楊建輝,黃子洋,汪 梅,符立梅,劉安強(qiáng),李遠(yuǎn)成,于振華,王 征,董立紅
(1.陜西陜煤曹家灘礦業(yè)有限公司, 陜西 榆林 719000;2. 西安科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,陜西 西安 710054)
我國擁有著種類繁多的能源資源,煤炭能源在整個(gè)能源結(jié)構(gòu)中居于頂端位置。伴隨著各種新能源的快速發(fā)展,煤炭的相對比重較之前有所降低,但其首要能源位置從未改變[1]。能源生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)是煤流的帶式輸送,煤流中異物識別是不可或缺的重要任務(wù)[2]。
隨著智能化礦井建設(shè)的推進(jìn),煤流帶式輸送技術(shù)得到快速發(fā)展。煤流中的矸石、礦工帽或錨桿等異物需要被及時(shí)發(fā)現(xiàn)和清除,無人化的煤流異物識別具有重要的意義[3]。煤礦生產(chǎn)過程的各個(gè)環(huán)節(jié)安裝著各類高清監(jiān)控?cái)z像頭,這為利用機(jī)器視覺完成煤流中的異物識別提供了可行的基礎(chǔ),相關(guān)研究內(nèi)容主要包括煤流監(jiān)視的圖像分割、特征提取及識別模型的建立3個(gè)方面。在圖像分割方面,圖像的二值化是常用的分割方法,但是存在目標(biāo)當(dāng)作背景過濾、附著在矸石等異物的煤顆粒圖像無法分離等缺點(diǎn)。在特征提取方面,由于煤與各類異物的灰度直方圖峰值以及分布是不盡相同, 現(xiàn)已研究提出多種方法。在已有的相關(guān)研究成果中,支持向量機(jī)、各種改進(jìn)的神經(jīng)網(wǎng)絡(luò)是目前最常見的分類器[4-5]?;跈C(jī)器視覺的煤矸石識別方面,研究人員利用煤與矸石的圖像數(shù)據(jù)提取特征,采用多種分類器進(jìn)行煤矸石的識別[6]。針對模型的識別準(zhǔn)確率,研究人員提出基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí),采用批歸一算法對網(wǎng)絡(luò)內(nèi)部進(jìn)行歸一化處理,再利用DisturbLable算法對神經(jīng)網(wǎng)絡(luò)添加噪聲,將訓(xùn)練的網(wǎng)絡(luò)應(yīng)用與煤礦的異物識別,識別效果明顯提升[7]。此外,研究人員提出了基于視覺技術(shù)的煤巖界面特征分析與識別系統(tǒng),論述了系統(tǒng)的總體設(shè)計(jì)方案,對系統(tǒng)的可行性進(jìn)行了驗(yàn)證,并取得了較好的識別效果[8]。
在現(xiàn)有相關(guān)研究基礎(chǔ)上,提出一種基于機(jī)器視覺灰度化的雙路金字塔卷積模型用于煤流異物識別。在基于機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識別的煤流監(jiān)測方案中,煤流及轉(zhuǎn)載點(diǎn)的實(shí)時(shí)圖像為系統(tǒng)的輸入,經(jīng)過左右2個(gè)通路分別實(shí)現(xiàn)對標(biāo)準(zhǔn)圖像和差分圖像的特征提取融合,最后經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的全連接層和激活層實(shí)現(xiàn)煤流異物的識別。
煤流監(jiān)測系統(tǒng)的彩色圖像的每個(gè)像素點(diǎn)具有紅(R)、綠(G)、藍(lán)(L)三個(gè)通道的數(shù)據(jù),若一個(gè)像素點(diǎn)RGB三個(gè)通道的像素信息僅用單一通道數(shù)據(jù)表征,則這種像素點(diǎn)組成的圖像為灰度圖像,將彩色圖像轉(zhuǎn)換成灰度圖像的過程稱為灰度化處理[9]。目前,圖片灰度化處理的方法有許多,比較常用的方法是平均值法,最大值法和權(quán)值平均法等方法也是經(jīng)常用于灰度化處理的方法。權(quán)值平均法是根據(jù)人眼對顏色的不同的敏感度不同而得到的,其灰度公式如式(1)所示:
Gray = 0.114B+ 0.587G+ 0.299R
(1)
式中,R、G、B平均灰度化的權(quán)值分別為0.299、0.587和0.114。
權(quán)值平均法能夠獲得人視覺上相對合理的灰度化處理結(jié)果。但是在計(jì)算機(jī)視覺中,并不一定能夠保證對圖像的識別和人眼對色彩的敏感度一樣。如果在不同的任務(wù),不同的圖像數(shù)據(jù)的情況下,能夠調(diào)整權(quán)值平均法的三通道權(quán)值達(dá)到本次任務(wù)的最佳權(quán)值,自然效果也能達(dá)到更好的效果。使用權(quán)值平均法所需要的各通道權(quán)值需要根據(jù)實(shí)際任務(wù)重新確定。
為解決上述問題,提出了一種計(jì)算機(jī)視覺理解下的權(quán)值修正灰度化方法。圖1是煤流監(jiān)測中的機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識別方案。主要思路為:設(shè)置R、G、B3個(gè)通道的權(quán)重為可修正權(quán)重,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,根據(jù)計(jì)算機(jī)視覺理解差異,使用梯度下降法隨著訓(xùn)練過程不斷修正,最終獲取較優(yōu)的權(quán)重值作為權(quán)值平均灰度化方法中的權(quán)重值。提出的計(jì)算機(jī)視覺權(quán)值訓(xùn)練灰度化公式如下:
Gray=W(B)×B+W(G)×G+W(R)×R
(2)
其中,W為通道權(quán)重值;圖像灰度化的像素值為其對應(yīng)的R、G、B三個(gè)通道的像素值與對應(yīng)的權(quán)值訓(xùn)練過程中的權(quán)值的乘積之和,通過這種計(jì)算公式得到圖像的灰度值。
經(jīng)陜西陜煤曹家灘礦的煤流監(jiān)測圖像樣本訓(xùn)練,結(jié)果表明在雙路金字塔卷積神經(jīng)網(wǎng)絡(luò)的煤流異物識別問題中,計(jì)算機(jī)視覺理解下的權(quán)值灰度化的R、G、B三個(gè)通道的權(quán)重值分別為:
圖1 煤流監(jiān)測中的機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識別方案 Fig.1 Unwanted object recognition scheme based on the machine vision weight training for coal flow monitoring
W(R) = 0.300 4
W(G) = 0.428 5
W(B) = 0.271 1
特別指出:提出的權(quán)值訓(xùn)練灰度化權(quán)重值,由于實(shí)際目標(biāo)的差異并不具有通用性,但提出的灰度化權(quán)值獲取方法,具有普遍適用意義。
由于礦井環(huán)境光照變化、物體遮擋等因素的影響,煤流監(jiān)測的圖像的光照往往會(huì)出現(xiàn)分布不均的現(xiàn)象。在獲取差分圖像的過程中,只依靠圖像差分技術(shù)難以去除這些光照差異,若不進(jìn)行光照補(bǔ)償處理,光照差異會(huì)作為干擾而輸入差分圖像通路[10]。
為排除光照差異對模型識別精度的影響,借助Opencv工具[11],采用一種基于二維伽馬函數(shù)的自適應(yīng)亮度校正方法,該方法利用圖像的光照分量的分布特性,實(shí)現(xiàn)對輸入差分圖像數(shù)據(jù)通路的灰度圖像進(jìn)行光照補(bǔ)償處理。算法表達(dá)式如下[12]:
(3)
(4)
其中,O(x,y)為校正后的結(jié)果;F(x,y)為輸入圖像數(shù)據(jù);I(x,y)為光照分量;γ為指數(shù)。具體實(shí)現(xiàn)亮度增強(qiáng)的效果;m為光照分量的亮度均值。對原作者提出這種方法進(jìn)行復(fù)現(xiàn)測試發(fā)現(xiàn)原文公式中γ的指數(shù)應(yīng)該是m-I(x,y),而非原文中的I(x,y)-m,這里只作為一種方法使用,具體不進(jìn)行闡述。
在煤流帶式輸送監(jiān)測系統(tǒng)中,被采集視頻的圖像中難免存在其他無關(guān)前景的物體,如移動(dòng)的工作人員或其他設(shè)備等。這些無關(guān)前景而又被我們采集到的目標(biāo)就成為了噪聲干擾數(shù)據(jù)。如果不對這些噪聲進(jìn)行剔除,最終就會(huì)影響模型識別的準(zhǔn)確性。
光流算法在計(jì)算機(jī)視覺領(lǐng)域,是用于運(yùn)動(dòng)目標(biāo)檢測的重要方法。采用Lucas-Kanade光流算法,以井下實(shí)時(shí)監(jiān)測視頻圖像為對象,實(shí)現(xiàn)動(dòng)態(tài)無關(guān)運(yùn)動(dòng)像素的監(jiān)測,為無關(guān)像素點(diǎn)剔除提供依據(jù)[13]。Lucas-Kanade光流算法的實(shí)現(xiàn)是基于如下假設(shè):
1)環(huán)境亮度一定:連續(xù)兩幀圖像之間,目標(biāo)物體的像素亮度相同。
2)空間一致性:相鄰的像素之間有相似的運(yùn)動(dòng)。
3)小運(yùn)動(dòng):就是時(shí)間的變化不會(huì)引起位置的劇烈變化,這樣灰度才能對位置求偏導(dǎo)。這也是光流法不可或缺的假定。
由假設(shè)1與泰勒公式可知光流方程如下所示:
fxu+fyv+ft=0
(5)
(6)
(7)
式中,x、y為像素點(diǎn)所在的坐標(biāo)位置;u、v為像素點(diǎn)在x與y方向上的速率;fx和fy為圖像的梯度;t為時(shí)間;ft為圖像沿著時(shí)間的梯度。
在使用光流法實(shí)現(xiàn)對無關(guān)運(yùn)動(dòng)物體的去除過程中,需要跟蹤相關(guān)像素點(diǎn);以設(shè)置3×3的檢測窗為例,如圖2所示,檢測窗共獲取9個(gè)像素點(diǎn)[14]。
圖2 光流算法檢測窗示意Fig.2 Detection window schematic of the optical flow algorithm
根據(jù)假設(shè)2,近似認(rèn)為檢測窗中的9個(gè)像素點(diǎn)具有相同的運(yùn)動(dòng),則代入光流方程得到如下[15]:
(8)
式中,x、y為像素點(diǎn)所在的坐標(biāo)位置;n為像素點(diǎn)數(shù)。
方程(8)為超定方程,通常利用最小二乘法解決超定問題,最小二乘擬合后獲得方程(9)[16]:
(9)
其中,i為像素點(diǎn)編號。Lucas-Kanade光流算法使用金字塔結(jié)構(gòu),將圖像由金字塔底層映射至高層,高層視圖中忽略較小的運(yùn)動(dòng),而將較大的運(yùn)動(dòng)減小為較小的運(yùn)動(dòng),以此實(shí)現(xiàn)對較大運(yùn)動(dòng)光流的計(jì)算[17-18]。
在井下環(huán)境中,無關(guān)的運(yùn)動(dòng)前景如行走的井下工作人員、移動(dòng)的礦車等,具有運(yùn)動(dòng)速度快、運(yùn)動(dòng)方向明顯、運(yùn)動(dòng)像素在畫面中的持續(xù)時(shí)間較短、運(yùn)動(dòng)像素點(diǎn)呈現(xiàn)區(qū)域性分布的特點(diǎn),其光流圖相較于異物光流具有明顯的差別。因此,使用獲取視頻,進(jìn)行運(yùn)動(dòng)目標(biāo)檢測,確定運(yùn)動(dòng)性無關(guān)目標(biāo)的像素區(qū)域,實(shí)現(xiàn)對應(yīng)圖像數(shù)據(jù)中運(yùn)動(dòng)性無關(guān)干擾的定向性去除這種方法是可行的。
構(gòu)建的雙路金字塔卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)由標(biāo)準(zhǔn)圖像通路和差分圖像通路組成。標(biāo)準(zhǔn)圖像通路的輸入數(shù)據(jù)為煤流輸送帶監(jiān)測系統(tǒng)的原始圖像。差分圖像通路的輸入數(shù)據(jù)為原始圖像經(jīng)過灰度化、光照補(bǔ)償和無關(guān)前景提出后的圖像[19-20]。
差分圖像數(shù)據(jù)通路的輸入數(shù)據(jù)在經(jīng)過圖像數(shù)據(jù)增強(qiáng)的原始圖像數(shù)據(jù)基礎(chǔ)上,對圖像做差分處理、光照補(bǔ)償處理和無關(guān)前景剔除處理,獲取的處理結(jié)果作為差分圖像數(shù)據(jù)通路的輸入。
差分圖像是指在連續(xù)的時(shí)間上,下一個(gè)時(shí)刻的一幀圖像去減去上一個(gè)時(shí)刻的一幀圖像所得到的圖像,主要發(fā)現(xiàn)連續(xù)時(shí)間段的空間變化。通過差分圖像獲取煤流帶式輸送環(huán)境隨時(shí)間的變化。差分圖像的獲取如下所示。
Δxk=xk-xs
(10)
式中,xk為當(dāng)前圖像數(shù)據(jù);xs為基準(zhǔn)場景圖像數(shù)據(jù);Δxk為獲取的廣義的差分圖像。
差分圖像是當(dāng)前圖像與基準(zhǔn)場景圖像的差分?;鶞?zhǔn)場景圖像的選取直接影響差分圖像數(shù)據(jù)的通路,因此基準(zhǔn)場景圖像的選取需要盡可能合理。本文面向煤流帶式輸送監(jiān)測系統(tǒng)中異物識別問題,適用的基準(zhǔn)場景選取標(biāo)準(zhǔn)為:①選取正常無異物圖像為基準(zhǔn)場景圖像;②基準(zhǔn)場景畫面無重影;③基準(zhǔn)場景光照均勻,無明顯光斑,無明顯明暗差別;④基準(zhǔn)場景中無干擾的無關(guān)物體。
基準(zhǔn)圖像在符合選取標(biāo)準(zhǔn)的前提下定期刷新。這里基準(zhǔn)場景的選取標(biāo)準(zhǔn)相對較為苛刻,但是由于應(yīng)用場景的基準(zhǔn)變換是不會(huì)過于頻繁,同時(shí)短時(shí)間的場景變化是不會(huì)很大的。所以基準(zhǔn)的場景選取標(biāo)準(zhǔn)是可以接受的。
金字塔網(wǎng)絡(luò)能夠在小目標(biāo)的實(shí)時(shí)識別過程中兼顧目標(biāo)的運(yùn)行速度問題。它先進(jìn)行傳統(tǒng)的自上而下的特征卷積,然后融合相鄰的特征圖。一方面是自上而下的特征卷積,另一方面是自下而上的特征卷積,兩方面平行連接。因此,它能夠很好地提取目標(biāo)的本質(zhì)物理特征及其位置特征。特征金字塔網(wǎng)絡(luò)的卷積過程中,低層有著較為豐富的位置信息而高層則恰恰相反。高層有著底層缺少的本質(zhì)物理特征而相對缺少位置特征等。這種頂層特征和底層特征的融合,能夠?qū)崿F(xiàn)目標(biāo)的多尺度特征提取[21]。在經(jīng)典金字塔網(wǎng)絡(luò)的基礎(chǔ)上,構(gòu)建雙路金字塔網(wǎng)絡(luò),如圖3所示,分別對原始標(biāo)準(zhǔn)RGB圖像和差分圖像進(jìn)行特征提取。
圖3 雙路金字塔網(wǎng)絡(luò)的特征提取Fig.3 Feature extraction using the double-channel pyramid network
為提高煤流輸送帶異物識別,以金字塔網(wǎng)絡(luò)提取的被識別目標(biāo)的特征為輸入信號,利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對金字塔網(wǎng)絡(luò)所提取的被識別目標(biāo)特征的識別。卷積神經(jīng)網(wǎng)絡(luò)對淺層的特征分辨度高,可以識別出圖像特征的細(xì)節(jié),但是對圖像特征的趨勢特征的分辨度有待提高。如果加大模型的深度,能夠提升圖像的趨勢特征,但是增加網(wǎng)絡(luò)的深度又很難捕捉到圖像的細(xì)節(jié)特征,這將造成目標(biāo)細(xì)節(jié)把握不到位,導(dǎo)致模型的識別準(zhǔn)確率降低[22]。
構(gòu)造圖4所示的雙路卷積識別模型,分別對原始標(biāo)準(zhǔn)RGB圖像和差分圖像的特征進(jìn)行分類。模型訓(xùn)練總參數(shù)為67 703個(gè)。模型的輸入層輸入批處理后的48×48的圖像。輸入的圖像數(shù)據(jù)分為2個(gè)通道,第一個(gè)通道為采集的原始圖像,經(jīng)過正常的卷積池化等操作進(jìn)行提取特征。第二通道使用進(jìn)行了光照補(bǔ)償?shù)忍幚聿僮鞯膱D像數(shù)據(jù)集批次送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型中插入了2個(gè)改進(jìn)的金字塔特征提取網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的特征提取。網(wǎng)絡(luò)中使用了4個(gè)深度卷積網(wǎng)絡(luò)。網(wǎng)絡(luò)的前兩個(gè)卷積層和最后一個(gè)卷積層使用4個(gè)3×3的卷積核進(jìn)行卷積操作。深度可分離卷積層使用16、32、64、128個(gè)3×3 卷積核進(jìn)行卷積操作。最大池化層采樣窗口大小為3×3。Softmax 層對全局平均池化層輸出的特征進(jìn)行分類,將識別目標(biāo)定為煤、矸石、安全帽、錨桿4種類別。其中引入的金字塔特征提取網(wǎng)絡(luò)模型如圖5所示,s為學(xué)習(xí)算法的步長。
圖4 雙路卷積神經(jīng)網(wǎng)絡(luò)識別模型結(jié)構(gòu) Fig.4 Structure of the constructed double-channel convolution recognition network
機(jī)器視覺灰度化雙路金字塔模型的煤流異物識別系統(tǒng)軟件采用Python3.7。訓(xùn)練樣本和測試樣本來自陜西陜煤曹家灘煤礦的帶式輸送監(jiān)測系統(tǒng)實(shí)時(shí)監(jiān)測圖像和網(wǎng)絡(luò)的煤與矸石圖像。
1)差分通路的圖像預(yù)處理測試。根據(jù)基準(zhǔn)場景圖像與實(shí)時(shí)井下環(huán)境圖像獲取的差分圖像,實(shí)現(xiàn)了無關(guān)背景像素點(diǎn)的剔除;光照補(bǔ)償處理對目標(biāo)所受到的圖像光照進(jìn)行均勻化操作從而降低無關(guān)干擾;光流算法實(shí)現(xiàn)了動(dòng)態(tài)無關(guān)像素點(diǎn)的識別和定向剔除。差分圖像通過光照補(bǔ)償和光流法去除無關(guān)前景像素的處理結(jié)果,即為識別模型的差分通路輸入數(shù)據(jù)。圖6為識別模型差分通路的圖像預(yù)處理過程。
2)數(shù)據(jù)集的構(gòu)成和識別模型訓(xùn)練。選取煤和矸石等異物的圖片集作為訓(xùn)練集,訓(xùn)練識別模型。
圖5 金字塔網(wǎng)絡(luò)的圖像特征融合模型Fig.5 Image feature fusion model of pyramid network
圖6 識別模型差分通路的圖像預(yù)處理過程 Fig.6 Image preprocessing process for the difference channel of the recognition model
其中模型的數(shù)據(jù)構(gòu)成見表1。因?yàn)閿?shù)據(jù)集的數(shù)量相對較少,所以在原始數(shù)據(jù)集的基礎(chǔ)上通過旋轉(zhuǎn),拉伸,裁剪,添加噪聲等數(shù)據(jù)增強(qiáng)方法對數(shù)據(jù)集進(jìn)行擴(kuò)充。將數(shù)據(jù)中70%的樣本作為訓(xùn)練集,30%的數(shù)據(jù)作為測試集,數(shù)據(jù)的訓(xùn)練集和測試集構(gòu)成見表1。
表1 數(shù)據(jù)的訓(xùn)練集和測試集構(gòu)成
訓(xùn)練過程中模型損失函數(shù)收斂曲線如圖7所示,模型準(zhǔn)確度曲線如圖8所示。其中三角線標(biāo)注的訓(xùn)練損失曲線是傳統(tǒng)單路卷積網(wǎng)絡(luò)的損失曲線。圓圈標(biāo)注的損失曲線是提出的雙路多尺度特征提取網(wǎng)絡(luò)的訓(xùn)練損失曲線。同樣地,在圖8中的模型準(zhǔn)確度曲線,該模型的準(zhǔn)確度也和傳統(tǒng)模型的識別精度進(jìn)行了對比。
圖7 模型損失函數(shù)收斂曲線 Fig.7 Model loss curve
圖8 模型準(zhǔn)確度Fig.8 Model accuracy
3)識別模型測試。圖9為煤流輸送帶的異物監(jiān)測結(jié)果。圖10為提出的權(quán)值訓(xùn)練灰度化方法訓(xùn)練的識別模型和傳統(tǒng)的圖像固定權(quán)值灰度化訓(xùn)像灰度化權(quán)值自適應(yīng)調(diào)整方法對模型識別精度有一定的提升。圖11是煤與矸石的識別結(jié)果。
測試結(jié)果表明,經(jīng)典卷積網(wǎng)絡(luò)模型識別精度提高了93.6%,基于權(quán)值訓(xùn)練的機(jī)器視覺灰度化雙路金字塔卷積網(wǎng)絡(luò)模型對輸送帶運(yùn)輸?shù)漠愇镒R別準(zhǔn)確練模型的測試結(jié)果對比。從結(jié)果可以得出圖像灰度化的權(quán)值經(jīng)過自適應(yīng)調(diào)整后,相對于傳統(tǒng)圖像灰度化固定權(quán)值,模型的識別精度提升了5.2%,說明圖率為95.7%。和其他識別分類模型在相同的數(shù)據(jù)集上進(jìn)行測試比較,平均識別準(zhǔn)確度結(jié)果如下:CNN82.6%,VGG1692.4%,改進(jìn)的LeNet-587.8%,InceptionV393.6%,本文模型95.7%。
圖9 煤流輸送帶的異物監(jiān)測和識別結(jié)果Fig. 9 Unwanted object monitoring and recognition results of a coal flow conveyor belt
圖10 權(quán)值訓(xùn)練灰度化測試結(jié)果Fig.10 Weight training grayscale test results
圖11 煤與矸石的識別測試結(jié)果Fig.11 Recognition test results between coals and gangues
1)提出了一種圖像權(quán)值自適應(yīng)調(diào)整的煤流圖像的灰度權(quán)值自適應(yīng)調(diào)整方法。相較于傳統(tǒng)的固定權(quán)值圖像灰度化方法,權(quán)值自適應(yīng)能夠更好地針對不同環(huán)境不同任務(wù)去調(diào)整灰度權(quán)值適應(yīng)當(dāng)前狀態(tài),在異物識別中有著更加優(yōu)秀的表現(xiàn)。
2)搭建了一種多尺度特征雙路金字塔卷積模型用于煤流異物識別。引入了光照補(bǔ)償?shù)阮A(yù)處理操作,對原始無關(guān)的噪聲去除從而提升識別準(zhǔn)確率。利用多尺度金字塔特征提取網(wǎng)絡(luò)對目標(biāo)特征進(jìn)行多尺度提取,通過將原始圖像通路和差分圖像通路融合,實(shí)現(xiàn)煤流運(yùn)輸中異物的準(zhǔn)確檢測和識別。
3)通過對陜煤曹家灘煤礦煤流的輸送帶監(jiān)測圖像測試,結(jié)果表明提出的識別模型對送帶運(yùn)輸異物識別準(zhǔn)確率為95.7%,比經(jīng)典卷積網(wǎng)絡(luò)模型識別精度有所提高。下一步工作將對光照不均勻情況下的訓(xùn)練權(quán)值灰度化方法進(jìn)行研究。