基于圖像處理和K近鄰算法的示溫漆判讀方法

胡 明 ，葛俊鋒 ，薛秀生 ，張 宇 ，高佳祺 ，張澤鵬

（1.中國航發(fā)沈陽發(fā)動機研究所，沈陽 110015；2.華中科技大學人工智能與自動化學院，武漢 430074）

0 引言

在航空發(fā)動機試驗中，熱端部件壁溫測量是非常重要的。由于發(fā)動機結構復雜、工況惡劣，常見的熱電偶、紅外測溫儀等測量方法，在測量一些轉動件和內部復雜構件的壁溫時存在困難，而采用示溫漆測溫不需進行測試改裝，對發(fā)動機流場影響小，特別適合于發(fā)動機轉動件、薄壁件、復雜構件的壁溫測量[1-3]。示溫漆的溫度判讀是保證示溫漆測試精度的重要步驟，目前在中國示溫漆的溫度判讀主要依靠人工，主觀性強，易受環(huán)境光、個人辨色能力影響，且判讀時間較長，效率低，易產生視覺疲勞，造成判讀結果的偏差較大。

為了提高示溫漆判讀的效率和精度，國內外學者開展了多種示溫漆自動判讀方法研究。張羽鵬等[4]采用色彩色差儀、分光光度計等測量得到物體表面某點示溫漆的顏色特征值，與示溫漆樣板的顏色特征值進行對比，取色差值最小的樣片的溫度為該測點的溫度值；張志龍等[5]利用顏色溫度曲線獲得示溫漆顏色值與溫度之間的對應關系，取計算得到的未知顏色值與曲線之間的最近距離對應的溫度作為未知顏色值的溫度；Griffin 等[6-7]、馬春武等[8]和于坤林等[9-10]分別在RGB、Lab、HSI 不同顏色空間利用顏色溫度曲線判讀，示溫漆顏色值可以是像素顏色值，也可以是區(qū)域平均顏色值；Lempereur 等[11-12]獲得與各段變色點間顏色相對應的區(qū)域，進而確定各區(qū)域的溫度范圍，并在HSI 空間中用顏色值與溫度對應關系曲線對每個像素點對應的溫度進行判讀；王展等[13-14]和王榮華等[15]將采用圖像處理方法提取的示溫漆圖像中等溫線兩側區(qū)域的顏色統計特征作為判讀依據，通過與示溫漆蝶形樣片上提取的等溫線顏色特征庫進行對比，獲得被測等溫線對應的溫度值。雖然上述算法可以提高示溫漆判讀精度和效率，但還存在一些不足。例如：儀器測量法不能獲得示溫漆溫度分布的判讀結果；基于顏色溫度曲線采用單個顏色值作為判讀依據，受環(huán)境影響大，判讀精度和穩(wěn)定性低；基于等溫線的判讀方法受示溫漆等溫線數量的限制，溫度測量的分辨率低，不能用于只有漸變顏色而無等溫線的示溫漆的溫度判讀。

為了進一步提高示溫漆溫度判讀的效率和準確性，本文提出了一種基于圖像處理和K近鄰算法的示溫漆溫度判讀方法。

1 示溫漆溫度自動判讀

1.1 自動判讀流程

圖1 示溫漆溫度自動判讀流程

1.2 圖像分割算法

圖像分割算法是將示溫漆圖像按照顏色的不同劃分成若干不同區(qū)域，其結果直接影響示溫漆判讀的準確性，因此圖像分割算法通常需要人工交互式設置參數。傳統的彩色圖像分割算法如區(qū)域生長法和聚類方法等，在計算顏色相似性時，通常只考慮像素的顏色特征，而忽略了顏色的位置信息。結合示溫漆圖像按局部進行判讀的特點，本文采用所提出的一種考慮區(qū)域相關性的鄰域顏色相似性度量，通過迭代方式實現從小區(qū)域逐漸合并到大區(qū)域的多尺度圖像分割算法。

1.2.1 鄰域顏色相似性度量

考慮示溫漆圖像的2 個相鄰區(qū)域，是否將2 個鄰域合并為1 個區(qū)域，與2 個鄰域的顏色差異和相互關系有關。如果2 個區(qū)域的顏色差異相同，那么優(yōu)先合并的是2 個重合邊界多的鄰域；如果2 個區(qū)域重合邊界也相同，那么優(yōu)先合并2個面積差異大的區(qū)域。

基于上述原則，提出一種新的2 個鄰域的顏色相似性度量，定義為

式中：n1、n2為2 個區(qū)域的大??；ΔR、ΔG、ΔB分別為2個區(qū)域平均顏色的差值；D為2 個區(qū)域的公共邊界長度；R為尺度參數；P為常數。

S越大表明2個鄰域的顏色相似性越高。鄰域顏色相似性度量既考慮了區(qū)域平均顏色差異，也考慮了2 個領域的相互關系。由于該度量只用于計算相鄰區(qū)域的顏色相似性，為了實現圖像分割，需要通過迭代方式對區(qū)域進行多尺度合并。

1.2.2 多尺度圖像分割算法

就目前來說，傳統紙媒與新媒體的融合階段已經度過磨合期，雖然還處與萌芽時期，但日后的融合速度會越來越快。紙媒改革融合需要引進“中央廚房“機制，運用圖文、圖標、動漫、音頻等更加精致化的方式，通過微博、微信等客戶端平臺向用戶推送。推動內容產品從可讀到可視，從靜態(tài)到動態(tài)，從一維到多維的升級融合，滿足多種終端傳播與多種用戶體驗需求，從而將內容優(yōu)勢與人們閱讀習慣有效對接。這樣，報紙才能真正與新媒體“擁抱”，相互融合。

多尺度圖像分割算法通過不斷調整尺度參數，對相鄰區(qū)域進行迭代合并，實現對示溫漆圖像的分割。尺度參數的上限決定了最終的區(qū)域分割結果，通過修改尺度參數上限可以調整分割結果，進行人工交互分割，避免過分割和欠分割。同時在局部分割效果不佳時，可以對局部區(qū)域調整尺度參數，實現對該區(qū)域的二次圖像分割。

多尺度圖像分割算法的流程如圖2 所示。具體步驟如下：

圖2 多尺度分割算法的流程

（1）將圖像中的每個像素點作為初始種子點；

（2）遍歷每個種子點，設定像素色差的閾值T1，采用區(qū)域生長法將圖像分割為多個初始分割區(qū)域；

（3）分析初始區(qū)域的鄰接關系，設定尺度參數上限Rmax；

（4）在尺度參數R=1～Rmax范圍內，按步長S計算相鄰區(qū)域的顏色相似性，對相似度大于閾值T2的區(qū)域進行合并；

（5）當R達到設定值Rmax時，停止循環(huán)，獲得最終分割結果。

1.3 溫度判讀算法

基于顏色溫度曲線的判讀方法采用樣板的單個顏色值來建立溫度判讀模型，在判讀時，也常采用單個像素的顏色值和區(qū)域的平均顏色值作為特征，因此判讀結果易受光照和測試環(huán)境影響，判讀精度低，穩(wěn)定性差。為了提高示溫漆判讀的精度，本文采用顏色統計特征，即顏色分布特征作為判讀依據，將樣板上每個溫度對應于1 個顏色分布，建立基于顏色分布的溫度判讀模型。

K近鄰算法是一種非參數模式識別方法，可用于分類和回歸任務。其核心思想是多數表決法，未知樣本的類別由與其最近的K個訓練樣本的類別眾數決定，即把K個訓練樣本中出現最多的類別作為未知樣本的預測結果。K近鄰算法建模只需把訓練樣本直接保存，訓練時間開銷為零。

為了建立顏色分布特征與溫度的判讀模型，首先采集不同溫度樣板上的相同大小的區(qū)域，比如20×20，然后提取區(qū)域內像素點顏色值并進行濾波，濾波方法用于計算各像素點顏色值到區(qū)域平均顏色值之間的距離，按距離從小到大對各像素點排序，按一定比例（如80%）選取距離小的像素點顏色值作為訓練樣本，去掉距離大的噪聲點。最后將每個溫度對應的1 組像素點顏色值作為其顏色分布特征，用K近鄰算法建立基于顏色分布特征的溫度判讀模型。通常上述顏色值采用受光照影響較小的Lab顏色空間。

對示溫漆區(qū)域溫度進行判讀時，首先在Lab 空間中提取待判讀區(qū)域的顏色信息，按照建模時相同的濾波方法進行過濾，去掉噪聲點。然后將區(qū)域像素點的顏色特征輸入K近鄰溫度判讀模型，得到與每個像素點顏色特征對應的溫度值。最后統計每個像素點對應的溫度值，將出現次數最多的溫度值作為區(qū)域溫度值。

對示溫漆像素點溫度進行判讀時，首先選取像素點周圍的鄰域，如3×3，然后利用區(qū)域溫度判讀方法得到像素點對應的溫度值。

如果K近鄰算法中選擇K=1，并且用每個樣板的平均顏色值作為特征建立模型（不考慮顏色分布），則在溫度判讀時，將選擇與待判讀顏色值距離最相近的樣板顏色對應的溫度作為判讀結果，等效于基于顏色溫度曲線的判讀方法。

2 試驗與分析

為了驗證圖像分割算法和溫度判讀算法的性能，在試驗件圖像、矩形樣板圖像和蝶形樣片圖像上分別進行圖像分割及溫度判讀試驗，采用牌號為KN3A 和KN8 的示溫漆進行試驗。多尺度圖像分割算法中的參數選擇為：P=50、T1=10、S=0.1、T2=0，Rmax根據需要人工交互設定。在試驗件圖像上的圖像分割結果如圖3所示。

圖3 多尺度圖像分割結果

從圖3（b）中可見，多尺度圖像分割算法分割的結果與人眼分割結果較一致，未受圖中小孔洞影響，大大簡化了區(qū)域劃分的復雜度；從圖3（c）中可見，可以通過調整Rmax對圖像重新分割，直到達到滿意的分割效果為止。對局部分割效果不佳的區(qū)域，還可以通過減小Rmax進行區(qū)域細分，細分結果如圖3（d）所示。

為了驗證溫度判讀算法的精度，在KN3A 示溫漆矩形樣板圖像上，對每個溫度隨機采集400 個像素點作為訓練樣本，并隨機采集400 個點作為測試樣本，取K=20。每個溫度像素點判讀的錯誤率如圖4所示。圖中包括判讀允許誤差控制在0、±10、±20、±30 ℃4種不同情況下的錯誤率。

圖4 KN3A矩形樣板各溫度像素點判讀錯誤率

為了與基于顏色溫度曲線的判讀方法進行對比，取K=1，并采集每一溫度的平均顏色值作為訓練樣本。采用2種方法得到的溫度判讀準確率見表1。從表中可見，基于顏色分布特征的像素點判讀準確率明顯優(yōu)于傳統方法的。

表1 KN3A矩形樣板像素點溫度判讀準確率

為了驗證不同的濾波參數對判讀精度的影響，采用相同方法對像素點溫度進行判讀，在不同的濾波參數下，取K=20，像素點判讀的準確率見表2。從表中可見，濾波參數越小，數據離散性越小，測試準確率越高。

表2 KN3A樣板不同濾波參數下像素點溫度判讀準確率

對KN3A 矩形樣板圖像進行區(qū)域分割和區(qū)域溫度判讀，其分割結果與判讀結果如圖5 所示。從圖中可見，所有的樣片區(qū)域都可以準確分割。溫度判讀完全正確的區(qū)域數占88%，當允許誤差在±10℃以內時，區(qū)域溫度判讀準確率為100%。

圖5 KN3A矩形樣板區(qū)域溫度判讀結果

以KN8 示溫漆矩形樣板為訓練樣本，對KN8 蝶形樣片圖像進行區(qū)域分割和像素點溫度判讀，其結果如圖6 所示。圖中的蝶形樣片是在標準板表面噴涂要標定的示溫漆，根據焦耳效應原理，當標準板通過一定電流時，樣板某處的溫度與寬度存在一定的比例關系，同時通過標準板表面貼敷熱電偶獲得并記錄不同寬度處的最高溫度。通過調整Rmax，可將蝶形樣板上的示溫漆區(qū)域在變色點處完全分割，將熱電偶附近像素點的溫度值與熱電偶溫度值進行比較，誤差為±10℃以內。

圖6 KN8蝶形樣片圖像分割和像素點溫度判讀結果

3 結論

（1）基于鄰域顏色相似性的多尺度圖像分割算法可通過設置分割參數達到預想的分割效果，可將KN3A 樣板所有的樣片區(qū)域準確分割，區(qū)域劃分的效率高。

（2）基于K 近鄰算法的溫度判讀方法，在像素點溫度判讀準確率上明顯優(yōu)于傳統方法的，在KN3A 矩形樣板上的區(qū)域溫度判讀準確率達到88%，將KN8蝶形樣板上的像素點溫度值與熱電偶溫度值進行比較，誤差為±10℃以內，判讀精度高，穩(wěn)定性好。

上述結果在光照條件一致的情況下獲得，光照條件變化及其它牌號示溫漆的溫度判讀還需作進一步研究。