王凱 曹曉杰

摘 要：為實(shí)現(xiàn)工業(yè)故障診斷的自動(dòng)化，應(yīng)先解決超聲相控陣無(wú)損檢測(cè)圖像的目標(biāo)分割問(wèn)題。為此提出一種結(jié)合顏色空間變換與GrabCut算法的超聲相控陣圖像分割方法。該方法改進(jìn)了傳統(tǒng)的 GrabCut 算法，通過(guò)自適應(yīng)直方圖均衡化對(duì)超聲相控陣圖像進(jìn)行增強(qiáng)，然后結(jié)合顏色空間變換和 GrabCut 算法對(duì)目標(biāo)進(jìn)行交互式圖像分割得到圖像目標(biāo)分割結(jié)果。實(shí)驗(yàn)表明，與傳統(tǒng) GrabCut 算法相比，本文所提方法能夠更加精確分割出圖像中目標(biāo)，并能克服背景噪聲，保留目標(biāo)圖像細(xì)節(jié)。

關(guān)鍵詞：超聲相控陣;HSV顏色空間;GrabCut算法;圖像分割

文章編號(hào)：2095-2163（2019）04-0170-04 中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A

0 引 言

超聲相控陣是無(wú)損檢測(cè)領(lǐng)域的一個(gè)重要分支。與其它檢測(cè)方法相比，超聲相控陣具有檢測(cè)速度快、適用性好、穿透性強(qiáng)、操作安全等優(yōu)點(diǎn)，是目前獲得廣泛應(yīng)用的無(wú)損檢測(cè)方法之一[1-2]。超聲相控陣圖像分割對(duì)于后續(xù)處理有著非常重要的影響，常用的圖像分割方法如下：基于閾值的分割，例如Otsu方法[3]、基于邊緣的分割，如Canny算子分割[4]、基于區(qū)域的分割，例如Watershed Algorithm[5]和基于水平集的分割，如CV模型[6]。但是由于超聲相控陣圖像中含有散斑噪聲，故上述方法都不適用于超聲相控陣NDT圖像的圖像分割。本文以超聲相控陣無(wú)損檢測(cè)原始圖像為研究對(duì)象，提出一種結(jié)合顏色空間變換與GrabCut的超聲相控陣圖像分割方法。研究中，將運(yùn)用自適應(yīng)直方圖均衡化實(shí)現(xiàn)超聲相控陣圖像的增強(qiáng)，然后結(jié)合顏色空間變換和 GrabCut 算法對(duì)目標(biāo)進(jìn)行交互式圖像分割，以避免復(fù)雜環(huán)境背景帶來(lái)的影響，解決傳統(tǒng) GrabCut 算法對(duì)局部噪聲敏感而導(dǎo)致提取邊緣效果不好的不足，從而為后續(xù)工業(yè)故障診斷的自動(dòng)化提供技術(shù)基礎(chǔ)[7]。本文對(duì)此擬展開(kāi)研究論述如下。

1 顏色空間轉(zhuǎn)換

1.1 RGB顏色空間

在圖像處理技術(shù)中，經(jīng)常見(jiàn)到的就是RGB顏色空間，也稱為三基色模式，由紅綠藍(lán)三個(gè)分量組成。當(dāng)一個(gè)顏色通道用8位數(shù)據(jù)來(lái)描述時(shí)，3個(gè)分量的范圍均為[0，255]，當(dāng)3個(gè)分量均為0時(shí)，對(duì)應(yīng)黑色;都為最大值時(shí)，對(duì)應(yīng)白色，其它顏色則由3個(gè)分量按照不同的權(quán)重相加獲得[8]。如圖1所示，RGB色彩空間可以用一個(gè)直角坐標(biāo)系中的立方體來(lái)表示，立方體內(nèi)的一個(gè)點(diǎn)代表一種顏色，坐標(biāo)值表示了這種顏色在3種顏色上的分量。

1.2 HSV顏色空間

HSV空間的創(chuàng)建是基于顏色的直觀特性，即H（色調(diào)）、S（飽和度）和V（明度）。這種描述方式，相對(duì)于RGB色彩空間更接近人眼對(duì)物體顏色的感知[9]。HSV顏色空間可以使用六角椎體來(lái)表示，如圖2所示。六角棱錐中間的軸線表示明度V，從椎尖到椎底依次從黑到白;用角度表示色調(diào)H，0為紅色準(zhǔn)線，2π/3表示綠色，4π/3表示藍(lán)色;用點(diǎn)到中軸線的距離表示飽和度S，從近到遠(yuǎn)依次變得不飽和。

超聲相控陣圖像是基于RGB格式的，RGB顏色空間更注重圖像采集或顯示設(shè)備對(duì)顏色的記錄或顯示，但卻并不是一個(gè)直觀的顏色空間，各個(gè)分量之間冗余信息多，對(duì)目標(biāo)物體的顏色描述相對(duì)復(fù)雜，不利于顏色的識(shí)別。用HSV顏色空間表示的彩色圖像，其中的色調(diào)H和飽和度S更加符合人眼感知物體顏色的特性，其各個(gè)分量的獨(dú)立性強(qiáng)，有利于圖像處理。這樣比較有利于算法的設(shè)計(jì)與實(shí)現(xiàn)。 因此本文針對(duì)原GrabCut算法缺陷，采用HSV顏色空間描述彩色圖像。

2 GrabCut算法

2004年， Rother等人[10]基于迭代的GraphCut算法提出了GrabCut算法。GrabCut算法通過(guò)交互的方式得出前景與背景。在框選出區(qū)域后，將選框以外的部分視為背景區(qū)域，而將選框以內(nèi)的區(qū)域視為可能的前景區(qū)域。再通過(guò)計(jì)算前景高斯混合模型（GMM）和背景GMM，對(duì)每一個(gè)像素的RGB值代入單個(gè)的高斯模型進(jìn)行計(jì)算，選取值最大的那個(gè)模型作為該像素點(diǎn)的歸屬，并且還將建立一個(gè)圖，對(duì)該圖求解最小割，如此循環(huán)直至收斂，這樣一來(lái)即可判斷得出選框內(nèi)的前景區(qū)域與背景區(qū)域[11]。

3 超聲相控陣圖像分割

3.1 超聲相控陣圖像采集

本文實(shí)驗(yàn)環(huán)境為Python3.6，選用CPU 為Intel（R） Core（TM） i7-8750H處理器，主頻為2.20 GHz，8 GRAM， Windows 10操作系統(tǒng)，本文實(shí)驗(yàn)所使用的超聲相控陣圖像是由Phasor XS超聲相控陣儀器生成的，尺寸為300*230像素。

3.2 超聲相控陣圖像分割方法

本節(jié)綜合不同顏色空間的特征與GrabCut函數(shù)分割方法， 提出了融合顏色空間變換與GrabCut函數(shù)相結(jié)合的圖像分割方法，方法步驟可闡釋如下。

（1）對(duì)于采集的超聲相控陣圖像，采用自適應(yīng)直方圖均衡化對(duì)圖像進(jìn)行增強(qiáng)處理，增加亮度與對(duì)比度，以便后續(xù)操作。

（2）針對(duì)GrabCut算法的缺陷，將RGB圖像進(jìn)行顏色空間轉(zhuǎn)換，在HSV顏色空間進(jìn)行操作。

（3）用戶通過(guò)繪制矩形框來(lái)選擇超聲相控陣圖像的ROI區(qū)域，矩形外部像素標(biāo)記為背景，內(nèi)部像素標(biāo)記為前景目標(biāo)。

（4）將獲取到的圖像信息用于GrabCut算法初始化，并在GrabCut初始化建模中引入顏色判定，進(jìn)行參數(shù)迭代和判定，從而得到分割圖像。

3.3 實(shí)驗(yàn)結(jié)果及分析

分割算法效果對(duì)比如圖3所示。其中，圖3（a）為超聲相控陣原始圖像，圖3（b）是采用傳統(tǒng)GrabCut算法分割得到目標(biāo)的結(jié)果，圖3（c）是將超聲圖像自適應(yīng)直方圖均衡化進(jìn)行圖像增強(qiáng)，并且采用顏色空間轉(zhuǎn)換，再進(jìn)行GrabCut分割，綜上處理后得到的目標(biāo)分割結(jié)果。從圖3中看出，本文算法對(duì)圖像含有大量的噪聲、且灰度不均勻性等因素具有較強(qiáng)的抗干擾能力，可以完整地分割出大部分目標(biāo)的圖像，而且能夠保留圖像細(xì)節(jié)，分割效果堪稱理想。

本文分別采用GrabCut算法和基于顏色空間改進(jìn)的GrabCut算法對(duì)超聲相控陣圖像進(jìn)行分割。為了評(píng)價(jià)算法的分割效果，本文選取了精確度（Precision）和召回率（Recall）來(lái)衡量圖像分割效果的優(yōu)劣。精確度和召回率值越大，分割質(zhì)量越好，反之分割質(zhì)量就越差。分割算法的對(duì)比結(jié)果見(jiàn)表1。

由表1可以看出，使用改進(jìn)后的GrabCut算法在所有指標(biāo)上均高于其它對(duì)比算法，具有較高的精確度和召回率。

4 結(jié)束語(yǔ)

GrabCut算法是一種較為成熟、在計(jì)算機(jī)視覺(jué)等領(lǐng)域應(yīng)用較為廣泛的圖像分割算法。本文基于HSV顏色空間的GrabCut算法實(shí)現(xiàn)彩色圖像的分割。該方法符合人類視覺(jué)感知特點(diǎn)，在超聲相控陣圖像分割應(yīng)用中獲得了良好的分割效果。通過(guò)實(shí)驗(yàn)的分割結(jié)果剖析和分割性能的比較，充分驗(yàn)證了本文算法的有效性和優(yōu)越性。但對(duì)于圖像分割效率等卻仍有待后續(xù)深入的研究及改進(jìn)。

參考文獻(xiàn)

[1]楊曉霞. 超聲相控陣汽車發(fā)動(dòng)機(jī)內(nèi)腔腐蝕檢測(cè)關(guān)鍵技術(shù)研究[D]. 天津：天津大學(xué)， 2014.

[2]樊程廣. 超聲相控陣超分辨率成像方法研究[D]. 長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)， 2014.

[3]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 1979， 9（1）：62-66.

[4]CANNY J F. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， 8（6）：679-698.

[5]VINCENT L， SOILLE P. Watersheds in digital spaces：An efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991， 13（6）：583-598.

[6]CHAN T F， SANDBERG B Y， VESE L A. Active contours without edges for vector-valued images[J]. Journal of Visual Communication and Image Representation， 2000， 11（2）：130-141.

[7]姬治華. 基于GrabCut的三維醫(yī)學(xué)乳房超聲圖像分割技術(shù)的研究[D]. 貴陽(yáng)：貴州大學(xué)，2017.

[8]RUTA A， LI Yongmin， LIU Xiaohui. Real-time traffic sign recognition from video by class-specific discriminative features[J]. Pattern Recognition， 2010，43（1）：416-430.

[9]SHI Hang，YANG Yu. A computational model of visual attention based on saliency maps[J].Applied Mathematics and Computation，2007，188（2）：1671-1677.

[10]ROTHER C， KOLMOGOROV V， BLAKE A. “GrabCut”：Interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics （SIGGRAPH） ， 2004， 23（3）：307-312.

[11]KIM M， CHOI W， KIM B C， et al. A vision-based system for monitoring block assembly in ship building[J]. Computer-Aided Design，2015，59：98-108.