基于圖像增強的OLVF反射光磨粒圖像分割算法

衛(wèi)涵典，吳 偉，劉 斌

（西安石油大學(xué)機械工程學(xué)院，西安 710065）

0 引言

故障診斷技術(shù)不斷發(fā)展，越來越多傳感器用于機器的在線故障監(jiān)測[1－3]。在線監(jiān)測故障診斷技術(shù)已經(jīng)成為降低成本和提高效率的重要方法。設(shè)備運行過程中存在磨損問題，所產(chǎn)生的磨粒含有表征設(shè)備磨損狀態(tài)的摩擦學(xué)信息[4－6]。因此，磨粒特征信息的獲取十分重要。其中，磨粒圖像分割是評估磨損率和設(shè)備磨損狀態(tài)的重要方法。傳統(tǒng)的磨粒分析方法無法快速自動地采集磨粒信息[7]。

隨著圖像傳感器的不斷發(fā)展，使得在線磨粒圖像分析成為可能[8]。越來越多磨粒圖像分割方法被提出來，Wu等[9]提出一種基于磨粒顏色統(tǒng)計的磨粒識別方法。根據(jù)磨粒顏色的強度和色度分布來區(qū)分3種常見金屬磨粒的顏色?，F(xiàn)有的在線系統(tǒng)中，磨粒在微磁場中磁力作用下會成鏈狀或簇狀，使得磨粒識別難度增加。因此，基于形態(tài)學(xué)的磨粒分割方法被提出來。Wang等[10]提出了一種結(jié)合主成分分析和灰色關(guān)聯(lián)分析（CPGA）的新算法。該算法可以成功解決多參數(shù)引起的信息冗余問題，是一種快速準(zhǔn)確識別磨損顆粒的實用方法。該方法對磨粒圖像質(zhì)量要求較高，對于反射光干擾、油液污染等情況下的磨粒圖像不能準(zhǔn)確分割。環(huán)境因素的干擾和磨粒形狀高度不規(guī)則，使得磨粒圖像的分割成為在線鐵譜儀應(yīng)用程序的難點。

本文提出一種基于圖像增強的OLVF反射光磨粒圖像分割算法。首先，將反射光磨粒圖像增強，以顯示出高亮度磨粒和過暗區(qū)域磨粒輪廓。其次，采用Canny邊緣檢測對圖像進(jìn)行分割，對分割后的圖像進(jìn)行H－minima變換校正局部極值。最后，應(yīng)用膨脹腐蝕開閉操作填充孔洞。該方法有效識別出了反射光磨粒圖像中高亮度和過暗區(qū)域的磨粒，提高了磨粒圖像的分割精度和在線監(jiān)測效率。

1 磨粒分割方法

OLVF探頭的成像方法為反射光成像，因為反射光成像可以顯示磨粒輪廓和磨粒特征形貌信息，但是反射光會造成磨粒圖像中亮度過高和過暗磨粒難以識別的問題，本文提出一種圖像增強的OLVF反射光磨粒圖像分割方法。首先，對原始磨粒圖像進(jìn)行背景減運算，大致將磨粒區(qū)分出來。然后，采用形態(tài)學(xué)黑帽操作[11]，即將閉運算結(jié)果圖與原始圖像相減，增強磨粒中接近背景顏色的部分。疊加背景減和形學(xué)黑帽操作后的圖像，使得磨粒部分更準(zhǔn)確地顯現(xiàn)出來。應(yīng)用雙邊濾波去除圖像中的噪聲干擾。然后，采用自適應(yīng)Canny算子進(jìn)行邊緣檢測。應(yīng)用Otsu[12]方法獲取H－minima變換的閾值，然后進(jìn)行H－minima變換來進(jìn)一步消除局部噪聲干擾。最后，對去噪后的磨粒圖像進(jìn)行膨脹腐蝕開閉操作填充孔洞，得到最終結(jié)果。算法的框圖如圖1所示。

圖1 算法流程

1.1 磨粒圖像增強

磨粒圖像如圖2所示，首先進(jìn)行背景減運算，以獲得初步處理的磨粒圖像，結(jié)果如圖3（a）所示。背景去除后的磨粒圖像有不均勻光照引起的噪聲，過暗區(qū)域的磨粒對比度低且難以識別。

圖2 磨粒圖像

使用形態(tài)學(xué)黑帽突出顯示比原始圖像輪廓周圍更暗的區(qū)域，如圖3（b）所示。疊加圖3（a）～（b）可以增強過暗區(qū)域的磨粒，結(jié)果如圖3（c）所示。疊加磨粒圖像中仍然存在噪聲，使用雙邊濾波進(jìn)一步去噪，結(jié)果如圖3（d）所示。

圖3 磨粒圖像增強

1.2 自適應(yīng)Canny磨粒圖像邊緣檢測

磨粒圖像增強后應(yīng)用自適應(yīng)Canny算子邊緣檢測，主要過程包括高斯函數(shù)濾波、計算梯度和幅度以及構(gòu)造梯度直方圖。采用二維高斯函數(shù)的一階導(dǎo)數(shù)對磨粒圖像進(jìn)行低通濾波，二維高斯函數(shù)為：

梯度向量為：

其中：

式中：k為常數(shù)；σ為控制圖像平滑度的高斯濾波器參數(shù)。對于增強的磨粒圖像，求解x和y方向上的圖像梯度，分別為px( i ,j)和py( i ,j)。那么，磨粒圖像的梯度大小為：

由上式構(gòu)造磨粒圖像梯度直方圖。

為了確定梯度直方圖中高低梯度區(qū)域的最佳分割閾值，自適應(yīng)Canny算法的步驟如下。

（1）設(shè)置初始閾值T0。

（2）利用閾值T0將磨粒圖像分成兩組像素：圖像I1由灰度值大于或等于T0的所有像素構(gòu)成；圖像I2由灰度值小于T0的所有像素構(gòu)成。

（3）計算在I1和I2范圍內(nèi)的平均灰度值μ1和μ2。

（4）計算新的閾值T＝(μ1＋μ2)/2。

（5）重復(fù)步驟（2）～（4），直到連續(xù)迭代中的閾值變化小于預(yù)先指定的參數(shù)T0。

獲得最佳分割閾值后進(jìn)行圖像邊緣跟蹤，從而實現(xiàn)邊緣檢測。

1.3 基于H－minima變換的磨粒分割

邊緣檢測圖像中消除了大部分噪聲，磨粒的細(xì)節(jié)部分因為噪聲的干擾仍未被識別出來，因此圖像中的一些最小值需要被抑制。為解決這一問題，采用標(biāo)記的方法。標(biāo)記邊緣檢測圖像的最小值，并抑制其他冗余最小值，以減少過度分割問題。本文采用了基于形態(tài)學(xué)的自適應(yīng)擴(kuò)展最小變換（H－minima）技術(shù)標(biāo)記最小值。H－minima變換的基本原理是消除低于給定閾值H的局部最小值。

對邊緣檢測圖像Icd( x,y)應(yīng)用H－minima變換，二值標(biāo)記圖像I1eb( x,y)通過下式獲得：

其中閾值H采用Otsu方法獲得。Otsu算法根據(jù)給定閾值將灰度直方圖分為磨粒區(qū)域和背景區(qū)域兩部分。將兩個類別之間的方差最大或類別方差最小的閾值設(shè)置為最佳閾值。

輸入圖像：

式中：k*為最佳閾值。

本文利用Otsu算法獲得的閾值k獲取Icd( x,y)的有效標(biāo)記。校準(zhǔn)最小值的位置，防止出現(xiàn)無意義的最小值，并避免人為地設(shè)置閾值的不合理性，不僅提高了魯棒性，而且獲得更接近磨粒輪廓的分割結(jié)果。

1.4 膨脹腐蝕開閉重建

比較H－minima變換后的圖像與原始磨粒圖像，仍然有部分孔洞存在。因此，有必要對H－minima變換后的圖像進(jìn)行膨脹腐蝕開閉操作。該操作可以填充孔洞，保留磨粒完整的形貌信息。膨脹腐蝕開閉操作包括一幅圖像和一個結(jié)構(gòu)元素，一個是輸入的H－minima分割后的磨粒圖像，結(jié)構(gòu)元素表征圖像的連通性。

膨脹腐蝕開閉操作的主要內(nèi)容是膨脹和腐蝕。Iw的膨脹D定義為：

式中：d為結(jié)構(gòu)元素，⊕為膨脹運算。對結(jié)構(gòu)元素d做關(guān)于原點的映射，再將其映射平移z，這里Iw與d映射的交集不為空集，即d映射的位移與Iw至少有1個非零元素相交時的原點位置的集合。

Iw的腐蝕E定義為：

式中：d為結(jié)構(gòu)元素，?為腐蝕運算。采用d對Iw進(jìn)行腐蝕，即沿著Iw的內(nèi)部邊界遍歷，平移區(qū)域d形成的集合區(qū)。d中心的移動軌跡即為腐蝕后z的邊界，(d)z為將d平移，使其中心點位于z位置。

H－minim變換圖像Iw對模板圖像進(jìn)行腐蝕的形態(tài)重構(gòu)，腐蝕重復(fù)迭代至穩(wěn)定k滿足條件

根據(jù)膨脹和腐蝕的基本原理，將輸入圖像的第一次腐蝕圖像作為開操作的輸入圖像。Iw的開操作定義如下：首先用大小為n的結(jié)構(gòu)對Iw腐蝕，然后膨脹Iw。該操作可以消除小于結(jié)構(gòu)要素的紋理細(xì)節(jié)和明亮噪聲干擾。開操作公式為：

類似地，Iw的閉操作定義為：首先用大小為n的結(jié)構(gòu)對Iw膨脹，然后腐蝕Iw。該操作可以消除小于結(jié)構(gòu)元素的紋理細(xì)節(jié)和暗噪聲，更好地恢復(fù)磨粒邊緣。閉操作公式為：

對H－minima變換圖像先進(jìn)行開操作，然后進(jìn)行閉操作。開和閉操作結(jié)合，使磨粒輪廓保留完整，孔洞也得到了填充，磨粒被精確地分割出來。

2 實驗結(jié)果與分析

本算法的磨粒圖像分割結(jié)果如圖4所示。運用在線油液磨粒監(jiān)測設(shè)備隨機獲取反射光磨粒沉積譜譜片，分別采用傳統(tǒng)分水嶺分割算法、基于Otsu閾值的分水嶺分割算法、基于Canny的分水嶺分割算法對同一張譜片進(jìn)行磨粒圖像分割處理。將其處理結(jié)果與本文算法處理結(jié)果作比較，定性評價本文分割算法性能及可行性。

圖4 磨粒最終分割結(jié)果

測試輸入圖像如圖5所示。本文提出的方法和相關(guān)方法的結(jié)果如圖6～9所示。參照輸入圖像，通過視覺比較散射光去除的程度、偽影和磨粒外觀來進(jìn)行評估。

圖5 輸入磨粒圖像

圖6 本文算法分割結(jié)果

圖7 傳統(tǒng)分水嶺分割算法

圖8 基于Otsu閾值的分水嶺分割算法

圖9 基于Canny的分水嶺分割算法

對于散射光和偽影，基于分水嶺變換的磨粒分割算法將一些偽影誤認(rèn)為磨粒而導(dǎo)致過度分現(xiàn)象?；贠tsu閾值的分水嶺分割算法將部分散射光誤認(rèn)為磨粒，導(dǎo)致圖像中出現(xiàn)了部分陰影。基于Canny的分水嶺分割算法的處理結(jié)果中，散射光被基本消除，但是偽影的干擾還是有被誤認(rèn)為磨粒。本文提出的算法消除了散射光和偽影的干擾，可以準(zhǔn)確地識別出磨粒。

對于噪聲的識別，基于分水嶺算法中存在大量噪聲干擾?；贠tsu閾值的分水嶺分割算法雖然去掉了一些噪聲的干擾，但是存在陰影干擾，無法區(qū)分磨粒和背景?；贑anny的分水嶺分割算法也存在噪聲的干擾，無法準(zhǔn)確識別磨粒。本文算法有效抑制了噪聲的干擾，磨粒和背景明顯地區(qū)分出來。

對于磨粒的外觀，基于分水嶺算法分割的圖像中，明亮的磨粒被誤認(rèn)為背景而沒有識別出來?；贠tsu閾值的分水嶺分割算法，明亮的磨粒也沒有被識別出來，并且有部分噪聲被誤認(rèn)為是磨粒?；贑anny的分水嶺分割算法沒有識別出小磨粒的輪廓，同樣存在明亮磨粒沒有識別出來的問題。本文方法可以識別出明亮的磨粒，細(xì)小的磨粒也被識別出來。

實驗結(jié)果表明，該算法能有效地識別出磨粒位置并將其分割，并保留磨粒圖像的邊緣和紋理特征。因此，本文方法比其他算法更加準(zhǔn)確可靠。

3 結(jié)束語

為了準(zhǔn)確分割出磨粒，本文提出一種基于圖像增強的OLVF反射光磨粒圖像分割方法。首先，對磨粒圖像進(jìn)行背景減操作，大致區(qū)分出磨粒。對磨粒圖像應(yīng)用形態(tài)學(xué)黑帽操作使得圖像整體亮度對比度提高，疊加背景減后的圖像和形態(tài)學(xué)黑帽操作的圖像，并進(jìn)行雙邊濾波去噪。其次，采用自適應(yīng)Canny邊緣檢測獲得磨粒的邊緣。然后使用Otsu算法獲取H－minima變換閾值對邊緣檢測圖像進(jìn)行局部去噪。最后，通過膨脹腐蝕開閉操作填充孔洞，以獲得最終分割結(jié)果。實驗結(jié)果表明，與傳統(tǒng)方法相比，該算法可以有效抑制光反射的影響，優(yōu)化磨粒分割效果，保持磨粒的完整性。然而，該算法在磨粒分割方面仍然存在局限性，將在以后的工作中進(jìn)一步研究。