盧 明,王 程,謝永芳

(1.湖南科技大學(xué) 信息與電氣工程學(xué)院,湖南 湘潭 411100;2.中南大學(xué) 自動化學(xué)院,湖南 長沙 410083)

1 引言

大量的傳統(tǒng)圖像處理算法僅能處理二維圖像,如被灰度化或二值化的圖像.對于一個像素具有不同測量值的多元圖像,這類圖像處理算法會忽略其多個通道間的關(guān)系.多元圖像分析(multivariate image analysis,MIA)是一種由學(xué)者Paul Geladi于1989年提出的處理多元圖像的算法,該算法可以對多元圖像的多個變量進行分析[1].對于RGB圖像,多元圖像分析可以分析其顏色信息.多元圖像分析將三維的RGB圖像數(shù)據(jù)展開成一個二維的矩陣后,使用主成分分析法(principal component znalysis,PCA)進行分析,然后使用PCA分析的結(jié)果進行分割、分類、缺陷檢測或預(yù)測.一些學(xué)者探索了MIA在多元統(tǒng)計過程控制中的應(yīng)用[2],并將其應(yīng)用于休閑食品工業(yè)[3-4]、定量視覺建模[5]和玉米缺陷百分比測定[6].隨著MIA理論的發(fā)展,國內(nèi)學(xué)者開始將MIA應(yīng)用在工業(yè)領(lǐng)域:盧明等人[7]將多元圖像分析技術(shù)在銅礦粗選方面進行了應(yīng)用,并使用實驗驗證了其有效性;盧紹文等人[8]使用多元圖像分析技術(shù)代替人眼,在電熔鎂爐欠燒工況分類中對鎂爐火焰進行特征提取.

紋理是圖像的一種重要特征,在圖像分割、特征提取等領(lǐng)域發(fā)揮著舉足輕重的作用.而多元圖像分析在圖像展開的過程會丟失像素的空間信息,使得分析過程僅涉及獨立的像素,未包含圖像的紋理信息.為在多元圖像分析中納入圖像的紋理信息,一些學(xué)者[9-11]提出了顏色-紋理圖像分析法(color-texture MIA,ct-MIA),該方法將每個通道的圖片向周圍8個方向平移,疊加平移后的圖像構(gòu)造多元圖像,然后再對構(gòu)造的圖像應(yīng)用多元圖像分析.ct-MIA 在鋼材表面檢測[9-11]和人造石缺陷檢測[10]中進行了應(yīng)用,實驗顯示,其相比MIA對圖像紋理特征更加敏感,計算精準度更高.雖然ct-MIA嘗試對圖像的紋理特征進行分析,但采用像素平移的方法所體現(xiàn)的紋理特征較為單一,在背景復(fù)雜或紋理特征較弱的圖像上應(yīng)用效果并不理想.在數(shù)字圖像處理領(lǐng)域被應(yīng)用于處理紋理特征的另一種算法是灰度共生矩陣(gray level co-occurrence matrix,GLCM),其通過像素的強度和位置對紋理特征進行描述[12],在圖像分割[13]、特征提取[14]和圖像分類[15]等領(lǐng)域得到廣泛應(yīng)用.灰度共生矩陣充分提取了圖像的紋理信息,但其忽略了圖像多個通道間的聯(lián)系,未利用圖像的顏色信息.

應(yīng)用多元圖像分析進行圖像分割有兩種方法,分別是基于散點圖和基于偏最小二乘法判別分析(partial least squares discrimination analysis,PLS-DA)的分割方法.基于散點圖的分割方法使用多元圖像分析得到主成分作散點圖,對散點圖上的聚類進行分析可以得到與感興趣區(qū)域相關(guān)聯(lián)的潛在空間;應(yīng)用潛在空間于原始圖像即可分割出感興趣的區(qū)域,將潛在空間投射到新圖像,也可以在新圖像上完成感興趣區(qū)域的分割[16].基于PLS-DA的分割方法則是聯(lián)合潛在空間和感興趣的得分圖像構(gòu)建PLS-DA模型,使用該PLS-DA模型對圖像進行像素級分類,即可完成對圖像感興趣區(qū)域的分割[17].這兩種方法均可以從圖像上分割出某一類感興趣的區(qū)域,但分割精度欠佳.

綜前所述,ct-MIA分析的紋理特征較為單一,且進行分割應(yīng)用時的精度不高.本文方法提取圖像的紋理特征構(gòu)造多元圖像,對所得的多元圖像應(yīng)用多元圖像分析方法得到得分圖像,能分析圖像的多種紋理特征,進行分割應(yīng)用時分割精度較高.

為解決以上問題,本文的主要貢獻是:

1)結(jié)合灰度共生矩陣和滑動窗口法提出了一種新的多元圖像構(gòu)造方法,該方法將RGB圖像中的紋理信息概括為同質(zhì)性、對比度、能量和相關(guān)性,并集成在構(gòu)造的多元圖像的每個通道中;

2)在本文提出的多元圖像構(gòu)造方法的基礎(chǔ)上,結(jié)合多元圖像分析方法進行圖像分割應(yīng)用,以綜合圖像的顏色與紋理特征對圖像進行分割,提高分割精度;

3)在被油污污染的硅鋼片圖像數(shù)據(jù)集上進行仿真實驗,實驗結(jié)果表明,本文方法相比應(yīng)用ct-MIA進行分割具有更高的精準度,且本文方法+決策樹的分割方案也比ct-MIA+PLS-DA的分割方案計算精度更高.

4)在整個圖像數(shù)據(jù)集上對本文方法與其他圖像分割方法進行對比實驗并統(tǒng)計實驗結(jié)果,實驗結(jié)果證明了本文方法的有效性與優(yōu)越性.

2 基于圖像紋理特征的多元圖像構(gòu)造

2.1 灰度共生矩陣及其統(tǒng)計

多元圖像是一組在空間上對應(yīng)一致的多通道圖像數(shù)據(jù),每個通道代表了同一個物體某種性質(zhì)的測量值,這些測量值可來源于不同的測量方法,幾乎所有的物理量均可以用來構(gòu)建多元圖像[18].本文使用灰度共生矩陣求取的紋理特征影像疊加以構(gòu)建多元圖像,所得的多元圖像的每個通道均包含原始圖像的某種顏色或紋理特征.

灰度共生矩陣是一種根據(jù)兩個像素點灰度值關(guān)系出現(xiàn)的頻率分布規(guī)律來闡述圖像紋理信息的矩陣[12],被用于圖像分類[19]、紋理提取[20]和特征提取[21].假設(shè)一張有限大小的圖像,其水平方向具有Nx個像素,垂直方向有Ny個像素.Lx=0,1,···,Nx-1和Ly=0,1,···,Ny-1分別為水平和垂直空間域.灰度為i和j的一對像素點位置方向為θ,距離d的概率記為Pi,j(d,θ),具體表示如式(1)所示.

對二維圖像上所有像素點求取Pi,j(d,θ),即可求得圖像在某個方向的灰度共生矩陣.可根據(jù)灰度共生矩陣求取的統(tǒng)計量一共有14種,但其中大多數(shù)統(tǒng)計量相互關(guān)聯(lián),僅有4種統(tǒng)計量是獨立的[22].因此,選取4種獨立的統(tǒng)計量計算紋理特征影像即可求取圖像的紋理特征.本文選擇對比度、相關(guān)性、能量和同質(zhì)性4種統(tǒng)計量用以計算紋理特征影像.

對比度反應(yīng)了一張圖像中每個像素與其周圍像素強度的關(guān)系,純色圖像對比度為0,其定義如式(2)所示,式中的i和j為不同的灰度等級,p表示灰度共生矩陣中的不同元素.

相關(guān)性反應(yīng)了一張圖像中每個像素與其周圍像素的聯(lián)系,即紋理的相似程度,其值介于-1到1之間,紋理相似度越高其值越大.相關(guān)性的定義如式(3)所示,其中:μx和μy為灰度共生矩陣水平和垂直兩個方向的均值,σx和σy為灰度共生矩陣在水平和垂直方向的標準差.

能量為灰度共生矩陣中元素的平方和,其反映了圖像的清晰度和紋理的粗細程度,紋理越粗糙則值越大,如式(4)所示:

同質(zhì)性度量了圖像紋理局部變化的多少,圖像局部紋理變化越小,紋理越均勻則其同質(zhì)性越大,如式(5)所示:

本文基于灰度共生矩陣,以及以上4種統(tǒng)計量構(gòu)造多元圖像,下文將詳述多元圖像的構(gòu)造原理與步驟.

2.2 紋理特征影像求取與多元圖像構(gòu)造

對于一張r×c×3大小的RGB圖像,首先分離出其R,G,B通道圖像,每張圖像表現(xiàn)為大小為r×c的圖像矩陣I,如式(6)所示:

步驟1以圖像矩陣Ie的任一元素i(a,b)為中心,取其前后的行和其前后的列與其本身組成一個大小為n×n的矩陣W,n稱為滑動窗口的尺寸,如式(8)所示:

步驟2為了能體現(xiàn)圖像在不同方向上的紋理特征,所以需要求取矩陣W在0°,45°,90°和135°這4個方向上的灰度共生矩陣.

步驟3根據(jù)灰度共生矩陣算出矩陣W在4個方向上的對比度、相關(guān)性、能量和同質(zhì)性統(tǒng)計量的值.然后求取每一種統(tǒng)計量的平均值,并以求得的平均值替換擴充矩陣Ie中的元素i(a,b).

步驟4重復(fù)第1步到第3步,直到對圖像矩陣I中每一個元素執(zhí)行上述操作為止.

經(jīng)過以上4個步驟就得到了4個大小為(r+n-1)×(c+n-1)的統(tǒng)計量矩陣SCon,SCor,SEne和SHom.將求得的統(tǒng)計量矩陣與Ie相加,即得到了相應(yīng)的紋理影像矩陣ICon,ICor,IEne和IHom,如式(9)-(12)所示:

上述4種紋理影像矩陣以圖像形式顯示即為紋理特征影像.以上步驟僅僅求出了RGB圖像一個通道的4個紋理特征影像,對圖像的剩余兩個通道重復(fù)以上操作便求得了整個圖像的紋理特征影像,一共12張圖像.將圖像的12個紋理特征影像按照R,G,B的順序疊加得到多元圖像X(r+n-1)×(c+n-1)×12,其構(gòu)造過程如圖1所示.由此方法構(gòu)造的多元圖像X具有12個通道,每個通道為原RGB圖像的一種紋理特征影像,因此,構(gòu)造的多元圖像X的每個像素均具有12維特征.

圖1 多元圖像的構(gòu)造Fig.1 Construction of multivariate image

3 多元圖像分析與分割應(yīng)用

3.1 多元圖像分析方法

PCA可以將多元圖像數(shù)據(jù)分解成一系列相互正交的主成分,這些主成分是原始數(shù)據(jù)的線性組合,包含了原始數(shù)據(jù)的信息,按照方差從大到小排列.本文構(gòu)造的多元圖像X(r+n-1)×(c+n-1)×12具有12 個通道,在進行PCA分析前需要將多元圖像數(shù)據(jù)展開成二維的矩陣.假設(shè)一個大小為(r+n-1)×(c+n-1)的單通道圖像S的列向量為e1,e2,e3,···,er+n-1,則其可以展開成一個大小為((r+n-1)×(c+n-1))×1的列向量S′,如式(13)所示:

對多元圖像矩陣X的每一個通道執(zhí)行上式處理后合并到一個矩陣,則完成了多元圖像矩陣的展開,得到展開矩陣X′,如式(14)所示:

多元圖像每一個通道的像素數(shù)量即為展開矩陣X′的行數(shù),多元圖像的通道數(shù)量即為展開矩陣X′的列數(shù).得到展開矩陣X′后即可對其進行PCA分析,將其分解成A(A≤12)個主成分的線性組合,如式(15)所示:

其中:ta(a=0,1,2,···,A)是相互正交,大小為((r+n-1)×(c+n-1))×1的分數(shù)向量;Pa(a=0,1,2,···,A)是相互正交,大小為12×1的載荷向量;E是大小為((r+n-1)×(c+n-1))×12的殘差矩陣.

分數(shù)向量ta中的元素與多元圖像中的每一通道的像素值一一對應(yīng),可以依照展開的順序?qū)⑵湔郫B成(r+n-1)×(c+n-1)的矩陣以恢復(fù)像素的空間信息,折疊后的矩陣以圖像形式顯示,被稱為得分圖像.使用兩個不同的分數(shù)向量所畫出來的散點圖稱為得分圖,得分圖像和得分圖即可作為圖像的信息用于分割.將載荷向量以直方圖的形式呈現(xiàn)被稱為載荷直方圖,通過查看載荷直方圖可以獲知PCA對多元圖像各通道的分析情況.

3.2 圖像分割

圖像分割目的是從圖像中分割出感興趣的區(qū)域,多元圖像分析可以直接對一張圖像進行分割,也可以對一種類型的圖像進行分割.對于前者,從得分圖中選擇與圖像相關(guān)的感興趣區(qū)域的部分構(gòu)造蒙版矩陣,即可對圖像進行分割,也可以直接挑選最能突出感興趣區(qū)域的得分圖像利用閾值進行圖像分割.在成功的分割圖像之后,可以構(gòu)建PLS-DA模型對圖像上的像素進行分類,稱為像素級分類.利用構(gòu)建的PLS-DA模型可以對具有同類型感興趣區(qū)域的圖像進行像素級分類,將分類結(jié)果以圖像形式顯示即完成了對圖像的感興趣區(qū)域的分割.

使用PLS-DA模型對多元圖像進行像素級分類準確度欠佳,對一些特征不明顯的圖像進行像素級分類會出現(xiàn)分類錯誤,如導(dǎo)致感興趣的區(qū)域分割不完全或分割出背景部分.本文使用機器學(xué)習(xí)中的決策樹對圖像進行像素級分類,以完成對圖像感興趣區(qū)域的分割.決策樹是一種使用對象的屬性數(shù)據(jù)遞歸構(gòu)建二叉決策樹進行分類的機器學(xué)習(xí)算法[23].本文使用的ID3(iterative dichotomiser3)決策樹學(xué)習(xí)算法以信息增益為準則來進行屬性劃分以生成決策樹.假如一個隨機變量X取值為X=x1,x2,···,xn,每一種取到的概率分別是p1,p2,···,pn,X的信息熵,定義如下:

根據(jù)信息熵的定義可計算得到信息增益,如式(17)所示:

其中:S為全部樣本集合,valve(T)是屬性T所有取值的集合,v是T中一個屬性值,Sv是S中屬性T的值為v的樣例集合,|Sv|為Sv中所含樣例數(shù).

在完成圖像感興趣區(qū)域的分割之后,將分割出的感興趣部分的值令為1,其余部分令為0.使用式(13)進行展開,作為決策樹的訓(xùn)練輸出數(shù)據(jù).選擇最能突出感興趣區(qū)域的得分圖像展開后作為決策樹的訓(xùn)練輸入數(shù)據(jù).訓(xùn)練得到的決策樹模型即可完成圖像的像素級分類.

本文將使用第2節(jié)所述方法構(gòu)造多元圖像后,再使用多元圖像分析進行閾值分割的方法稱為GLCMMIA.

4 實驗結(jié)果及討論

鋼鐵工業(yè)中的無損檢測系統(tǒng)會對硅鋼條的表面缺陷進行檢測,以把控產(chǎn)品質(zhì)量.本節(jié)選用有缺陷的被油污污染的硅鋼條表面數(shù)據(jù)集[24]作為實驗對象,首先,以刮痕缺陷圖像為對象進行圖像分割并展示實驗細節(jié),然后,在整個圖像數(shù)據(jù)集上進行實驗,統(tǒng)計實驗結(jié)果并進行分析.

4.1 圖像分割實驗

圖像大小為640×480×3,圖像上有反射偽缺陷干擾,如圖2所示.選擇缺陷為感興趣區(qū)域,使用GLCMMIA對感興趣區(qū)域進行分割.

圖2 帶有表面缺陷的被油污污染的硅鋼條表面Fig.2 Oil-contaminated silicon steel pieces with surface defect

選擇使用尺寸為9的滑動窗口,求取原始圖像各通道的灰度共生矩陣的統(tǒng)計量矩陣,將其以圖像形式顯示即為灰度共生影像,如圖3所示.

圖3 灰度共生影像Fig.3 Gray-level co-occurrence image

第1行從左到右分別為RGB通道的對比灰度共生影像,其突出了表面缺陷和偽缺陷的邊緣;第2行從左到右分別為RGB通道的相關(guān)性灰度共生影像,其硅鋼條的刮痕像素強度與背景接近,偽缺陷較為突出;第3行從左到右分別為RGB通道的能量灰度共生影像,其刮痕和偽缺陷都較為突出,且刮痕與偽缺陷的像素強度相差較大;第4行從左到右分別為RGB通道的同質(zhì)灰度共生影像,其突出了刮痕和偽缺陷的邊緣.雖然這些圖像都在一定程度上突出了刮痕,但是圖像背景中散亂分布著大量與刮痕像素強度接近的像素點.

將得到的灰度共生影像與各通道的圖像相加,得到紋理特征影像,如圖4所示.

圖4 紋理特征影像Fig.4 Texture feature image

紋理特征影像與圖像各通道的圖像相似,很難觀察出顯著區(qū)別.但紋理特征影像中同一物體的像素強度存在一定規(guī)律.使用PCA分析可以將這種規(guī)律具現(xiàn).

將得到的紋理特征影像按照RGB通道順序疊加,構(gòu)造大小為640×480×12的多元圖像.將得到的多元圖像展開后應(yīng)用PCA分析,得到分數(shù)矩陣.分數(shù)矩陣中前4個主成分的方差為99.9982%,包含了原圖的主要信息.將前4個主成分以原圖像的格式折疊,得到得分圖像如圖5所示.

圖5 GLCM-MIA的得分圖像Fig.5 Score image of GLCM-MIA

主成分(principal component,PC)中,PC1 的得分圖像保留了原圖的主要信息;PC2的得分圖像突出顯示了偽缺陷和刮痕,但二者的像素強度相近;PC3的得分圖像突出顯示了偽缺陷;PC4的得分圖像突出顯示了刮痕和偽缺陷,且二者的像素強度相差很大.

由此可見,PC1,PC2,PC3的得分圖像中均存在著大量與刮痕像素強度相接近的像素點,若選擇它們作為分割對象可能會存在一定的誤分割,而PC4中刮痕像素強度與背景和偽缺陷的像素強度相差較大.因此,可選擇PC4 的得分圖像用作分割,使用閾值分割對PC4的得分圖像做分割,得到分割后的圖像,如圖6所示.

圖6 GLCM-MIA的分割結(jié)果Fig.6 Segmentation results of GLCM-MIA

對原圖應(yīng)用ct-MIA[8]得到的前4個得分圖如圖7所示.PC1的得分圖顯示了主要信息,PC2,PC3和PC4的得分圖像突出顯示了圖像中的輪廓信息,但均未對刮痕,背景和偽缺陷做出區(qū)分.

圖7 ct-MIA的得分圖像Fig.7 Score image of ct-MIA

選擇PC1和PC2作散點圖,選擇刮痕所在的集合做分割,得到分割后的圖像,如圖8所示.

圖8 ct-MIA的分割結(jié)果Fig.8 Segmentation results of ct-MIA

為度量分割精度,此處使用均像素精度(mean pixel accuracy,MPA)和均交并比(mean intersection over union,MIoU)來衡量分割精度[25].為便于解釋,做如下假設(shè): 圖像的像素共有k+1類,Pij為本應(yīng)屬于類i但被分類到類j的像素數(shù)量.MPA是每個類內(nèi)被正確分類像素數(shù)比例的和的平均值,定義如式(18)所示:

MIoU是每個類的預(yù)測值和真實值的交集和并集之比的和的平均值,定義如式(19)所示:

GLCM-MIA 和ct-MIA 分割結(jié)果的性能指標如表1 所示,GLCM-MIA 的MPA 相比ct-MIA 提升了約15.31%,MIoU提升了約5.07%.

表1 GLCM-MIA和ct-MIA的分割性能表Table 1 Performance comparison between GLCMMIA and ct-MIA

研究載荷直方圖可以得出每一個主成分所反映的不同顏色通道或紋理特性之間的關(guān)系.本文構(gòu)造的多元圖像包含了3個顏色通道,每個顏色通道4種紋理特征影像,共3×4=12種圖像特征,GLCM-MIA的載荷直方圖中的12個柱與這12種特征一一對應(yīng),載荷直方圖中柱的長度與對應(yīng)的特征在得分向量中的比重正相關(guān),使用GLCM-MIA得到的載荷矩陣分別畫出前4個主成分的載荷直方圖.如圖9所示.

圖9 GLCM-MIA得到的載荷直方圖Fig.9 Loading histogram of GLCM-MIA

分析GLCM-MIA的載荷直方圖可知: PC1的載荷圖中,12種圖像特征的值都較為接近,因此PC1包含了原始圖像平均的顏色特征信息和紋理特征信息;PC2的載荷圖中,紅、綠色通道特征為負值,藍色通道特征為正值,且綠色通道特征的絕對值較小,因此,PC2著重體現(xiàn)了紅色通道與藍色通道之間特征的差異;PC3的載荷圖中,紅、藍色通道特征為負值,綠色通道特征為正值,因此,PC3體現(xiàn)了綠色通道與紅、藍色通道之間特征的差異;PC4的載荷圖中,每個顏色通道的紋理特征都有相似的分布趨勢,即對比度紋理特征為正值,能量、同質(zhì)性紋理特征為負值,相關(guān)性紋理特征的絕對值很小,因此,PC4體現(xiàn)了圖像對比度與能量,同質(zhì)性特征之間的差異,而GLCM-MIA的PC4得分圖像中突出顯示了刮痕,且與背景區(qū)別較為明顯,PC4對于原圖信息的提取實現(xiàn)了這種顯示方式.

為研究PC4所提取圖像信息的規(guī)律,建立PC4的得分圖像中像素與其最鄰近的8 個像素的強度圖像,如圖10所示.觀察圖10可知,PC4體現(xiàn)了右下到左上方向的像素強度變化.

圖10 像素強度分布圖Fig.10 Pixel intensity distribution grid

使用ct-MIA的載荷矩陣畫出前4個主成分的載荷直方圖,如圖11所示.分析ct-MIA的載荷直方圖可知:PC1包含了圖像的平均顏色信息,PC2,PC3和PC4則提取了圖像在某個方向的空間信息.

圖11 ct-MIA得到的載荷直方圖Fig.11 Loading histogram of ct-MIA

對載荷直方圖的分析可知,GLCM-MIA 相比ct-MIA更能提取圖像的顏色差異信息,且能提取更多的紋理信息.

使用前文的分割結(jié)果建立決策樹模型,該模型可以對具有同類型刮痕缺陷的圖像的像素進行分類,稱為像素級分類.像素級分類會將圖像的像素分成缺陷和完好兩種類型,將分類結(jié)果以圖像形式顯示即完成了缺陷的分割.將GLCM-MIA 的得分矩陣的第4列作為決策樹的訓(xùn)練輸入數(shù)據(jù),將GLCM-MIA得到的分割結(jié)果圖像展開為(640×480)×1的列向量,作為決策樹的訓(xùn)練輸出數(shù)據(jù),采用五折交叉驗證,訓(xùn)練得到?jīng)Q策樹模型.

使用訓(xùn)練好的決策樹模型對具有同類型表面缺陷的被油污污染的硅鋼條圖像進行像素級分類.對該圖像應(yīng)用GLCM-MIA 進行分析,該圖像及其第4得分圖像如圖12所示.該圖像的第4得分圖像同樣突出顯示了缺陷.選取對該圖像應(yīng)用GLCM-MIA后得到的得分矩陣的第4列作為模型的輸入數(shù)據(jù)以完成像素級分類.

圖12 原始圖像與應(yīng)用GLCM-MIA后的圖像Fig.12 Original image and image after applying GLCM-MIA

分類結(jié)果如圖13(a)所示,使用ct-MIA的結(jié)果建立PLS-DA 模型[26],對該圖像進行像素級分類,結(jié)果如圖13(b)所示.對比發(fā)現(xiàn),應(yīng)用GLCM-MIA進行像素級分類的結(jié)果分割出了一部分偽缺陷,但對于刮痕的分割相比ct-MIA完整很多.

圖13 不同方法進行像素級分類的結(jié)果Fig.13 Results of pixel-level classification using different methods

為量化應(yīng)用GLCM-MIA 像素級分類進行分割的精準度,同樣使用均像素精度MPA 和均交并比MIoU來衡量對圖像進行像素級分類的精度.應(yīng)用GLCMMIA和ct-MIA像素級分類的分割結(jié)果的性能指標如表2所示,從表中可以看出:GLCM-MIA 的MPA 相比ct-MIA提升了約23.23%,MIoU提升了約19.95%.

表2 GLCM-MIA+決策樹與ct-MIA+PLS-DA圖像分割的性能對比Table 2 Performance comparison of GLCM-MIA+decision tree and ct-MIA+PLS-DA

4.2 對比實驗

在整個圖像數(shù)據(jù)集上進行實驗,數(shù)據(jù)集中包含硅鋼條的常見缺陷的圖像,即刮痕、小缺陷和擦痕,一共51張RGB圖像,圖像大小均為640×480×12.從數(shù)據(jù)集中選取3張具有不同缺陷的圖像作為示例進行分割,選擇感興趣的區(qū)域為缺陷區(qū)域.3 種具有不同缺陷的硅鋼條表面圖像如圖14所示,圖14(a)-14(c)分別為具有刮痕、小缺陷和擦痕的被油污污染的硅鋼條.

圖14 具有不同缺陷的硅鋼片F(xiàn)ig.14 Silicon steel pieces with different defects

本節(jié)選擇與兩種方法做對比,一種是ct-MIA[8];另一種是Guan等人[27]提出的一種基于峰值圖的快速密度峰值聚類圖像分割算法(peak-graph-based fast density peak clustering,PGDPC)相比一些圖像分割算法具有一定優(yōu)勢.對比實驗的實驗結(jié)果如圖15所示.

圖15 對比實驗結(jié)果圖Fig.15 Comparison of image segmentation results

對圖14(a)的分割結(jié)果如圖15第1列圖像所示,3種方法對于刮痕的分割都較為完整,但ct-MIA和PGDPC存在較多的誤分割.對圖14(b)的分割結(jié)果如圖15第2列所示,ct-MIA對小缺陷的分割不完整,本文所提方法和PGDPC對于小缺陷的分割較為完整,但PGDPC存在較多的誤分割.對圖14(c)分割結(jié)果如圖15第3列所示,PGDPC無法完成對擦痕的分割,ct-MIA和本文所提方法都分割出來了一部分的殘痕,但是本文所提方法的分割結(jié)果更加完整.

為量化3 種分割方法的分割精準度,本節(jié)選擇均交并比(MIoU)作為性能指標.ct-MIA,PGDPC 和GLCM-MIA性能指標如表3所示.

從表3中可以看出,本文所提方法對圖14所示3張圖像進行分割,相較于ct-MIA有3%～30%的性能提升.圖14(c)中感興趣區(qū)域與背景的顏色差異不明顯,但具有一定的紋理特征差異,說明本文所提方法可處理圖像的紋理特征;圖14(a)-14(b)的背景較為復(fù)雜且有偽缺陷作為干擾,感興趣區(qū)域與背景和偽缺陷有一定顏色差異,證明GLCM-MIA 也可對圖像顏色進行處理.對數(shù)據(jù)集中的所有圖像進行對比實驗,統(tǒng)計ct-MIA,PGDPC和GLCM-MIA對3種類型缺陷進行分割的MIoU如表4所示.

表4 性能對比表Table 4 Performance comparison table

綜上實驗結(jié)果與分析表明,本節(jié)提出的分割方法綜合了圖像的紋理特征和顏色特征,在分割精度上有一定優(yōu)越性.

5 結(jié)論

本文基于圖像紋理特征提出了一種新的多元圖像構(gòu)造方法,該方法構(gòu)造的多元圖像既提取了圖像的顏色特征,也提取了圖像的紋理特征.結(jié)合本文提出的多元圖像構(gòu)造方法與多元圖像分析方法,進行了圖像分割應(yīng)用,解決了應(yīng)用經(jīng)典多元圖像分析方法進行圖像分割時無法分析圖像紋理特征的難題.針對需要對多張圖像進行分割的任務(wù),使用GLCM-MIA與決策樹結(jié)合,可以簡化分割流程.在不同類型的圖像數(shù)據(jù)集上進行仿真實驗,實驗表明,GLCM-MIA相比其他圖像分割算法在計算精度上具有一定優(yōu)越性.