qū)域波動(dòng)灰度值，以尋找到最佳圖像的閾值。具體步驟如下：

步驟1 對(duì)diff（i）差分值取絕對(duì)值，計(jì)算差分值的總體偏差值std，如式（7）所示。

步驟2 求各個(gè)潛在的波峰與相鄰波谷的高度差height（i），計(jì)算公式如式（8）所示。

步驟3 判斷所有的高度差height（i）與std的大小，height（i）越大表明該波峰到波谷范圍內(nèi)的灰度值變化急劇，height（i）越小表明該波峰到波谷范圍內(nèi)的灰度值變化趨于平緩。若height（i）>std，則保留該波峰波谷及其對(duì)應(yīng)的部分高度差height′（j），否則剔除。

步驟4 經(jīng)過上一步的篩選，將變化較小和一些連續(xù)重復(fù)值的剔除。對(duì)部分高度差height′（j）進(jìn)行二次篩選以尋找變動(dòng)幅度較大高度差。對(duì)保留的height′（j）求局部偏差，如式（9）所示。

步驟5 求出height″（k）中波峰的最大值max（peak（k）），結(jié)合對(duì)應(yīng)的高度差，找到其相鄰的波谷點(diǎn)，即取trough（t）對(duì)應(yīng)的t為閾值threshold，進(jìn)行圖像分割。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 分割效果對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文算法的有效性，針對(duì)光照不均勻橋梁蜂窩麻面彩色圖像進(jìn)行了仿真實(shí)驗(yàn)。在對(duì)比算法的選擇上，選擇二維OTSU分割算法[3]、Niblack法[11]、Tsallis熵法[4-6]和基于標(biāo)記控制的分水嶺分割算法作為代表性分割算法。各算法參數(shù)設(shè)置如下：Niblack法中k值取值為-1.2（經(jīng)過多次實(shí)驗(yàn)k取-1.2效果最佳），鄰域窗口大小為80×80。圖像的分辨率均為800像素×600像素。對(duì)比實(shí)驗(yàn)在硬件運(yùn)行環(huán)境為ThinkStation P410 處理器：Intel Xeon CPU E5-1603 V4 @2.80GHz 2.80GHz;安裝內(nèi)存（RAM）：16.0GB;Windows 7;軟件編程語言Matlab2015b。對(duì)比實(shí)驗(yàn)結(jié)果如圖5所示。

圖5對(duì)應(yīng)的S分量灰度變化曲線如圖6所示?；跇?biāo)準(zhǔn)差篩選光照不均產(chǎn)生的局部區(qū)域波動(dòng)灰度值，以尋找到最佳圖像的閾值時(shí)，差分值的總體偏差值std、對(duì)局部高度差標(biāo)準(zhǔn)差、相鄰波峰波谷最大高度差以及最佳閾值如表1所示。

圖5第1行為集度嚴(yán)重型蜂窩麻面圖像，圖像存在光照不均。二維OTSU法限于全局特性，在背景中誤分了大量的噪聲。因鄰域特性Niblack法無法分割目標(biāo)。二維Tsallis熵法受全局算法的絕對(duì)閾值的約束，導(dǎo)致分割目標(biāo)與背景嚴(yán)重粘結(jié)在一起?；跇?biāo)記的分水嶺算法缺乏對(duì)光照不均的圖像的適應(yīng)性，造成區(qū)域極值過多，導(dǎo)致圖像的過度分割。本文算法準(zhǔn)確分割出目標(biāo)，目標(biāo)細(xì)節(jié)比較清晰。

第2行為澆筑不均導(dǎo)致的麻面型圖像。二維OTSU法分割效果有所改善，但也伴隨少量的噪聲。Niblack法受限于領(lǐng)域特性而無法分割目標(biāo);二維Tsallis熵法受閾值的影響，導(dǎo)致過度分割。由于噪聲點(diǎn)或者其他干擾因素的存在，導(dǎo)致分水嶺算法分割出的目標(biāo)與背景嚴(yán)重粘結(jié)在一起。本文算法對(duì)目標(biāo)的分割較為準(zhǔn)確。

第3行為附帶直線澆筑印記的麻面型圖像。二維OTSU法和Niblack法雖能將目標(biāo)分割出，但卻將直線澆筑印記和其他背景誤分為目標(biāo)，并伴隨大量的噪聲。二維Tsallis熵法與分水嶺算法不僅將直線澆筑印記誤分，而且目標(biāo)與背景也嚴(yán)重粘結(jié)在一起。本文算法不僅能夠準(zhǔn)確分割目標(biāo)，而且有效區(qū)分直線澆筑印記及排除背景噪聲的干擾。

第4行為箱梁底部蜂窩麻面圖像。其右下方存在模糊陰影區(qū)域。二維OTSU法缺乏對(duì)灰度變化的適應(yīng)性，導(dǎo)致右下方的背景區(qū)域誤分為目標(biāo)。Niblack法、二維Tsallis熵法和分水嶺算法分別受到鄰域特性、全局閾值及局部極值點(diǎn)的影響，缺乏對(duì)復(fù)雜背景圖像的分割能力，導(dǎo)致其無法分割圖像。本文算法分割精確，最大限度保留目標(biāo)形狀的完整性。

第5行為箱梁側(cè)部蜂窩麻面圖像，圖像同時(shí)存多背景并存，前后背景的光照不同，目標(biāo)位于前背景上。二維OTSU法分割效果較好，但也伴隨少量的噪聲。Niblack法受鄰域特征的制約致使其在背景內(nèi)部誤分大量的噪聲。二維Tsallis熵法局限于全局閾值，導(dǎo)致其無法分割。由于后背景的亮度大于前背景的亮度，因此分水嶺算法尋找到錯(cuò)誤邊界導(dǎo)致分割失敗。本文算法對(duì)目標(biāo)細(xì)節(jié)分割良好、干凈且清晰。

第6行為箱梁翼板根部蜂窩麻面圖像，目標(biāo)位于兩墻面之間，并附帶直線澆筑印記。二維OTSU法在目標(biāo)內(nèi)部的誤分嚴(yán)重，背景與目標(biāo)嚴(yán)重粘結(jié)在一起。Niblack法在背景中殘留了大量的誤分。二維Tsallis熵法和分水嶺算法過度分割，無法有效將目標(biāo)分割出來。本文算法分割出的目標(biāo)形狀分明，在目標(biāo)內(nèi)部誤分減少。

從實(shí)驗(yàn)結(jié)果上看，本文算法采用S分量作為研究對(duì)象，利用灰度波動(dòng)變化規(guī)律尋找閾值，使其能隨光線強(qiáng)弱的變化而自適應(yīng)改變，有效克服了光照不均以及多背景工況的干擾。

3.2 分割準(zhǔn)確率和算法耗時(shí)實(shí)驗(yàn)

目前對(duì)圖像分割質(zhì)量的評(píng)判還沒有一種合適的量化標(biāo)準(zhǔn)，一般依賴于研究者的主觀判斷?，F(xiàn)階段文獻(xiàn)中使用較多的標(biāo)準(zhǔn)是誤分錯(cuò)誤率（Misclassification Error， ME）[21]，其數(shù)值按下式計(jì)算：

其中：BO與FO指圖像標(biāo)準(zhǔn)二值掩碼（Ground Truth， GT）中的背景與前景，該掩碼圖像是按照研究人員的觀察標(biāo)準(zhǔn)人工制作而成。圖5第一列圖像的標(biāo)準(zhǔn)掩膜如圖7所示。

BT與FT為分割結(jié)果的背景與前景，| |為取集合元素總數(shù)操作。即ME等于分割結(jié)果與掩碼之問交集的補(bǔ)集面積占總面積的比例，該值越低說明分割效果越好。盡管利用ME來衡量各算法的分割質(zhì)量并不是非常準(zhǔn)確，但是至少?gòu)膫?cè)面反映出了各算法的效果。

表2給出了本文算法、二維OTSU法、Niblack法、二維Tsallis熵法和分水嶺算法圖5的6幅圖像的ME值及處理時(shí)間。由表2可看出，本文算法對(duì)圖像處理的ME值均比其他算法低，這與圖5中的效果一致，說明本文算法具有較高的分割準(zhǔn)確性。

對(duì)比表2中的耗時(shí)可知，本文算法的處理效率相對(duì)于其他算法更高。二維OTSU法和二維Tsallis熵法受全局特征影響，在復(fù)雜背景中尋找全局閾值時(shí)增加耗時(shí)。Niblack法需在給定窗口中計(jì)算均值和方差獲取單個(gè)像素的閾值，導(dǎo)致實(shí)時(shí)性較差。分水嶺算法中分水嶺的計(jì)算過程是一個(gè)迭代標(biāo)注過程，因而耗時(shí)較多。本文算法是根據(jù)圖像灰度波動(dòng)的劇烈程度來設(shè)置閾值，因此本文算法相對(duì)于其他算法具有較高的實(shí)時(shí)性能和較強(qiáng)的適應(yīng)性。

4 結(jié)語

本文提出了基于HSI顏色空間與灰度波動(dòng)相結(jié)合的復(fù)雜橋梁蜂窩麻面的圖像分割?；贖SI顏色空間對(duì)復(fù)雜蜂窩麻面的圖像進(jìn)行了分析，確定了以S分量圖為研究對(duì)象。繪制了S分量的灰度波動(dòng)曲線。通過灰度像素個(gè)數(shù)差分值，找到波峰波谷。計(jì)算相鄰波峰波谷的高度差，通過像素個(gè)數(shù)差分值的標(biāo)準(zhǔn)差篩選出部分高度差，最后通過部分高度差的標(biāo)準(zhǔn)差搜索到最佳閾值，完成圖像的分割。實(shí)驗(yàn)結(jié)果表明，與二維OTSU法、Niblack法、二維Tsallis熵法和分水嶺算法相比，本文算法不僅有效地降低不均勻光照的影響，提高圖像的實(shí)際分割效果，而且能提升處理的實(shí)時(shí)性。是一種有效自適應(yīng)閾值分割方法算法。為解決多背景光照不均的大目標(biāo)彩色圖像分割問題提供了一種新思路。但是該算法也存在一些不足：1）當(dāng)圖像中目標(biāo)所在背景過渡到另一層背景時(shí)灰度變化急劇，加上該背景與目標(biāo)的灰度過渡變化平緩時(shí)，基于標(biāo)準(zhǔn)差搜索最佳閾會(huì)產(chǎn)生偏差，致使小部分背景誤分，如Image_1分割圖像。對(duì)于此類圖像可根據(jù)整體的灰度變化程度先排除未含目標(biāo)的背景，再基于標(biāo)準(zhǔn)差搜索含由目標(biāo)和背景的局部最佳閾值;2）算法的執(zhí)行速度仍然有待提高。

參考文獻(xiàn) （References）

[1] 劉德才，楊南貴，陳亞軍.混凝土倒角蜂窩麻面成因及預(yù)防措施探討[J].山西建筑，2017，43（20）：98-99.（LIU D C，YANG N G，CHEN Y J. Analysis of reasons and prevention measures of voids and pits of inclined surface concrete for chamfer [J]. Shanxi Architecture， 2017， 43（20）： 98-99.）

[2] ZHENG X， YE H， TANG Y. Image bi-level thresholding based on gray level-local variance histogram [J]. Entropy， 2017，19（5）： 191.

[3] OSTU N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on Systems， Man， and Cybernetics， 1978， 9（1）： 62-66.

[4] de ALBUQUERQUE M P， ESQUEF I A， MELLO A R G， et al. Image thresholding using Tsallis entropy [J]. Pattern Recognition Letters， 2004， 25（9）： 1059-1065.

[5] MANIKANTAN K， ARUN B V， YARADONI D K S. Optimal multilevel thresholds based on tsallis entropy method using golden ratio particle swarm optimization for improved image segmentation [J]. Procedia Engineering， 2012， 30： 364-371.

[6] ALVA A， AKASH R S， MANIKANTAN K. Optimal multilevel thresholding based on Tsallis entropy and half-life constant PSO for improved image segmentation [C]// Proceedings of the 2015 IEEE UP Section Conference on Electrical Computer and Electronics. Piscataway， NJ： IEEE， 2016： 1-6.

[7] WANG G-Q， ZHOU X-H， YU L-L. Image segmentation based on watershed algorithm [J]. Computer Simulation， 2009， 26（5）： 255-258.

[8] YAHYA A A， TAN J， HU M. A novel model of image segmentation based on watershed algorithm [J]. Advances in Multimedia， 2013， 2013： Article No. 5.

[9] HETTIARACHCHI R， PETERS J F. Voronoi region-based adaptive unsupervised color image segmentation [J]. Pattern Recognition， 2016， 65： 119-135.

[10] ARIFIN A Z， ASANO A. Image segmentation by histogram thresholding using hierarchical cluster analysis [J]. Pattern Recognition Letters， 2006， 27（13）： 1515-1521.

[11] NIBLACK W. An Introduction to Digital Image Processing [M]. Strandberg Publishing CompanyBirkeroed： Strandberg， 1985： S106-S107.

[12] WANG X W， WU Q X， ZHANG Z， et al. Segmentation based on spiking neural network using color edge gradient for extraction of corridor floor [C]// Proceedings of the 3rd International Conference on Multimedia Technology， LNEE 278. Berlin： Springer， 2013： 275-285.

[13] LIN X， WANG X， CUI W. An automatic image segmentation algorithm based on spiking neural network model [C]// ICIC 2014： Proceedings of the 2014 International Conference on Intelligent Computing， LNCS 8588. Berlin： Springer， 2014： 248-258.

[14] ZUO L， MA L， XIAO Y， et al. A dynamic region generation algorithm for image segmentation based on spiking neural network [C]// Proceedings of the 2017 International Conference on Neural Information Processing， LNCS 10636. Berlin： Springer， 2017： 816-824.

[15] 朱磊，白瑞林，吉峰.光照不均勻圖像的灰度波動(dòng)局部閾值分割[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（12）：144-149.（ZHU L， BAI R L， JI F. Local threshold segmentation based on grayscale wave for uneven illumination image [J].Computer Engineering and Applications， 2015， 51（12）： 144-149.）

[16] VALIZADEH M， KABIR E. An adaptive water flow model for binarization of degraded document images [J]. International Journal on Document Analysis and Recognition， 2013，16（2）： 165-176.

[17] 汪鼎文，李元香.基于HSI顏色空間的X射線彩色圖像分割[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，27（1）：139-141.（WANG D W， LI Y X. X-ray color image segmentation based on HSI model [J]. Computer Engineering and Design， 2006， 27（1）： 139-141.）

[18] GONZALEZ R C， WOODS R E， EDDINS S L， 等.數(shù)字圖像處理[M].北京：電子工業(yè)出版社， 2014.（GONZALEZ R C， WOODS R E， EDDINS S L， et al. Digital Image Processing [M]. Beijing： Publishing House of Electronics Industry， 2014.）

[19] 李峻，孟正大.基于HS分量聯(lián)合統(tǒng)計(jì)的自適應(yīng)閾值分割算法[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，40（S1）：266-271.（LI J， MENG Z D. HS joint statistics based adaptive color segmentation [J].Journal of Southeast University （Natural Science Edition）， 2010， 40（S1）： 266-271.）

[20] 魏巍，申鉉京，千慶姬.工業(yè)檢測(cè)圖像灰度波動(dòng)變換自適應(yīng)閾值分割算法[J].自動(dòng)化學(xué)報(bào)，2011（8）：944-953.（WEI W， SHEN X J， QIAN Q J. An adaptive thresholding algorithm based on grayscale transformation for industrial inspection images [J]. Acta Automatica Sinica， 2011（8）： 944-953.）

[21] JOLLIFFE I T. Principal component analysis [J]. Journal of Marketing Research， 2002， 87（100）： 513.