王昊天 厲小潤* 趙遼英

1(浙江大學(xué)電氣工程學(xué)院 浙江 杭州 310027)

2(杭州電子科技大學(xué)計算機技術(shù)應(yīng)用研究所 浙江 杭州 310018)

0 引 言

作為電能傳輸?shù)妮d體，電力電纜的需求越來越大。由于制造工藝的原因會出現(xiàn)很多質(zhì)量不達標(biāo)的劣質(zhì)電纜，這些劣質(zhì)電纜的使用在給用戶和用電企業(yè)帶來經(jīng)濟損失的同時還會存在巨大的安全隱患，因此對生產(chǎn)出的電力電纜需要進行嚴(yán)格的質(zhì)量檢測。幾何尺寸是影響電力電纜質(zhì)量的一個重要指標(biāo)。目前，電纜尺寸的檢測一般是通過人工測量，耗時耗力。因此，根據(jù)電纜圖像自動分割出電纜各區(qū)域從而實現(xiàn)電纜尺寸檢測自動化具有十分重要的意義。

目前，常用的彩色圖像分割方法有基于閾值的分割方法[1-3]、基于邊緣的分割方法[4-7]、基于區(qū)域的分割方法[8-11]、基于圖論的分割方法[12-15]、基于能量泛函的分割方法[16-19]，以及基于深度學(xué)習(xí)的分割方法[20]。其中：基于閾值的分割方法思想是通過判斷像素點每個通道的灰度值，將其劃分到不同的類別中；基于邊緣的分割方法是根據(jù)區(qū)域邊緣灰度值存在突變的現(xiàn)象，根據(jù)梯度將圖像分割出不同區(qū)域；基于區(qū)域的分割方法是按照圖像的相似性準(zhǔn)則劃分為不同區(qū)域塊，主要有種子生長法、區(qū)域分裂合并、分水嶺法等；基于圖論的分割方法是將圖像分割問題與圖的最小割問題相關(guān)聯(lián)，將圖像映射成帶權(quán)無向圖，使得分割后子圖內(nèi)部保持相似度最大，而子圖之間相似度保持最小，常見的方法有GraphCut[12]、RandomWalk[14]等；基于能量泛函的分割方法主要指活動輪廓模型以及在其基礎(chǔ)上發(fā)展出來的算法，基本思想是使用連續(xù)曲線來表達目標(biāo)邊緣，并定義一個能量泛函使得其自變量包括邊緣曲線，因此分割過程就轉(zhuǎn)變?yōu)榍蠼饽芰糠汉淖钚≈档倪^程，活動輪廓主要分為參數(shù)活動輪廓模型[16]和幾何活動輪廓模型[17]；基于深度學(xué)習(xí)的分割方法是一種監(jiān)督學(xué)習(xí)的方法，通過學(xué)習(xí)大量的樣本來訓(xùn)練模型來達到分割圖像的目的，常用的模型有Mask R-CNN[20]。

由于基于深度學(xué)習(xí)的分割方法需要大量的樣本進行訓(xùn)練，因此當(dāng)圖片樣本較少時不太適合。在傳統(tǒng)的分割方法中，當(dāng)圖像邊緣復(fù)雜且目標(biāo)區(qū)域內(nèi)部顏色相近的情況下，閾值分割方法由于簡單快速等優(yōu)點而被廣泛應(yīng)用。閾值分割方法最核心的步驟是如何確定閾值。一般情況下，閾值分割方法通常是設(shè)定一個全局分割評價函數(shù)以及分割的區(qū)域個數(shù)，通過啟發(fā)式算法如蟻群算法等得到每個區(qū)域的分割閾值從而完成分割[21-23]。但是由于電纜區(qū)域數(shù)量多、面積小且只關(guān)注目標(biāo)區(qū)域的分割好壞，通過啟發(fā)式算法得到的閾值參數(shù)并不適用。

基于此，本文提出一種基于箱型圖與折點閾值邊界的電纜分割方法。首先將圖像轉(zhuǎn)成HSV圖像并設(shè)計一種基于閾值邊界的區(qū)域分割方法；之后根據(jù)電纜的導(dǎo)體及結(jié)構(gòu)得到各區(qū)域的顏色信息并進行初步分割，對分割結(jié)果進行統(tǒng)計得到區(qū)域的色調(diào)中位數(shù)以及各通道的四分位數(shù)，計算箱型圖下邊界作為各通道的初始閾值邊界；最后根據(jù)目標(biāo)區(qū)域內(nèi)部顏色相近但與其余區(qū)域顏色存在差異的特點，計算折點閾值邊界并完成區(qū)域的精確分割。

1 電纜區(qū)域分割算法

1.1 電纜區(qū)域分割流程

電力電纜內(nèi)部由導(dǎo)體、絕緣層、護套、填充物四部分組成。其中導(dǎo)體、絕緣層和護套的尺寸有著明確的規(guī)定，需要進行檢測。導(dǎo)體材料有銅和鋁，顏色分別為銅褐色和白色；絕緣層顏色有彩色與灰色；護套顏色為黑色；填充物為白色。在進行電纜各區(qū)域分割時，首先根據(jù)原RGB圖像得到HSV圖像，之后依次進行導(dǎo)體、絕緣層、護套區(qū)域的分割。分割流程如圖1所示。

圖1 電纜區(qū)域分割流程

1.2 導(dǎo)體區(qū)域分割

電力電纜導(dǎo)體材料有銅和鋁兩種，銅為銅褐色，鋁為白色，導(dǎo)體的形狀為圓形或扇形。在判斷導(dǎo)體材料時，首先根據(jù)銅所屬的色調(diào)范圍在HSV圖像中進行區(qū)域分割，并去除小面積區(qū)域以及形狀不符合的區(qū)域。若去除后圖像存在導(dǎo)體區(qū)域，則導(dǎo)體材料為銅，否則導(dǎo)體材料為鋁。之后使用基于箱型圖與折點閾值邊界的區(qū)域分割方法進行彩色區(qū)域的分割或白色區(qū)域的分割來獲得導(dǎo)體區(qū)域。

1.3 絕緣層區(qū)域分割

每個導(dǎo)體區(qū)域都會被絕緣層包裹，當(dāng)分割出各導(dǎo)體區(qū)域時，根據(jù)形態(tài)學(xué)膨脹等操作可以得到包裹導(dǎo)體的絕緣層顏色。根據(jù)得到顏色的飽和度判斷是彩色的絕緣層還是灰色的絕緣層。之后使用基于箱型圖與折點閾值邊界的區(qū)域分割方法進行彩色區(qū)域的分割或灰色區(qū)域的分割來獲得絕緣層區(qū)域。

1.4 護套區(qū)域分割

由于電纜的護套為黑色而填充物為白色，因此可以直接對圖像通過OTSU算法進行二值化并保留黑色區(qū)域，之后從該區(qū)域中去除已經(jīng)分割出的導(dǎo)體區(qū)域和絕緣層區(qū)域即可得到護套區(qū)域。

2 箱型圖與折點閾值邊界分割算法

2.1 算法流程

基于傳統(tǒng)的圖像分割方法在電纜區(qū)域分割上的局限性，設(shè)計了一種基于箱型圖與折點閾值邊界分割方法。首先根據(jù)原RGB圖像得到HSV圖像。在HSV空間中，H為色調(diào)，不同的顏色對應(yīng)著不同的色調(diào)，同時色調(diào)在空間上呈現(xiàn)循環(huán)性，當(dāng)對色調(diào)進行歸一化后，色調(diào)在0附近的顏色與色調(diào)在1附近的顏色均呈現(xiàn)紅色；S為飽和度，代表顏色的鮮艷程度，高飽和度在視覺上呈現(xiàn)彩色，而低飽和度在視覺上呈現(xiàn)灰色；V為明度，明度過低時，飽和度和色調(diào)沒有區(qū)分度。由于在電纜區(qū)域分割流程中，需要彩色區(qū)域分割、白色區(qū)域分割、灰色區(qū)域分割三種區(qū)域分割方式，因此分別設(shè)計了式(1)-式(3)來實現(xiàn)彩色、白色和灰色的區(qū)域分割。

(1)

(2)

(3)

式中：Hmid為目標(biāo)區(qū)域的色調(diào)中位數(shù)；Vmid為目標(biāo)區(qū)域的明度中位數(shù)；Th、Ts、Tv分別為H、S、V通道的閾值邊界。當(dāng)原始HSV圖像中的像素點滿足上述公式時，其分割圖像對應(yīng)的像素點數(shù)值為1，否則為0。由于色調(diào)的循環(huán)特性，即歸一化后色調(diào)在0附近的顏色與色調(diào)在1附近的顏色相似，因此不能直接對色調(diào)作差，而是通過函數(shù)fH來得到色調(diào)間的差值，其定義如下:

fH(H,Hmid)=min(|H-Hmid|,|H-Hmid+1|,

|H-Hmid-1|)

(4)

根據(jù)以上公式，只要能確定目標(biāo)區(qū)域的中位數(shù)以及各個閾值邊界，就能將電纜對應(yīng)區(qū)域分割出來，算法流程如圖2所示。

圖2 折點閾值邊界區(qū)域分割算法流程

2.2 目標(biāo)區(qū)域初步分割

在電纜區(qū)域分割流程中，根據(jù)電纜中是否存在符合導(dǎo)體面積和形狀的銅褐色區(qū)域可以判斷電纜的導(dǎo)體材料是銅還是鋁。而當(dāng)分割出導(dǎo)體區(qū)域后，根據(jù)包裹導(dǎo)體的外層區(qū)域可以得到每個導(dǎo)體外的絕緣層屬于哪種顏色。因此，可以根據(jù)目標(biāo)區(qū)域的已知顏色信息通過設(shè)置Th=THori、Ts=TSori、Tv=TVori，使用式(1)-式(3)進行初步分割。初步分割旨在先分割出一個粗略的目標(biāo)區(qū)域，以供算法后續(xù)能進行精確定位。

2.3 目標(biāo)區(qū)域信息統(tǒng)計

在得到初步分割圖像I0之后，根據(jù)式(5)-式(7)得到圖像目標(biāo)區(qū)域H、S、V三個通道對應(yīng)的數(shù)組。

aH=[Ihsv(i,j,1)|i,j∈(I0(i,j)=1)]

(5)

aS=[Ihsv(i,j,2)|i,j∈(I0(i,j)=1)]

(6)

aV=[Ihsv(i,j,3)||i,j∈(I0(i,j)=1)]

(7)

由于色調(diào)的循環(huán)性，若目標(biāo)區(qū)域為紅色，則會出現(xiàn)色調(diào)一部分在0附近，一部分在1附近的情況，為了防止這種情況導(dǎo)致中位數(shù)統(tǒng)計出錯，設(shè)計式(8)-式(9)得到色調(diào)的中位數(shù)Hmid。

(8)

(9)

式中：aH′、aH1′為aH、aH1按升序排序后的數(shù)組；N為數(shù)組aH的長度；var(x)表示數(shù)組x的方差。若Hmid<0,則Hmid=Hmid+1。

同時根據(jù)式(10)-式(13)分別得到S通道的下四分位數(shù)Sq1和上四分位數(shù)Sq3以及V通道的下四分位數(shù)Vq1和上四分位數(shù)Vq3。

Sq1=aS′(N×0.25)

(10)

Sq3=aS′(N×0.75)

(11)

Vq1=aV′(N×0.25)

(12)

Vq3=aV′(N×0.75)

(13)

式中：aS′和aV′為aS和aV按升序排序后的數(shù)組；N為數(shù)組的長度。

2.4 初始閾值邊界計算

對于式(1)-式(3)，由于存在多個需要計算的折點閾值邊界，需要按照順序依次計算，因此在計算時需要給定其他未計算通道一個初始閾值邊界。

若將目標(biāo)區(qū)域像素看作是數(shù)據(jù)的集合，那么不屬于目標(biāo)區(qū)域的像素則可以看作是數(shù)據(jù)的異常值。箱型圖是一種用作顯示一組數(shù)據(jù)分散情況的統(tǒng)計圖。常用于識別數(shù)據(jù)分布以及異常數(shù)據(jù)檢測。其主要由5個點組成：上邊緣Tmax，上四分位數(shù)Q3，中位數(shù)，下四分位數(shù)Q1，下邊緣Tmin。箱型圖示意圖如圖3所示。

圖3 箱型圖示意圖

若數(shù)據(jù)在上邊緣和下邊緣范圍外，則認為是異常值。下邊緣的計算公式如下：

Tmin=Q1-1.5×(Q3-Q1)

(14)

參考箱型圖下邊緣計算公式，計算得到飽和度S和明度V的初始閾值邊界：

TSinit=max(TSori,Sq1-1.5×(Sq3-Sq1))

(15)

TVinit=max(TVori,Vq1-1.5×(Vq3-Vq1))

(16)

2.5 折點閾值邊界計算

對于電纜的各區(qū)域，其顏色特點為在各區(qū)域內(nèi)部顏色連續(xù)變化而區(qū)域之間顏色會存在差異，即當(dāng)閾值邊界越來越寬松時，找到的目標(biāo)區(qū)域像素點數(shù)量會越來越多，但是每次增加的幅度應(yīng)該越來越小，當(dāng)在某個閾值邊界處像素個數(shù)增加幅度變大，則認為找到了目標(biāo)區(qū)域外的像素，將前一個閾值設(shè)為該目標(biāo)區(qū)域的閾值邊界。以計算色調(diào)閾值邊界為例，其偽代碼如算法1所示。

算法1計算色調(diào)閾值邊界

1.functiongetH()

2. Initialize step=0.02,i=1,Th=step,Ts=TSinit,Tv=TVinit

3.whileTh<1do

4. get image Iiaccording formula(1)

5.ifi>1then

6. Li=(sum(Ii)-sum(Ii-1))/sum(Ii-1)

//計算像素增加比例

7.else

8. Li=0

9.endif

10.ifi>2 and Li-1

11. Th=Th-step

12. return Th

//如果像素提升比例變大，則返回前一個閾值

13.endif

14. i=i+1

15. Th=Th+step

//拓展閾值邊界

16.endwhile

17.endfunction

以一個實際的電纜圖像為例，在計算其紅色絕緣層時，以上步驟得到的每次像素增加的比例以及每次找到的紅色絕緣層區(qū)域如圖4所示。

(a) 原圖 (b) 每次增加的像素比例

可以發(fā)現(xiàn)，在第4次放寬閾值邊界時，找到了部分導(dǎo)體區(qū)域，像素增加的比例提高，因此第3次的閾值邊界作為紅色絕緣層的閾值邊界較為合適。

在后續(xù)計算飽和度折點閾值邊界和明度折點閾值邊界時，將之前已經(jīng)找到的閾值邊界作為初值，其過程與計算色調(diào)閾值邊界類似。對于白色區(qū)域分割和灰色區(qū)域分割同樣與上述步驟類似。

2.6 目標(biāo)區(qū)域精確分割

在計算得到的目標(biāo)區(qū)域中位數(shù)以及各通道閾值邊界后，代入相應(yīng)公式進行目標(biāo)區(qū)域的精確分割。

3 實驗結(jié)果

本文實驗所用數(shù)據(jù)均來源于普通相機在白色背景且光照均勻的條件下對實際電纜橫截面拍攝的圖片。所有實驗均通過MATLAB R2017a實現(xiàn)，實驗平臺為個人計算機(Intel(R) Core(TM) i5- 6200U CPU 2.3 GHz)。設(shè)置參數(shù)THori=0.03，TSori=TVori=0.35，這兩個值分別為判斷顏色是否相似以及是否為彩色的閾值。其目的在于分割出一個粗略的目標(biāo)區(qū)域以供算法后續(xù)進行精確分割，影響較小。以實際電纜為例，通過本文算法對各區(qū)域的分割結(jié)果以及閾值邊界如圖5和表1所示。在圖5中，電纜中的導(dǎo)體和4個絕緣層區(qū)域均完整地分割出來。從表1中可以看出，電纜各區(qū)域閾值邊界相差較大。藍色絕緣層在圖像中沒有其他區(qū)域色調(diào)與它接近且它自身磨損較嚴(yán)重，所以色調(diào)閾值邊界較大且飽和度閾值邊界較??；黃色絕緣層內(nèi)部顏色比較一致，同時電纜內(nèi)部的白色填充物和黃色絕緣層色調(diào)很接近但飽和度更低，所以黃色絕緣層的色調(diào)閾值邊界較小且飽和度閾值邊界較大。表1數(shù)據(jù)說明本文算法可以很好地計算出各區(qū)域的最佳閾值邊界。

(a) 原圖 (b) 導(dǎo)體銅 (c) 藍色絕緣層

表1 折點閾值邊界

根據(jù)本文的電纜區(qū)域分割算法并進行簡單的形態(tài)學(xué)處理后得到的電纜三個部分的分割結(jié)果如圖6所示。可以看到，電纜的三個區(qū)域均被完整地分割出來。

圖6 電纜區(qū)域分割結(jié)果

同時，將本文使用的箱型圖與折點閾值邊界分割算法與區(qū)域生長算法以及自適應(yīng)步長的閾值分割算法對電纜的絕緣層進行分割結(jié)果對比，結(jié)果如圖7所示?？梢钥吹?，當(dāng)絕緣層顏色比較一致時，所有算法都能較好地將其分割出來。而當(dāng)絕緣層內(nèi)有磨損等導(dǎo)致部分顏色發(fā)生變化時，區(qū)域生長算法和自適應(yīng)步長閾值分割算法都存在某些絕緣層區(qū)域沒有分割完全而某些不是絕緣層區(qū)域被分割出來的現(xiàn)象。對比之下，本文的基于箱型圖與折點閾值邊界的分割方法可以比較好地分割出電纜的每個絕緣層區(qū)域。

(a) 原圖 (b) 區(qū)域生長 (c) 自適應(yīng)步長閾值分割 (d) 本文方法

4 結(jié) 語

本文針對傳統(tǒng)圖像分割方法對電纜區(qū)域分割效果差的問題，提出一種基于箱型圖與折點閾值邊界的電纜區(qū)域分割方法。首先根據(jù)電纜的導(dǎo)體與結(jié)構(gòu)信息，遞進得到電纜各區(qū)域的顏色信息。之后設(shè)計基于閾值邊界的區(qū)域分割方法，通過對各區(qū)域的信息進行統(tǒng)計，根據(jù)箱型圖得到各通道的初始閾值邊界。最后根據(jù)電纜區(qū)域間顏色存在差異的特性計算出各區(qū)域的折點閾值邊界并進行電纜區(qū)域分割。實驗結(jié)果表明，本文方法基于電纜的結(jié)構(gòu)特征以及統(tǒng)計得到的自適應(yīng)參數(shù)對各區(qū)域進行二次精確分割，在不需要人工設(shè)定超參數(shù)的情況下，可以很好地分割出電纜各區(qū)域，魯棒性高。通過本文算法對電纜各區(qū)域進行分割，可以直接得到電纜導(dǎo)體的面積從而判斷電纜導(dǎo)體部分是否符合國家標(biāo)準(zhǔn)。同時，根據(jù)分割出的絕緣層與護套，根據(jù)梯度信息來提取精確邊界進而判斷電纜絕緣層與護套厚度是否符合標(biāo)準(zhǔn)。通過圖像對電纜各區(qū)域尺寸進行自動化檢測，在降低人工檢測成本的同時也提高了檢測精度，對電纜質(zhì)量檢測有著重要意義。