基于Chan-Vese模型的海面油膜分割應用

，，，，

(1.中海石油環保服務(天津)有限公司,天津 300457； 2.中國海洋大學 海洋地球科學學院，山東 青島 266061)

在過去的10年中，成像系統被廣泛應用于遙感技術以改進石油泄漏檢測方法。在用這些成像系統獲得的真實圖像中，有許多方法可以探測到石油泄漏。但遙感圖像只能提供較低的空間分辨率的圖像，不能有效地監測和發現規模較小的石油泄漏。作為一種補充，鉆井平臺上的監控視頻圖像可以得到很好的利用，獲得區域性的高分辨率海面監測圖像，通過利用獲取的連續視頻圖像，開展海面油膜的分割和識別監測。

探測石油泄漏所涉及的復雜問題是由于不同的風/霧和海面條件造成的。這些復雜的環境因素導致了原油泄漏圖像的非均勻照明和低信噪比，使得油膜的提取和識別更加困難。低對比度圖像降低了各種圖像處理和計算機視覺算法的性能。圖像增強的目的是去除源圖像中的噪聲，增強圖像對比度。然而，在有霧的情況下，這些方法并沒有考慮到霧的厚度與物體的景深比例關系。為此，可采用高斯去噪和局部圖像對比度增強技術對海面油膜圖像進行預測，提高圖像的信噪比，為油膜圖像分割做準備。

鑒于海面油膜圖像的低對比度和低信噪比等特性，傳統的基于閾值和邊界梯度的分割方法難以取得預期的效果[1]。由Osher和Sethian提出的水平集算法[2]可以有效地解決曲線演化問題，并且適用于多維度空間，已被廣泛應用于圖像分割識別領域。Chan-Vese在2001年基于Mumford-Shah模型提出了一種改進型水平集圖像分割方法[3-4]，分割過程不依賴圖像像素梯度變化，而是通過計算能量函數最小化實現圖像分割。

1 降噪處理

風速、風向、溫度、洋流、海水成分,以及陸地等都會引起海洋的復雜運動，因此，海面由于其特殊的環境特性，采集的視頻圖像普遍存在光照不均勻、與海面波浪等造成的圖像紋理的一致性的問題，導致圖像低對比度和低信噪比等，給海面圖像的處理和目標提取造成困難。

如圖1a)、b)所示，海面溢油圖像明顯受到了加性噪聲的影響，這里通過高斯噪聲模型來近似模擬噪聲信號。對于抑制服從正態分布的噪聲，高斯濾波器擁有效果較好的噪聲濾除效果，可應用于圖像處理的降噪過程[5]。高斯濾波通過計算各像素領域內像素的加權平均值代替原像素亮度值，可通過圖像卷積處理得到。高斯濾波器濾波后的圖像和像素值三維分布如圖1c)、d)所示。

圖1 高斯濾波去噪

2 對比度增強

KIM Jin-Hwan提出的圖像傳播模型為[6]

J(p)=t(p)I(p)+(1-t(p))A

(1)

式中：J(p)=(Jr(p)、Jg(p)、Jb(p))、I(p)=(Ir(p)、Ig(p)、Ib(p))分別為原始圖像和觀察圖像在r、g、b三通道各像素點P處對應的像素值；A=(Ar,Ag,Ab)為環境光線在大氣中的亮度因子；t(p)∈[0,1]為光線傳輸因子，與光線傳輸距離相關。

圖2顯示了該算法的處理流程。首先，確定一個輸入模糊圖像的大氣光線。然后，假設場景深度在一個圖像區塊中是近似的，并找到每個區塊的最佳傳輸系數，以最大化恢復圖像的對比度。此外，還減少了由于像素值的截斷而導致的信息丟失，同時增強了對比度。最后，考慮到傳輸圖和大氣的光，從輸入模糊的圖像中恢復了場景的輻射。

圖2 圖像增強算法的流程

模型中大氣亮度A通常為一幅圖像的最亮區域。為了尋找圖像中的最亮區塊，通常把整幅圖像均分為4塊區域，計算區塊平均亮度減去各個像素值得到中心偏離程度(即方差)，通過上述公式計算值對各區塊進行打分，分值最高的區塊為亮度最大的區塊。

此后，在該區域內，通過計算個像素點與白光(RGB(255,255,255))的距離獲取距離最小，即為最亮的像素點的RGB值作為需要的大氣亮度A的值。

判斷一個企業內部審計的有效程度，最好的標準就是企業的財務管理系統是否能夠發揮其應有的作用。例如，當企業的資金鏈出現問題，導致企業資金流動性大大降低，可能有破產的風險，這就表示企業內部審計沒有發揮好它對財務管理系統的監督作用，導致資金危機的出現。當上述關于資金鏈問題出現的時候，企業應該采取措施盡量降低相關的財務融資風險，其中尤為重要的措施是完善內部審計，讓內審發揮其對財務投融資部門的監督作用，保證企業能夠重回正軌。由上述的例子我們可以得出結論，企業的內部審計系統采取的各種監督、管控手段，在很大程度上決定了一個企業是否能夠規避相關的財務風險。

d=

傳輸系數t(p)與場景景深成反比例，

(2)

均方誤差(mean squared error,MSE)是衡量“平均誤差”的一種較方便的方法。可以評價數據的變化程度。這里，通過求取各像素值與圖像像素均值的偏離程度來描述圖像的整體對比度。用公式可表示為

(3)

將公式變換為

(4)

根據文獻[2]中提出的2個代價函數來衡量對比度增強和信息丟失情況。

E=Econtrast+λLEloss

(5)

(6)

(7)

式中：Econtrast為對比度代價函數，它與圖像均方誤差成反比，與系數t成正比，當該值最小時，圖像對比度獲得極大增強；Eloss為圖像信息損失函數，其表示圖像變換過程中像素值落到[0,255]區間外像素值平方和的函數。

在求取大氣亮度系數A和各像素點的傳輸系數t后，可通過圖像傳播模型進行圖像重構，以得到去光照不均勻和對比度增強后的圖像，其增強效果見圖3。

圖3 圖像去霧及對比度增強處理

(8)

3 圖像顏色空間變換

人類視覺對于亮度的變化比對色度變化更敏感。RGB色彩空間上的顏色分量具有較強相關性，與人類視覺的色彩感知相似性不成正比，是一個不均勻的視覺色彩空間。然后，在YUV色彩空間，分量Y表征強度的感覺，分量U、V與圖像像素的色度相關，描述圖像的色彩與飽和度，亮度分量Y和色度分量U、V是相互不相關的，兩者相互分離，因此，需要進行圖像色彩空間轉換，從RGB色彩空間到YUV色彩空間的轉換公式為

4 基于Chan-Vese圖像分割

水平集經過升維處理將二維空間變化轉變為三維空間變換，將平面曲線的演化問題轉化為三維曲面的演化，可以很好地解決二維空間拓撲變化難以表示的問題，通過求解模型偏微分方程PDE(partial differential equation)檢測圖像邊緣進行分割[7-8]。

二維空間的曲線演化可隱式表示為三維空間的曲面演化函數的水平集。

C={(x,y),u(x,y)=c}

(10)

即三維曲面函數u=u(x,y)與三維空間中平面函數u=c的交線。

隨時間t的變化，二維曲線的函數可表示為

C(t)={(x,y),u(x,y,t)=c}

(11)

可看作三維曲面簇u=u(x,y,t)與平面u=c相交得到水平集。

由數學推導可得水平集曲線演化方程,表示為

(12)

式中：β為曲線的變化速度；|▽u|為曲線上點的法向量。

(13)

式中：d為點與曲線之間的歐幾里得距離。

基于水平集的圖像分割通過將二維曲線C用高維度空間下的水平集函數表示，再通過求解其構造能量泛函對應的Euler-Lagrange方程式能量最小化，以獲得水平集的演化過程。

這里，采用C-V模型是基于區域的水平集方法，其能量泛函公式為

ECV(c1,c2,C)=μ·Length(C)+

v·Area(inside(C))+

(14)

式中：μ、λ1、λ2為取值為正的比例系數，c1、c2分別表示曲線C內、外部的圖像像素均值。能量泛函的第一項和第二項用于規整曲線C，確保獲得足夠短的曲線；而第三項和第四項負責使曲線C盡量貼合目標輪廓。

基于對比度增強后的海面溢油圖像，采用Chan-Vese算法對單通道顏色空間圖像進行分割，其分割過程與結果見圖4。

圖4 水平集分割過程與分割結果

5 結論

針對海面溢油圖像的低對比度和低信噪比等特性進行了降噪和局部對比度增強等預處理，并結合C-V水平集算法對海面溢油圖像進行目標分割，該算法能更有效地定位油膜邊緣。從圖像分割結果可以看出，建立在Chan-Vese模型上的圖像水平集分割技術，能夠在不依賴圖像梯度變化的基礎上對目標進行分割，圖像分割抗噪能力上具有較強優勢，能夠實現海面溢油的有效分割。

[1] 臧風妮.智能視頻監控中海面艦船目標檢測算法研究[D].中國海洋大學,2014:129.

[2] KIM J, JANG W, SIM J, et al. Optimized Contrast Enhancement for Real-Time Image and Video Dehazing[J]. J Vis Commun Image R.2013(3):410-425.

[3] Pascal Getreuer, Chan-Vese Segmentation[J]. Image Processing On Line,2012(2):214-224.

[4] Tony Chan and Luminita Vese. An Active Contour Model without Edges[C]. Scale-Space Theories in Computer Vision,1999.

[5] 錢蕓,張英杰.水平集的圖像分割方法綜述[J].中國圖象圖形學報,2008(1):7-13.

[6] SONG M, CAI L, LIN B, AN J, et al. Hyperspectral Oil Spill Image Segmentation Using Improved Region-Based Active Contour Model[J]. Geoscience & Remote Sensing Symposium,2016:6352-6355.

[7] CRANDALL R. Image segmentation using the Chan-Vese algorithm[C]. ECE 532 Project.Fall,2009.

[8] CHAN T F, VESE L. Active contours without edges[J]. Image processing, IEEE transactions on,2001,10(2):266-277.