卫涵典，吴 伟，刘 斌

（西安石油大学机械工程学院，西安 710065）

0 引言

故障诊断技术不断发展，越来越多传感器用于机器的在线故障监测[1－3]。在线监测故障诊断技术已经成为降低成本和提高效率的重要方法。设备运行过程中存在磨损问题，所产生的磨粒含有表征设备磨损状态的摩擦学信息[4－6]。因此，磨粒特征信息的获取十分重要。其中，磨粒图像分割是评估磨损率和设备磨损状态的重要方法。传统的磨粒分析方法无法快速自动地采集磨粒信息[7]。

随着图像传感器的不断发展，使得在线磨粒图像分析成为可能[8]。越来越多磨粒图像分割方法被提出来，Wu等[9]提出一种基于磨粒颜色统计的磨粒识别方法。根据磨粒颜色的强度和色度分布来区分3种常见金属磨粒的颜色。现有的在线系统中，磨粒在微磁场中磁力作用下会成链状或簇状，使得磨粒识别难度增加。因此，基于形态学的磨粒分割方法被提出来。Wang等[10]提出了一种结合主成分分析和灰色关联分析（CPGA）的新算法。该算法可以成功解决多参数引起的信息冗余问题，是一种快速准确识别磨损颗粒的实用方法。该方法对磨粒图像质量要求较高，对于反射光干扰、油液污染等情况下的磨粒图像不能准确分割。环境因素的干扰和磨粒形状高度不规则，使得磨粒图像的分割成为在线铁谱仪应用程序的难点。

本文提出一种基于图像增强的OLVF反射光磨粒图像分割算法。首先，将反射光磨粒图像增强，以显示出高亮度磨粒和过暗区域磨粒轮廓。其次，采用Canny边缘检测对图像进行分割，对分割后的图像进行H－minima变换校正局部极值。最后，应用膨胀腐蚀开闭操作填充孔洞。该方法有效识别出了反射光磨粒图像中高亮度和过暗区域的磨粒，提高了磨粒图像的分割精度和在线监测效率。

1 磨粒分割方法

OLVF探头的成像方法为反射光成像，因为反射光成像可以显示磨粒轮廓和磨粒特征形貌信息，但是反射光会造成磨粒图像中亮度过高和过暗磨粒难以识别的问题，本文提出一种图像增强的OLVF反射光磨粒图像分割方法。首先，对原始磨粒图像进行背景减运算，大致将磨粒区分出来。然后，采用形态学黑帽操作[11]，即将闭运算结果图与原始图像相减，增强磨粒中接近背景颜色的部分。叠加背景减和形学黑帽操作后的图像，使得磨粒部分更准确地显现出来。应用双边滤波去除图像中的噪声干扰。然后，采用自适应Canny算子进行边缘检测。应用Otsu[12]方法获取H－minima变换的阈值，然后进行H－minima变换来进一步消除局部噪声干扰。最后，对去噪后的磨粒图像进行膨胀腐蚀开闭操作填充孔洞，得到最终结果。算法的框图如图1所示。

图1 算法流程

1.1 磨粒图像增强

磨粒图像如图2所示，首先进行背景减运算，以获得初步处理的磨粒图像，结果如图3（a）所示。背景去除后的磨粒图像有不均匀光照引起的噪声，过暗区域的磨粒对比度低且难以识别。

图2 磨粒图像

使用形态学黑帽突出显示比原始图像轮廓周围更暗的区域，如图3（b）所示。叠加图3（a）～（b）可以增强过暗区域的磨粒，结果如图3（c）所示。叠加磨粒图像中仍然存在噪声，使用双边滤波进一步去噪，结果如图3（d）所示。

图3 磨粒图像增强

1.2 自适应Canny磨粒图像边缘检测

磨粒图像增强后应用自适应Canny算子边缘检测，主要过程包括高斯函数滤波、计算梯度和幅度以及构造梯度直方图。采用二维高斯函数的一阶导数对磨粒图像进行低通滤波，二维高斯函数为：

梯度向量为：

其中：

式中：k为常数；σ为控制图像平滑度的高斯滤波器参数。对于增强的磨粒图像，求解x和y方向上的图像梯度，分别为px( i ,j)和py( i ,j)。那么，磨粒图像的梯度大小为：

由上式构造磨粒图像梯度直方图。

为了确定梯度直方图中高低梯度区域的最佳分割阈值，自适应Canny算法的步骤如下。

（1）设置初始阈值T0。

（2）利用阈值T0将磨粒图像分成两组像素：图像I1由灰度值大于或等于T0的所有像素构成；图像I2由灰度值小于T0的所有像素构成。

（3）计算在I1和I2范围内的平均灰度值μ1和μ2。

（4）计算新的阈值T＝(μ1＋μ2)/2。

（5）重复步骤（2）～（4），直到连续迭代中的阈值变化小于预先指定的参数T0。

获得最佳分割阈值后进行图像边缘跟踪，从而实现边缘检测。

1.3 基于H－minima变换的磨粒分割

边缘检测图像中消除了大部分噪声，磨粒的细节部分因为噪声的干扰仍未被识别出来，因此图像中的一些最小值需要被抑制。为解决这一问题，采用标记的方法。标记边缘检测图像的最小值，并抑制其他冗余最小值，以减少过度分割问题。本文采用了基于形态学的自适应扩展最小变换（H－minima）技术标记最小值。H－minima变换的基本原理是消除低于给定阈值H的局部最小值。

对边缘检测图像Icd( x,y)应用H－minima变换，二值标记图像I1eb( x,y)通过下式获得：

其中阈值H采用Otsu方法获得。Otsu算法根据给定阈值将灰度直方图分为磨粒区域和背景区域两部分。将两个类别之间的方差最大或类别方差最小的阈值设置为最佳阈值。

输入图像：

式中：k*为最佳阈值。

本文利用Otsu算法获得的阈值k获取Icd( x,y)的有效标记。校准最小值的位置，防止出现无意义的最小值，并避免人为地设置阈值的不合理性，不仅提高了鲁棒性，而且获得更接近磨粒轮廓的分割结果。

1.4 膨胀腐蚀开闭重建

比较H－minima变换后的图像与原始磨粒图像，仍然有部分孔洞存在。因此，有必要对H－minima变换后的图像进行膨胀腐蚀开闭操作。该操作可以填充孔洞，保留磨粒完整的形貌信息。膨胀腐蚀开闭操作包括一幅图像和一个结构元素，一个是输入的H－minima分割后的磨粒图像，结构元素表征图像的连通性。

膨胀腐蚀开闭操作的主要内容是膨胀和腐蚀。Iw的膨胀D定义为：

式中：d为结构元素，⊕为膨胀运算。对结构元素d做关于原点的映射，再将其映射平移z，这里Iw与d映射的交集不为空集，即d映射的位移与Iw至少有1个非零元素相交时的原点位置的集合。

Iw的腐蚀E定义为：

式中：d为结构元素，⊖为腐蚀运算。采用d对Iw进行腐蚀，即沿着Iw的内部边界遍历，平移区域d形成的集合区。d中心的移动轨迹即为腐蚀后z的边界，(d)z为将d平移，使其中心点位于z位置。

H－minim变换图像Iw对模板图像进行腐蚀的形态重构，腐蚀重复迭代至稳定k满足条件

根据膨胀和腐蚀的基本原理，将输入图像的第一次腐蚀图像作为开操作的输入图像。Iw的开操作定义如下：首先用大小为n的结构对Iw腐蚀，然后膨胀Iw。该操作可以消除小于结构要素的纹理细节和明亮噪声干扰。开操作公式为：

类似地，Iw的闭操作定义为：首先用大小为n的结构对Iw膨胀，然后腐蚀Iw。该操作可以消除小于结构元素的纹理细节和暗噪声，更好地恢复磨粒边缘。闭操作公式为：

对H－minima变换图像先进行开操作，然后进行闭操作。开和闭操作结合，使磨粒轮廓保留完整，孔洞也得到了填充，磨粒被精确地分割出来。

2 实验结果与分析

本算法的磨粒图像分割结果如图4所示。运用在线油液磨粒监测设备随机获取反射光磨粒沉积谱谱片，分别采用传统分水岭分割算法、基于Otsu阈值的分水岭分割算法、基于Canny的分水岭分割算法对同一张谱片进行磨粒图像分割处理。将其处理结果与本文算法处理结果作比较，定性评价本文分割算法性能及可行性。

图4 磨粒最终分割结果

测试输入图像如图5所示。本文提出的方法和相关方法的结果如图6～9所示。参照输入图像，通过视觉比较散射光去除的程度、伪影和磨粒外观来进行评估。

图5 输入磨粒图像

图6 本文算法分割结果

图7 传统分水岭分割算法

图8 基于Otsu阈值的分水岭分割算法

图9 基于Canny的分水岭分割算法

对于散射光和伪影，基于分水岭变换的磨粒分割算法将一些伪影误认为磨粒而导致过度分现象。基于Otsu阈值的分水岭分割算法将部分散射光误认为磨粒，导致图像中出现了部分阴影。基于Canny的分水岭分割算法的处理结果中，散射光被基本消除，但是伪影的干扰还是有被误认为磨粒。本文提出的算法消除了散射光和伪影的干扰，可以准确地识别出磨粒。

对于噪声的识别，基于分水岭算法中存在大量噪声干扰。基于Otsu阈值的分水岭分割算法虽然去掉了一些噪声的干扰，但是存在阴影干扰，无法区分磨粒和背景。基于Canny的分水岭分割算法也存在噪声的干扰，无法准确识别磨粒。本文算法有效抑制了噪声的干扰，磨粒和背景明显地区分出来。

对于磨粒的外观，基于分水岭算法分割的图像中，明亮的磨粒被误认为背景而没有识别出来。基于Otsu阈值的分水岭分割算法，明亮的磨粒也没有被识别出来，并且有部分噪声被误认为是磨粒。基于Canny的分水岭分割算法没有识别出小磨粒的轮廓，同样存在明亮磨粒没有识别出来的问题。本文方法可以识别出明亮的磨粒，细小的磨粒也被识别出来。

实验结果表明，该算法能有效地识别出磨粒位置并将其分割，并保留磨粒图像的边缘和纹理特征。因此，本文方法比其他算法更加准确可靠。

3 结束语

为了准确分割出磨粒，本文提出一种基于图像增强的OLVF反射光磨粒图像分割方法。首先，对磨粒图像进行背景减操作，大致区分出磨粒。对磨粒图像应用形态学黑帽操作使得图像整体亮度对比度提高，叠加背景减后的图像和形态学黑帽操作的图像，并进行双边滤波去噪。其次，采用自适应Canny边缘检测获得磨粒的边缘。然后使用Otsu算法获取H－minima变换阈值对边缘检测图像进行局部去噪。最后，通过膨胀腐蚀开闭操作填充孔洞，以获得最终分割结果。实验结果表明，与传统方法相比，该算法可以有效抑制光反射的影响，优化磨粒分割效果，保持磨粒的完整性。然而，该算法在磨粒分割方面仍然存在局限性，将在以后的工作中进一步研究。