CN110956641A - 一种基于化学反应优化的列车车轮踏面图像分割方法 - Google Patents

Abstract

本发明公开了一种基于化学反应优化的列车车轮踏面图像分割方法，针对传统的OTSU阈值分割方法受图像对比度、信噪比等因素影响较大的缺点，采用二维OTSU方法加以改进，提高缺陷分割的准确性，同时结合学反应优化搜索方法，提高阈值分割速度，减少耗时。本方法可以有效地消除随机噪声，保留必要的缺陷信息，同时该方法具有较高的分割速度和精度，满足实时性要求。

Description

一种基于化学反应优化的列车车轮踏面图像分割方法

技术领域

本发明涉及图像处理技术领域，具体是一种列车车轮踏面图像的缺陷分割方法。

背景技术

近年来，随着列车承载量和速度的提高，列车养护变得至关重要，而车轮踏面表面缺陷检测是列车养护重要的环节，由于列车负载、碾压、自然环境等多种因素影响，车 轮踏面不可避免地出现轧痕、轧疤等缺陷。踏面缺陷如果不及时检测、维护，将会是很 大的安全隐患。为了对踏面缺陷进行检测，首先必须把踏面缺陷从车轮踏面原始图像中 分割出来。传统的图像分割算法受图像对比度、信噪比等因素影响大，迫切需要一种新 型高效的车轮踏面缺陷图像分割方法。

发明内容

本发明解决的技术问题是：提供一种列车车轮踏面图像的缺陷分割方法，解决现有 方法从原始图像中分割踏面缺陷效果不佳的问题。

为了达到上述目的，本发明采用下述技术方案：

一种基于化学反应优化的列车车轮踏面缺陷分割方法，在CRO算法基础上，结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方法。CRO中适应度函数的 输入是连续值，为了将CRO算法应用于图像阈值化问题，首先要将其扩展至离散空间， 即使得输入值为离散值。

定义

为CRO在区间内产生的随机解空间，为了计算二维OSTU模型 得适应度值，本文首先将生成解通过整数映射变换到离散空间，映射函数如下：

二维OTSU模型的解属于二维空间，如下式：

基于CRO的二维OTSU阈值化方法步骤如下：

步骤(1)令t＝1，随机生成X_i。通过二维OTSU模型的等式(6)计算F([X_i,1])合 理度值，搜索F([X_i,1])中的最优解F([G_i])，其中i＝1,2,3,L,POP。

步骤(2)当i＜POP时：

①依据等式(8)更新，采用二维OTSU模型计算的合理度值；

②如果当前合理度值优于F([P_i])，则令P_i＝X_i，否则执行子步骤④；

③如果当前位置最优解P_i优于分子群中最优解G_i，则令G_i＝P_i；

④i＝i+1，执行子步骤②。

步骤(3)如果t循环至最大迭代次数循环终止，则G_i为最终阈值，否则令t＝t+1返回步骤(2)。

本发明具有以下有益效果：

(1)采用离散化化学反应优化算法，解决了原连续CRO算法在图像分割中的应用问题；

(2)结合了OTSU算法，提高了对列车车轮踏面缺陷图像分割的有效性和效率。

附图说明

图1为车轮踏面缺陷的原始图像。

图2为本发明实施例的OTSU算法图像。

图3为本发明实施例的本算法图像。

图4为本发明实施例的CRO算法流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

1、二维OTSU模型

早期的分割算法大多是基于一维灰度直方图选择阈值，其中著名的OTSU法广泛应用于实时处理，但该方法仅适用于目标与背景具有高对比度和信噪比的图像，对于对比 度和信噪比低的情况，OTSU法的分割精度较差。二维直方图是结合灰度值和像素邻域 均值形成的联合直方图，同时考虑灰度信息和邻域空间信息。为了克服一维OTSU分割 法对噪声和图像对比度较为敏感的缺点，二维直方图是结合灰度值和像素邻域均值形成 的联合直方图，同时考虑灰度信息和邻域空间信息。基于二维直方图产生了二维OTSU 阈值分割算法，该算法改善了一维OTSU分割法的抗噪性和低对比度图像的敏感性。

该方法描述如下:给定一幅大小为m×n的图像，图像的灰度级为L，像素数量为 N＝m×n，(x，y)处的灰度值为i，其邻域内灰度均值为j，nij表示(i，j)在一幅图中出 现的次数，Pij表示(i，j)的概率分布，计算方式如下:

Pij＝nij/N，i，j＝0，1，2，…，L－1 (1)

在二维OTSU模型中定义图像的阈值为联合向量(t，s)，阈值将图像划分为目标A和背景B两个区域，A和B两个区域内的概率分布如下:

A和B均值向量为:

在二维直方图中的概率分布如下:

μ_T≈ω_Aμ_A+ω_Bμ_B (4)

A和B两类间离散矩阵为:

S_b(t,s)＝ω_A(μ_A-μ_T)(μ_A-μ_T)^T+ω_B(μ_B-μ_T)^T (5)

离散矩阵的迹如下:

离散矩阵的迹的最大值(T，S)则为二维OTSU模型的最优阈值。

2、化学反应优化算法(CRO)

CRO算法是一种基于群体的非线性优化算法，模拟大自然中化学反应时分子间的相 互作用过程，依据能量守恒定律可知，参与化学反应的系统的势能总是向着最小方向进行的原理，使用多个分子在搜索空间内依据分子的个体行为和群体行为自动寻找目标函数f(x):Rⁿ→R的最优解。

CRO的基本原理是能量守恒定律，把所有涉及的分子和连着buffer的一个有限空间 称作完备系统。系统的总能量由初始种群大小PopSize，初始动能值InitialKE及初始中央能量缓冲器buffer决定，即

其中

PopSize(t)，buffer(t)分别表示在时间t时，分子i的势能，动能，种群大小，中央缓冲能量。C是常量。

k，l分别表示反应前后的种群大小，ω，ω′分别表示反应前的分子和反应后生成的 分子，则必须满足下列能量守恒条件，初等反应才能发生。即

从理论上讲，能量达到负值的任何操作都是不可行的。若一些实际问题的函数值可 能涉及到负值(负PE)，就要把此类问题等价转换成函数值为正的问题。

化学变化是由碰撞引发的，存在两种碰撞类型：分子内部碰撞和分子间碰撞，因此存在四种初等反应：单分子无效碰撞，分解，分子间无效碰撞和合成。

单分子无效碰撞指单个分子在独立空间内进行碰撞，在这个碰撞中，只有分子结构 ω发生微小变化为ω′，即ω→ω′。N(.)是任意邻域搜索算子，就有ω′＝N(ω)和PE_w′＝f (ω′)。能量守恒条件为

PE_ω+KE_ω≥PE_ω′ (9)

分解指单个分子在独立空间内进行碰撞，在这个碰撞中，分子分解成多个部分(考虑分解成两个部分)，即ω→ω′₁+ω′₂。当

时，分解才是有效反 应。另外，由于分解的

复杂性，使用buffer获取

和

设σ₁，σ₂相互独立且σ₁，σ₂∈[0,1]。此 时

分子间无效碰撞指多个分子相互碰撞后相互作用，反应分子数不改变(假设两个分 子)。即ω₁+ω₂→ω′₁+ω′₂。ω′₁＝N(ω₁)，ω′₂＝N(ω₂)。能量守恒条件为

合成是与分解对应的，指多个分子(这里假设两个)相互碰撞，最后融合在一起的过程，即ω₁+ω₂→ω′。能量守恒条件为

CRO是一种松散耦合的化学反应的优化技术，它并不试图捕捉每一个化学反应的细 节。根据分子结构，分子动能、势能、以及对中心能量缓冲器的设置。

CRO参数包括种群规模PopSize，分子数目设置常数MoleColl，动能损失率常数KELossRate，初始动能值InitialKE，初始中央缓冲能量器buffer，分解与合成常数α 和β。

(1)种群规模PopSize

CRO是一个种群可变的优化技术。种群规模PopSize在不同迭代中可能是不同的。当单分子或分子间无效碰撞发生时，分子数目前后不变；而当发生分解和合成反应时， 分子数量分别增加和减小，使用分解与合成常数α和β控制频率。

(2)权重因子

在CRO中有四个权重因子：分子数目设置常数MoleColl，动能损失率常数KELossRate，分解与合成常数α和β。

MoleColl决定参与初等反应的分子数量，用于选择初等反应类型。

KELossRate表示单分子碰撞时动能损失下限，0≤KELossRate≤1，且a∈[KELossRate,1]。

常数α和β决定其分解与合成准则，分解准则为：

NumHit–MinHit>α (13)

当满足(7)式，发生分解反应，否则，发生单分子无效碰撞。

合成准则为：

KE≤β (14)

当满足(8)式，发生合成反应，否则，发生分子间无效碰撞。

标准CRO算法执行流程见图4。

3、基于CRO的二维OTSU算法

在CRO基础上，结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方 法。CRO中适应度函数的输入是连续值，为了将CRO算法应用于图像阈值化问题，首 先要将其扩展至离散空间，即使得输入值为离散值。

定义

为CRO在区间内产生的随机解空间，为了计算二维OSTU模型 得适应度值，本文首先将生成解通过整数映射变换到离散空间，映射函数如下：

二维OTSU模型的解属于二维空间，如下式：

基于CRO的二维OTSU阈值化方法步骤如下：

步骤(1)令t＝1，随机生成X_i。通过二维OTSU模型的等式(6)计算F([X_i,1])合 理度值，搜索F([X_i,1])中的最优解F([G_i])，其中i＝1,2,3,L,POP。

步骤(2)当i＜POP时：

①依据等式(8)更新，采用二维OTSU模型计算的合理度值；

②如果当前合理度值优于F([P_i])，则令P_i＝X_i，否则执行子步骤④；

③如果当前位置最优解P_i优于分子群中最优解G_i，则令G_i＝P_i；

④i＝i+1，执行子步骤②。

步骤(3)如果t循环至最大迭代次数循环终止，则G_i为最终阈值，否则令t＝t+1返回步骤(2)。

实施效果

为了证明本方法对列车车轮踏面缺陷图像的分割性能，与传的枚举二维OTSU算法进行图像分割对比。本实验中CRO的种群分子数为27，最大迭代次数均为500，CRO的权 重系数常数MoleColl为0.2，单分子碰撞时动能损失下限KELossRate为0.1，常数α设 置为150000，β设置为10。CRO算法通过随机初始化100次实现。阈值的方差和二维 OTSU类间离散矩阵的迹的方差定义如下:

这里t_i是搜索算法阈值和枚举法阈值的差，即：t_i＝t_CRO/SRO-t_OSTU；γ＝∑t_i/k；f_i是搜索法的迹的值和枚举法的迹的值之差，即f_i＝f_CRO/SRO-f_OSTU；v＝∑t_i/k；k是CRO的 初始化次数，这里k＝100。

两种缺陷图像的耗时、阈值方差、合理度方差等统计结果如表1所示，可以看出在相同的灰度阈值和邻域均值条件下，本发明算法运算速度快，耗时短。此外，依据方差 信息可以证明算法鲁棒性也较好，自适应性强。

表1轧疤缺陷的参数值计算

为了验证本发明方法的有效性，针对车轮踏面缺陷图像使用传统算法和本算法进行对比实验。测试图像选择低对比度的车轮踏面轧疤缺陷图像，如图1所示，图2是传统 的OTSU分割结果，本算法的分割结果如图3所示。实验结果表明:传统方法受图像对 比度的影响，并未准确地将目标与背景进行分割，而本算法结合灰度和空域信息使得分 割精度显著提高，同时采用CRO加快阈值搜索，减少了计算复杂度，实验结果显示背 景与缺陷分割更加准确，同时缺陷信息得到了有效保留。

虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明，任何熟习此 技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。本发明未详细描述内容为本领域技术人员公知的技术。

Claims (5)

1.一种基于化学反应优化的列车车轮踏面图像分割方法，其特征在于：在CRO算法基础上，结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方法，从而有效地消除随机噪声，提高对列车车轮踏面图像进行阈值分割的速度，减少耗时。

2.根据权利要求1所述的基于化学反应优化的列车车轮踏面图像分割方法，其特征在于：将CRO算法扩展至离散空间，即使得输入值为离散值；

定义

为CRO在区间内产生的随机解空间，二维OSTU模型得适应度值，将生成解通过整数映射变换到离散空间，映射函数如下：

二维OTSU模型的解属于二维空间，如下式：

3.根据权利要求1所述的基于化学反应优化的列车车轮踏面图像分割方法，其特征在于：将二维OTSU阈值化方法分为三个步骤：

步骤一、令t＝1，随机生成X_i；通过二维OTSU模型的等式(6)计算F([X_i,1])合理度值，搜索F([X_i,1])中的最优解F([G_i])，其中i＝1,2,3,L,POP；

步骤二、当i＜POP时：

①依据等式(8)更新，采用二维OTSU模型计算的合理度值；

②如果当前合理度值优于F([P_i])，则令P_i＝X_i，否则执行子步骤④；

③如果当前位置最优解P_i优于群中最优解G_i，则令G_i＝P_i；

④i＝i+1，执行子步骤②；

步骤三、如果t循环至最大迭代次数循环终止，则G_i为最终阈值，否则令t＝t+1返回步骤二。

4.根据权利要求3所述的基于化学反应优化的列车车轮踏面图像分割方法，其特征在于：所述步骤一中的等式(6)是：

trS_b(t,s)＝ω_A[(μ_Ai-μ_Ti)²+(μ_Aj-μ_Tj)²]+ω_B[(μ_Bi-μ_Ti)²+(μ_Bj-μ_Tj)²]

离散矩阵的迹的最大值(T，S)为二维OTSU模型的最优阈值。

5.根据权利要求3所述的基于化学反应优化的列车车轮踏面图像分割方法，其特征在于：所述步骤二中的等式(8)是：

k，l分别表示反应前后的种群大小，ω，ω'分别表示反应前的分子和反应后生成的分子。

Images