一種基于PSO與OSTU的改進絮體分割算法

謝 昕， 王建賓， 胡鋒平

(1.華東交通大學 信息工程學院，江西 南昌 330013;2.華東交通大學 土木建筑學院，江西 南昌 330013)

一種基于PSO與OSTU的改進絮體分割算法

謝 昕1， 王建賓1， 胡鋒平2

(1.華東交通大學 信息工程學院，江西 南昌 330013;2.華東交通大學 土木建筑學院，江西 南昌 330013)

介紹了圖像分割中常用的直方圖法、迭代法、經典大津法的閾值選取原理，然后對水處理混凝過程中的絮體圖像進行分割對比實驗，結合絮體運動特點和水處理實時性的要求，提出了一種基于粒子群優化(PSO)與OSTU的絮體圖像分割的改進算法，即先通過灰度拉伸以增強圖像灰度對比，再利用PSO算法的全局搜索能力來改善OSTU方法的閾值選取時間，求出分割閾值。實驗表明：該算法能實現絮體圖像的準確、快速分割，達到實時計算絮體等效粒徑和數量的要求。

粒子群優化； 算法; 絮體； 圖像分割； 增強OSTU

0 引 言

飲用水處理工藝一般包括混凝、沉淀、過濾、消毒等幾個階段。混凝就是采用混凝劑使水中的膠體顆粒和細小的懸浮物相互凝聚，形成沉淀性能良好的絮體(礬花)，使之在后續的工藝中能夠有效地從水中分離[1]。

近年來，國內外研究者將各種檢測技術應用于混凝過程的檢測中。流動電流檢測(streaming current detector，SCD)技術[2]是在原水中投加混凝劑，經過混合后在其末端檢測水中的流動電流值，找出沉淀后出水濁度值的關系。由于SCD儀表靈敏度較低，變化范圍較小，受原水中某些有機物影響較大，限制了使用場合。1984年,英國Gregory J和Nelson D W[3]研制出一種通過檢測透光率脈動檢測值R即可以反映出混凝過程的效果的技術,但在常規濁度的水處理中效果不甚理想。顯示絮凝控制方法(flocculation control device，FCD)[4]是一種基于圖像處理的高效、準確的檢測技術，它以絮體的等效粒徑為主要參量，有效避免了物理化學因素的影響。但是FCD時間復雜度高，在絮體識別的過程中，花費了大量的時間。而圖像分割是絮體識別的關鍵一步，如何提高絮體圖像分割的精度與速度是目前需要解決的一個關鍵問題。

研究者相繼提出了多種絮體圖像分割算法。宋曉峰[5]采用了基于方差最大比的閾值確定方法，能最大限度地將圖像分為物體和背景，但這種方法很難確定分割類數，需要人為確定，缺乏靈活性。陳峰等人[6]采用迭代閾值法對絮體圖像進行分割，此算法計算復雜度小，計算速度快，但所計算的絮體圖像的閾值不是很準確。張輝、程培英等人[7，8]采用二維OSTU自適應算法對圖像進行分割，隨閾值選取相對準確，分割精度較好，但算法時間復雜度高，效率低，不能滿足實時性的要求。上述方法只能完成一些特定狀態的絮體分割且準確度不高。

本文提出一種基于粒子群優化(PSO)和OSTU的絮體分割算法，可實現對絮體區域的快速、精確提取。

1 圖像獲取

實驗系統主要包括混凝池、沉淀池、圖像采集系統，如圖1所示。混凝池和沉淀池均采用1.75 m×1.00 m×2.30 m規格。

圖1 絮體圖像采集系統

高速工業攝像機采用西安維視公司研發的MV—VEM120SM(最大分辨率為1 280×960，最大幀頻為30 fps)。光源選用的是新源輝光電科技生產的LED水下燈。拍攝到此圖片時所用混凝劑為聚合氯化鋁(PAC)，水的流量為5 m3/h，混凝劑加注量為40 mg/L。

2 圖像前期處理與幾種常用分割方法

2.1 前期處理

前期對圖片先進行截取和降噪，圖2(a)是混凝池中截取的原始絮體圖像，圖2(b)是降噪處理后的圖像，圖2(c)為灰度拉伸后的圖像，像素大小為270×200。

2.2 圖像分割算法

2.2.1 直方圖法[9,10]

直方圖法適用于所拍攝圖像中物體和背景各形成一個波峰的情況，宜選擇兩個波峰之間的波谷的閾值作為分割閾值。絮體的灰度直方圖如圖3所示，圖像中并不存在明顯的雙峰，因此，不太適合絮體圖像的分割。

圖3 原始絮體圖像灰度分布

2.2.2 迭代分割法[11]

算法步驟如下：

1)閾值的初始設定為

T=(Tmax+Tmin)/2,

(1)

式中T為平均灰度值，Tmax，Tmin分別為最大、最小灰度值。

2)根據初始閾值對絮體圖像進行分割，并求出絮體部分和背景部分的平均灰度值T1和T2。

3)更新閾值

Tk=(T1+T2)/2,

(2)

式中T1,T2為平均灰度值，Tk為迭代后的灰度值。

4)重復步驟(2)～步驟(3)，直到Tk值不再發生變化為止。

5)OSTU法

OSTU法又叫大津法[12,13]或最大類間方差法，它主要利用類別方差作為判據，選取使類間方差最大和類內方差最小的灰度值作為最佳閾值。

類內方差

(3)

類間方差

(4)

總體方差

其中

式中M為圖像原始灰度級,ni為灰度級為i的像素點個數，t為分割閾值,w1,w0分別為兩類灰度出現的概率,μ1,μ0為每一類的平均灰度。

其中最佳閾值T可由公式(5)求出

(5)

式中σB為類間方差，σw為類內方差。

采用OSTU方法對絮體圖像分割后的效果。缺陷體現在絮體與背景灰度差不明顯時，會出現模糊的大塊白色區域，甚至會丟失整幅圖像的重要信息。

為此，可先對絮體圖像進行灰度拉伸，以增強絮體與背景的對比度，然后再對拉伸后的圖像進行分割。擬采用基于粒子群優化的增強OSTU算法。算法首先對絮體圖像進行灰度變換，然后利用粒子群優化算法的全局搜索功能和尋優的高效性以縮短OSTU算法的閾值選定時間。其中，采用非線性變換對絮體圖進行灰度拉伸，如公式(6)所示

s=T(r)=1/(1+(m/r)E).

(6)

其中，r為圖像的初始灰度值；s為變換后圖像中的相應灰度值；E為該函數的調節斜率，可根據所需要的不同效果進行設定。絮體原始圖像按以上公式拉伸后的圖像如圖2(c)所示。

3 PSO算法的基本原理

PSO算法將每個個體看做是D維空間中一個粒子，在搜索的空間里，以一定的速度飛行，并根據對個體和集體的飛行經驗來動態調整這個速度值。對于每一次迭代，粒子i在d維空間(1≤d≤D)按照如下方程運動

(7)

(8)

4 改進后的絮體分割算法

利用PSO算法對OSTU算法進行優化，主要包括兩個步驟：適應度函數的選取和參數的選擇。

4.1 選擇適應度函數

把目標函數直接當做適應度函數，本文選用閾值分割的類間方差求其最大值，類內方差求其最小值，通過這兩個值得出最佳分割閾值。

4.2 參數的選取

公式(7)中參數的選取主要是設定權重w、加速常數，c1,c2種群大小以及最大速度Vmax和最大迭代次數這幾樣參數。算法的搜索能力受到權重選取的影響,一般在搜索的過程中w從0.9線性遞減一直到0.4。為了使微粒能夠更好地找到極值，一般情況下會選取c1=c2=2。另外還和適應度函數的復雜維數有關，一般情況下會在20～100之間。最大迭代次數則由適應度函數復雜度、維數、運行時間限定及種群數等已設定好的參數確定。粒子每次飛行的最大距離由最大速度Vmax確定，通常情況下是將Vmax設定為每維變量的變化范圍。實驗參數設定如下：wmax=0.9，wmin=0.4，c1=c2=2，種群數設為20，最大迭代的次數設定為60，根據圖像灰度值的范圍，取Vmax=255。

4.3 算法流程

算法流程如圖4所示。由于灰度圖像的范圍是在[0,255]之間，粒子的位置在[0,255]之間選擇，隨機值都是由rand()函數得出。然后計算出函數的適應度值并且進行比較和迭代計算，得到最優閾值。

圖4 粒子群優化算法流程圖

5 算法仿真與結果分析

不同算法對比如圖5，采用改進PSO與OSTU算法對絮體圖像進行分割后如圖5(c)所示。只用原始大津法對270×280絮體圖像的分割時間為95ms，而本文的算法時間為32 ms，求出的最佳分割閾值為173。與原來的分割后圖像比較之后,發現此方法的分割效果明顯要好于目前常用的幾種絮體分割算法。

為了正確計算絮體的等效粒徑和數量，還要對分割后絮體圖像進行開運算和閉運算，使得各個絮體邊緣變得平滑，并且去除相鄰絮體間的微小連接，使得絮體顆粒界限分明，便于計數，如圖5(d)所示。

圖5 不同分割算法效果對比圖

6 結 論

本文在采用雙峰法、經典OSTU算法及迭代法對絮體圖像進行分割實驗的基礎上，引入了改進的基于PSO的OSTU算法,仿真實驗表明:該算法具有較好的效果，也能滿足水處理實時性要求。但PSO算法的實施過程與所采用的參數有較大關系，對于不同的圖像分割算法的優化處理，參數設置是不同的。然而如何設置，則主要依賴設計者的經驗,如何使參數的設置更精確，需要進一步的研究。

[1] 史如萍.水處理混凝劑投加量自動控制方式研究進展[J].城鎮供水,2011,22(1):86-88.

[2] 曲久輝,李圭自,崔福義.單因子水處理混凝投藥在線監控系統的設計原則與綜合性研究[J].工業水處理,1996,6(3):22-24.

[3] Gregory J,Nelson D W．A new opptical method for flocculation monitoring[C]∥Solid-Liquid Separation,ElisHorwood：Chichester,1984:172-182.

[4] 巴怡然,宋啟敏,宋振亞,等.基于神經網絡的FCD絮凝控制系統的研究[J].自動化與儀表,2009,24(9):30-32.

[5] 宋曉峰.水中絮體在線檢測系統研究[D].上海:上海大學,2006:39-49.

[6] 陳 峰.基于圖像處理的絮體檢測技術研究[D].鎮江：江蘇大學,2006:28-38.

[7] 張 輝,王耀南,周博文,等.基于機器視覺的保健酒可見異物檢測系統研究與開發[J].儀器儀表學報,2009,30(5):973-980.

[8] 程培英.一種新穎的圖像閾值分割方法[J].計算機應用與軟件,2009,26(5):228-232.

[9] Wang Liang,Yan Jie.Method of infrared image enhancement based on histogram[J].Optoelectronics Letters,2011,7(3):237-241.

[10] 阮秋琦.數字圖像處理[M].北京：電子工業出版社,2005:48-49.

[11] 郭 臻,陳遠知.圖像分割閾值算法研究[J].中國傳媒大學學報:自然科學版,2008,15(2):77-82.

[12] Mahsa Chitsaz,Chaw Seng Woo.Software agent with reinforcement learning approach for medical image segmentation[J].Journal of Computer Science and Technology,2011,26(2):247-256.

[13] 覃 曉,元昌安,鄧育林,等.一種改進的Ostu圖像分割法[J].山西大學學報,2013(4):530-535.

[14] Li Linyi,Li Deren .Fuzzy entropy image segmentation based on particle swarm optimization[J].Progress in Natural Science,2008,36(9):1167-1171.

[15] 雷建鋒,汪 偉.基于OpenCV的圖像閾值分割研究與實現[J].現代電子技術,2013,36(24):73-77.

[16] 李健華,史步海.基于絮體等效粒徑的混凝控制研究[J].微計算機信息,2008,24(13):3-5.

An improved floc segmentation algorithm based on PSO and OSTU

XIE Xin1, WANG Jian-bin1, HU Feng-ping2

(1.School of Information Engineering,East China Jiaotong University,Nanchang 330013,China;2.School of Civil Engineering,East China Jiaotong University,Nanchang 330013,China)

Introduce threshold value selection principle such as histogram,iterative and classic OSTU method,then use these three methods to divide flocs image of water treatment coagulation process,by comparing the effect and combining the floc movement and the characteristics of the real-time demand in water treatment,put forward a kind of improved OSTU image segmentation method based on particle swarm optimization(PSO).First,using gray stretch to enhance image gray-scale contrast and then utilizing global search ability of PSO algorithm to improve threshold value time of reinforced OSTU method and get segmentation threshold.Experimental results show that the algorithm can realize accurate and fast segmentation of flocs in water treatment,reach requirement of realtime calculation of equivalent size and number of floc.

PSO; algorithm; floc; image segmentation; enhanced OSTU

10.13873/J.1000—9787(2015)01—0131—04

2014—05—12

國家自然科學基金資助項目(61272197)；江西省自然科學基金資助項目(20132BAB201027)；江西省教育廳科技項目(GJJ13362)

TP 391.4

A

1000—9787(2015)01—0131—04

謝 昕(1969-)，男，江西永豐人，教授，碩士生導師，主要從事機器視覺、網絡與信息安全等方向的研究。