馬吳涵， 王欣宇(哈爾濱工程大學(xué) 自動化學(xué)院, 哈爾濱 150001)

平滑去噪分塊K-means算法的機器人視覺圖像處理

馬吳涵， 王欣宇
(哈爾濱工程大學(xué) 自動化學(xué)院, 哈爾濱 150001)

針對機器人視覺目標圖像信噪比低、背景噪聲干擾大的特點，采用馬爾科夫隨機場(Markov Random Field, MRF)模型的平滑去噪方法對圖像進行預(yù)處理。在此基礎(chǔ)上，采用K-means聚類算法對圖像進行聚類，將具有不同特征的目標區(qū)域分類，為進一步實現(xiàn)目標識別和跟蹤提供基礎(chǔ)。同時，為進一步克服移動機器人導(dǎo)航過程中視覺處理速度慢的缺陷，對圖像進行分塊劃分，提取每個圖像塊的均值、方差和最大值作為特征值，從而提高算法的處理速度。

機器人視覺； 平滑去噪； K-means算法； 分塊劃分

0 引 言

機器人按照有無自主視覺系統(tǒng)可分為可視機器人和非可視機器人，隨著科技的進步、人工智能的發(fā)展及實際生產(chǎn)生活需求的提高，機器人視覺系統(tǒng)成為機器人研究領(lǐng)域中最新和最熱門的課題之一[1]?？梢暬瘷C器人的特點是提高生產(chǎn)的柔性和自動化程度，可在一些不適合人工作業(yè)的環(huán)境下或人工視覺難以滿足要求的場合提高生產(chǎn)效率、解決人工疲勞造成的質(zhì)量問題。

移動機器人視覺圖像處理研究主要集中在目標識別、定位及跟蹤等方面[2]，其中目標識別是機器人視覺研究的基礎(chǔ)，包括目標特征的提取和圖像分割。機器人在移動過程中，將攝像頭拍攝的視頻截取為每一幀圖像進行處理，根據(jù)圖像處理結(jié)果并結(jié)合相關(guān)算法，規(guī)劃機器人后續(xù)的運動軌跡。

由于視覺機器人工作環(huán)境復(fù)雜，大多數(shù)情況下其視覺得到的圖像信噪比低、背景噪聲干擾較大[3]，因此為提高圖像檢測精度，采用馬爾科夫隨機場(Markov Random Field, MRF)模型描述圖像的原始紋理特征[4]，并對圖像進行平滑噪聲處理。同時，采用K-means算法對圖像中不同特征目標進行聚類并完成圖像分割，從而為進一步實現(xiàn)目標識別和跟蹤提供基礎(chǔ)[5]。

1 基于MRF模型的平滑去噪

(1)

(2)

根據(jù)式(2)，可將二階鄰域系統(tǒng)的8個β值分成兩兩相等的4組參數(shù)組。將屬于同一組的像素值相加，可得到4行1列的矩陣[5]，該矩陣可表示為

(3)

(4)

(5)

按照上述過程對目標圖像進行平滑去噪，可為后續(xù)圖像處理提供基礎(chǔ)。

2 基于圖像分塊的K-means聚類

2.1 標準K-means聚類算法

自1967年MACQUEEN[6]首次提出K-means聚類算法以來，由于該算法簡單易行、聚類結(jié)果較好，受到相關(guān)學(xué)者的廣泛關(guān)注，并已應(yīng)用到工程實踐的各個領(lǐng)域中。其核心思想是一個迭代計算過程，在圖像矩陣中選取若干個聚類中心，按照特征相似度的計算結(jié)果將數(shù)據(jù)點劃分到與其特征最為相似的聚類中心中，數(shù)據(jù)集劃分完畢后，計算出各個劃分區(qū)域所有數(shù)據(jù)點的平均值作為新的聚類中心。重復(fù)該過程，直到上一代的聚類中心與本代的聚類中心一致或滿足一定的精度要求為止，最后的劃分結(jié)果即為圖像的分割結(jié)果。

(6)

聚類過程是尋找最佳聚類中心cj，使目標函數(shù)J為最小值，對聚類中心求偏導(dǎo)可得

(7)

聚類中心為

(8)

因此，通過標準K-means聚類算法求取每個劃分區(qū)域像素點的平均值來生成新的聚類中心，不斷趨近目標函數(shù)的最優(yōu)值，達到圖像的最佳分割結(jié)果。K-means聚類算法流程見圖2。

2.2 基于圖像分塊的K-means算法

為進一步提高算法的檢測速度，采用分塊思想的K-means算法(見圖3)，該算法可減少運算次數(shù)、降低計算的復(fù)雜度。

圖2 K-means聚類算法流程圖

圖3 按2×2大小分塊矩陣示意圖

(9)

(10)

(11)

采用分塊后的圖像進行處理，可減少計算后續(xù)算法迭代次數(shù)、降低算法的計算復(fù)雜度，從而提高算法的運算效率。

3 試驗結(jié)果及分析

3.1 Lena圖像試驗檢測及結(jié)果

采用MATLAB 2011b軟件對帶有鹽椒噪聲的Lena圖像[7]進行檢測，試驗結(jié)果見圖4～圖7。

圖4 原始圖像

圖5 原始圖像直方圖

圖6 平滑去噪后圖像

圖7 平滑去噪后圖像直方圖

由試驗結(jié)果可知，平滑去噪方法能去除原始圖像中的部分噪聲點，使圖像變得更加平滑，有利于后續(xù)的檢測工作。

圖8 K-means聚類算法

圖9 K-means塊聚類算法

圖10 平滑去噪后的K-means塊聚類算法

表1 分塊和非分塊算法的檢測時間

由表1可知，分塊后的K-means算法可大幅度地提高算法的效率。對比圖8和圖9可知分塊K-means算法可消除部分噪聲;對比圖9和圖10可知平滑去噪后的K-means算法具有較高的檢測精度。

3.2 實際圖片檢測試驗

對機器人(以陸地機器人為例)實際工作的環(huán)境圖像進行檢測，得到的結(jié)果見圖11和圖12。

a) 原始道路圖像

b) 帶有障礙物的圖像

a) 原始道路圖像檢測結(jié)果

b) 帶有障礙物檢測結(jié)果

通過對實際道路圖像進行檢測可知，該檢測算法能很好地識別道路、路障及障礙物等，即對不同特征值的數(shù)據(jù)集合具有較好的分割效果，能很好地識別目標區(qū)域，為后續(xù)機器人規(guī)劃合理的動作提供依據(jù)，同時為目標實時跟蹤提供基礎(chǔ)。

4 結(jié) 語

以機器人視覺系統(tǒng)為研究對象，采用基于MRF模型的平滑去噪對圖像進行預(yù)處理，降低噪聲對檢測結(jié)果的影響。在此基礎(chǔ)上，采用分塊的K-means算法對圖像進行特征提取和目標分割，以便于視覺機器人合理規(guī)劃后續(xù)動作。由Lena圖像試驗和實際圖像試驗可知，分塊后的K-means算法可有效減少迭代次數(shù)、降低計算的復(fù)雜度、減少運行時間、提高運行效率和達到一定的去噪效果。同時，在平滑去噪的基礎(chǔ)上，該算法可較為準確地得到不同類別的目標區(qū)域，具有較高的檢測精度，可為后續(xù)目標實時跟蹤提供基礎(chǔ)。

[1] 趙賀. 基于機器人視覺圖像的路徑規(guī)劃算法研究[D]. 合肥：合肥工業(yè)大學(xué), 2010.

[2] 楊晶東,楊敬輝, 洪炳镕. 移動機器人視覺圖像特征提取與匹配算法[J]. 計算機應(yīng)用研究, 2009, 26(9):3526-3529.

[3] 韓寶玲, 羅慶生. 機器人視覺目標數(shù)字圖像實時處理及分割[J]. 圖學(xué)學(xué)報, 2006, 27(5):75-79.

[4] WANG X M, LIU G Y, LI L, et al. A Novel Quantum-Inspired Algorithm for Edge Detection of Sonar Image[C]. Proceedings of the 33rd Chinese Control Conference, CCC ,2014:4836-4841.

[5] YE X F, ZHANG Z H , PETER X,et al.Sonar Image Segmentation Based on GMRF and Level-Set Models[J]. Ocean Engineering, 2010, 37(10): 891-901.

[6] MACQUEEN J. Some Methods for Classification and Analysis of MultiVariate Observations[C]. Berkeley Symposium on Mathematical Statistics and Probability,1967:281-297.

[7] 關(guān)新平, 趙立興, 唐英干. 圖像去噪混合濾波方法[J].中國圖象圖形學(xué)報, 2005, 10(3):332-337.

A Robot Vision Image Processing Method Based on Smoothing and Segment K-means Algorithm

MAWuhan,WANGXinyu
(College of Automation, Harbin Engineering University, Harbin 150001, China)

The MRF(Markov Random Field)-based smoothing is introduced into the pre-processing of robot vision target images which typically have strong background noise and low signal to noise ratio. The segmentation of the pre-processed image is performed by means of the K-means clustering algorithm, which prepares the image for target recognition and tracking. Besides, in order to accelerate the visual processing speed during mobile robot navigation, the image is divided into sections, and the variance and the maximum of each image section are extracted as the features for k-means clustering. The experiments with standard images and actual images are carried out, which prove that the algorithm has better recognition ability, higher detection accuracy and faster detection speed.

robot vision; smoothing; K-means algorithm; dividing

2016-09-15

馬吳涵(1996—)，女，浙江杭州人，主要從事電氣自動化研究。

1674-5949(2016)04-0055-05

TP242.6

A