CN104851105B - 一种改进的基于分水岭变换的泡沫图像分割方法 - Google Patents

Abstract

本发明涉及一种改进的基于分水岭变换的泡沫图像分割方法，其步骤如下：步骤1：针对泡沫图像增强；步骤2：进行H‑极小区域变换；步骤3：集水盆标记检验；步骤4：集水盆标记形态学整形；步骤5：泡沫图像重构；步骤6：泡沫边缘分割。本发明提出的改进的基于分水岭变换的泡沫图像分割方法，在使用梯度变换、高低帽变换、标记整形等技术的基础上，利用高阈值确定大泡沫集水盆标记、低阈值确定小泡沫集水盆标记，提高了集水盆标记的准确度。实验结果表明，本发明方法具有更高的分割精度和良好的鲁棒性。

Description

一种改进的基于分水岭变换的泡沫图像分割方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种改进的基于分水岭变换的泡沫图像分割方法。

背景技术

泡沫图像分割可用于判断矿物浮选工况。常用的图像分割算法有基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法等。浮选泡沫图像特点之一是无背景，存在变形、叠加、粘连等现象，适用于基于区域生长的分割方法。分水岭变换是一种典型的基于区域生长的分割方法，在智能交通系统、医学图像分析、遥感探测多个领域应用广泛。许多专家学者在应用并改进分水岭变换进行泡沫图像分割方面进行了诸多有益的尝试，取得了一些成果。Sadr-Kazemi等人应用分水岭变换进行泡沫图像分割，指出关键步骤在于预先进行泡沫种子区域的标记。邵建斌等人指出选择合理的阈值进行泡沫标记的重要性，阈值选取过高将产生欠分割现象，阈值选择过低将产生过分割现象。余旺盛等人对标记进行形态学整形处理，以提高标记的正确性。刘玉芹等人应用高低帽变换对泡沫图像进行预处理，增强了泡沫图像的对比度值，提高了泡沫分割准确性。上述这些方法严重依赖于泡沫的大小和形状分布，对大小泡沫混杂图像进行分割时效果不佳，郝颖明等人就此提出了自适应阈值方法分割，但是仍然没有彻底解决问题。

发明内容

本发明的目的在于提供一种改进的基于分水岭变换的泡沫图像分割方法，具有较强的鲁棒性，能够很好的适用于大小泡沫混杂的图像。

为了实现上述目的，本发明的技术方案如下。

一种改进的基于分水岭变换的泡沫图像分割方法，其步骤如下：

步骤1：针对泡沫图像增强：

对泡沫图像进行高低帽滤波形态变换，将泡沫图像中的亮度值线性映射到[0，255]区间，并使1％的数据分布在灰度值255，及1％的数据分布在灰度值0；并对泡沫图像进行高低帽变换。

步骤2：进行H-极小区域变换：

对于大、中、小三种不同面积的集水盆，分别在灰度值空间[71，255]、[31，255]、[11，255]，以200、50、12为阈值搜索集水盆，得到相应的大型集水盆、中型集水盆、小型集水盆。

步骤3：集水盆标记检验：

对集水盆面积进行有效性检验，大、中、小型集水盆面积的有效值限制范围分别为：(800，10000]、(100，800]、(3，100]，删除不合格的集水盆标记。

步骤4：集水盆标记形态学整形：

依次进行以下操作：对大、中型集水盆分别执行次数为1、3的形态腐蚀操作；对大、中型集水盆分别执行次数为3、6的形态膨胀操作；将三个集水盆图合并；在合并后的集水盆图上标记集水盆。

步骤5：泡沫图像重构：

利用步骤4所得集水盆标记，对泡沫图像进行形态重构。

步骤6：泡沫边缘分割：

将泡沫图像取反，然后应用使用分水岭变换进行泡沫边缘分割。

该发明的有益效果在于：

(1)直接使用分水岭算法进行泡沫图像分割可能产生大量过分割现象，标准分水岭方法通过对泡沫图像进行H-极小区域变换和形态重构有效的减少了过分割现象。

(2)泡沫大小与分割阈值关系密切，大泡沫在阈值较高时分割更准确，小泡沫在阈值较低时更准确。因此面对泡沫大小差异较大的复杂泡沫图像，无法使用单一阈值实现对所有尺寸泡沫均进行准确分割。在对泡沫图像进行H-极小区域变换处理时，选取阈值过高可能会消去微弱边缘，从而导致欠分割现象。

(3)相比标准分水岭变换方法，综合分水岭变换方法进一步改进了分割效果。综合分水岭变换通过使用高低帽变换技术增强了泡沫的辨识度，因此减少了欠分割现象，特别是改善了小泡沫的分割效果。同时通过标记整形技术减少了泡沫集水盆的划分错误，因此减少了欠分割现象，特别是改善了大泡沫边缘分割效果。

(4)本发明方法使用不同阈值在不同灰度空间搜索不同的集水盆标记，解决了单一阈值无法匹配不同大小泡沫的问题，从而可以取得满意的分割效果。本发明方法的泡沫图像分割准确率稳定在80％以上，具有较高的鲁棒性；在对泡沫大小混杂的泡沫图像进行边缘分割时，本发明方法明显优于传统方法。

本发明提出的改进的基于分水岭变换的泡沫图像分割方法，在使用梯度变换、高低帽变换、标记整形等技术的基础上，利用高阈值确定大泡沫集水盆标记、低阈值确定小泡沫集水盆标记，提高了集水盆标记的准确度。实验结果表明，本发明方法具有更高的分割精度和良好的鲁棒性。

附图说明

图1是本发明实施例中所使用泡沫图像。

图2是本发明实施例中所使用直接分水岭变换分割结果图。

图3是本发明实施例中所使用原始泡沫图像三维视图。

图4是本发明实施例中所使用高低帽变换后的泡沫图像三维视图。

图5是本发明实施例中所使用大型集水盆标记示意图。

图6是本发明实施例中所使用中型集水盆标记示意图。

图7是本发明实施例中所使用小型集水盆标记示意图。

图8是本发明实施例中所使用集水盆标记整形合并示意图。

图9是本发明实施例中所使用泡沫图像形态重构示意图。

图10是本发明实施例中所使用改进的基于分水岭变换的泡沫图像分割示意图

图11是本发明实施例中所使用标准分水岭变换过分割图(阈值20)。

图12是本发明实施例中所使用标准分水岭变换欠分割图(阈值100)。

图13是本发明实施例中所使用标准分水岭变换最佳分割图(阈值59)。

图14是本发明实施例中所使用综合分水岭变换最佳分割图(阈值61)。

图15是本发明实施例中所使用基于分水岭变换的泡沫图像分割方法准确率比较示意图。

具体实施方式

下面结合附图和实施例对本发明的具体实施方式进行描述，以便更好的理解本发明。

实施例

分水岭变换基本思想：分水岭变换是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是倒立的测地学上的拓扑地貌，即将图像中各像素的灰度值视为海拔高度，利用梯度信息查找图像的连通区域。该法假设每一个局部极小值及其周围区域形成集水盆，随着水势上涨，集水盆逐步扩大，集水盆汇合处即为分水岭。

分水岭表示的是输入图像极大值点，通常把梯度图像作为输入图像，即

式中，f(x，y)表示原始图像，grad()表示梯度运算。

分水岭的计算过程是一个迭代标注过程，首先对每个像素按灰度级从低到高进行排序，然后在从低到高实现淹没过程中，对每一个局部极小值在H-极小区域采用先进先出结构进行判断及标记集水盆。

基于分水岭变换的泡沫图像分割方法，将泡沫图像取反，每个泡沫就是一个集水盆，可使用分水岭变换进行边缘分割。由于分水岭变换对微弱边缘敏感，而图像中难免存在光照不均、噪声、量化误差以及区域内纹理细节等现象，会产生很多局部最小值，在后续分割中将出现大量细小区域，即产生过分割。图1显示了一幅泡沫图像，图2显示对图1直接使用分水岭变换进行边缘分割的结果，显然，其过分割现象非常严重。

基于分水岭变换的泡沫图像分割方法的基本步骤为：对于泡沫图像，首先使用H-极小区域变换搜索集水盆标记，然后进行集水盆标记形态重构，最后应用分水岭变换进行边缘分割。

为增强分水岭变换的分割效果，除了合理选择H-极小区域变换阈值外，还可以采用以下三种经典图像分割优化技术：

一是修改泡沫图像梯度函数，使得集水盆标记只响应泡沫对象，一个简单方法是对梯度图像进行阈值处理，即

g(x，y)＝max(grad(f(x，y))，θ) (2)

式中，θ表示阈值。

二是增加泡沫图像的对比度值。可以对泡沫图像进行高低帽滤波形态变换，使一定比例数据分布在最高强度，及一定比例数据分布在最低强度。

设有a％像素的灰度值超过b，c％像素的灰度值低于d，使a％的数据分布在最高强度h，c％的数据分布在最低强度k，则每个像素调整后的灰度值为：

式中x为调整前的灰度值。

三是利用先验知识对集水盆标记进行形态学处理，以增强集水盆标记。常用腐蚀和膨胀两种形态学操作。形态腐蚀操作可以消除标记内部空隙，减少标记的欠分割现象；形态膨胀操作可以合并相离很近的标记，减少标记的过分割现象。

改进的基于分水岭变换的泡沫图像分割方法：改进的基于分水岭变换的泡沫图像分割方法合理的使用上述图像分割优化技巧，同时针对大小不同的泡沫给定不同的H阈值搜索集水盆。图1所示泡沫图像是一幅典型的大小泡沫混杂的图像，下面以此为例说明改进的基于分水岭变换的泡沫图像分割方法如下：

步骤1：泡沫图像增强：

对泡沫图像进行高低帽滤波形态变换，将泡沫图像中的亮度值线性映射到[0，255]区间，并使1％的数据分布在灰度值255，及1％的数据分布在灰度值0。

对泡沫图像进行高低帽变换，图3、4以三维视图的方式显示了泡沫图像增强效果。图2中每个山峰就是经过高低帽滤波处理的泡沫图像明显具有更高的泡沫对象辨识度。

步骤2：H-极小区域变换：

对于大、中、小三种不同面积的集水盆，分别在灰度值空间[71，255]、[31，255]、[11，255]，以200、50、12为阈值搜索集水盆，得到相应的大型集水盆、中型集水盆、小型集水盆如图5、6、7所示。

步骤3：集水盆标记检验：

对集水盆面积进行有效性检验，大、中、小型集水盆面积的有效值限制范围分别为：(800，10000]、(100，800]、(3，100]。删除不合格的集水盆标记。

步骤4：集水盆标记形态学整形：

依次进行以下操作：

对大、中型集水盆分别执行次数为1、3的形态腐蚀操作；

对大、中型集水盆分别执行次数为3、6的形态膨胀操作；

将三个集水盆图合并；

在合并后的集水盆图上标记集水盆，所得标记结果如图8所示。

步骤5：泡沫图像重构：

利用步骤4所得集水盆标记，对泡沫图像进行形态重构，结果如图9所示。

步骤6：泡沫边缘分割：

将泡沫图像取反，然后应用使用分水岭变换进行泡沫边缘分割，结果如图10所示。图9、10显示分水岭变换分割结果严重依赖于所得集水盆标记，两者一一对应。

仿真试验与分析：

大小泡沫混杂图像分割试验：

使用标准分水岭变换方法对图1所示泡沫图像进行泡沫边缘分割，使用多种H-极小区域变换阈值进行试验。H-极小区域变换阈值对基于分水岭变换的泡沫图像分割结果影响巨大。如图11所示，阈值较低时，结果将一个气泡分割成多个气泡，特别是在大气泡顶端亮区的过分割现象严重；如图12所示，随着阈值升高，大气泡过分割现象逐步减少，但欠分割现象逐步增加，最终在小气泡区域产生大量欠分割现象。

综合考虑欠分割和过分割因素，使用标准分水岭变换方法对图1进行泡沫边缘分割，在H-极小区域变换阈值为59时取得最佳效果，如图13所示。

使用“梯度变换+高低帽变换+标记整形+分水岭变换”的方法对图1进行泡沫边缘分割，在H-极小区域变换阈值为61时取得最佳效果，如图14所示。

对上述两种方法与本发明实施例方法对图1的最佳分割效果进行比较，结果见表1。

表1基于分水岭变换的泡沫图像分割方法最佳分割结果比较

全样本泡沫图像分割仿真试验：

从样本库中随机选择多幅泡沫图像分别使用标准分水岭变换方法、综合分水岭变换方法、本发明实施例方法进行边缘分割试验，结果如图15所示，本发明实施例方法准确分割区域面积比例普遍高于其他两种方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种改进的基于分水岭变换的泡沫图像分割方法，其特征在于：其步骤如下：

步骤1：针对泡沫图像增强：对泡沫图像进行高低帽滤波形态变换，将泡沫图像中的亮度值线性映射到[0，255]区间，并使1％的数据分布在灰度值255，及1％的数据分布在灰度值0；并对泡沫图像进行高低帽变换；

步骤2：进行H-极小区域变换：对于大、中、小三种不同面积的集水盆，分别在灰度值空间[71，255]、[31，255]、[11，255]，以200、50、12为阈值搜索集水盆，得到相应的大型集水盆、中型集水盆、小型集水盆；

步骤3：集水盆标记检验：对集水盆面积进行有效性检验，大、中、小型集水盆面积的有效值限制范围分别为：(800，10000]、(100，800]、(3，100]，删除不合格的集水盆标记；

步骤4：集水盆标记形态学整形：依次进行以下操作：对大、中型集水盆分别执行次数为1、3的形态腐蚀操作；对大、中型集水盆分别执行次数为3、6的形态膨胀操作；将三个集水盆图合并；在合并后的集水盆图上标记集水盆；

步骤5：泡沫图像重构：利用步骤4所得集水盆标记，对泡沫图像进行形态重构；

步骤6：泡沫边缘分割：将泡沫图像取反，然后应用使用分水岭变换进行泡沫边缘分割。