李保忠， 王曉浩 ， 羅 超

(1. 中國工程物理研究院， 四川 綿陽 621900； 2. 清華大學 深圳研究生院， 廣東 深圳 518055)

基于局部增強和閾值分割的芯線彩色圖像分割算法

李保忠1， 王曉浩2， 羅 超1

(1. 中國工程物理研究院， 四川 綿陽 621900； 2. 清華大學 深圳研究生院， 廣東 深圳 518055)

不同顏色芯線的有效識別是制約數(shù)據(jù)線生產(chǎn)自動化的關鍵因素之一； 閾值分割是一種簡單有效地圖像分割算法， 但對于顏色信息較多的情況魯棒性較差； 基于指數(shù)函數(shù)的增強圖像可以有效地放大和突出感興趣的圖像區(qū)域； 本文提出了一種結(jié)合局部增強和閾值分割的分割算法， 通過對圖像進行局部增強以放大感興趣灰度區(qū)域， 然后再通過閾值分割的方式篩選出目標區(qū)域； 該方法能夠快速有效地分割出多種顏色區(qū)域， 也具有良好的魯棒性.

圖像分割； 色彩空間； 閾值分割； 圖像增強

0 引 言

隨著電子產(chǎn)品的快速發(fā)展， 各種各樣的數(shù)據(jù)線已經(jīng)成為生活中必不可少的一部分， 每年消耗和生產(chǎn)的數(shù)據(jù)線以十億計. 典型的以USB2.0和Type-C線為例， 其中USB數(shù)據(jù)線由4種顏色的“芯線”組成， 而TYPE-C數(shù)據(jù)線由12～15種顏色的芯線組成， 如圖 1 所示. 在數(shù)據(jù)線的生產(chǎn)過程中， 通常由人工將各種顏色的線進行分類， 放置到相應的焊接位當中進行焊接. 在這個過程中， 人工排線會造成產(chǎn)品質(zhì)量不穩(wěn)定， 焊接則會產(chǎn)生對人體有害的有毒氣體， 實現(xiàn)數(shù)據(jù)線生產(chǎn)的自動化勢在必行. 如何實現(xiàn)對各種顏色芯線的有效、 快速識別， 是這個過程實現(xiàn)自動化的難點和重點. 本文從所采集的圖像特征入手， 采用指數(shù)圖像增強以及閾值分割相結(jié)合的辦法實現(xiàn)了對各個芯線的快速、 穩(wěn)定識別.

不同顏色芯線識別的過程即彩色圖像分割的過程. 彩色圖像可以看作是多個通道的灰度圖像組合而成， 因此彩色圖像的分割過程也就是將色彩空間和灰度圖像分割相結(jié)合的過程[1]. 圖像分割算法可大體分為空間相關算法和空間無關算法兩類， 空間相關算法在計算過程中與像素的位置信息相關， 空間無關算法主要根據(jù)圖像的灰度值進行計算， 計算過程中與像素的位置信息無關[2]. 芯線在生產(chǎn)過程中處于亂序狀態(tài)， 某種顏色的芯線出現(xiàn)的位置是不固定的， 因此應該選用空間無關的算法， 即基于灰度值進行處理. 在基于灰度值進行圖像分割的諸多算法中， 最經(jīng)典的主要有聚類分析和閾值分割兩種[2]. 閾值分割算法即設定合理的灰度閾值， 對圖像進行篩選及分割的方法， 相比于聚類分析算法， 具有計算簡單、 速度快等優(yōu)點[3]， 因此更適用于對于生產(chǎn)效率有要求的工業(yè)生產(chǎn)中.

對于顏色信息較少的情況(圖1(a)和圖1(c))， 可通過實驗快速找出顏色對應的合理閾值， 快速有效地對圖像進行分割. 但對于顏色信息較多的情況(圖1(b)和圖1(d))， 每一次閾值的微小調(diào)整或者光照條件的微弱變化， 都可能會導致分割結(jié)果發(fā)生較大變化， 即對于顏色信息較多的圖像， 簡單地閾值分割算法魯棒性較差. 為了提高閾值分割算法的魯棒性， 本文提出了一種圖像局部增強和閾值分割相結(jié)合的算法. 在處理過程中， 先對圖像進行一次粗略的閾值分割， 然后對篩選結(jié)果進行圖像增強， 再對圖像進行第二次閾值分割獲取到最終的識別結(jié)果.

圖 1 數(shù)據(jù)線及采集到分散開的芯線圖像Fig.1 Dataline and collected images of distributed core lines

文中第一部分簡單介紹了閾值分割算法及與之相關的色彩空間， 第二部分簡單介紹了圖像增強算法， 第三部分展示了本文所采用的算法及實驗結(jié)果.

1 閾值分割

閾值分割算法是一種在灰度圖像中應用最廣泛的算法， 它將圖像根據(jù)灰度等級分割成不同的區(qū)域[3]， 所尋找目標區(qū)域即滿足式(1)條件的區(qū)域， 其中G表示圖像灰度值，G0表示目標灰度值，thres表示所設定閾值.

G∈[G0-thres,G0+thres).

而對于彩色圖像， 圖像中包含信息比較復雜， 因此不能簡單地用灰度值信息對其進行閾值分割. 而彩色圖像可看作由多個包含不同信息的灰度圖像相結(jié)合而成， 每個灰度圖像稱為一個通道， 而多個灰度圖像組合而成的空間成為色彩空間.

色彩空間(又稱為顏色模型)即顏色的表示方法， 最常見的為RGB空間， 即三原色(紅、 綠、 藍)模型， 另外還有HSV空間、CIELab空間、YIQ空間、CMYK空間等應用于不同場合的色彩空間[4]. 在圖像分割中， 應用最廣泛的為RGB空間、HSV空間和CIELab3種[2].

RGB顏色模型為計算機中存儲和顯示所采用的模型， 每一種顏色都用紅、 綠、 藍3種基色分量表示. 該顏色空間為圖 2 所示的立方體， 3個坐標軸分量分別為紅、 綠、 藍3種基色分量， 原點處為黑色， 3分量最大值處為白色.

圖 2 RGB單位立方體Fig.2 RGB color space represented in a cube

圖 3 HSV色彩空間Fig.3 HSV color space

RGB空間簡單直觀， 但由于R，G，B3通道之間關聯(lián)性很弱， 在顏色識別過程中難以將其有機結(jié)合起來. 因此， 借鑒人眼對顏色的直觀感受， 發(fā)展出了HSV等色彩空間， 3個通道分量分別表示色調(diào)(Hue)、 飽和度(Saturation)、 亮度(Value)值， 其空間模型見圖 3. 其豎直軸表示亮度值(0～1)， 與圖像的色彩信息無關； 圓截面半徑方向表示飽和度值(0～1)， 即色彩的鮮艷程度； 周向角度表示色調(diào)值(0～360)， 即主要色彩傾向[4].

國際照明委員會定義了一種與設備無關的顏色模型——CIEXYZ模型，X，Y，Z3通道的值可以由R， G， B 3通道的值通過線性變換獲得， 變換公式為[5]

之后又對XYZ空間進行非線性變換定義了Lab空間， 變換公式為[5]

式中：X0,Y0、Z0為顏色為白色時變換得到的X,Y,Z值.

由于CIE顏色空間多色彩的感知更均勻， 因此在提出后被應用到了多個領域的彩色圖像處理過程中.

將圖像在顏色空間中表示后， 即可選擇合理的一個或幾個通道， 結(jié)合灰度圖像的閾值分割算法對彩色圖像進行閾值分割.

2 圖像增強

圖像增強是對圖像進行處理， 以突出感興趣信息的過程. 圖像增強通常從兩個角度來進行， 一是將對比度拉伸以放大感興趣信息， 二是對一些細節(jié)信息保留和重現(xiàn)[7]. 從手段上來說， 通常可分為空域增強和頻域增強兩種. 空域增強即直接在空間域中對像素灰度值進行變換增強的方法， 包含直方圖處理、 灰度變換等； 頻域增強則需要將圖像先通過傅立葉變換轉(zhuǎn)換到頻率域， 在頻率域?qū)D像進行一系列操作后， 再通過傅立葉反變換轉(zhuǎn)換到空間域以實現(xiàn)對圖像的增強， 典型的有平滑濾波、 銳化濾波、 同態(tài)濾波等[8].

圖 4 指數(shù)變換增強曲線Fig.4 Curve of exponential enhancement

灰度變換是直接對圖像的灰度值進行變換以拉伸對比度的一種方法， 包含線性變換、 對數(shù)變換、 指數(shù)變換等多種方式. 其中指數(shù)變換的公式為

式中：g(x,y)表示變換后的灰度值；f(x,y)表示原圖像的灰度值；c為系數(shù)；a為指數(shù).

在指數(shù)變換中， 通過對指數(shù)值a進行調(diào)整， 可以方便地對不同范圍的灰度進行放大以增強對比度. 圖 4 為不同指數(shù)情況下的變換曲線， 由圖 4 可以看出a<1時， 主要對灰度值較小的部分進行了放大， 對灰度值較大的部分進行了縮小， 由此突出表達了圖像灰度值較小的部分， 反之，a>1時， 突出表達了圖像中灰度值較大的范圍.

3 算法實現(xiàn)及實驗結(jié)果

對于顏色信息較少的情況(圖1(c))， 經(jīng)過一次簡單的閾值分割即可快速穩(wěn)定地對圖像進行分割. 而對于圖像信息較多的情況(圖1(d))， 一次簡單的閾值分割無法有效地識別出所有顏色信息， 而且魯棒性也較差. 若能對感興趣灰度值區(qū)域有效放大和突出顯示， 應該有利于對圖像進行識別和分割. 考慮到指數(shù)函數(shù)增強的特殊性， 提出了一種結(jié)合閾值分割和圖像增強的分割算法， 如圖 5 所示. 圖 5 所示算法的整體流程圖， 大體描述為初步篩選、 圖像增強、 二次篩選3步.

圖 5 算法流程圖Fig.5 Flow chart of algorithm

在獲取圖像后， 要對圖像進行處理， 首先應指定要識別的顏色信息， 該信息應為已知信息. 但鑒于工作場景發(fā)生巨大變化時， 采集到的圖像也會差異很大， 而在連續(xù)工作過程中， 工作場景不會發(fā)生很大變化， 因此將每次工作場景變化后采集到的第一副圖像作為標準圖像， 由人為選擇一小塊標準色對應區(qū)域， 求該區(qū)域的平均值作為該顏色的標準值， 并將其存儲作為后續(xù)圖像處理中的輸入信息.

在獲取到要處理顏色(以下稱處理色)對應的輸入信息(R0,G0,B0)后， 以設定的閾值對圖像進行初次篩選， 該閾值應該能夠保證完整獲取到處理色芯線對應的區(qū)域. 通過實驗， 將該閾值設置為32， 即初次篩選將滿足式(5)條件的部分提取出來， 圖像其他部分全置為0.

在獲得初步篩選結(jié)果后， 要對圖像R， G， B 3通道分別進行增強. 圖像中的感興趣信息為處理色， 圖像增強應突出顯示處理色相近部分. 參考圖4的指數(shù)變換增強曲線， 選定了以下增強變換公式

式中：g(x,y)表示變換后的灰度值；f(x,y)表示原圖像的灰度值；c為系數(shù)；σ為處理色值， 即R0、G0、B0；a為指數(shù)， 應取小于1的值.

圖 6 中分別給出了a=0.1， 0.2， 0.3， 0.4， 0.5時對應的增強曲線， 可以看出， 增強可以達到以σ為中心， 突出表達處理色相近區(qū)域的效果. 最終在實驗中選用了c=45.25，a=0.3對圖像進行增強處理.

圖 6 圖像增強曲線Fig.6 Curve of image enhancement

圖像增強完成后， 將增強后的圖像轉(zhuǎn)換到HSV和Lab空間， 然后結(jié)合3種顏色空間的多個通道對圖像進行第二次閾值分割. 經(jīng)過多次實驗驗證， 最后選取了R， G， B， H， S， L 6個通道相結(jié)合的閾值篩選， 閾值設置為96， 即篩選滿足下式的區(qū)域

式中：Rt，Gt，Bt，Ht，St，Lt由R0，G0，B0變換得到.

圖 7 給出了其中一種顏色芯線的圖像增強及分割結(jié)果， 由圖7(c)可以看出， 除了分割出處理色對應區(qū)域外， 還有一部分誤篩選結(jié)果， 因此又增加了一步面積篩選， 以篩選掉誤識別區(qū)域及其他一些微小的噪聲區(qū)域. 增加面積篩選后的結(jié)果見圖7(d).

圖 7 一種顏色的分割結(jié)果Fig.7 The segmentation result of one color

實驗中所采用圖像共有12種顏色的芯線， 在整個實驗過程中， 有10種顏色可被很好地分割出對應區(qū)域， 但有2種芯線分割結(jié)果很不理想， 見圖 8. 圖中白色芯線由于本身灰度跨度太大而無法被識別出完整區(qū)域， 黑色芯線由于與背景色過于接近導致大量的背景被誤識別.

由圖 8 可以看出， 白色芯線雖分割效果不理想， 但不會對其他芯線的識別造成影響， 但黑色芯線會對其他芯線的分割造成很大影響， 因此在整幅圖像分割實驗中， 將黑色芯線的處理排除在外， 處理結(jié)果見圖9.

圖9(d)顯示了用圖9(a)圖像存儲的顏色標準值作為輸入值處理圖9(c)的結(jié)果， 可以看出， 處理結(jié)果比較理想.

圖 9 去除黑色芯線后整體處理結(jié)果Fig.9 The processed result without regarding for black core lines

4 結(jié) 論

本文主要針對數(shù)據(jù)線生產(chǎn)自動化過程中遇到的芯線圖像分割問題， 提出了一種結(jié)合局部增強和閾值分割的圖像分割算法. 算法描述為： 首先通過一次閾值分割初步篩選， 縮小要進行增強的圖像范圍， 以減小計算量； 然后對初步篩選的結(jié)果進行指數(shù)函數(shù)增強， 有效地對感興趣區(qū)域進行放大和突出顯示； 對增強后的圖像再進行第二次閾值分割篩選和面積篩選， 分割出合理的結(jié)果.

該方法的主要優(yōu)點為： ① 計算過程簡單， 速度快， 能夠滿足工業(yè)生產(chǎn)對生產(chǎn)效率的要求； ② 該算法能夠有效對多種顏色圖像進行分割； ③ 算法魯棒性較好， 在工作環(huán)境相對穩(wěn)定的情況下處理效果穩(wěn)定.

但文中圖 8 所示結(jié)果也揭示了該算法的一些缺陷： ① 對于與背景顏色接近的顏色， 不能夠有效分割； ② 當芯線所處區(qū)域光照不均勻， 導致該芯線圖像灰度跨度比較大時， 不能夠有效分割. 對于以上缺陷， 一方面可以通過改善硬件條件， 如調(diào)整芯線顏色， 設置合理的工作背景， 改進光源等； 另一方面也應該在算法上作進一步研究， 以適應多種多樣復雜的工作環(huán)境.

[1] Pal N R, Pal S K. A review on image segmentation techniques[J]. Pattern Recognition, 1993, 26(9)： 1277-1294.

[2] Vantaram S R. Survey of contemporary trends in color image segmentation[J]. Journal of Electronic Imaging, 2012, 21(4)： 177-187.

[3] Sezgin M, Sankur B. Survey over image thresholding techniques and quantitative performance evaluation[J]. Journal of Electronic Imaging, 2004, 13(1)： 146-165 .

[4] 劉金橋. 基于機器視覺系統(tǒng)的顏色識別研究[D]. 烏魯木齊： 新疆大學, 2009.

[5] Cheng H D, Jiang X H, Sun Y, et al. Color image segmentation： advances and prospects[J]. Pattern Recognition, 2001, 34： 2259-2281.

[6] Cheng H D, Jiang X H, Wang J L. Color image segmentation based on homogram thresholding and region merging[J] . Pattern Recognition, 2002, 35(2)： 373-393.

[7] 李艷梅. 圖像增強的相關技術(shù)及應用研究[D]. 成都： 電子科技大學, 2008.

[8] 李陽, 常霞, 紀峰. 圖像增強方法研究新進展[J]. 傳感器與微系統(tǒng), 2015, 34(12)： 9-15. Li Yang, Chang Xia, Ji Feng. New progress of research on image enhancement method[J]. Transducer and Microsystem Technologies, 2015, 34(12)： 9-15. (in Chinese)

[9] 魏婷婷, 紀峰, 龐勝軍. 圖像增強算法新進展[J]. 寧夏師范學院學報(自然科學)， 2012, 33(6)： 63-69. Wei Tingting, Ji Feng, Pang Shengjun. New progress for image enhancement algorithm[J]. Journal of Ningxia Teachers University (Natural Science), 2012, 33(6)： 63-69. (in Chinese)

聲 明

本刊已許可中國學術(shù)期刊(光盤版)電子雜志社、 萬方數(shù)據(jù)知識服務平臺、 超量網(wǎng)等多家單位在其網(wǎng)站及其系列數(shù)據(jù)庫產(chǎn)品中， 以數(shù)字化方式復制、 匯編、 發(fā)行、 信息網(wǎng)絡傳播本刊全文。 該社著作權(quán)使用費與本刊稿酬一并支付。 作者向本刊提交文章發(fā)表的行為即視為同意我編輯部上述聲明。

Color Image Segmentation Algorithm Used for Core Lines Based on Local Enhancement and Thresholding

LI Baozhong1, WANG Xiaohao2, LUO Chao1

(1. China Academy of Engineering Physics, Mianyang 621900, China; 2. Graduate School at Shenzhen, Tsinghua University, Shenzhen 518055, China)

The identification of different colors of core lines is one of the primary restrictions of automation in dataline production. The simple and effective thresholding technic is not robust enough in detecting various colors with tiny differences. An image enhance process based on exponential function can effectively highlight the region of interest. A method that coupled image enhancement with thresholding was proposed in this paper. The object region was extracted by thresholding when the image had been locally enhanced. The experiments showed that the proposed method was effective and robust enough in distinguishing the various colors of core lines.

Image segmentation; color space; thresholding; image enhancement

2016-11-29

李保忠(1990-)， 男， 碩士生， 主要從事USB焊錫機自動排線機構(gòu)的設計與實現(xiàn)研究.

1671-7449(2017)04-0311-07

TH89

A

10.3969/j.issn.1671-7449.2017.04.006