田志宏，田 碩，李瑤瑤，趙昱煒，寧培英，于 揚(yáng)

(1. 天津科技大學(xué)電子信息與自動(dòng)化學(xué)院，天津 300222；2. 榮耀智慧(天津)工程設(shè)計(jì)有限公司，天津 300070)

智能化發(fā)展使得各式各樣智能機(jī)器人廣泛應(yīng)用于工業(yè)、教育、醫(yī)療等領(lǐng)域，服務(wù)于老人、殘障人士的服務(wù)型智能機(jī)器人也不斷在發(fā)展，載有機(jī)械臂的電動(dòng)輪椅是服務(wù)型機(jī)器人的重要分支[1]．

載有機(jī)械臂的電動(dòng)輪椅可以在日常生活中完成如開(kāi)門、倒水等一些基本動(dòng)作，可以為老人以及殘疾人服務(wù)，以提高他們的生活靈活性，所以對(duì)此類輪椅的研究具有一定的社會(huì)和現(xiàn)實(shí)意義[2-3]．在電動(dòng)輪椅機(jī)械臂抓取目標(biāo)的過(guò)程中，通過(guò)圖像分割實(shí)現(xiàn)目標(biāo)定位．定位的準(zhǔn)確性與圖像分割好壞緊密相關(guān)，也是后續(xù)準(zhǔn)確求解輪椅與目標(biāo)物間距離參數(shù)的基礎(chǔ)．因此，本文對(duì)圖像分割部分進(jìn)行了進(jìn)一步研究，旨在通過(guò)圖像分割算法，實(shí)現(xiàn)對(duì)目標(biāo)物的準(zhǔn)確分割，進(jìn)而可以準(zhǔn)確獲取目標(biāo)物的位置坐標(biāo)，以實(shí)現(xiàn)目標(biāo)物定位．

在數(shù)字圖像處理方面，傳統(tǒng)彩色圖像采用的是RGB(紅、綠、藍(lán)色)色彩模式，但RGB色彩模式各個(gè)通道間的冗余信息較多，亮度一旦改變，R、G、B這 3個(gè)分量都會(huì)改變，沒(méi)有穩(wěn)定的描述規(guī)則；且一些目標(biāo)物與背景的 RGB顏色差異不明顯，不利于描述二者的顏色模型，對(duì)圖像分割有一定困難．HSI(色調(diào)、飽和度、強(qiáng)度)顏色空間則更符合人視覺(jué)系統(tǒng)的感知彩色模式，其中H和S分量與人感受的方式緊密結(jié)合，很容易從中提取色彩信息，并且 H和 S分量結(jié)合進(jìn)行圖像分割，有利于目標(biāo)物與背景的分離，所以采用HSI顏色空間的H和S分量進(jìn)行彩色特性分析[4]．

數(shù)字圖像處理的重要內(nèi)容之一是圖像分割技術(shù)，圖像處理的好壞會(huì)直接影響到后續(xù)的定位過(guò)程．目前，圖像分割技術(shù)多種多樣，常用分割方法有：基于閾值分割，例如基于直方圖閾值分割、Otsu閾值分割；基于聚類的分割，例如K-均值聚類、模糊C均值分類，雖然聚類分割缺乏對(duì)噪聲等的魯棒性，但通過(guò)研究者不斷地改進(jìn)，使得分割精度不斷提高；基于特定理論分割方法，例如遺傳算法、人工神經(jīng)網(wǎng)絡(luò)算法等．以上方法都能很好地對(duì)目標(biāo)物進(jìn)行分割[5-7]．脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse couple neural networks，PCNN)模型為仿動(dòng)物視覺(jué)系統(tǒng)建立的模型，也逐漸成為機(jī)器視覺(jué)領(lǐng)域的熱門課題之一．

PCNN算法對(duì)圖像分割效果顯著，一些作者也對(duì)其進(jìn)行一定改進(jìn)[8-10]，例如簡(jiǎn)化 PCNN 算法，或者與其他算法結(jié)合，例如與遺傳算法相結(jié)合，實(shí)現(xiàn)對(duì)PCNN參數(shù)的確定等．以電動(dòng)輪椅作為移動(dòng)平臺(tái)，機(jī)械臂所抓取的目標(biāo)物并非在相同位置，目標(biāo)物受到的光照強(qiáng)度會(huì)有所不同，而光線因素會(huì)對(duì)圖像分割產(chǎn)生影響．因此在本文中，考慮光線條件對(duì)分割的影響以及目標(biāo)抓取中遇到的多個(gè)目標(biāo)物選其一的情況，提出區(qū)域生長(zhǎng)算法與 PCNN算法相結(jié)合的圖像分割方法．在 HSI顏色空間，以 H和 S分量作為區(qū)域生長(zhǎng)算法的生長(zhǎng)準(zhǔn)則，將相似像素生長(zhǎng)為同一區(qū)域，采用信息熵算法控制 PCNN算法的迭代次數(shù)，最終實(shí)現(xiàn)圖像分割．

1 PCNN模型及圖像分割原理

1.1 PCNN模型

Eckhorn等提出的單個(gè)PCNN神經(jīng)元模型，如圖1所示，該模型包括3部分：輸入?yún)^(qū)、連接輸入?yún)^(qū)以及脈沖發(fā)生器[11-12]．

圖1 PCNN模型Fig. 1 PCNN model

PCNN模型的離散數(shù)學(xué)迭代方程見(jiàn)式(1)—式(6)[13]．

式中：n代表迭代次數(shù)；αF和VF分別為反饋輸入域的衰減時(shí)間常數(shù)和放大系數(shù)；Sij為數(shù)字圖像中的像素灰度值，是神經(jīng)元的外部刺激；αL和 VL分別為耦合連接域的衰減時(shí)間常數(shù)和放大系數(shù)；β是內(nèi)部活動(dòng)項(xiàng)的連接系數(shù)；Mijkl和 Wijkl分別為反饋輸入域和耦合連接域的權(quán)值矩陣，用歐幾里得公式表示；Eij為脈沖發(fā)生器的組成部分；VT為閾值的放大系數(shù)，可以使脈沖的高電平迅速降為低電平．

1.2 PCNN圖像分割原理

在 PCNN數(shù)字圖像處理模型中，神經(jīng)元與像素為一一對(duì)應(yīng)關(guān)系．該模型具有周期性點(diǎn)火的特性，在無(wú)耦合的情況下，像素值與點(diǎn)火周期關(guān)系如圖2所示.

圖2 點(diǎn)火周期與像素值關(guān)系Fig. 2 Relationship between ignition period and pixel value

由圖 2可知，在無(wú)耦合情況下，像素值越大，越先點(diǎn)火．因PCNN具有耦合關(guān)系，像素Sij和Skl(其中Sij大于Skl)具有如下關(guān)系：

1.3 信息熵

熵作為圖像統(tǒng)計(jì)特性的一種表現(xiàn)形式，反映的是圖像信息量的大?。诿看蜳CNN循環(huán)迭代后，計(jì)算輸出的二值圖像 []Y n的信息量，即熵值，見(jiàn)式(8)[14]．

式中：P1、P0分別是 Y [ n]為 1、0的概率．熵值越大，說(shuō)明包含的原圖信息量越大，所以將求得的熵值最大為 H1max(P)時(shí)的迭代次數(shù)作為PCNN循環(huán)迭代次數(shù)，即 PCNN每迭代一次計(jì)算熵值 H1( P)，當(dāng) H1( P)的值下降時(shí)停止迭代，此時(shí)輸出的 Y[ n]二值圖像所包含的信息量最大，即為最佳輸出圖像．

2 HSI顏色空間變換

RGB圖像各通道間冗余信息復(fù)雜，難以控制，而HSI空間更符合人的視覺(jué)特性．將 RGB空間轉(zhuǎn)換到HSI，首先將R、G、B歸一化，即R，G，B[0,1]∈，則轉(zhuǎn)化公式為

其中色調(diào) H的取值范圍為 0°～360°，飽和度 S、亮度I取值范圍[0，1]．HSI顏色空間模型如圖3所示[15].

圖3 HSI顏色空間模型Fig. 3 HSI color space model

色調(diào)(H)分量描述的是一種純色的顏色屬相(如紅色、黃色、綠色)，飽和度(S)分量是一種純色被白光稀釋的程度，即顏色的濃淡程度，亮度(I)分量描述顏色的亮暗程度，中心軸代表著圖像的灰度圖．

3 區(qū)域生長(zhǎng)原理

物體因自身表面受到的光照強(qiáng)度不同，導(dǎo)致傳統(tǒng)PCNN算法無(wú)法實(shí)現(xiàn)物體的正確分割，其參數(shù)對(duì)同步點(diǎn)火的像素值范圍難以控制，而區(qū)域生長(zhǎng)方法是根據(jù)像素的相似性質(zhì)，將同一目標(biāo)物體區(qū)域內(nèi)的像素進(jìn)行聚集的方法．結(jié)合生長(zhǎng)區(qū)域算法，可以避免該現(xiàn)象產(chǎn)生．

區(qū)域生長(zhǎng)是指從某個(gè)選定的像素出發(fā)，根據(jù)某種準(zhǔn)則，逐步加入鄰近像素，滿足一定條件，就停止區(qū)域生長(zhǎng)[16]．其主要步驟為：以選取的一個(gè)小鄰域或單個(gè)像素作為生長(zhǎng)種子點(diǎn)．從該種子點(diǎn)開(kāi)始，將相鄰的或其他區(qū)域像素，根據(jù)事先規(guī)定好的生長(zhǎng)準(zhǔn)則進(jìn)行判別，符合準(zhǔn)則的像素歸入該種子點(diǎn)區(qū)域．

圖4為區(qū)域生長(zhǎng)算法的過(guò)程圖．

圖4 不同門限值T下的生長(zhǎng)區(qū)域(已知種子點(diǎn))Fig. 4 Growth region with different T value

圖 4(a)為選擇的種子點(diǎn)(已在原圖中標(biāo)出)，假設(shè)其生長(zhǎng)準(zhǔn)則為：以所考慮區(qū)域的像素灰度值與種子像素的灰度值的差值的絕對(duì)值作為門限值，小于門限值T，則所考慮像素與種子像素為同一區(qū)域．圖4(b、c、d)分別為門限值 T為 2、3、7時(shí)的生長(zhǎng)結(jié)果圖．在區(qū)域生長(zhǎng)算法中，關(guān)鍵在于生長(zhǎng)準(zhǔn)則的選擇以及種子點(diǎn)的選取[17]．本文采用半交互式方法確定種子點(diǎn)和生長(zhǎng)準(zhǔn)則．

4 分割方法

針對(duì)本文提出的基于區(qū)域生長(zhǎng)的 PCNN圖像分割算法，對(duì)其進(jìn)行方法描述：

(1) 首先選擇目標(biāo)物，即ROI區(qū)域．

(2) 將 ROI區(qū)域的 RGB空間模型轉(zhuǎn)換為 HSI顏色空間模型．

(3) 對(duì) ROI區(qū)域執(zhí)行區(qū)域生長(zhǎng)算法．種子點(diǎn)選擇方法為計(jì)算 ROI區(qū)域灰度直方圖，像素?cái)?shù)最大所對(duì)應(yīng)的像素值即為種子點(diǎn)像素值．生長(zhǎng)準(zhǔn)則確定方法：在目標(biāo)物所在圖像區(qū)域分別求 H和 S分量的最大值Simax和最小值Simin，并判斷ROI區(qū)域內(nèi)每個(gè)像素 S i(x,y)∈ROI的 H和 S分量是否在其對(duì)應(yīng)的 [Simin，Simax]范圍內(nèi)，若在此范圍內(nèi)則令 S i(x,y)∈ROI等于種子點(diǎn)像素值，不滿足則其值不變．

(4) 執(zhí)行公式(1)—(6)，獲得點(diǎn)火矩陣 Yi，并根據(jù)公式(8)獲得每次迭代的信息熵，信息熵減小時(shí)則停止迭代，即可獲得分割結(jié)果．

(5) 根據(jù)分割結(jié)果獲得目標(biāo)物輪廓，并計(jì)算目標(biāo)物在原圖像中的形心坐標(biāo)，即為目標(biāo)物位置的像素坐標(biāo)．

5 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文所提方法對(duì)目標(biāo)物分割進(jìn)而求得目標(biāo)物像素位置坐標(biāo)的有效性、準(zhǔn)確性和實(shí)時(shí)性，并結(jié)合研究背景中目標(biāo)物位置可以不固定，需要考慮目標(biāo)物會(huì)受不同光線因素影響以及在多個(gè)同種目標(biāo)物中只選擇其中一個(gè)抓取的情況，設(shè)計(jì)如下實(shí)驗(yàn)：目標(biāo)物處于不同光線環(huán)境、目標(biāo)物具有一定反光特性、多個(gè)同種目標(biāo)物只定位其中一個(gè)，并與 OTSU算法和傳統(tǒng)PCNN分割方法進(jìn)行實(shí)驗(yàn)對(duì)比．

通過(guò)實(shí)驗(yàn)獲得的圖 5—圖 8的 PCNN參數(shù)見(jiàn)表 1．

β和 VL相結(jié)合，可以控制 PCNN同時(shí)點(diǎn)火的像素值范圍，VT決定了高電平到低電平的快慢，這幾個(gè)參數(shù)對(duì)圖像分割起主要作用．結(jié)合其他研究者對(duì)參數(shù)的確定以及獲得的實(shí)驗(yàn)效果，最終確定表1中的參數(shù)值．

表1 PCNN參數(shù)Tab. 1 PCNN parameters

圖5、圖6分別為某一目標(biāo)物在不同光亮條件下的分割結(jié)果．

圖5 光線較暗條件實(shí)驗(yàn)結(jié)果圖Fig. 5 Experimental results under dark light condition

圖 5為在光線較暗條件下測(cè)試的結(jié)果．其中圖5(c)實(shí)現(xiàn)的生長(zhǎng)準(zhǔn)則為：滿足 H 值在[80，123]內(nèi)，且S值在[0.34，1]范圍內(nèi)的像素生長(zhǎng)為同一區(qū)域. PCNN算法通過(guò)信息熵控制其迭代次數(shù)為15次．對(duì)圖5(b、c、d)進(jìn)行對(duì)比，可看出傳統(tǒng) PCNN 方法因目標(biāo)物表面受到的光照強(qiáng)度不同而導(dǎo)致其無(wú)法正確分割，而本文方法實(shí)現(xiàn)的分割效果比傳統(tǒng) PCNN方法準(zhǔn)確，較完善地保留了目標(biāo)物信息．因目標(biāo)物與背景間的最大類間方差值較小，導(dǎo)致 OTSU算法未能將目標(biāo)物與背景準(zhǔn)確分離．

圖 6為與圖 5同一目標(biāo)物在光線較亮條件下的測(cè)試結(jié)果，其中圖 6(c)的生長(zhǎng)準(zhǔn)則為：H 值在[63，85]區(qū)域內(nèi)，S值在[0.3，1]區(qū)域內(nèi)的像素生長(zhǎng)為同一區(qū)域，且PCNN迭代次數(shù)為13次．由圖6可見(jiàn)，本文分割方法大大改善了傳統(tǒng) PCNN算法與 OTSU算法分割目標(biāo)物不完整的缺陷，可以相對(duì)完整分割目標(biāo)物.

圖6 光線較亮條件實(shí)驗(yàn)結(jié)果圖Fig. 6 Experimental results under brighter condition

為進(jìn)一步驗(yàn)證本文算法的有效性，對(duì)一個(gè)具有反光特性，并有一定強(qiáng)光照射的目標(biāo)物進(jìn)行測(cè)試．圖 7為在該實(shí)驗(yàn)條件下的測(cè)試結(jié)果圖．

圖7 強(qiáng)光條件下實(shí)驗(yàn)結(jié)果圖Fig. 7 Experimental results under strong light condition

其中圖7(c)以H值在[6，50]內(nèi)，且S值在[0.01，0.5]內(nèi)作為區(qū)域生長(zhǎng)準(zhǔn)則，將滿足條件的像素生長(zhǎng)為同一區(qū)域，迭代 15次得到的分割結(jié)果．從圖中可看出，因強(qiáng)光照射再伴隨目標(biāo)物具有反光特性，目標(biāo)物像素值受到嚴(yán)重干擾，傳統(tǒng) PCNN算法和 OTSU算法對(duì)該目標(biāo)物分割的輪廓邊緣嚴(yán)重?fù)p壞．而通過(guò)本文方法實(shí)現(xiàn)的分割，雖未能準(zhǔn)確分割，但基本保留其邊緣信息．

考慮在多個(gè)相同目標(biāo)物中選擇其一實(shí)現(xiàn)抓取的情況，對(duì)該條件進(jìn)行實(shí)驗(yàn)，結(jié)果如圖8所示．

圖8 多目標(biāo)物條件下實(shí)驗(yàn)結(jié)果Fig. 8 Experimental results under multi-target condition

由圖 8可以看出，傳統(tǒng) PCNN算法分割圖像得到的邊緣信息不完善，OTSU算法產(chǎn)生干擾信息較多，而本文方法對(duì)目標(biāo)物分割效果相對(duì)較好，雖然有無(wú)關(guān)信息存在，但獲取輪廓時(shí)，本文算法會(huì)對(duì)輪廓進(jìn)行選擇性篩選，所以最終可以獲得目標(biāo)物位置信息．圖 8(c)的生長(zhǎng)準(zhǔn)則為：H和 S分量滿足H∈[351.455，362.8]，S∈[0.37，0.5]的像素生長(zhǎng)為同一區(qū)域，且PCNN迭代次數(shù)為13次．

圖 9為本文算法對(duì)圖 5—圖 8中目標(biāo)物進(jìn)行實(shí)驗(yàn)最終獲得的輪廓圖．

圖9 本文方法獲得目標(biāo)物輪廓圖Fig. 9 Contour of target obtained with the new algorithm

本文在不同光照條件下，并與傳統(tǒng) PCNN算法和 OTSU算法進(jìn)行對(duì)比實(shí)驗(yàn)，可知本文分割方法可以改善因光線原因造成的圖像分割不完善的現(xiàn)象，且可以將目標(biāo)物與背景很好地分離，具有一定魯棒性，也能滿足多目標(biāo)物而只選其一的需求．

結(jié)合表 1參數(shù)可知，PCNN參數(shù)雖很多，但將區(qū)域生長(zhǎng)算法與 PCNN算法相結(jié)合，對(duì)于不同的實(shí)驗(yàn)以及目標(biāo)物，參數(shù)改變范圍較小，在一定程度上可以減輕對(duì)參數(shù)值確定的工作量．

通過(guò)分割獲得目標(biāo)物輪廓，進(jìn)而可求得目標(biāo)物位置信息．為進(jìn)一步驗(yàn)證本方法獲得目標(biāo)物位置像素坐標(biāo)的準(zhǔn)確性以及實(shí)時(shí)性，將本文算法獲得坐標(biāo)結(jié)果與實(shí)際坐標(biāo)進(jìn)行比較，結(jié)果見(jiàn)表2．

結(jié)果證明該算法通過(guò)圖像分割最終求得目標(biāo)物位置的像素坐標(biāo)的準(zhǔn)確率可達(dá)到 98%．此外，通過(guò)CPU為3.10GHz的PC機(jī)，僅對(duì)ROI區(qū)域?qū)崿F(xiàn)圖像處理，減少對(duì)無(wú)關(guān)信息處理而消耗的時(shí)間，因而最終獲得坐標(biāo)的平均時(shí)間為 1.61s，實(shí)驗(yàn)證明，該算法對(duì)目標(biāo)物位置坐標(biāo)的獲取具有一定實(shí)時(shí)性．

6 結(jié) 語(yǔ)

光線因素會(huì)對(duì)圖像分割產(chǎn)生影響，進(jìn)而影響對(duì)目標(biāo)物位置坐標(biāo)的獲得，針對(duì)此問(wèn)題，本文提出了一種基于生長(zhǎng)區(qū)域的 PCNN目標(biāo)定位算法．該方法以 H和S分量作為生長(zhǎng)準(zhǔn)則的門限值，將符合條件的區(qū)域劃分為同一區(qū)域，結(jié)合 PCNN算法以及最大信息熵準(zhǔn)則，實(shí)現(xiàn)了對(duì)目標(biāo)物的自動(dòng)分割，同時(shí)獲取了目標(biāo)物輪廓和目標(biāo)物的形心像素坐標(biāo)點(diǎn)．通過(guò)對(duì)不同光線條件下的目標(biāo)物，以及多目標(biāo)物選其一情況進(jìn)行實(shí)驗(yàn)，可知此方法獲得像素系位置坐標(biāo)約需 1.61s，具有較高實(shí)時(shí)性．同時(shí)相對(duì)于傳統(tǒng) PCNN方法和OTSU方法，該方法分割效果更準(zhǔn)確，且對(duì)目標(biāo)物位置的獲取，準(zhǔn)確率達(dá)到 98%，可以實(shí)現(xiàn)對(duì)目標(biāo)物的分割與定位，進(jìn)而為后續(xù)機(jī)械臂在電動(dòng)輪椅移動(dòng)平臺(tái)控制下實(shí)現(xiàn)目標(biāo)物的自動(dòng)抓?。?/p>