CN105701816A - 一种图像自动分割方法 - Google Patents

Abstract

本发明涉及一种图像自动分割方法，对铁谱颗粒显微图像进行颜色量化；将大尺度窗口和小尺度窗口分别用于量化后的图像，生成相应的J图像；对大尺度窗口生成的J图像进行区域种子选取和区域生长；对分割图像得到的每个区域进行J检验，将所有像素J值的平均值与阈值进行比较：如果J值的平均值不小于阈值，对分割图像得到的每个区域，使用小尺度窗口生成的J图像进行区域种子选取和区域生长；如果J值的平均值小于阈值，对邻近区域进行检验，将颜色组成近似的区域进行合并，完成分割，从而将磨损颗粒从铁谱颗粒显微图像的背景中自动提取出来。本发明解决了复杂的磨损颗粒图像智能分割难的问题，为磨损颗粒的智能分类提供了依据。

Description

一种图像自动分割方法

技术领域

本发明涉及一种图像自动分割方法，尤其可以应用于磨损产物——磨损颗粒的图像自动分割。

背景技术

磨粒是摩擦、磨损过程中的重要信息载体和磨损机理判据。磨粒是由于摩擦副表面相对运动，并与界面介质和环境气氛的相互作用，经历一系列摩擦学过程，导致表面磨损形成的产物，含有丰富的关于材料表面摩擦、磨损的信息，其数量、大小、形状、颜色、形貌及结构特征等与磨粒产生时的系统状态及材料的磨损方式密切相关。因而，磨损颗粒智能识别一直受到广泛关注，而磨损颗粒智能识别的前提是将图像中的颗粒自动分割出来，因而需要一种适用于磨损颗粒图像的自动分割方法。

磨损颗粒图像的自动分割通常基于铁谱颗粒显微图像实行，由铁谱仪器将机械润滑油中的磨损颗粒提取到载玻片上，再将载玻片直接放在光学显微镜下观察得到所述铁谱颗粒显微图像。该铁谱颗粒显微图像拥有以下特点：(1)背景中有大量微小颗粒导致背景色调方差大、噪音多，运用传统的阈值分割和边界算子进行分割会导致过度分割；(2)磨损颗粒具有一定厚度，导致显微图像中颗粒边界模糊，有时伴随大块阴影，用传统纹理参数的分割或分水岭算法时常导致欠分割。颗粒的尺寸范围大约为10μm—250μm，还有更大的，不过较为少见。

发明内容

本发明提供一种全新的图像自动分割方法，能够将铁谱颗粒显微图像中的磨损颗粒从背景中自动提取出来。

为了达到上述目的，本发明的技术方案是提供一种图像自动分割方法，其包含以下过程：

S1、对彩色的铁谱颗粒显微图像进行颜色量化处理，使得量化后的图像中只具有设定种类的颜色；

S2、将大尺度窗口和小尺度窗口分别用于量化后的图像，各自对量化后的图像中的每种颜色进行标记，通过标记的分布状态计算J值，生成相应的J图像；

S3、对大尺度窗口生成的J图像进行区域种子选取和区域生长；

S4、对经过S3处理后分割图像得到的每个区域进行J检验，计算每个区域所有像素的J值的平均值，并将J值的平均值与阈值进行比较：

如果J值的平均值小于阈值，进行S6；

如果J值的平均值不小于阈值，进行S5；

S5、对经过S4处理后分割图像得到的每个区域，使用小尺度窗口生成的J图像进行区域种子选取和区域生长；

S6、对邻近区域进行检验，将颜色组成近似的区域进行合并，完成分割，从而将磨损颗粒从铁谱颗粒显微图像的背景中自动提取出来。

综上所述，本发明提供一种切实有效的图像自动分割方法，通过综合运用图像的色彩和纹理信息，能够将放大倍数500-1000的铁谱颗粒显微图像中的磨损颗粒从背景中自动提取出来。本发明解决了复杂的磨损颗粒图像智能分割难的问题，为磨损颗粒的智能分类提供了依据。

附图说明

图1是典型的磨损颗粒的铁谱颗粒显微图像；

图2是本发明所述图像自动分割方法的流程示意图；

图3是本发明所述图像自动分割方法中原图与颜色量化后图像的比较图；

图4a、图4b、图4c是本发明所述图像自动分割方法在一个示例下使用不同类分布时的类映射图；

图5是传统方法与本发明所述图像自动分割方法的效果比较图。

具体实施方式

本发明提供的图像自动分割方法，基于改进的颜色量化和纹理分割手段，实现对磨损颗粒的铁谱颗粒显微图像的自动分割。

如图1所示，是作为本发明试验样本的若干副典型的磨损颗粒的铁谱颗粒显微图像。本例中使用的图像大多为放大500倍。

如图2所示，本发明所述图像自动分割方法，其具体的实现步骤，包含：

S1、对彩色的铁谱颗粒显微图像进行颜色量化处理，将原有的大量颜色压缩为12种颜色，并不会损失太多细节。量化后的图像称为12色图。

S2、将两个尺度的窗口分别用于12色图，生成J图像。

S3、对大尺度窗口生成的J图像进行区域种子选取和区域生长。

S4、对生长后的分割好的区域进行J检验，如果检验结果的平均J值小于阈值，则进行S6，否则进行S5。

S5、对S4中分割好的图像的每一个区域，使用小尺度窗口生成的J图像进行区域种子选取和区域生长，生成更精确的分割图像。

S6、对邻近区域进行检验，若颜色组成近似则对区域进行合并，最终完成分割。

其中，S1所述的颜色量化步骤，通过以下过程实现：

x₀(n)是一个图像像素的向量(通常就是一个三维数组，三个数字分别是红绿蓝三原色的值)。将窗口中的所有像素值与中心像素的距离，按照升序排列，距离d_i(n)的计算见公式1。

d_i(n)＝||x₀(n)-x_i(n)||,i＝0,...,k(1)

d₀(n)≤d₁(n)≤...≤d_k(n)(2)

其中，x₀(n)为中心像素；x_i(n)为所有k个像素中第i个像素。

定义大小为m(n)的相似像素群P(n)为

P(n)＝{x_i(n),i＝0,...,m(n)-1}(3)

为了达到滤波去噪音效果(也就是把不合群的像素踢掉，从升序排列中，截断一部分，只选择与窗口中心像素接近的像素进行处理)，定义一个距离T(n)，最后的相似像素群从窗口中的所有像素中选择小于T(n)的

d_m(n)-1(n)≤T(n)及d_m(n)(n)＞T(n)(4)

为了从升序排列的像素里寻找分割点，定义H(i)

$H\left(i\right)=\frac{|a_1\left(i\right)-a_2\left(i\right){|}^2}{{s_1}^2\left(i\right)+{s_2}^2\left(i\right)},i=1,...,k---\left(5\right)$

其中

$a_1\left(i\right)=\frac{1}{i}\underset{j=0}{\overset{i-1}{\Σ}}{d}_j\left(n\right)$ 及 $a_2\left(i\right)=\frac{1}{k+1-i}\underset{j=i}{\overset{k}{\Σ}}{d}_j\left(n\right)---\left(6\right)$

${s_1}^2\left(i\right)=\underset{j=0}{\overset{i-1}{\Σ}}|d_j\left(n\right)-a_1\left(i\right){|}^2$ 及 ${s_2}^2\left(i\right)=\underset{j=i}{\overset{k}{\Σ}}|d_j\left(n\right)-a_2\left(i\right){|}^2---\left(7\right)$

通过对每一个像素计算H(i)找到分割点

$m\left(n\right)=\underset{i}{\mathrm{argmax}}H\left(i\right)---\left(8\right)$

将窗口中心的像素滤波为相似像素群的加权平均值

$x_{new}\left(n\right)=\frac{\underset{i=1}{\overset{m\left(n\right)-1}{\Σ}}{w}_i{p}_i\left(n\right)}{\underset{i=1}{\overset{m\left(n\right)-1}{\Σ}}{w}_i},p_i\left(n\right)\∈p\left(n\right)---\left(9\right)$

其中w_i标准高斯加权值，由p_i(n)和中心像素x₀(n)的相对位置决定。

最后，对滤波后的图像进行K-均值聚类。得到量化后的12色图。

如图3所示，第一列为颜色量化前的原图，后两列为量化后的图像。经比较可知，量化后的图像一共只有12种颜色，但并没有损失图像细节。

上文S2中所述J图像的计算，包含如下步骤：

本例中通过颜色量化，将图像的颜色数量减小到12种(其实可以设为任意种)，对12色图的每种颜色进行标记，通过标记的分布状态计算J值，最终生成J图像。

图4a～图4c给出一个示例：图像中有三种颜色，我们假定他们为红蓝黄(红色以点状的图块表示，蓝色以深色实心的图块表示，黄色以浅色实心的图块表示)。(x,y)代表像素的坐标z＝(x,y),z∈Z，m为平均值：

$m=\frac{1}{N}\underset{z\∈Z}{\Σ}z---\left(11\right)$

假设Z中有C种颜色(我们一般用12)，Z_i,i＝1,...,C,m_i是其中一种颜色Z_i的平均值，这种颜色一共有N_i个

$m_i=\frac{1}{N_i}\underset{z\∈Z}{\Σ}z---\left(12\right)$

其中， $S_T=\underset{z\∈Z}{\Σ}\left|\right|z-m|{|}^2$ 及 $S_W=\underset{i=1}{\overset{C}{\Σ}}{S}_i=\underset{i=1}{\overset{C}{\Σ}}\underset{z\∈Z_i}{\Σ}\left|\right|z-m_i|{|}^2---\left(13\right)$

J＝(S_T-S_W)/S_W(14)

最终对图像中的所有像素进行J计算，生成的图像为J-图像。越大的J值意味着该像素越接近边界。图4a～图4c中的J值不同，分别为1.720、0.855、0。

S4中所述进行J检验时的计算，是指对分割好的区域中的每个区域，计算其所有像素的J平均值。

S3或S5中所述种子选取和区域生长，包含如下的步骤：

对J图像的一定区域中的像素进行均值和方差计算，分别为u和v，如果小于u+1.5v的像素连接到一起且总数量大于等于区域总体像素数量的2％，则这些像素为种子。区域生长就是每次将不是种子的像素中J值最小的像素归类到它最接近的种子像素中，反复迭代直到所有像素都成为某个区域的一部分。

如图5所示，将传统方法与本发明所述图像自动分割方法的效果进行比较，第一列为阈值分割加边界提取的传统方法，第二列为灰度图像边界sobel算子的传统方法，第三列为本发明提出的图像自动分割方法。我们认为，使用本发明提出的分割流程，可以对磨损颗粒的彩色显微图像进行自动分割，将放大倍数500-1000的铁谱颗粒显微图像中的磨损颗粒从背景中自动提取出来，达到令人满意的效果。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种图像自动分割方法，其特征在于，包含以下过程：

S1、对彩色的铁谱颗粒显微图像进行颜色量化处理，使得量化后的图像中只具有设定种类的颜色；

S2、将大尺度窗口和小尺度窗口分别用于量化后的图像，各自对量化后的图像中的每种颜色进行标记，通过标记的分布状态计算J值，生成相应的J图像；

S3、对大尺度窗口生成的J图像进行区域种子选取和区域生长；

S4、对经过S3处理后分割图像得到的每个区域进行J检验，计算每个区域所有像素的J值的平均值，并将J值的平均值与阈值进行比较：

如果J值的平均值小于阈值，进行S6；

如果J值的平均值不小于阈值，进行S5；

S5、对经过S4处理后分割图像得到的每个区域，使用小尺度窗口生成的J图像进行区域种子选取和区域生长；

S6、对邻近区域进行检验，将颜色组成近似的区域进行合并，完成分割，从而将磨损颗粒从铁谱颗粒显微图像的背景中自动提取出来。

2.如权利要求1所述的图像自动分割方法，其特征在于，

在进行颜色量化时，分别计算铁谱颗粒显微图像的窗口中所有像素与中心像素的距离：

d_i(n)＝||x₀(n)-x_i(n)||,i＝0,...,k

其中，x₀(n)为中心像素的向量；x_i(n)为所有k个像素中第i个像素的向量；所述向量是三维数组，表示了像素的三原色的值；

将计算得到的距离按照升序排列：

d₀(n)≤d₁(n)≤...≤d_k(n)

定义大小为m(n)的相似像素群P(n)：

P(n)＝{x_i(n),i＝0,...,m(n)-1}

选择到中心像素的距离小于设定距离T(n)的像素：

d_m(n)-1(n)≤T(n)及d_m(n)(n)＞T(n)

将中心像素滤波为相似像素群的加权平均值

$x_{new}\left(n\right)=\frac{\underset{i=1}{\overset{m\left(n\right)-1}{\Σ}}{w}_i{p}_i\left(n\right)}{\underset{i=1}{\overset{m\left(n\right)-1}{\Σ}}{w}_i},p_i\left(n\right)\∈p\left(n\right)$

其中，w_i为标准高斯加权值；

对滤波后的图像进行K-均值聚类；得到量化后的图像。

3.如权利要求2所述的图像自动分割方法，其特征在于，

对窗口中的每一个像素计算H(i)

$H\left(i\right)=\frac{|a_1\left(i\right)-a_2\left(i\right){|}^2}{{s_1}^2\left(i\right)+{s_2}^2\left(i\right)},i=1,...,k$

计算m(n)，得到选择相似像素群所需的分割点：

$m\left(n\right)=\underset{i}{\mathrm{argmax}}H\left(i\right)$

其中

$a_1\left(i\right)=\frac{1}{i}\underset{j=0}{\overset{i-1}{\Σ}}{d}_j\left(n\right)$ 及 $a_2\left(i\right)=\frac{1}{k+1-i}\underset{j=i}{\overset{k}{\Σ}}{d}_j\left(n\right)$

${s_1}^2\left(i\right)=\underset{j=0}{\overset{i-1}{\Σ}}|d_j\left(n\right)-a_1\left(i\right){|}^2$ 及 ${s_2}^2\left(i\right)=\underset{j=i}{\overset{k}{\Σ}}|d_j\left(n\right)-a_2\left(i\right){|}^2.$

4.如权利要求1所述的图像自动分割方法，其特征在于，

在计算J值时，定义量化后的图像中像素的坐标z＝(x,y),z∈Z；Z中有C种颜色，其中任意一种颜色Z_i一共有N_i个像素；i＝1,...,C；

计算这种颜色Z_i的像素的坐标的平均值m_i：

$m_i=\frac{1}{N_i}\underset{z\∈Z}{\Σ}z$

其中， $S_T=\underset{z\∈Z}{\Σ}\left|\right|z-m|{|}^2$ 及 $S_W=\underset{i=1}{\overset{C}{\Σ}}{S}_i=\underset{i=1}{\overset{C}{\Σ}}\underset{z\∈Z_i}{\Σ}\left|\right|z-m_i|{|}^2$

J＝(S_T-S_W)/S_W

对量化后的图像中的所有像素计算J值，生成J图像。

5.如权利要求1所述的图像自动分割方法，其特征在于，

在进行区域种子选取时，对J图像的区域中的像素进行均值和方差计算，分别为u和v；

区域中小于u+1.5v的像素若连接到一起且总数量大于等于区域总体像素数量的2％，则这些像素为种子；

在进行区域生长时，每次将不是种子的像素中J值最小的像素归类到它最接近的种子像素中，反复迭代直到所有像素都成为区域的一部分。

6.如权利要求1所述的图像自动分割方法，其特征在于，

铁谱颗粒显微图像的放大倍数为500～1000。