于書盼+韓彥芳

摘要：隧道墻體表面存在裂紋、水泥顆粒、施工標準線等干擾，再加上光照的影響，給電纜檢測帶來很大困難。針對一般算法難以同時克服多種干擾的不足，從電纜邊界特征出發(fā)，提出用多特征融合和改進霍夫變換相結(jié)合的算法確定電纜區(qū)域。首先運用背景減除或邊緣檢測確定感興趣區(qū)域；然后融合圖像的梯度、灰度和鄰域特征得到邊界集合圖；最后用一種改進的霍夫變換從邊界集合圖中將邊界提取出來。實驗表明，該算法能夠適應背景和目標的復雜變化，滿足電纜實時檢測要求。

關鍵詞關鍵詞：邊界定位；感興趣區(qū)域；多特征融合；霍夫變換

DOIDOI：10.11907/rjdk.171934

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011019304

0引言

為保證隧道內(nèi)電纜沒有破損，需要定期對電纜表面及電纜卡扣進行檢查，長期以來都由人工進行。受人的眼睛疲勞和情緒影響[1]，不能長期有效地對破損電纜進行排查，研究高效、準確的自動檢測技術(shù)意義重大。將電纜區(qū)域分割出來是實現(xiàn)檢測的關鍵一步，由于隧道墻體表面存在裂紋、水泥顆粒、施工標準線等，且電纜表面亮度分布不均，再加上光照不均及產(chǎn)生的陰影，使得傳統(tǒng)方法不能達到理想效果。

常用的圖像分割[2]有基于邊緣的[3]、閾值的[45]、區(qū)域的以及特殊理論的方法?；谶吘壍姆指顚υ肼暶舾?，適用于噪聲較小且不太復雜的圖像[6]。傳統(tǒng)的閾值分割一般只考慮像素自身的灰度值，未考慮空間特征對噪聲也很敏感這一因素[7]?；趨^(qū)域的分割方法需手工確定種子點，當分割目標較大時效率不高[8]?；谔厥饫碚摰姆指罘椒ㄖ饕獑栴}是耗時太長，將其與一些節(jié)省時間的算法聯(lián)合是圖像分割的一種趨向[8]。近幾年，一些學者提出了一些改進算法。文獻[9]中使用結(jié)合直方圖反投影的多特征目標檢測算法進行目標檢測，能達到實時檢測要求，處理效果也較為理想。不過當目標和背景的灰度、紋理相近時容易出現(xiàn)過分割現(xiàn)象。Akash等[10]提出了一種將螢火蟲算法與K均值算法相結(jié)合的算法，能夠快速有效地分割復雜的多目標圖像，但對目標邊界識別效果差且受噪聲影響較大。

雖然墻面和電纜表面復雜多變，但電纜和墻面的分界處灰度較小、梯度較大、領域分布獨特。針對這些特點，先將圖像經(jīng)過預處理確定感興趣區(qū)域，然后遍歷各像素融合其灰度、梯度、領域特點，將疑似邊緣的像素點標記出來?？紤]到邊界的連續(xù)性、平行性及噪聲分布分散性，采用霍夫變換將邊界提取出來。由于標準霍夫變換耗時較長，不能滿足視頻圖像實時檢測要求，故提出一種改進的霍夫變換算法。

1霍夫變換

霍夫變換是常見的間斷邊界檢測方法，其基本思想是圖像空間與參數(shù)空間點的對偶性。在圖像XY坐標空間中，過點（xi，yi）的直線滿足：

yi=axi+b（1）

其中a、b分別表示斜率和截距。

參照圖1在標準參數(shù)化方式下，式（1）還可表示為：

ρ=xicosθ+yisinθ，0≤θ≤π（2）

可以看出，在圖像空間里共線的點1和2對應于參數(shù)空間里相交于點p的兩條線。換言之，參數(shù)空間中相交的線與圖像空間中共線的點相對應。

標準霍夫變換將參數(shù)空間視為離散，把ρθ平面量化成許多小格，對XY坐標系中的每一個像素點（x，y）依次求出不同θ量化值對應的ρ值，并在對應的量化小格中進行投票。檢測量化參數(shù)空間中投票結(jié)果的峰值，此峰值對應的（ρ，θ）就是圖像域中共線點數(shù)目最多的直線方程參數(shù)。將檢測到的峰值及其一定范圍內(nèi)的鄰域值清零，然后繼續(xù)檢測，直到檢測出所有滿足要求的直線為止。這種算法魯棒性較強、受噪聲影響小，但運算量大，在極端情況下，其運算復雜度為O（N3）。

圖1直線檢測中的霍夫變換

2改進算法

2.1圖像預處理

綜合考慮空域濾波、頻域濾波以及雙邊濾波等多種濾波方式后，本文采用高斯低通濾波器。它是一種根據(jù)高斯函數(shù)的形狀決定權(quán)值的線性平滑濾波器，對于濾除呈正態(tài)分布的噪聲十分有效，適當選取截止頻率D0可使濾波效果最佳。

3實驗結(jié)果及性能分析

對本算法進行有效性、時效性實驗，實驗環(huán)境為：IntelCorei5，3.20GHz，512G內(nèi)存，軟件環(huán)境為MATLAB R2012b。在提取到電纜邊界后，對電纜區(qū)域進行填充。選取了視頻中包含所有干擾類型的第6幀、第237幀和第607幀作為待處理圖。將本文算法與文獻[9]和文獻[10]提出的算法進行對比，見圖4、圖5、圖6。

實驗結(jié)果表明，當背景的灰度、紋理與目標區(qū)域相近或噪聲較大時，反投影直方圖法和螢火蟲算法與K均值相結(jié)合的算法都不能準確定位目標區(qū)域，且識別結(jié)果中邊界較為粗糙，沒能去掉陰影影響，而本文提出的算法處理效果較為理想，能準確對目標區(qū)域進行定位且抗噪能力較強。

為驗證算法的時效性，選取該視頻中具有代表性的第6、51、159、237、652幀進行時間性能分析，表1為標準霍夫變換與改進霍夫變換運算時間對比結(jié)果。

可見改進的霍夫變換在直線提取部分所耗時間比標準霍夫變換大大降低。另外，邊界提取前一部分平均用時為24ms，提取邊界總用時為35～45ms左右，對于20幀/s的采樣速率，能滿足實際工程需求。

4結(jié)語

本文針對復雜背景下僅靠單一特征無法將目標區(qū)域準確檢測的問題，采用了多特征融合的方式，先將目標邊界點盡可能顯示出來，再從中提取出所需邊界。在提取邊界線時，針對標準霍夫變換耗時太多的問題，提出一種基于分塊的兩點表決式霍夫變換，使其達到實時檢測要求。實驗結(jié)果表明，本文提出的算法對復雜墻面背景電纜的檢測比一般算法在檢測效果上有很大提升，能滿足實時檢測的工程需求。

參考文獻參考文獻：endprint

[1]韓芳芳.表面缺陷視覺在線檢測關鍵技術(shù)研究[D].天津：天津大學，2011.

[2]MEHMET S，BULENT S.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging，2004，13（1）：146165.

[3]RAFAEL C GONZALES，RICHARD E WOODS.Digital image processing[M].Third Edition，Publishing House of Electronics Industry，2011.

[4]楊陶，田懷文，劉曉敏，等.基于邊緣檢測與Otsu的圖像分割算法研究[J].計算機工程，2016，42（11）：255260.

[5]A BERGER S， DELLA PIETRA. Maximum entropy approach natural language processing[J].Computational Linguistics，1996，22（1）：3971.

[6]高朝陽，張?zhí)l(fā)，曲亞男.圖像邊緣檢測研究進展[J].科技導報，2010，28（20）：112117.

[7]許新征，丁世飛，史忠植，等.圖像分割的新理論和新方法[J].電子學報，2010（2A）：7682.

[8]張博.基于邊緣檢測的細胞圖像分割方法研究與實現(xiàn)[D].武漢：武漢大學，2011.

[9]蘇延召，李艾華，金廣智，等.簡單結(jié)合直方圖反投影的多特征運動陰影檢測算法[J].光電子激光，2014，25（7）：13951402.

[10]AKASH SHARMA，SMRITI SEHGAL.Image segmentation using firefly algorithm [C].IEEE Conference on Information Technology （InCITe），2016：99102.

[11]BRUTZER S， HOFERLIN B， HEIDEMANN G. Evaluation of background subtraction techniques for video surveillance[C].IEEE Conference on Computer Vision and Pattern Recognition，2011：19371944.

[12]劉直芳，王運瓊，游志勝.簡單有效的運動汽車投影陰影分割算法[J].光學學報，2007，27（5）：835840.

責任編輯（責任編輯：杜能鋼）endprint