于 曉,林世基,莊光耀,于俊利

(1.天津理工大學(xué) 電氣工程與自動化學(xué)院,天津 300384;2.天津中天海盛環(huán)?？萍加邢薰?天津 300384)

隨著世界經(jīng)濟的快速發(fā)展和工業(yè)化進程的加速,水污染現(xiàn)象越來越嚴重,嚴重制約著國家的經(jīng)濟發(fā)展,威脅著人民的身體健康[1]。因此,安全、可靠、有效地檢測污水區(qū)域,是用水安全的關(guān)鍵,是人類正常生產(chǎn)和生活的堅實保障。

近十年來,出現(xiàn)了各種水域污染監(jiān)測手段。阮承治等[2]設(shè)計了一種游弋式小船水質(zhì)監(jiān)測系統(tǒng),通過檢測水域的pH值、溶解度值、渾濁度、溫度值來監(jiān)測水質(zhì)變化,但是這種檢測方式僅適用于開闊水域的監(jiān)測,同時在極端天氣條件下可靠性并不高。隨著圖像處理和計算機視覺技術(shù)的發(fā)展,利用圖像處理算法可以快速準(zhǔn)確地從污水圖像進行邊緣提取、分割等操作,自動的對該水域進行分析,實現(xiàn)水域中污水、污染物的實時、動態(tài)、智能監(jiān)測,減少或避免污水污染物對水體的影響和經(jīng)濟損失。

在傳統(tǒng)的污水圖像目標(biāo)檢測算法方面,Otsu[3]提出Otsu分割方法,由于該方法具有簡單高效的特點成為圖像分割領(lǐng)域中使用廣地分割算法之一。胡敏等[4]通過圖像輪廓邊緣疊加、融合及補償后,獲取完整的分割圖像。但是易受外部環(huán)境因素的影響導(dǎo)致目標(biāo)提取精度不高,不具普適性。江杰等[5]針對傳統(tǒng)浮標(biāo)法監(jiān)視河流表面漂浮物的缺陷,提出了基于混合高斯模型的背景差分法和幀差法的漂浮物自動監(jiān)測方法。

邊緣檢測是圖像處理中進行圖像分割和目標(biāo)提取關(guān)鍵技術(shù)之一,將圖像進行邊緣檢測的目的是剔除污水污染物的冗余信息,減少無用信息對后續(xù)進行圖像分割的干擾。常見的邊緣檢測算子有Canny、Robert、Sobel、Prewitt等[6-7]。Canny通過使用高斯濾波器的一階導(dǎo)數(shù)進行檢測邊緣的空間位置,對圖像進行平滑噪聲,導(dǎo)致圖像模糊,丟失了許多圖像細節(jié)[9]。Roberts算子采用局部差分算子尋找圖像邊緣,計算簡單,但忽略了水平相鄰像素和垂直相鄰像素信息,不能有效抑制噪聲[10]。在污水域環(huán)境下不能有效抑制噪聲的干擾。因此,在水域污染物檢測的場景下出現(xiàn)邊緣連續(xù)性差,抗噪聲性能不強等問題。Sobel算子根據(jù)像素點相鄰點四個方向之間的灰度梯度加權(quán)差和來檢測邊緣,對噪聲具有平滑作用,能夠提供較精確的邊緣信息,但缺點是其邊緣定位精度不夠高[11]。Prewitt算子使用水平、垂直兩個方向的模板對圖像進行卷積操作,根據(jù)目標(biāo)上下、左右像素點灰度差即可分辨出灰度值較大的邊緣點[12]。然而,Prewitt算子需要通過人工判別來選取閾值,算子模板方向過于簡單,這樣會造成邊緣選取粗略,定位不準(zhǔn)確。

隨著深度學(xué)習(xí)技術(shù)在目標(biāo)檢測領(lǐng)域的廣泛使用,越來越多的學(xué)者使用深度學(xué)習(xí)技術(shù)進行河道、湖泊的漂浮物檢測識別,并提出了多種網(wǎng)絡(luò)模型的改進和應(yīng)用案例。雷佳明等[13]通過改進代價函數(shù),將語義分割算DeepLabV3+應(yīng)用于水庫漂浮物智能檢測與識別任務(wù)中。Hai等[14]采用Faster-R-CNN網(wǎng)絡(luò)和數(shù)據(jù)增強算法應(yīng)用于水體的目標(biāo)檢測中,檢測的精度高,但是效率低下。雷李義[15]提出基于深度學(xué)習(xí)的水面漂浮物檢測,使用遷移學(xué)習(xí)的方法對比了Faster R-CNN、R-FCN和SSD三種目標(biāo)檢測模型,得出Faster R-CNN在檢測困難目標(biāo)有著更好的表現(xiàn),SSD檢測模型有著更高的精度。李寧[16]等人使用在大型數(shù)據(jù)中的塑料瓶與塑料袋圖像訓(xùn)練AlexNet網(wǎng)絡(luò)用于對這兩類漂浮物進行識別。但是,由于在實際的污水環(huán)境中,污染物種類繁多、環(huán)境復(fù)雜,導(dǎo)致小尺度污染物檢測精度低,很難應(yīng)用在實際場景中。

1 問題分析

通過對圖像分割算法和圖像邊緣提取的研究分析,本文將邊緣檢測算法應(yīng)用于污水域的目標(biāo)檢測。邊緣是由于圖像灰度在表面上變化不連續(xù)所造成的,即從一個灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另一個灰度相差較大的灰度值。根據(jù)這一特征,設(shè)計相應(yīng)的梯度算子進行邊緣檢測。通常情況下梯度算子對噪聲十分敏感,尤其在復(fù)雜的水域條件下,檢測的質(zhì)量容易受到天氣、光照變化、水面倒影以及圖像采集設(shè)備的固有缺陷等因素的干擾[17]。為減少圖像噪聲影響,進行邊緣檢測前須使用濾波器對圖像進行平滑降噪[18]。由于污水環(huán)境的特殊性,傳統(tǒng)的邊緣檢測方法對污水域污染物的邊緣檢測仍存在局限性,具體表現(xiàn)在污染物輪廓不完整、誤檢率和漏檢率高、噪聲控制效果不佳等方面。此外,基于梯度變化的邊緣檢測算子在檢測梯度變化幅度小的邊緣時靈敏度會降低,這導(dǎo)致很難獲得理想的檢測結(jié)果[19]。

本文針對現(xiàn)有的污水目標(biāo)邊緣提取算法在精度、檢測效率以及復(fù)雜水域環(huán)境干擾等問題,提出基于多梯度邊緣特征融合的污水圖像邊緣提取方法,實現(xiàn)污水污染物輪廓的完整提取。在不同環(huán)境、不同類型污水區(qū)域的特殊性下,解決用機器拍攝水域環(huán)境、對污水區(qū)域中污染物進行自動提取的問題。

2 基于多梯度融合的邊緣提取方法

基于多梯度融合的污水域污染物圖像邊緣提取算法由圖像預(yù)處理、多梯度邊緣計算及多梯度邊緣融合三個環(huán)節(jié)構(gòu)成,如圖1所示。首先,對原圖像進行灰度處理,得到灰度圖像,然后對灰度圖像進行中值濾波,減少噪聲對污染物邊緣提取的干擾。為了提取完整的污染物圖像輪廓,對梯度檢測算子進行改進,并對濾波后的圖像進行多方向梯度的邊緣計算,得到圖像的八個梯度方向的邊緣輪廓特征圖。最后,將八個梯度方向的邊緣輪廓特征圖進行融合,提取到污染物完整的邊緣信息。

圖1 多梯度融合的圖像邊緣提取算法流程

2.1 圖像預(yù)處理

預(yù)處理主要包括圖像灰度化、平滑化等操作。使用攝像機對污水區(qū)域進行圖像采集,由于圖像采集的過程中,受到復(fù)雜的環(huán)境因素的干擾,采集到的圖像數(shù)據(jù)有很多與污染物無關(guān)的邊緣信息,直接或間接地影響污染物邊緣的提取。因此,在對污水圖像進行邊緣提取之前需要對圖像進行預(yù)處理。

水資源環(huán)境中,污染物易受到光照的影響導(dǎo)致RGB變化很大,而梯度信息能提供更本質(zhì)的信息,同時三通道轉(zhuǎn)為一通道后,運算量大大減少。因此,對圖像進行邊緣提取的首要步驟就是進行圖像灰度處理。中值濾波在圖像處理中,常用于保護邊緣信息,是經(jīng)典的平滑噪聲的方法。由于進行邊緣檢測時,容易受到噪聲的影響。因此,首先使用尺寸為3×3,窗口大小使用經(jīng)驗值為5的中值波器對灰度處理過的圖像進行平滑化。

2.2 圖像邊緣特征多梯度計算

使用梯度算子進行邊緣檢測的原理是:當(dāng)圖像中存在邊緣時,圖像中的局部區(qū)域像素會產(chǎn)生突變?；谶@一原理,傳統(tǒng)的Sobel算子利用3×3的卷積模板對檢測圖像進行加權(quán)平均或鄰域平均[20],然后求其一階導(dǎo)數(shù)的極值進行判斷是否為邊緣像素點。

假設(shè)灰度圖像上(x,y)處的灰度值為f(x,y),函數(shù)在(x,y)處的梯度是一個具有方向和大小的梯度矢量[21]如式(1)所示。

(1)

式(1)中,i、j分別為x、y方向的單位矢量。

基于梯度的算子都是建立在這一基礎(chǔ)之上,(x,y)處的邊緣梯度幅度和梯度方向[22]如式(2)和式(3)所示。

(2)

(3)

式(2)中,計算出來的梯度值grand[f(x,y)]即為圖像的邊緣數(shù)據(jù),但在實際處理操作中常用模板矩陣與圖像像素值矩陣卷積來實現(xiàn)微分運算。如Sobel算子是對離散的數(shù)據(jù)進行加權(quán)計算,采用如圖2所示的3×3卷積模板,利用模板與對應(yīng)的圖像數(shù)據(jù)進行卷積來實現(xiàn)微分運算。Sobel算子考慮了水平、垂直和2個對角共計4個方向?qū)Φ奶荻燃訖?quán)求和,是一個3×3各向異性的梯度算子。

(a)垂直梯度方向,檢測水平方向邊緣(b)水平梯度方向,檢測垂直方向邊緣圖2 傳統(tǒng)Sobel算子模板

不足的是,Sobel算子僅僅考慮水平方向邊緣檢測和豎直方向邊緣檢測,對其他方向的邊緣信息不敏感[23]。在邊緣信息較復(fù)雜的情況下,會導(dǎo)致部分邊緣丟失。Tang等[24]在傳統(tǒng)的Sobel算法上進行改進,提出了四方向的邊緣檢測器,該算法增加了45°以及135°方向上的邊緣檢測。方向邊緣檢測模板如圖3所示。

(a)45°方向檢測模板(b)135°方向檢測模板圖3 四方向邊緣檢測模板

考慮到污水域污染物邊緣提取的背景復(fù)雜性和傳統(tǒng)算子的不足,本文在四個方向的Sobel算子基礎(chǔ)上增加了四個梯度方向3×3的邊緣檢測算子,梯度方向分別為:為22.5°、67.5°、112.5°和157.5°,梯度方向如圖4所示。

(a)22.5°和67.5°梯度方向(b)112.5°和157.5°梯度方向圖4 增加的四個梯度方向示意

首先,定義一個坐標(biāo)系如圖4(a)所示,給定四個向量來定義兩兩像素之間的差分方向信息,即:(c,d)→(2,1)、(c,h)→(1,2)、(g,f)→(-2,-1)、(g,b)→(-1,-2)。其中,(2,1)(1,2)(-2,-1)(-1,-2)為四個像素對的矢量方向,矢量的方向與像素c點的坐標(biāo)有關(guān)。

其次,定義一個鄰域方向梯度矢量G的幅度[7]如式(4)所示。

(4)

本文采用曼哈頓距離來度量每個像素對之間的距離。顯然,四對像素之間的曼哈頓距離均為3。根據(jù)式(4),沿著4個方向求其梯度矢量和,如式(5)所示。

(5)

將梯度矢量放大到原來的3倍,去掉分母后整理后,如式(6)所示。

G=[b+3c-2d+2f-3g-h,

2b+3c-d+f-3g-2h]

(6)

得到22.5°方向和67.5°方向的梯度矢量,如式(7)和式(8)所示。

G22.5°=b+3c-2d+2f-3g-h

(7)

G67.5°=2b+3c-d+f-3g-2h

(8)

由此可推導(dǎo)出22.5°、67.5°方向的梯度算子,如圖5(a)和圖5(b)所示。同理,由圖4(b)所示,可求得112.5°、157.5°方向的梯度算子如圖5(c)和圖5(d)所示。

(a)22.5°方向邊緣檢測模板(b)67.5°方向邊緣檢測模板(c)112.5°方向邊緣檢測模板(d)157.5°方向邊緣檢測模板圖5 四個梯度方向邊緣檢測算子模板

使用8個3×3的梯度模板進行邊緣提取在一定程度上既可以彌補傳統(tǒng)算子僅有兩個或者四個方向上的局限性,又可以避免采用5×5的大算子使得計算量過大導(dǎo)致處理速度變慢的問題。多梯度算子模板如圖6所示。

圖6 多梯度邊緣檢測算子模板

2.3 邊緣特征多梯度融合計算

采用八個方向梯度檢測算子模板進行卷積運算以獲得模板中心點八個方向的梯度值,同時進行梯度融合計算,即八個方向的梯度檢測結(jié)果中,取梯度方向最大的值替換為待測像素點的灰度值,邊緣方向由所得中心像素點的方向決定。融合計算方式如式(9)所示。

F(x,y)=max(Δi·22.5°f(x,y))i=0,1,…,7

(9)

式(9)中,Δi·22.5°f(x,y)為i·22.5°方向上的通過梯度算子計算得到的的灰度值。對圖像的所有像素點進行該運算操作,即可確定污水圖像所有像素點的灰度值和邊緣像素點。將各個方向邊緣特征進行融合操作,在一定程度上可以解決邊緣提取中的“邊緣不連續(xù)”現(xiàn)象,保證提取目標(biāo)能夠完整、清晰地提取出來。多梯度融合計算效果如圖7所示。

(a)原始圖像(b)0°方向邊緣提取(c)22.5°方向邊緣提取(d)45°方向邊緣提取(e)67.5°方向邊緣提取(f)90°方向邊緣提取(g)112.5°方向邊緣提取(h)135°方向邊緣提取(i)157.5°方向邊緣提取(j)8個方向梯度融合后圖7 多梯度融合計算過程

3 實驗結(jié)果與實驗分析

本文提出的邊緣提取算法使用MATLAB平臺,對不同的污水圖像進行邊緣提取進行實驗。同時,本文提出的算法與Canny算法、Roberts邊緣檢測算子、Laplace邊緣檢測算子、傳統(tǒng)的Sobel邊緣提取算子、改進四方向Sobel的算法和Canny邊緣檢測算法進行比較分析。經(jīng)典算法與本文方法的實驗結(jié)果比較如圖8所示。

原圖(a)原圖(b)原圖(c)Sobel算子(a)Sobel算子(b)Sobel算子(c)Roberts算子(a)Roberts算子(b)Roberts算子(c)Laplace算子(a)Laplace算子(b)Laplace算子(c)文獻[24]算法(a)文獻[24]算法(b)文獻[24]算法(c)本文算法(a)本文算法(b)本文算法(c)圖8 經(jīng)典算法與本文方法的實驗結(jié)果比較

Canny邊緣檢測算法雖然有較好的噪聲抑制能力,但是邊緣連續(xù)性差,邊緣信息缺失嚴重。Sobel算子雖然有很強的噪聲抑制能力,提取到的邊緣相較于前兩者更加完整,但是有些場景下依然出現(xiàn)邊緣提取缺失,在極限場景下出現(xiàn)邊緣“過提取”的情況,從而產(chǎn)生大量非邊緣的“過提取噪聲”。

Roberts算子用的是對角線相鄰兩像素作差作為梯度差值來檢測圖像邊緣的原理,因此僅在水平和垂直兩個方向的邊緣檢測效果較好。它的缺點是會漏檢其他方向邊緣,導(dǎo)致污水污染物總體邊緣提取效果欠佳。

Laplace算子沒有考慮方向性,邊緣提取連續(xù)性差,邊緣信息缺失嚴重,同時對圖像的噪聲敏感,沒有有效提取到污染物的邊緣信息。

四個梯度方向邊緣檢測算法,在大部分方向都有非常好的邊緣提取效果和降噪能力,但是出現(xiàn)部分邊緣缺失的情況以及在特殊的污水環(huán)境中出現(xiàn)一些非污染物的邊緣噪聲。

相較于其他傳統(tǒng)的邊緣檢測算法,本文提出的算法在保證邊緣連續(xù)性的基礎(chǔ)上,檢測到的污染物目標(biāo)邊緣輪廓更加完整,邊緣細節(jié)突出且層次感分明。同時,相較于5×5的梯度算子,減少了計算量,提升了檢測效率。

4 結(jié)論

本文根據(jù)污水圖像中的邊緣信息特征,結(jié)合傳統(tǒng)的梯度檢測模板,提出了一種多梯度融合的污水污染物邊緣提取算法。實驗結(jié)果表明,相較于傳統(tǒng)的邊緣檢測算法,本文提出的多梯度融合邊緣檢測算法在邊緣提取的精度和抗噪能力都有很大的提升。在保證良好的抑制噪聲的同時,能準(zhǔn)確地檢測出0°、22.5°、45°、67.5°、90°、112.5°、135°和157.5°方向的邊緣。進行多梯度融合計算后,復(fù)雜場景下的污水污染物圖像邊緣也能實現(xiàn)清晰、完整地提取。因此,本文算法能更好地檢測污水污染物邊緣,并對下一步的圖像分割有較好的應(yīng)用價值。