姚学练 贺福强 平安 罗红 万思路

摘 要：针对桥梁蜂窝麻面图像经常存在光照不均、多背景并存的干扰问题，提出了基于HSI颜色空间与灰度波动相结合的复杂桥梁蜂窝麻面的图像分割算法。首先，绘制S分量灰度变化曲线;其次，搜索曲线所有潜在的波峰波谷，并求相邻波峰波谷的高度差;然后，基于灰度像素个数差分值的标准差筛选出部分高度差;最后，基于部分高度差的标准差搜索最佳阈值完成图像的阈值分割。实验结果表明，与二维OTSU法、Niblack法、二维Tsallis熵法等几种算法相比，该算法的分割效果和实时性更好。

关键词：彩色图像;HSI空间;灰度波动;高度差;标准差;图像分割

中图分类号： TP391.4

文献标志码：A

文章编号：1001-9081（2019）03-0882-06

Abstract： As the voids and pits image of bridge often has uneven illumination and multi-background interference problems， an image segmentation algorithm for complex voids and pits of bridge was proposed based on HSI color space and gray fluctuation. Firstly， S-component gray curve was plotted and all the potential peaks and troughs of the curve were searched， then the height differences between adjacent peaks and thoughs were calculated. Secondly， partial height differences were selected based on the standard deviation of gray pixel difference value. Finally the threshold segmentation of image was finished by searching the best threshold based on the standard deviation of partial height differences. Experimental results show that the proposed algorithm has better segmentation effect and real-time performance than OTSU， Niblack and Tsallis entropy method.

Key words： color image; HSI space; gray fluctuation; height difference; standard deviation; image segmentation

0 引言

蜂窝麻面是混凝土桥梁常见的病害。桥梁表面因蜂窝麻面的存在，不仅对桥梁的外观效果有很大的影响，而且水通过蜂窝麻面渗入到桥梁内部，可能导致钢筋的腐蚀，降低桥梁的内部质量和强度[1]。因此，快速识别蜂窝麻面并加以修补显得极其重要。然而快速识别病害及位置是一个难题。利用无人机对桥梁进行图像采集，结合图像处理技术对桥梁蜂窝麻面检测已是桥检领域的一种手段。然而在多种复杂背景、光照不均条件下对蜂窝麻面彩色图像分割是一个难点。图像分割是图像处理的一个重要步骤，其目的就是分离图像内的目标与背景[2]。目前提出的图像分割算法主要包括OTSU法[3]、Tsallis熵法[4-6]、分水岭算法[7-8]、聚类分析法[9-10]、Niblack法[11]及神经网络算法[12-14]等。这些方法虽能分割图像，但由于算法本身的限制效果并不理想。当灰度波动曲线中仅存在“单峰”图像时，OTSU法难以分割。当存在噪声干扰、灰度分布交叉时，Tsallis熵法受图像的邻域空间特性制约，分割效果不佳[15]。由于噪声点或者其他干扰因素的存在，造成区域极值过多，直接使用分水嶺算法容易导致图像的过分割。聚类算法对图像进行自主分割，聚类数目难以确定，且效果受参数的影响较大。Niblack法最先通过统计给定窗口内的均值和方差方法来寻求单个像素阈值。不但对参数的调节比较敏感，而且实时性较差。神经网络较复杂，结构难以确定，而且容易陷入局部最小值，影响分割效果。

针对桥梁图像经常存在光照不均、多种复杂背景并存的干扰问题，传统分割算法效果不佳，因此本文提出基于HSI颜色空间与灰度波动相结合的复杂桥梁蜂窝麻面的图像分割，首先绘制S分量灰度波动曲线，然后对曲线上各灰度值像素个数进行前后差分操作，判断其前后差分值异向以寻找潜在波峰点和波谷点。其次计算各差分值的标准差以及各波峰点与相邻波谷点的高度差，判断所有高度差与差分的标准差的大小以筛选部分高度差。然后求解部分高度差的标准差，判断部分高度差与其标准差的大小以筛选部分中的局部高度差。最后寻找局部高度差中最大的波峰值，结合对应的高度差确定其相邻波谷值及坐标，以波谷值坐标作为阈值进行图像分割。

1 基于HSI颜色空间的复杂蜂窝麻面的图像分析

由于无人机拍摄环境的复杂性以及偏斜的光照角度，易造成图像多背景并存以及光照不均匀。在某一局部区域属于背景部分的灰度级，在另一个局部区域却和目标部分灰度级相近。依据Kim提出的Water Flow模型理论[16]，可以把图像看作灰度值的三维地形，地形上的山峰部分对应着目标，低谷部分对应着背景，不均匀光照相当于改变了地形上的地貌，使灰度值波动在局部区域内拉高或者压低。直接使用彩色图像转成灰度图或直接彩色图像RGB三分量进行分割通常不能获得比较好的效果[17]。直接使用彩色图像转成灰度图或直接彩色图像RGB三分量绘制在多背景和光照不均的情况下灰度值的三维地形，如图1所示。

从图1中，可看出外景对应波峰而目标位于波谷，此原因是导致分割不理想的重要原因。HSI颜色模型是开发基于彩色图像描述的图像处理算法的理想工具[18]，它把彩色信号表示为3种属性：色调、色饱和度和亮度，克服了通用RGB颜色模型中两者耦合的缺陷[19]。因此，首先需要进行颜色模型的转换，从RGB颜色模型到HSI颜色模型的转换公式如下所示：

其中：R、G、B分别为图像中一个像素的红色、绿色、蓝色分量，H、S和I分别为图像中一个像素的色调、饱和度和亮度分量。

提取图1（a）集度严重型蜂窝麻面图像的H、S和I分量图，并绘制灰度值的三维地形。如图2所示。

对比图2，发现在H、S和I分量图中，尽管图像上下方的光照不一致，但是S分量图像波峰部分仍对应着目标，波谷部分则对应着背景。说明在S分量图中局部区域依然存在着灰度级的差异，如果上下方分别采用“相对阈值”进行分割，则可以改善图像的阈值分割效果。本文以S分量作为研究对象。

2 基于图像灰度波动的阈值搜索

2.1 灰度波动曲线

由于S分量图像中单个像素的灰度级与它在波动上的位置互相对应。假如知道像素灰度级的分级位置，依照它与波峰或波谷的接近程度来动态地划定它的归属，可有效分出目标与背景。设S分量的灰度曲线函数为g（k），k=0，1，…，255，k为灰度值，g（k）为对应灰度值k对应的像素个数。灰度波动曲线如图3所示。

基于灰度波动搜索阈值分割的关键在于求取灰度曲线上的波峰和波谷。一般而言，灰度波动曲线不可能如图3中的曲线那样平滑，而是大量不同幅度波动的随机组合，如图4所示，存在着若干大小尺度的波动，甚至存在着少数连续的重复值。而较大尺度的波峰点和波谷点正隐含在若干的小尺度波动之中。文献[16，20]为了柔性地适应不同的分割环境，设置波动幅度阈值来控制对分割的敏感程度。然而由于复杂桥梁蜂窝麻面图像背景色不是固定不变的，设置波动幅度阈值对图像的分割产生较大的影响。本文采用模板为3×3的高斯低通滤波器对图像进行去噪处理，去除由噪声引起的若干的小尺度波动，使曲线更加平滑。高斯低通滤波器采用二维高斯函数H（u，v）与输入图像i（x，y）进行卷积运算，二维高斯函数的定义如式（4）所示：

其中：取σ=1，D（u，v）是距频率矩形中心的距离。经过高斯濾波，图像得以去噪，使其灰度波动曲线更加平滑。

2.2 潜在波峰点和波谷点的搜索

采用差分操作搜索潜在的所有波峰点和波谷点。对灰度波动曲线上各个位置对应的像素个数进行前后差分操作，并判断其前后差分出现异向，以确定潜在波峰点和波谷点，判断的依据为：

2.3 基于标准差的阈值搜索

由于波动曲线上经常出现一些连续重复值，对寻找最佳阈值产生很大的影响。标准差是反映一组数据离散程度最常用的一种量化形式，利用标准差筛选光照不均产生的局部区域波动灰度值，以寻找到最佳图像的阈值。具体步骤如下：

步骤1 对diff（i）差分值取绝对值，计算差分值的总体偏差值std，如式（7）所示。

步骤2 求各个潜在的波峰与相邻波谷的高度差height（i），计算公式如式（8）所示。

步骤3 判断所有的高度差height（i）与std的大小，height（i）越大表明该波峰到波谷范围内的灰度值变化急剧，height（i）越小表明该波峰到波谷范围内的灰度值变化趋于平缓。若height（i）>std，则保留该波峰波谷及其对应的部分高度差height′（j），否则剔除。

步骤4 经过上一步的筛选，将变化较小和一些连续重复值的剔除。对部分高度差height′（j）进行二次筛选以寻找变动幅度较大高度差。对保留的height′（j）求局部偏差，如式（9）所示。

步骤5 求出height″（k）中波峰的最大值max（peak（k）），结合对应的高度差，找到其相邻的波谷点，即取trough（t）对应的t为阈值threshold，进行图像分割。

3 实验结果与分析

3.1 分割效果对比实验

为了验证本文算法的有效性，针对光照不均匀桥梁蜂窝麻面彩色图像进行了仿真实验。在对比算法的选择上，选择二维OTSU分割算法[3]、Niblack法[11]、Tsallis熵法[4-6]和基于标记控制的分水岭分割算法作为代表性分割算法。各算法参数设置如下：Niblack法中k值取值为-1.2（经过多次实验k取-1.2效果最佳），邻域窗口大小为80×80。图像的分辨率均为800像素×600像素。对比实验在硬件运行环境为ThinkStation P410 处理器：Intel Xeon CPU E5-1603 V4 @2.80GHz 2.80GHz;安装内存（RAM）：16.0GB;Windows 7;软件编程语言Matlab2015b。对比实验结果如图5所示。

图5对应的S分量灰度变化曲线如图6所示。基于标准差筛选光照不均产生的局部区域波动灰度值，以寻找到最佳图像的阈值时，差分值的总体偏差值std、对局部高度差标准差、相邻波峰波谷最大高度差以及最佳阈值如表1所示。

图5第1行为集度严重型蜂窝麻面图像，图像存在光照不均。二维OTSU法限于全局特性，在背景中误分了大量的噪声。因邻域特性Niblack法无法分割目标。二维Tsallis熵法受全局算法的绝对阈值的约束，导致分割目标与背景严重粘结在一起。基于标记的分水岭算法缺乏对光照不均的图像的适应性，造成区域极值过多，导致图像的过度分割。本文算法准确分割出目标，目标细节比较清晰。

第2行为浇筑不均导致的麻面型图像。二维OTSU法分割效果有所改善，但也伴随少量的噪声。Niblack法受限于领域特性而无法分割目标;二维Tsallis熵法受阈值的影响，导致过度分割。由于噪声点或者其他干扰因素的存在，导致分水岭算法分割出的目标与背景严重粘结在一起。本文算法对目标的分割较为准确。

第3行为附带直线浇筑印记的麻面型图像。二维OTSU法和Niblack法虽能将目标分割出，但却将直线浇筑印记和其他背景误分为目标，并伴随大量的噪声。二维Tsallis熵法与分水岭算法不仅将直线浇筑印记误分，而且目标与背景也严重粘结在一起。本文算法不仅能够准确分割目标，而且有效区分直线浇筑印记及排除背景噪声的干扰。

第4行为箱梁底部蜂窝麻面图像。其右下方存在模糊阴影区域。二维OTSU法缺乏对灰度变化的适应性，导致右下方的背景区域误分为目标。Niblack法、二维Tsallis熵法和分水岭算法分别受到邻域特性、全局阈值及局部极值点的影响，缺乏对复杂背景图像的分割能力，导致其无法分割图像。本文算法分割精确，最大限度保留目标形状的完整性。

第5行为箱梁侧部蜂窝麻面图像，图像同时存多背景并存，前后背景的光照不同，目标位于前背景上。二维OTSU法分割效果较好，但也伴随少量的噪声。Niblack法受邻域特征的制约致使其在背景内部误分大量的噪声。二维Tsallis熵法局限于全局阈值，导致其无法分割。由于后背景的亮度大于前背景的亮度，因此分水岭算法寻找到错误边界导致分割失败。本文算法对目标细节分割良好、干净且清晰。

第6行为箱梁翼板根部蜂窝麻面图像，目标位于两墙面之间，并附带直线浇筑印记。二维OTSU法在目标内部的误分严重，背景与目标严重粘结在一起。Niblack法在背景中残留了大量的误分。二维Tsallis熵法和分水岭算法过度分割，无法有效将目标分割出来。本文算法分割出的目标形状分明，在目标内部误分减少。

从实验结果上看，本文算法采用S分量作为研究对象，利用灰度波动变化规律寻找阈值，使其能随光线强弱的变化而自适应改变，有效克服了光照不均以及多背景工況的干扰。

3.2 分割准确率和算法耗时实验

目前对图像分割质量的评判还没有一种合适的量化标准，一般依赖于研究者的主观判断。现阶段文献中使用较多的标准是误分错误率（Misclassification Error， ME）[21]，其数值按下式计算：

其中：BO与FO指图像标准二值掩码（Ground Truth， GT）中的背景与前景，该掩码图像是按照研究人员的观察标准人工制作而成。图5第一列图像的标准掩膜如图7所示。

BT与FT为分割结果的背景与前景，| |为取集合元素总数操作。即ME等于分割结果与掩码之问交集的补集面积占总面积的比例，该值越低说明分割效果越好。尽管利用ME来衡量各算法的分割质量并不是非常准确，但是至少从侧面反映出了各算法的效果。

表2给出了本文算法、二维OTSU法、Niblack法、二维Tsallis熵法和分水岭算法图5的6幅图像的ME值及处理时间。由表2可看出，本文算法对图像处理的ME值均比其他算法低，这与图5中的效果一致，说明本文算法具有较高的分割准确性。

对比表2中的耗时可知，本文算法的处理效率相对于其他算法更高。二维OTSU法和二维Tsallis熵法受全局特征影响，在复杂背景中寻找全局阈值时增加耗时。Niblack法需在给定窗口中计算均值和方差获取单个像素的阈值，导致实时性较差。分水岭算法中分水岭的计算过程是一个迭代标注过程，因而耗时较多。本文算法是根据图像灰度波动的剧烈程度来设置阈值，因此本文算法相对于其他算法具有较高的实时性能和较强的适应性。

4 结语

本文提出了基于HSI颜色空间与灰度波动相结合的复杂桥梁蜂窝麻面的图像分割。基于HSI颜色空间对复杂蜂窝麻面的图像进行了分析，确定了以S分量图为研究对象。绘制了S分量的灰度波动曲线。通过灰度像素个数差分值，找到波峰波谷。计算相邻波峰波谷的高度差，通过像素个数差分值的标准差筛选出部分高度差，最后通过部分高度差的标准差搜索到最佳阈值，完成图像的分割。实验结果表明，与二维OTSU法、Niblack法、二维Tsallis熵法和分水岭算法相比，本文算法不仅有效地降低不均匀光照的影响，提高图像的实际分割效果，而且能提升处理的实时性。是一种有效自适应阈值分割方法算法。为解决多背景光照不均的大目标彩色图像分割问题提供了一种新思路。但是该算法也存在一些不足：1）当图像中目标所在背景过渡到另一层背景时灰度变化急剧，加上该背景与目标的灰度过渡变化平缓时，基于标准差搜索最佳阈会产生偏差，致使小部分背景误分，如Image_1分割图像。对于此类图像可根据整体的灰度变化程度先排除未含目标的背景，再基于标准差搜索含由目标和背景的局部最佳阈值;2）算法的执行速度仍然有待提高。

参考文献 （References）

[1] 刘德才，杨南贵，陈亚军.混凝土倒角蜂窝麻面成因及预防措施探讨[J].山西建筑，2017，43（20）：98-99.（LIU D C，YANG N G，CHEN Y J. Analysis of reasons and prevention measures of voids and pits of inclined surface concrete for chamfer [J]. Shanxi Architecture， 2017， 43（20）： 98-99.）

[2] ZHENG X， YE H， TANG Y. Image bi-level thresholding based on gray level-local variance histogram [J]. Entropy， 2017，19（5）： 191.

[3] OSTU N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on Systems， Man， and Cybernetics， 1978， 9（1）： 62-66.

[4] de ALBUQUERQUE M P， ESQUEF I A， MELLO A R G， et al. Image thresholding using Tsallis entropy [J]. Pattern Recognition Letters， 2004， 25（9）： 1059-1065.

[5] MANIKANTAN K， ARUN B V， YARADONI D K S. Optimal multilevel thresholds based on tsallis entropy method using golden ratio particle swarm optimization for improved image segmentation [J]. Procedia Engineering， 2012， 30： 364-371.

[6] ALVA A， AKASH R S， MANIKANTAN K. Optimal multilevel thresholding based on Tsallis entropy and half-life constant PSO for improved image segmentation [C]// Proceedings of the 2015 IEEE UP Section Conference on Electrical Computer and Electronics. Piscataway， NJ： IEEE， 2016： 1-6.

[7] WANG G-Q， ZHOU X-H， YU L-L. Image segmentation based on watershed algorithm [J]. Computer Simulation， 2009， 26（5）： 255-258.

[8] YAHYA A A， TAN J， HU M. A novel model of image segmentation based on watershed algorithm [J]. Advances in Multimedia， 2013， 2013： Article No. 5.

[9] HETTIARACHCHI R， PETERS J F. Voronoi region-based adaptive unsupervised color image segmentation [J]. Pattern Recognition， 2016， 65： 119-135.

[10] ARIFIN A Z， ASANO A. Image segmentation by histogram thresholding using hierarchical cluster analysis [J]. Pattern Recognition Letters， 2006， 27（13）： 1515-1521.

[11] NIBLACK W. An Introduction to Digital Image Processing [M]. Strandberg Publishing CompanyBirkeroed： Strandberg， 1985： S106-S107.

[12] WANG X W， WU Q X， ZHANG Z， et al. Segmentation based on spiking neural network using color edge gradient for extraction of corridor floor [C]// Proceedings of the 3rd International Conference on Multimedia Technology， LNEE 278. Berlin： Springer， 2013： 275-285.

[13] LIN X， WANG X， CUI W. An automatic image segmentation algorithm based on spiking neural network model [C]// ICIC 2014： Proceedings of the 2014 International Conference on Intelligent Computing， LNCS 8588. Berlin： Springer， 2014： 248-258.

[14] ZUO L， MA L， XIAO Y， et al. A dynamic region generation algorithm for image segmentation based on spiking neural network [C]// Proceedings of the 2017 International Conference on Neural Information Processing， LNCS 10636. Berlin： Springer， 2017： 816-824.

[15] 朱磊，白瑞林，吉峰.光照不均勻图像的灰度波动局部阈值分割[J].计算机工程与应用，2015，51（12）：144-149.（ZHU L， BAI R L， JI F. Local threshold segmentation based on grayscale wave for uneven illumination image [J].Computer Engineering and Applications， 2015， 51（12）： 144-149.）

[16] VALIZADEH M， KABIR E. An adaptive water flow model for binarization of degraded document images [J]. International Journal on Document Analysis and Recognition， 2013，16（2）： 165-176.

[17] 汪鼎文，李元香.基于HSI颜色空间的X射线彩色图像分割[J].计算机工程与设计，2006，27（1）：139-141.（WANG D W， LI Y X. X-ray color image segmentation based on HSI model [J]. Computer Engineering and Design， 2006， 27（1）： 139-141.）

[18] GONZALEZ R C， WOODS R E， EDDINS S L， 等.数字图像处理[M].北京：电子工业出版社， 2014.（GONZALEZ R C， WOODS R E， EDDINS S L， et al. Digital Image Processing [M]. Beijing： Publishing House of Electronics Industry， 2014.）

[19] 李峻，孟正大.基于HS分量聯合统计的自适应阈值分割算法[J].东南大学学报（自然科学版），2010，40（S1）：266-271.（LI J， MENG Z D. HS joint statistics based adaptive color segmentation [J].Journal of Southeast University （Natural Science Edition）， 2010， 40（S1）： 266-271.）

[20] 魏巍，申铉京，千庆姬.工业检测图像灰度波动变换自适应阈值分割算法[J].自动化学报，2011（8）：944-953.（WEI W， SHEN X J， QIAN Q J. An adaptive thresholding algorithm based on grayscale transformation for industrial inspection images [J]. Acta Automatica Sinica， 2011（8）： 944-953.）

[21] JOLLIFFE I T. Principal component analysis [J]. Journal of Marketing Research， 2002， 87（100）： 513.