0 引言

    深度學(xué)習(xí)的興起帶動了卷積神經(jīng)網(wǎng)絡(luò)(CNN)的發(fā)展，如今一系列的CNN改進(jìn)網(wǎng)絡(luò)如雨后春筍般地出現(xiàn)，如當(dāng)前興盛的Faster R-CNN網(wǎng)絡(luò)被廣泛地應(yīng)用于圖像檢測領(lǐng)域。Faster R-CNN用于目標(biāo)定位時，定位出的區(qū)域內(nèi)往往會出現(xiàn)目標(biāo)邊緣較為模糊的情況，其目標(biāo)不是理想的階躍型邊緣，而是弱邊緣^[1]。對于工件來說，缺陷只占圖像很小的比例，尤其是氣泡和夾渣，鄰域間的灰度差異也不明顯。針對這種情況，必須采用恰當(dāng)?shù)乃惴ú拍軐?shí)現(xiàn)工件的精確分割。 

    閾值法因簡單而被大量應(yīng)用在圖像分割領(lǐng)域。其中，應(yīng)用最廣泛的有最大熵閾值法和Otsu閾值法。

    Pun最早將信息熵定義引用到圖像分割領(lǐng)域，隨后Kapur等提出了最大香農(nóng)信息熵閾值法^[2]。文獻(xiàn)[3]采用了最大熵閾值法及其改進(jìn)算法進(jìn)行圖像的分割。

    Otsu閾值法由于高效而被視為最佳的閾值選取法。如文獻(xiàn)[4]采用了二維直方圖Otsu法；文獻(xiàn)[5]提出了三維直方圖重建的Otsu閾值法。

    近些年來，邊緣檢測法(如數(shù)學(xué)形態(tài)學(xué))被廣泛地應(yīng)用于圖像分割領(lǐng)域。文獻(xiàn)[6]將數(shù)學(xué)形態(tài)學(xué)與Otsu分割算法結(jié)合，取得了比直接分割方法更好的效果。

    因此，本文結(jié)合文獻(xiàn)[6]的思想，提出了將形態(tài)學(xué)和上述兩類閾值法相結(jié)合的方法。實(shí)驗(yàn)結(jié)果證明了本文算法對工件缺陷的弱邊緣和小目標(biāo)都能準(zhǔn)確地分割出來，較直接分割法有更佳的效果。

1 圖像分割理論的概述

1.1 形態(tài)學(xué)重建

    圖像形態(tài)學(xué)是在數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)上發(fā)展而來的非線性圖像處理方法，通過具有一定形態(tài)的結(jié)構(gòu)元素對圖像進(jìn)行“探測”，從而得到物體更本質(zhì)的形態(tài)，便于對圖像進(jìn)行分析和識別^[7]。

    本文將形態(tài)學(xué)開閉重建算法用于圖像濾波，其重建的流程如圖1所示。

1.2 Otsu閾值分割

    Otsu閾值法又叫最大類間差分法^[8]，該算法假設(shè)一幅圖像由前景和背景組成，通過統(tǒng)計(jì)學(xué)的方法選取一個閾值，運(yùn)用該閾值使得圖像的前景和背景盡可能地分開。設(shè)一幅圖像的灰度值是1～L，閾值t從1～L變化，其中使類間方差達(dá)到最大的t^*為最佳閾值。

    當(dāng)目標(biāo)相對背景尺寸較小時，或圖像中有多余兩類目標(biāo)時，可以推廣為多個閾值的選取，從而實(shí)現(xiàn)圖像的多閾值分割。

1.3 最大熵閾值分割

    根據(jù)灰度級別，用閾值t把圖像劃分為背景和目標(biāo)兩類，求使背景熵與目標(biāo)熵之和達(dá)到最大的最優(yōu)閾值的方法就是最大熵閾值分割法^[8]。

    設(shè)目標(biāo)熵和背景熵分別為H_O(t)和H_B(t)，則熵函數(shù)定義為：

    使式(1)取值達(dá)到最大的t^*就是最佳閾值。

2 算法流程及步驟

    針對工件弱邊緣和小目標(biāo)缺陷在分割時易出現(xiàn)過分割或欠分割的現(xiàn)象，本文研究了一種精確分割的算法，具體流程如圖2所示。

    上述根據(jù)缺陷的類型進(jìn)行分布操作，是因?yàn)閵A渣和另兩種缺陷的灰度分布相反。如果采用相同的操作，將不能實(shí)現(xiàn)正確的分割。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 分割實(shí)驗(yàn)與結(jié)果

    仿真實(shí)驗(yàn)是在MATLAB R2014a環(huán)境下編程完成的，分割結(jié)果如圖3～圖5所示。

    圖3是裂紋缺陷的分割圖。其中，圖3(a)為定位好的裂紋圖像；圖3(b)為裂紋區(qū)域的提取圖像；圖3(c)為對裂紋進(jìn)行形態(tài)學(xué)重建后的結(jié)果；圖3(d)為重建后的裂紋又進(jìn)行Otsu雙閾值變換后的圖像；圖3(e)為最終的分割結(jié)果；圖3(f)是圖3(e)的邊界提取結(jié)果；圖3(g)是裂紋區(qū)域的列灰度變化曲線圖，反映了相鄰兩列的灰度差異。由該圖可看出，列灰度曲線很平穩(wěn)，即裂紋與周圍背景沒有明顯的灰度差異。從圖3(e)和圖3(f)可看出，本文算法對灰度過渡不明顯的裂紋實(shí)現(xiàn)了良好的分割。

    圖4是氣泡缺陷的分割圖。從圖4(e)和圖4(f)可看出，本文算法對弱小的氣泡實(shí)現(xiàn)了精確的分割。

    圖5是夾渣缺陷的分割圖。從圖5(b)可以看出在提取出的夾渣區(qū)域1和2中，包含了一部分細(xì)長的黑色背景區(qū)域；同時夾渣2的右側(cè)存在過渡區(qū)域。從圖5(e)和圖5(f)看出，采用本文的分割算法實(shí)現(xiàn)了夾渣1和2的良好分割。

    上述結(jié)果和分析表明，本文算法有較好的泛化能力，不僅準(zhǔn)確地分割了具有明顯灰度對比度的氣泡缺陷，而且對灰度對比差異不明顯的裂紋缺陷或者是有過渡區(qū)域的夾渣缺陷，都實(shí)現(xiàn)了良好的分割。

3.2 對比實(shí)驗(yàn)

    為了進(jìn)一步驗(yàn)證本文所研究算法對缺陷分割的準(zhǔn)確性，在此設(shè)計(jì)對比實(shí)驗(yàn)。對比實(shí)驗(yàn)采用最大熵閾值分割法和Otsu雙閾值分割法。 

3.2.1 分割結(jié)果的定性分析

    將對比實(shí)驗(yàn)的結(jié)果與本文實(shí)驗(yàn)的結(jié)果進(jìn)行比較和分析，如圖6～圖8所示。

    對圖6裂紋分割對比圖進(jìn)行分析，從圖6(a)可以看出，對于灰度對比差異不明顯的裂紋，最大熵閾值法和Otsu閾值法的分割結(jié)果均出現(xiàn)了嚴(yán)重的誤分割現(xiàn)象，如圖6(b)和圖6(d)所示。而采用本文的算法能實(shí)現(xiàn)裂紋的精確分割，如圖6(f)所示；同時，圖6(g)表明，提取的邊界與裂紋具有很高的吻合度。

    對圖7氣泡分割對比圖進(jìn)行分析，為清晰地觀察氣泡的輪廓，對圖7(a)進(jìn)行預(yù)處理，即得到圖4(b)，把它與圖7(b)、圖7(c)、圖7(d)和圖7(e)進(jìn)行對比，表明最大熵閾值法和Otsu閾值法不能分割出氣泡灰度極弱的邊緣；而與圖7(f)和圖7(g)對比，可以看出本文算法很好地分割出了氣泡的弱邊緣，實(shí)現(xiàn)了精確的分割。

    對圖8夾渣分割對比圖進(jìn)行分析，圖8(b)、圖8(c)、圖8(d)和圖8(e)表明，最大熵閾值法和Otsu閾值分割法對夾渣1和2均產(chǎn)生了誤分割現(xiàn)象，即將一部分與夾渣灰度相近的背景分割出來了；同時，對于夾渣2還存在過分割現(xiàn)象。而圖8(f)和圖8(g)表明了本文分割算法的正確性。

3.2.2 分割結(jié)果的定量分析

    為了說明算法具有客觀性和準(zhǔn)確性，本文引入了分割精度、均方根誤差和相關(guān)性系數(shù)三項(xiàng)指標(biāo)^[9]對上面3種算法的結(jié)果分別進(jìn)行量化評價。

    分割精度的計(jì)算按照如下公式：

其中，SA表示分割精度，R_S為手動勾畫出的分割圖像的參考面積，T_S為分割結(jié)果的真實(shí)面積，|R_S-T_S|為錯分割的像素點(diǎn)個數(shù)。

    分割精度的值越大，分割結(jié)果越好；均方根誤差(Root Mean Square Error，RMSE)的值越小，分割結(jié)果越接近于理想狀態(tài)；相關(guān)性系數(shù)γ的值越大，分割結(jié)果與參考圖像的相似度越高。

    上述3種實(shí)驗(yàn)結(jié)果的評價見表1。由表1可知，對于灰度對比差異不明顯的裂紋缺陷，最大熵閾值法和Otsu閾值法的分割結(jié)果都不是很好，尤其是Otsu閾值法的效果極差，而本文算法實(shí)現(xiàn)的結(jié)果較優(yōu)；對于有明顯灰度差異的氣泡，本文算法較另外兩種算法能很好地分割出邊緣細(xì)節(jié)；對于含有過渡區(qū)域的夾渣缺陷，最大熵閾值法和Otsu閾值法的分割效果很接近，它們均不能很好地分割出目標(biāo)，而本文算法具有較大的分割精度、較小的均方根誤差和較高的相關(guān)性系數(shù)，因此實(shí)現(xiàn)了較好的分割效果。 

3.3 缺陷的測量

    缺陷分割的目的是對缺陷進(jìn)行分析和測量，因此，深入地了解缺陷的形狀、大小及空間位置是非常重要的。本文選取了面積、周長、面積周長比、長寬比（即最小外接矩形的長寬比）和缺陷面積與定位區(qū)域的比5個指標(biāo)來測量缺陷，其中，面積和周長均用像素點(diǎn)的個數(shù)來計(jì)算，具體統(tǒng)計(jì)結(jié)果見表2。

    由表2中缺陷面積與定位區(qū)域的比值可知，本文研究的工件缺陷都以小目標(biāo)的形式存在，再結(jié)合表1中本文算法對應(yīng)的各類缺陷評價指標(biāo)的值，驗(yàn)證了本文算法對小目標(biāo)缺陷分割的有效性。

4 結(jié)束語

    本文在Faster R-CNN定位的基礎(chǔ)上，針對大部分的工業(yè)工件存在缺陷，且許多以弱邊緣或小面積的形式存在的現(xiàn)狀，利用形態(tài)學(xué)重建、最大熵閾值法和Otsu雙閾值分割法，提出了一種可實(shí)現(xiàn)工業(yè)CT圖像缺陷精確分割的算法。該算法不存在誤分割或過分割現(xiàn)象；同時，用對比實(shí)驗(yàn)從定性和定量的角度，分別驗(yàn)證了本文算法的優(yōu)越性。本文算法具有較好的應(yīng)用價值。

參考文獻(xiàn)

[1] 馮小雨，梅衛(wèi)，胡大帥.基于改進(jìn)Faster R-CNN的空中目標(biāo)檢測[J].光學(xué)學(xué)報(bào)，2018，38（6）：0615004.

[2] 常海濤，茍軍年，李曉梅.分形維-最大熵閾值的弱邊緣工業(yè)CT圖像分割算法[J].蘭州交通大學(xué)學(xué)報(bào)，2018，37(1)：45-50.

[3] 李鋒，闞建霞.基于Sobel算子的圖像快速二維最大熵閾值分割算法[J].計(jì)算機(jī)科學(xué)，2015，42（6）：209-210.

[4] 龔劬，付云鳳，葉劍英，等.基于二維直方圖重建的Otsu圖像分割算法[J].計(jì)算機(jī)科學(xué)，2013，40(8)：313-315.

[5] 申鉉京，龍建武，陳海鷹，等.三維直方圖重建和降維的Otsu閾值分割算法[J].電子學(xué)報(bào)，2011，39(5)：1108-1114.

[6] 朱言江，韓震，和思海，等.基于最大類間方差法與數(shù)學(xué)形態(tài)學(xué)的遙感圖像潮溝提取方法[J].上海海洋大學(xué)學(xué)報(bào)，2017，26(1)：146-153.

[7] 鄧仕超，黃寅.二值圖像膨脹腐蝕的快速算法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53(5)：207-209.

[8] 胡學(xué)龍.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2014.

[9] 周莉莉，姜楓.圖像分割方法綜述研究[J].計(jì)算機(jī)應(yīng)用研究，2017，34(7)：1921-1928.

作者信息:

吳曉元1，常海濤1，茍軍年1，2

(1.蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州730070；

2.蘭州交通大學(xué) 光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州730070）