楊國(guó)田，王云龍，宋森平

(華北電力大學(xué)，北京 102206)

1 引言

隨著越來(lái)越多的隧道工程項(xiàng)目被開發(fā)使用，確保隧道環(huán)境安全變得愈發(fā)重要。這就要求監(jiān)測(cè)系統(tǒng)可以及時(shí)準(zhǔn)確地檢測(cè)到隧道中的意外情況。滲漏水是隧道中常見病害之一，隧道出現(xiàn)滲漏水后，容易造成隧道內(nèi)壁龜裂，長(zhǎng)時(shí)間滲漏會(huì)降低隧道的使用壽命。根據(jù)《地下工程防水技術(shù)規(guī)范》文件，地下工程防水等級(jí)共分為四級(jí)[1]。電纜隧道防水等級(jí)為二級(jí)標(biāo)準(zhǔn)，要求滲水面積小于0.2m2。之前都是通過(guò)人工巡檢來(lái)檢查隧道中是否有異常情況發(fā)生，但是人工巡檢存在很多弊端。一方面有些隧道不方便人進(jìn)入巡檢，而且人工巡檢需要消耗大量的人力和時(shí)間。另一方面，人工巡檢只能定性的判斷是否發(fā)生滲漏水，誤差較大。在當(dāng)下人工智能盛行的時(shí)代，計(jì)算機(jī)在一定程度上已經(jīng)可以代替人來(lái)完成某些任務(wù)。滲漏水的檢測(cè)便可以依靠計(jì)算機(jī)視覺和圖像處理技術(shù)實(shí)現(xiàn)智能檢測(cè)[2]。

地下隧道內(nèi)壁溫度相對(duì)恒定，而滲漏水來(lái)源于地下，溫度比隧道內(nèi)壁低。當(dāng)隧道發(fā)生滲漏水時(shí)，滲漏水區(qū)域的溫度會(huì)低于周圍墻壁的溫度，出現(xiàn)溫度差。因此可以使用紅外熱成像儀捕獲隧道內(nèi)的圖像，進(jìn)行閾值分割提取滲漏水區(qū)域[3-5]。黃永杰等[6]通過(guò)固定閾值對(duì)滲漏水紅外圖像的灰度圖進(jìn)行分割。但是隧道中不同區(qū)域的環(huán)境溫度存在差異，使用固定的閾值提取得到的滲漏水區(qū)域的精度較低。若動(dòng)態(tài)地根據(jù)圖像的全局信息來(lái)獲得圖像分割的閾值，圖像分割的效果將會(huì)有很大的提高。Kapuret等[7]提出一種基于圖像全局熵的圖像分割方法，將檢測(cè)圖像前景和背景的熵和作為目標(biāo)函數(shù)，通過(guò)尋找使目標(biāo)函數(shù)取得最大值的閾值作為分割圖像的閾值。雷松澤[8]使用圖像熵對(duì)紅外圖像進(jìn)行分割，分割效果很好。但是尋找熵閾值通過(guò)窮舉法實(shí)現(xiàn)，計(jì)算量較大，不能實(shí)時(shí)得到分割結(jié)果。

基于最佳熵閾值圖像分割，本文使用粒子群算法對(duì)最佳熵閾值搜索過(guò)程進(jìn)行優(yōu)化，快速準(zhǔn)確地得到分割圖像的閾值。在研究過(guò)程中發(fā)現(xiàn)，圖像的灰度分布對(duì)分割結(jié)果影響較大，本文改進(jìn)算法，通過(guò)對(duì)待分割圖像進(jìn)行直方圖規(guī)定化降低這種影響。最后通過(guò)實(shí)驗(yàn)分割結(jié)果對(duì)比、圖像分割客觀指標(biāo)評(píng)估，證明了本文提出的算法可以快速、準(zhǔn)確地提取滲漏水，并且是一種通用的紅外圖像滲漏水區(qū)域提取方法。

2 粒子群的最佳熵閾值算法

2.1 一維最佳熵閾值分割

根據(jù)Shannon對(duì)信息熵的定義，對(duì)于灰度范圍為[0，L-1]的灰度圖像，其直方圖的熵定義為[7]

(1)

其中Pi為第i個(gè)灰度出現(xiàn)的概率。

圖像分割需要將圖像分為目標(biāo)和背景兩類，設(shè)閾值t將圖像劃分為目標(biāo)和背景兩類，則這兩類的概率分布分別為

(2)

(3)

假設(shè)圖像中目標(biāo)區(qū)域的灰度范圍為[0，t-1]，目標(biāo)區(qū)域的累計(jì)概率Po和圖像熵ho分別為：

(4)

(5)

則目標(biāo)熵和背景熵分別為Ho(t)和HB(t)

(6)

(7)

圖像的總熵H(t)為Ho(t)和HB(t)之和，即

(8)

當(dāng)圖像總熵值最大的時(shí)候，目標(biāo)區(qū)域和背景區(qū)域內(nèi)各自的灰度分布具有最大的統(tǒng)一性，該閾值即可以分割兩區(qū)域。最佳閾值t為

(9)

2.2 粒子群算法

粒子群 (particle swarm optimization,PSO)算法，是一種全局搜索優(yōu)化算法。在PSO算法中，優(yōu)化問(wèn)題的每個(gè)可能解都被視為搜索空間中的一個(gè)粒子，每個(gè)粒子根據(jù)自身迭代得到的個(gè)體最優(yōu)位置和整個(gè)群體迭代過(guò)程中搜索到的全局最優(yōu)位置來(lái)調(diào)整自身在解空間中的空間位置和飛行速度。PSO算法中粒子的更新方式如下[9-11]：

設(shè)在d維空間的搜索空間中，存在N個(gè)粒子組成一個(gè)群落，其中第i個(gè)粒子在第t次迭代后的位置和速度都可以分別用d維的向量表示為

(10)

(11)

(12)

(13)

那么粒子群在進(jìn)行t+1代迭代時(shí)，第i個(gè)粒子按照如下公式更新自己的速度v和位置x

(14)

(15)

w為慣性因子，用來(lái)平衡粒子的全局尋優(yōu)能力和局部搜索能力。c1、c2為學(xué)習(xí)因子，可以用來(lái)反映粒子與粒子間的信息交流，其值一般小于4為宜。r1、r2為0到1間的隨機(jī)常數(shù)。

2.3 粒子群的一維最佳熵閾值圖像分割

使用窮舉法尋找一維最佳熵閾值，計(jì)算量大，得到分割結(jié)果所需要的時(shí)間較長(zhǎng)[12]。粒子群算法是一種全局搜索算法，通過(guò)對(duì)圖像的所有灰度級(jí)進(jìn)行智能搜索，得到使適應(yīng)度函數(shù)取得最大值的最優(yōu)解。

基于粒子群的一維最佳熵閾值圖像分割的算法，在分割閾值的定義域內(nèi)隨機(jī)產(chǎn)生規(guī)定種群數(shù)量的初始粒子，將圖像的一維總熵和作為粒子群優(yōu)化算法的適應(yīng)度函數(shù)。通過(guò)粒子群的迭代最終尋得使適應(yīng)度函數(shù)取最大值的最優(yōu)解，也就是灰度圖像二值化的閾值。

基于粒子群的一維最佳熵閾值粒子群圖像分割的算法的流程圖如圖1。

圖1 圖像分割算法流程圖

3 滲漏水區(qū)域提取

圖2左圖為由紅外熱成像儀采集到的隧道中的滲漏水區(qū)域紅外圖像，圖2右圖為對(duì)紅外圖像灰度化后的灰度圖像。

圖2 滲漏水紅外圖像及灰度圖像

使用上述算法得到的最佳閾值對(duì)灰度圖像進(jìn)行二值化操作，得到的二值圖像如圖3左圖所示?？梢园l(fā)現(xiàn)得到的二值圖像還存在很多噪聲，會(huì)對(duì)滲漏水區(qū)域的提取造成干擾。需要通過(guò)數(shù)字圖像濾波的技術(shù)對(duì)圖像進(jìn)行降噪處理。中值濾波是一種非線性濾波方式，在濾除噪聲的同時(shí)可以保護(hù)圖像尖銳的邊緣[13]。故本文使用中值濾波。經(jīng)過(guò)中值濾波處理后得到的圖像如圖3右圖。

圖3 中值濾波前后的圖像

此時(shí)得到的分割區(qū)域的邊緣還比較尖銳，同時(shí)外圍也存在一些小的獨(dú)立區(qū)域。為了除去外圍存在的噪聲，使提取到的區(qū)域更加接近真實(shí)滲漏水區(qū)域，本文使用數(shù)學(xué)形態(tài)學(xué)濾波開閉操作對(duì)圖像進(jìn)行進(jìn)一步處理。

開閉操作是由圖像處理技術(shù)中膨脹和腐蝕兩種方法組合成的。開操作是先對(duì)圖像進(jìn)行腐蝕操作然后再進(jìn)行膨脹操作，閉操作與之相反。其中腐蝕操作將小于結(jié)構(gòu)元細(xì)節(jié)從圖像中濾除，膨脹操作將圖像外圍的突出點(diǎn)連接并向外延伸。先對(duì)圖像進(jìn)行開操作然后進(jìn)行閉操作，不僅可以除去圖像外圍的噪聲，而且提取到的區(qū)域更符合水滲透的特性，使提取到的區(qū)域更加接近真實(shí)滲漏水區(qū)域。經(jīng)過(guò)開閉操作后得到的圖像如圖4所示：

圖4 開閉操作后的圖像

提取到滲漏水區(qū)域后還需要計(jì)算滲漏水區(qū)域的面積，依據(jù)由算法分割得到的二值圖像，本文使用連通區(qū)域提取的方法直接統(tǒng)計(jì)滲漏水區(qū)域所占的像素點(diǎn)。然后通過(guò)實(shí)際場(chǎng)景與圖像間縮放比例，將像素點(diǎn)數(shù)映射為相應(yīng)的滲漏水區(qū)域的面積。

4 直方圖匹配改進(jìn)算法

基于最大熵閾值的圖像分割是對(duì)灰度圖像的灰度級(jí)及其所對(duì)應(yīng)的概率進(jìn)行統(tǒng)計(jì)，通過(guò)公式計(jì)算得到圖像總熵，然后找出最佳閾值對(duì)圖像進(jìn)行分割。因此灰度圖像分割閾值選擇的值對(duì)灰度圖的灰度分布十分敏感。而隧道滲漏水區(qū)域的屬性在紅外圖像上表現(xiàn)是相似的，所以可以通過(guò)調(diào)整紅外圖像的灰度分布提高滲漏水區(qū)域提取效率。

分割效果不佳的圖像及灰度分布、圖像分割結(jié)果如圖5。

圖5 (a)紅外圖像 (b)灰度圖像直方圖分布 (c)直接進(jìn)行圖像分割得到的結(jié)果

分割效果好的圖像及灰度分布、圖像分割結(jié)果如圖6。

圖6 (a)紅外圖像 (b)灰度圖像直方圖分布(c)直接進(jìn)行圖像分割得到的結(jié)果

直方圖規(guī)定化，是通過(guò)一個(gè)灰度映射函數(shù)，將原灰度直方圖變換為所希望的直方圖。這樣便可以有目的地增強(qiáng)某個(gè)灰度區(qū)間的圖像。由圖5、圖6可以發(fā)現(xiàn)，基于最大熵閾值的圖像分割算法對(duì)于圖6所示的灰度直方圖分布的分割效果更好。為了使該算法成為通用的滲漏水紅外圖像分割算法，本文在搜尋圖像分割最佳閾值前增加直方圖規(guī)定化，將分割效果好的圖6的灰度直方圖分布作為直方圖規(guī)定化的匹配模板。將待分割圖像的直方圖與該模板匹配，然后再對(duì)獲得的直方圖進(jìn)行圖像分割最佳閾值地搜索。本文將這種改進(jìn)后的算法簡(jiǎn)稱為HS-PSO。

經(jīng)過(guò)直方圖規(guī)定化后，圖5所示灰度圖像的直方圖分布以及分割效果如圖7。

圖7 (a)直方圖規(guī)定化后的灰度分布(b)直方圖規(guī)定化后圖像分割結(jié)果

可以發(fā)現(xiàn)，增加直方圖規(guī)定化后對(duì)圖像的分割效果有了很大地提升。但是模板灰度分布對(duì)分割結(jié)果的影響很大，需要選擇恰當(dāng)?shù)幕叶确植甲鳛槟０濉?/p>

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證HS-PSO算法的可行性，對(duì)含有滲漏水區(qū)域的紅外圖像進(jìn)行實(shí)驗(yàn)，將HS-PSO算法分割的結(jié)果與人工標(biāo)定的分割結(jié)果、傳統(tǒng)PSO算法分割的結(jié)果進(jìn)行比對(duì)，同時(shí)根據(jù)圖像分割評(píng)價(jià)指標(biāo)對(duì)HS-PSO算法進(jìn)行客觀地評(píng)估。為了測(cè)評(píng)算法在實(shí)際工程項(xiàng)目上的表現(xiàn)，本節(jié)還對(duì)算法的分割時(shí)間、算法的穩(wěn)定性進(jìn)行測(cè)試。

本文實(shí)驗(yàn)是在CPU 3.8GHz、16G內(nèi)存、win10環(huán)境下進(jìn)行的，運(yùn)行平臺(tái)為MATLAB R2017a。算法參數(shù)設(shè)置為：種群數(shù)量為20，迭代次數(shù)為30，最大速度為25；

5.1 分割結(jié)果對(duì)比

圖8展示了對(duì)四幅示例滲漏水紅外圖像經(jīng)過(guò)算法分割得到的結(jié)果進(jìn)行對(duì)比。以經(jīng)過(guò)人工標(biāo)定的分割結(jié)果作為參考，對(duì)比經(jīng)過(guò)PSO算法、HS-PSO算法提取獲得的分割結(jié)果。相比于PSO算法提取獲得的滲漏水區(qū)域，HS-PSO算法提取得到的滲漏水區(qū)域更接近人工標(biāo)定的分割結(jié)果，形狀和面積都與人工標(biāo)定的分割區(qū)域更接近。

圖8 滲漏水分割結(jié)果

5.2 圖像分割評(píng)價(jià)指標(biāo)評(píng)估

峰值信噪比(peak signal to noise ratio,PSNR)、結(jié)構(gòu)相似度(structural similarity,SSIM)、提取區(qū)域面積誤差(area error,AE)可以作為評(píng)估算法提取滲漏水區(qū)域效果的客觀指標(biāo)。PSNR和SSIM的值越大，AE的值越小，則提取得到的滲漏水區(qū)域與人工標(biāo)定的分割結(jié)果越接近。

采用PSO算法與本文提出的HS-PSO算法對(duì)上述4幅紅外圖像處理，使用上述三種圖像分割評(píng)價(jià)指標(biāo)對(duì)兩種算法獲得的分割圖像做客觀地評(píng)價(jià)。評(píng)價(jià)指標(biāo)的值如表1所示，最優(yōu)結(jié)果在表中使用黑體標(biāo)出。

表1 圖像分割評(píng)價(jià)指標(biāo)

由上表可以發(fā)現(xiàn)，對(duì)于示例圖像4來(lái)說(shuō)，PSO算法對(duì)其分割結(jié)果與人工標(biāo)定的分割結(jié)果接近，使用HS-PSO算法并不會(huì)降低對(duì)這兩幅圖像的分割效果。而對(duì)于PSO算法分割效果不好的示例圖像來(lái)說(shuō)，HS-PSO算法對(duì)這兩幅圖像的分割效果有了很明顯地提升，接近人工標(biāo)定的分割結(jié)果。

5.3 算法分割時(shí)間及穩(wěn)定性

若想將算法應(yīng)用到實(shí)際的工程項(xiàng)目中，不僅對(duì)算法的分割精度有較高要求，還要求算法分割圖像的所消耗的時(shí)間較少、算法穩(wěn)定性高。本小節(jié)使用HS-PSO算法對(duì)上述4幅紅外圖像處理，測(cè)試算法的可行性。由于軟件對(duì)程序的記憶功能，重復(fù)運(yùn)行同一程序時(shí)程序的運(yùn)行時(shí)間會(huì)變短。因此本文將初次分割每幅紅外圖像的時(shí)間作為算法分割圖像的參考時(shí)間，這與滲漏水檢測(cè)時(shí)的實(shí)際情況也相符合。HS-PSO算法為群智能優(yōu)化算法，存在陷入局部最優(yōu)、收斂速度慢的可能。本節(jié)使用HS-PSO算法對(duì)上述4幅紅外圖像處理，對(duì)每幅圖像連續(xù)運(yùn)行20次，并記錄算法由于陷入局部最優(yōu)導(dǎo)致最佳閾值搜索失敗的次數(shù)。為了驗(yàn)證算法的收斂性，針對(duì)4幅紅外圖像分別繪制了分割時(shí)最優(yōu)個(gè)體適應(yīng)度的收斂曲線。具體實(shí)驗(yàn)結(jié)果見表2、圖9。

表2 圖像分割耗時(shí)及穩(wěn)定性

圖9 最優(yōu)個(gè)體適應(yīng)度與迭代次數(shù)曲線

由實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，HS-PSO算法分割紅外圖像的時(shí)間已經(jīng)可以達(dá)到實(shí)時(shí)檢測(cè)的速率。通過(guò)紅外熱成像儀檢測(cè)滲漏水，除去了混亂的背景對(duì)滲漏水區(qū)域提取的影響，得到的紅外圖像構(gòu)成比較簡(jiǎn)單，使得基于一維最大熵的粒子群尋優(yōu)過(guò)程變得容易，幾乎不會(huì)陷入局部最優(yōu)。從圖9中也可以看出，HS-PSO算法能夠很快的跳出局部最優(yōu)，大約在迭代5次后便可以尋得全局最優(yōu)解。

因此，HS-PSO算法無(wú)論從圖像分割時(shí)間，還是算法的穩(wěn)定性來(lái)講，都可以實(shí)現(xiàn)對(duì)紅外圖像滲漏水區(qū)域地提取。

6 結(jié)論

1)仿真結(jié)果表明，改進(jìn)后的算法可以有效地提取紅外圖像滲漏水區(qū)域，可以作為一種通用的紅外圖像滲漏水區(qū)域提取算法。算法分割精度較高，幾乎不會(huì)陷入局部最優(yōu)，分割速度快；

2)改進(jìn)后算法直方圖規(guī)定化的模板對(duì)分割結(jié)果影響很大，需要選擇分割效果好的灰度分布作為直方圖規(guī)定化的模板。