CN110136152A - 一种基于主动轮廓的钢卷边部图像分割方法 - Google Patents

Abstract

本发明的目的在于针对钢卷边部图像的特点提出了一个专为钢卷边部图像进行分割的算法，以达到提取缺陷特征的目的，并为区分缺陷产品和合格产品提供数据支持，本发明提出了一种主动轮廓的变区域分割方法来进行钢卷边部缺陷图片的分割提取，并保证分割的速度达到最优，主动轮廓的算法是将一个图像分一个闭合曲线和一个包围区域，利用约束条件求取闭合曲线的最小泛函能量，但对于边部图像，内外区域的相似度较高，难以进行准确的分割，ARSF将主动轮廓的一块分割区域改为两块分割区域,对两块区域分别进行设定一组聚类因子，通过反复迭代寻找不断对进行逼近,以达到更优的分割效果。

Description

一种基于主动轮廓的钢卷边部图像分割方法

技术领域

本发明属于图像识别技术领域，具体涉及一种基于主动轮廓的钢卷边部图像分割方法。

背景技术

钢卷是钢铁厂的一种成型产品，它是由薄钢板卷制而成。钢卷的质量检测分为材料检测、表面质量和边部缺陷三个主要部分。材料成份是由不同型号的钢板生产工艺决定，表面质量检测钢板表面有无划痕和拉伤等，这两种检测在生产工艺里较为常见。边部缺陷是指钢卷的侧边部在包装、搬运、夹取时，边部受到撞击等引起的创伤，边部缺陷检查是随着用户对产品质量的要求不断提高，最近几年提出的一项新要求，并且逐步受到钢铁厂的重视，成为影响钢卷质量的一个重要指标。

边部缺陷目前还未实现自动化处理，主要依靠人工目视或拍照进行分辨，效率较低，准确率不高。边部检查存在的困难有三点：第一，故障与本体的相似度高，边部的背景和缺陷图像交叉在一起，相互重叠，给图像的分割带来了较大的难度；第二，钢卷体积非常大，而缺陷的尺寸很小，存在较大的倍数的比例差，同时受到拍照设备、灯光、噪声等客观条件的影响，获取局部完整图像非常困难；第三，现有的边部图像分割技术在速度和质量两者之间存在严重的矛盾，人工分割图像可获得较好的分类效果但无法实现自动化，已使用的一些边缘检测和区域检测算法都不能有效的进行分割且速度较慢。

在对钢卷边部拍照得到照片后，照片的尺寸一般比较巨大，需要对其进行分割以得到详细明确的局部图像，这也是图像处理的起点和数据来源。对图像分割的主要方法有按阈值分割、按边缘分割、按区域分割等三种。由于钢卷边部的图像为薄层圈状，图形密实，颜色区分度小，灰度阈值和边缘检测都无法将彻底分开。按区域分割的普通切割算法过度依赖于图像凹陷边界，不能有效利用图像的全局信息，因此难以取得满意的分割效果。

发明内容

本发明克服了现有技术的缺点，提供了一种基于主动轮廓的钢卷边部图像分割方法，该方法是一种基于主动轮廓的变区域分割方法，对钢卷边部图像进行分割提取，最终实现快速、准确的缺陷部位的分割提取。

本发明的具体技术方案是：

一种基于主动轮廓的钢卷边部图像分割方法，将钢卷边部图像定义为I(x,y)，边部图像中所包含曲线定义为

C(p)＝C(x(p),y(p)) ①

其中，P是图像分割的最小间距；

关键点是，

边部图像的能量泛函表达式为：

J_snake＝J_int+J_ext ②

其中，J_int是内部能量项，J_ext是外部能量项；

对公式①求取微分项，以得到其分割图像的轮廓信息，则有：

其中，J_coutin是弧长，J_smooth是已闭合曲线；α(p)是弹性系数，β(p)是刚性系数，弹性系数是包围曲线的延展情况，刚性系数是曲线的曲率变化情况；

对公式①求取梯度，则有：

系数γ(p)用来调整切割的方向和步长，是图像的梯度信息；其中函数g是单调递减的函数，用来区分切割图像的边缘；

求解边部图像泛函表达式的最小值解，公式如下：

最终得到的最小值即为最优分割区域。

在主动轮廓基础上，选取一组生长点，通过生长的一组区域的泛函值来确定最终的区域，为使用变区域的方法来计算泛函，引入一个能量项来表示定义的变区域与全局灰度分布关系；

则有

其中Ω代表变区域，为梯度，即为在某拟合边缘的方向梯度均方差积分作为能量对比参数；

对其求偏导，判定其是否平滑拟合，则有：

div代表采用面积积分法，如果存在极限，则区域分解成功，其分解后的区域为：

对其求解弧长的泛函则有：

其中λ_i是分割的区域，f_i是生长区域的平均灰度，Ω是生长区域的起点，I是寻找区域的任意一点的灰度。

所述边部图像选取两个生长点，形成分割的两块区域，对两块区域分别定义一组基函数K_q，使分割区域在基函数的指定范围内形成，则泛函能量表达式为：

其中E为泛函分析值，φ为边界的约束函数，f₁和f₂为分割区域，I为分割前预测的任意一点灰度，M_i为一次迭代后的分割区域的均方差，V为梯度增长方向。

基函数K_q的选取步骤如下所述：

a)对图像进行全局处理，得到一组灰度聚类,并划定每组类的阈值；

b)随机选择k个点作为初始生长点，以最小梯度的方法分配样本数值；

c)对区域进行生长扩展迭代，并计算均方差值；

d)合并生长区域，输出聚类结果；

对公式⑦求取偏导数，得到总能量泛函公式，即

将聚类计算结果代入公式⑧，得到的最小值即为最优分割区域。

本发明的有益效果是：本发明基于主动轮廓模型算法进行钢卷边部图像的分割，将图像质量的影响降到最低，无论图像质量如何，都能够抽取到光滑、封闭的边界，相比于现有技术中人工目视和拍照分辨，能够避免缺陷部位容易与背景混淆、缺陷尺寸所占比例小以及速度和质量此长彼消等缺点，能够快速、准确提取缺陷特征的目的；同时，本申请中还结合变区域分割的方法对钢卷边部图像分割提取，对两块区域分别设定一组聚类因子，通过反复迭代寻找不断进行逼近，以达到更优的分割效果，实现最终切割图形的精准性。

附图说明

图1是本发明中奇函数K的选取过程示意图；

图2是具体实施例中的摄像原图；

图3是具体实施例中Robert算子处理图像；

图4是具体实施例中Sobel算子处理图像；

图5是具体实施例中Prewitt算子处理图像

图6是具体实施例中LOG算子处理图像；

图7是具体实施中采用本发分割方法的处理图像；

具体实施方式

本发明涉及一种基于主动轮廓的边部图像分割方法，该方法基于主动轮廓分割算法，结合变区域分割方法对钢卷边部图像分割提取，对两块区域分别设定一组聚类因子，通过反复迭代寻找不断进行逼近，形成最终准确的分割图像。

具体实施例，

本发明的图像分割过程包括以下的主要步骤，其中包括了边部图像的主动轮廓定义和弹性可变区域的计算。

(1)根据钢卷边部图像的特点，基于主动轮廓的边部分割算法，此图像至少包含N(N≥1)个钢卷的卷边。定义一个边部图像I(x,y),其有意义的图像所包含的曲线，将曲线定义为

C(p)＝C(x(p),y(p)) ①

(2)边部图像的能量的泛函表达式定义为：

J_snake＝J_int+J_ext ②

其中J_int是内部能量项，J_ext是外部能量项。

(3)对公式①求取微分项，以得到其分割图像的轮廓信息，则有

其中，J_coutin是弧长，α(p)是弹性系数，β(p)是刚性系数。弹性系数是包围曲线的延展情况，刚性系数是曲线的曲率变化情况。

(4)要使切割的图像区域尽量小且速度尽量快，则需将闭合曲线尽量短且尽可能光滑，求取公式①梯度为：

系数γ(p)用来调整切割的方向和步长，是图像的梯度信息。其中函数g是单调递减的函数，用来区分切割图像的边缘；

(5)要使切割的图像最优，则需求出图像的泛函的最小值解

(6)能否能很好的对钢卷边部图像进行切割取决于三个因素：第一，即图像分割的最小间距P；第二，图像本身的曲线的位置及闭合形状将直接决定切割的效果；第三，图像的灰度变化率将会影响切割边缘捕捉速度；

(7)为了提高切割区域的速度和质量，充分利用钢卷边部的特征，本发明在主动轮廓模型的基础上采用一种变区域切割方法；

在主动轮廓基础上，选取一组生长点，通过生长的一组区域的泛函值来确定最终的区域，为使用变区域的方法来计算泛函，引入一个能量项来表示定义的变区域与全局灰度分布关系；

则有

其中Ω代表变区域，为梯度，即为在某拟合边缘的方向梯度均方差积分作为能量对比参数；

对其求偏导，判定其是否平滑拟合，则有：

div代表采用面积积分法，如果存在极限，则区域分解成功，其分解后的区域为：

对其求解弧长的泛函则有：

其中λ_i是分割的区域，f_i是生长区域的平均灰度，Ω是生长区域的起点，I是寻找区域的任意一点的灰度。

(8)主动轮廓的泛函能量式改写为：

其中λ_i是分割的区域，f_i是生长区域的平均灰度，Ω是生长区域的起点，I是寻找区域的任意一点的灰度。

(9)所述边部图像选取两个生长点，形成分割的两块区域，对两块区域分别定义一组基函数K_q，使分割区域在基函数的指定范围内形成，则泛函能量表达式为：

其中E为泛函分析值，φ为边界的约束函数，f₁和f₂为分割区域，I为分割前预测的任意一点灰度，M_i为一次迭代后的分割区域的均方差，V为梯度增长方向。

式⑦具有最小值解，则与基函数K_q的聚类选择有关。

基函数K_q的选取步骤如图1所示：

对图像进行全局处理，得到一组灰度聚类,并划定每组类的阈值；

随机选择k个点作为初始生长点，以最小梯度的方法分配样本数值；

对区域进行生长扩展迭代，并计算均方差值；

合并生长区域，输出聚类结果。

(10)对式⑦求取偏导数，得到总能量泛函公式，即

(11)将聚类的计算结果代入式⑧，得到的最小值即为最优分割区域。

变区域分割与单点式主动轮廓分割方法不同之处在于：单点主动轮廓是选取一个生长点作为生长区域的起点，通过多次计算最终生长区域的泛函值来确定最终的区域，变区域则选取多个生长点，通过多个区域的泛函极值来确定最终的区域，由于要生长多个区域，变区域要占用更大的存储量和计算能力，但同时也提高了图像分析的速度。由于在计算过程中，变区域分割保留了中间计算值，变区域方法在一次性提取图像中的多个目标时较为有效，尤其适用于大型图像的分析。单点式主动轮廓是通过多次反复计算才能得知全图的灰度泛函分布，适用于边缘性分割或已知特征型图像。

本发明的效果要通过仿真进一步说明：

1、仿真条件

本发明所使用的数据来自首钢公司迁钢三分厂酸轧车间，数据采集时间为2016年10月22日，地点为A2-47位卡位。为验证本发明算法的有效性，将原摄像数据进行了切片和筛选，切片大小为54×18，手工筛选7000组图片，共计得到581组有效图片，选取其中一组无向链故障为验证图片。

2、仿真对比试验

本实施例拟采用Robert算子、Sobel算子、Prewitt算子、LOG算子和主动轮廓分别检测故障点，通过计算闭合面积、均方差距离及故障点重合率来评价各种算法的优劣性。

3、仿真结果

仿真结果如图2-7所示，图2至图7分别为原图、Robert算子、Sobel算子、Prewitt算子、LOG算子和主动轮廓的处理图像，结果对比如下表所示：

算法	闭合面积	均方差距离	重合率
				Robert算子	0	22	15％
Sobel算子	0	48	17％
				Prewitt算子	25	36	87％
LOG算子	22	29	74％
				本申请方法-主动轮廓	196	15	93％

通过上表中的数据可以看出：采用主动轮廓方法后，不仅较准确的识别出了故障点的边缘，还对其进行了包围，形成了完整的故障信息，相较于其他的现有方法，其最终的切割图形准确性显著提高；

本发明的目的在于针对钢卷边部图像的特点提出了一个专为钢卷边部图像进行分割的算法，以达到提取缺陷特征的目的，并为区分缺陷产品和合格产品提供数据支持。本发明提出了一种基于主动轮廓的变区域分割方法(Advanced Region-Scalable Fitting,ARSF)来进行钢卷边部缺陷图片的分割提取，并保证分割的速度达到最优。主动轮廓的算法是将一个图像分一个闭合曲线和一个包围区域，利用约束条件求取闭合曲线的最小泛函能量，但对于边部图像，内外区域的相似度较高，难以进行准确的分割。ARSF将主动轮廓的一块分割区域改为两块分割区域,对两块区域分别进行设定一组聚类因子，通过反复迭代寻找不断对进行逼近,以达到更优的分割效果。

可以被理解的是，对于领会或理解本项发明思路的专业人员来说，任何在实施方法上作出的等同替换或部分名称更改，都不会影响本发明要求的专用权利，这些被替换或改变的内容都属于本发明要求的权利保护范围。

Claims (4)

1.一种基于主动轮廓的钢卷边部图像分割方法，将钢卷边部图像定义为I(x,y)，边部图像中所包含曲线定义为

C(p)＝C(x(p),y(p)) ①

其中，P是图像分割的最小间距；

其特征在于：

边部图像的能量泛函表达式为：

J_snake＝J_int+J_ext ②

其中，J_int是内部能量项，J_ext是外部能量项；

对公式①求取微分项，以得到其分割图像的轮廓信息，则有：

其中，J_coutin是弧长，J_smooth是已闭合曲线；α(p)是弹性系数，β(p)是刚性系数，弹性系数是包围曲线的延展情况，刚性系数是曲线的曲率变化情况；

对公式①求取梯度，则有：

系数γ(p)用来调整切割的方向和步长，是图像的梯度信息；其中函数g是单调递减的函数，用来区分切割图像的边缘；

求解边部图像泛函表达式的最小值解，公式如下：

最终得到的最小值即为最优分割区域。

2.根据权利要求1所述的一种基于主动轮廓的钢卷边部图像分割方法，其特征在于：在主动轮廓基础上，选取一组生长点，通过生长的一组区域的泛函值来确定最终的区域，为使用变区域的方法来计算泛函，引入一个能量项来表示定义的变区域与全局灰度分布关系；

则有

其中Ω代表变区域，为梯度，即为在某拟合边缘的方向梯度均方差积分作为能量对比参数；

对其求偏导，判定其是否平滑拟合，则有：

div代表采用面积积分法，如果存在极限，则区域分解成功，其分解后的区域为：

对其求解弧长的泛函则有：

其中λ_i是分割的区域，f_i是生长区域的平均灰度，Ω是生长区域的起点，I是寻找区域的任意一点的灰度。

3.根据权利要求2所述的一种基于主动轮廓的钢卷边部图像分割方法，其特征在于：所述边部图像选取两个生长点，形成分割的两块区域，对两块区域分别定义一组基函数K_q，使分割区域在基函数的指定范围内形成，则泛函能量表达式为：

其中E为泛函分析值，φ为边界的约束函数，f₁和f₂为分割区域，I为分割前预测的任意一点灰度，M_i为一次迭代后的分割区域的均方差，V为梯度增长方向。

4.根据权利要求3所述的一种基于主动轮廓的钢卷边部图像分割方法，其特征在于：基函数K_q的选取步骤如下所述：

a)对图像进行全局处理，得到一组灰度聚类,并划定每组类的阈值；

b)随机选择k个点作为初始生长点，以最小梯度的方法分配样本数值；

c)对区域进行生长扩展迭代，并计算均方差值；

d)合并生长区域，输出聚类结果；

对公式⑦求取偏导数，得到总能量泛函公式，即

将聚类计算结果代入公式⑧，得到的最小值即为最优分割区域。