適用于機(jī)場(chǎng)跑道異物檢測(cè)的區(qū)域生長(zhǎng)改進(jìn)算法

鄭浪 羅天洪 王成琳 何澤銀 李忠濤

（1.重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院， 重慶? 400074; 2.重慶文理學(xué)院 智能制造工程學(xué)院， 重慶? 402160）

摘? 要： 檢測(cè)機(jī)場(chǎng)跑道異物對(duì)飛機(jī)安全起飛著陸具有重大的意義。為此，文中提出一種適用于機(jī)場(chǎng)跑道異物檢測(cè)的改進(jìn)區(qū)域生長(zhǎng)算法。提出的算法在對(duì)機(jī)場(chǎng)跑道圖像進(jìn)行區(qū)域種子點(diǎn)選擇的基礎(chǔ)上，以其為中心，進(jìn)行8連通區(qū)域生長(zhǎng);采用Sobel算法對(duì)區(qū)域生長(zhǎng)后的圖像進(jìn)行邊緣增強(qiáng);以顏色相似、區(qū)域相鄰及吞噬小面積區(qū)域三要素為準(zhǔn)則，融合特征相似區(qū)域，從而得到目標(biāo)分割圖像。利用所提算法對(duì)所測(cè)試異物的識(shí)別率分別達(dá)到91.7%和93.8%，表明提出的算法能準(zhǔn)確地分割機(jī)場(chǎng)跑道異物區(qū)域，并能有效地抑制背景干擾，成功地解決了傳統(tǒng)區(qū)域生長(zhǎng)算法產(chǎn)生的過(guò)分割問(wèn)題。

關(guān)鍵詞： 改進(jìn)區(qū)域生長(zhǎng)算法; 異物檢測(cè); 機(jī)場(chǎng)跑道; 區(qū)域合并; Sobel算法; 圖像分割

中圖分類號(hào)： TN911.1?34; TP242. 6+2? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）09?0051?04

Improved region growth algorithm applicable to detection

of foreign object debris on airport runway

ZHENG Lang1， LUO Tianhong2， WANG Chenglin2， HE Zeyin1， LI Zhongtao1

（1. School of Mechanotronics & Vehicle Engineering， Chongqing Jiaotong University， Chongqing 400074， China;

2. School of Intelligent Manufacturing Engineering， Chongqing University of Arts and Sciences， Chongqing 402160， China）

Abstract： The detection of foreign object debris （FOD） on airport runway is of great significance for aircrafts to take off and land safely. For this reason， an improved region growth algorithm applicable to FOD detection on airport runway is proposed. In the algorithm， the regional seed point of the airport runway image is selected and taken as the center to perform 8?connected region growth. The Sobel algorithm is adopted to enhance the image edge after the image is subjected to region growth. Regions with similar features are fused on the basis of the criteria of similar colors， adjacent regions and swallowing small regions to obtain the target segmentation image. The recognition rates of FOD obtained with the proposed algorithm are 91.7% and 93.8% respectively， which shows that the algorithm can accurately segment the FOD region of airport runway and effectively suppress background interference. Therefore， it successfully deals with over?segmentation occurred in the application of the traditional region growth algorithm.

Keywords： improved region growth algorithm; FOD detection; airport runway; region merging; Sobel algorithm; image segmentation

0? 引? 言

隨著經(jīng)濟(jì)的快速發(fā)展，交通出行方式不斷增加，在所有交通工具中，以飛機(jī)出行的方式備受人們的青睞。然而，在飛機(jī)起飛和降落時(shí)，機(jī)場(chǎng)跑道上的異物（Foreign Object Debris，F(xiàn)OD）很可能被吸進(jìn)飛機(jī)發(fā)動(dòng)機(jī)內(nèi)，造成發(fā)動(dòng)機(jī)故障，也有可能扎壞飛機(jī)的輪胎，進(jìn)而構(gòu)成嚴(yán)重的事故[1]。因此，檢測(cè)機(jī)場(chǎng)跑道異物是整個(gè)機(jī)場(chǎng)飛機(jī)高效安全飛行必須解決的一個(gè)關(guān)鍵問(wèn)題[2]。

近年來(lái)，機(jī)器人視覺成為了研究熱點(diǎn)，人們針對(duì)目標(biāo)圖像分割提出了很多研究方法[3]。要良好實(shí)現(xiàn)目標(biāo)識(shí)別，準(zhǔn)確的圖像分割很關(guān)鍵。圖像分割的方法大致分為：邊緣檢測(cè)、區(qū)域分割和閾值分割。區(qū)域生長(zhǎng)算法易受噪聲的影響，在分割結(jié)果圖中易留下噪點(diǎn)，解決這類問(wèn)題，通常需先對(duì)原圖像進(jìn)行濾波處理，經(jīng)過(guò)濾波處理后容易造成邊緣模糊問(wèn)題和形成空洞兩個(gè)問(wèn)題。一般采用圖像閉操作處理這類問(wèn)題。文獻(xiàn)[4]針對(duì)混凝土切片CT圖像亮度分布不均問(wèn)題，采用環(huán)形分區(qū)與區(qū)域生長(zhǎng)的分割算法，提高了圖像閾值分割的準(zhǔn)確性;文獻(xiàn)[5]為準(zhǔn)確分割肺部CT圖像，提出一種區(qū)域生長(zhǎng)與水平集相融合的圖像分割法，用經(jīng)典區(qū)域生長(zhǎng)方法初步定位肺部邊界，再使用水平集融合方法分割，有效地降低了肺部邊緣輪廓的漏檢率。文獻(xiàn)[6]針對(duì)醫(yī)學(xué)圖像提出一種多尺度區(qū)域生長(zhǎng)算法，該方法針對(duì)噪聲具有較強(qiáng)的魯棒性，但是區(qū)域生長(zhǎng)方法缺少通用性，并不通用于各個(gè)領(lǐng)域。

除了本文中提到的研究者外，還有很多科研人員在其他領(lǐng)域采用區(qū)域生長(zhǎng)法對(duì)圖像進(jìn)行分割，但是還仍未見有學(xué)者對(duì)FOD圖像運(yùn)用基于區(qū)域生長(zhǎng)算法進(jìn)行分割識(shí)別。因此，本文提出一種適用于機(jī)場(chǎng)跑道異物檢測(cè)的改進(jìn)區(qū)域生長(zhǎng)算法，通過(guò)改進(jìn)區(qū)域生長(zhǎng)準(zhǔn)則，對(duì)過(guò)分割區(qū)域按融合三要素法則進(jìn)行合并，得到FOD的準(zhǔn)確分割圖像。

1? 改進(jìn)區(qū)域生長(zhǎng)算法

1.1? 傳統(tǒng)區(qū)域生長(zhǎng)

傳統(tǒng)區(qū)域生長(zhǎng)算法是由Zucker提出的一種半自動(dòng)化的圖像分割算法，主要將圖像分割成若干個(gè)相似的區(qū)域。區(qū)域生長(zhǎng)算法的核心思想是：將特征相似或相同的像素分割到同一個(gè)區(qū)域內(nèi)，完成圖像的分割[7]。具體步驟為：對(duì)分割圖像進(jìn)行種子點(diǎn)選擇，以種子點(diǎn)為中心，將種子點(diǎn)的鄰域中與種子點(diǎn)有相似或相同特征的像素合并在同一個(gè)區(qū)域中，再以新合并到區(qū)域中的像素作為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，直到?jīng)]有符合區(qū)域生長(zhǎng)準(zhǔn)則的像素點(diǎn)可以進(jìn)行生長(zhǎng)為止。傳統(tǒng)區(qū)域生長(zhǎng)算法有初始化簡(jiǎn)單、執(zhí)行速度快、生長(zhǎng)終止易控制等優(yōu)點(diǎn)。

1.2? 改進(jìn)區(qū)域生長(zhǎng)算法

改進(jìn)區(qū)域生長(zhǎng)算法基本原理：首先確定每個(gè)區(qū)域中的某個(gè)已知點(diǎn)，加上與已知點(diǎn)相似的鄰近點(diǎn)形成一個(gè)區(qū)域，在這里利用區(qū)域的均值。當(dāng)鄰近點(diǎn)與區(qū)域均值的差值的絕對(duì)值小于閾值[T]時(shí)，即滿足生長(zhǎng)條件。方法是從種子點(diǎn)開始，在8連通方向上生長(zhǎng)區(qū)域，當(dāng)其鄰近點(diǎn)滿足生長(zhǎng)條件，則并入相似點(diǎn)目標(biāo)區(qū)域，當(dāng)新的點(diǎn)被合并后再用新的區(qū)域重復(fù)這一過(guò)程，直到?jīng)]有可接受的鄰近點(diǎn)時(shí)該區(qū)域生成過(guò)程終止。

1.2.1? 種子點(diǎn)的選擇

改進(jìn)區(qū)域生長(zhǎng)算法的種子點(diǎn)選擇準(zhǔn)則滿足式（1）要求：

[f（i，j）=q & Cut（i，j）=250，? ? q∈[Imin，Imax]] （1）

式中：構(gòu)建初始圖像，圖像的像素值均為[Cut（i，j）]=250;[Imin，Imax]分別為機(jī)場(chǎng)跑道二值化圖像最小像素值和最大像素值;[q]值從最小依次取到最大，區(qū)域生長(zhǎng)一次，生長(zhǎng)圖像[Cut（i，j）]像素值更新一次。

1.2.2? 生長(zhǎng)準(zhǔn)則

基于區(qū)域生長(zhǎng)算法，圖像分割的關(guān)鍵問(wèn)題在于準(zhǔn)確確定生長(zhǎng)準(zhǔn)則。生長(zhǎng)準(zhǔn)則直接影響圖像分割的效果。本文針對(duì)機(jī)場(chǎng)跑道圖像提出一種改進(jìn)區(qū)域生長(zhǎng)算法的生長(zhǎng)準(zhǔn)則，其方法如式（2），式（3）所示：

[ave=1nf（u，v）] （2）

[ΔH=f（i，j）-sum

式中：區(qū)域生長(zhǎng)方式采用鄰域區(qū)域，[n=8];[f（u，v）]為種子點(diǎn)[（i，j）]周圍鄰域像素點(diǎn)的灰度值;[ave]為種子點(diǎn)鄰域區(qū)域像素點(diǎn)灰度均值。

1.2.3? 區(qū)域合并

對(duì)原圖像采用改進(jìn)區(qū)域生長(zhǎng)算法進(jìn)行分割后，過(guò)分割問(wèn)題未得到徹底解決，為了準(zhǔn)確分割出目標(biāo)圖像，需要進(jìn)一步對(duì)區(qū)域生長(zhǎng)圖像進(jìn)行區(qū)域合并。在此階段需要不斷地將相鄰區(qū)域按區(qū)域優(yōu)先級(jí)進(jìn)行合并，直到每個(gè)區(qū)域的像素個(gè)數(shù)不超過(guò)閾值[N]。下面詳細(xì)介紹區(qū)域合并的規(guī)則：

1） 顏色合并優(yōu)先級(jí)

基于生物視覺系統(tǒng)對(duì)視覺信號(hào)微弱差別比較敏感，普遍認(rèn)為同一對(duì)象的圖像顏色相似度概率較大，可利用顏色直方圖的巴氏距離對(duì)圖像區(qū)域之間的關(guān)系進(jìn)行數(shù)值化處理。顏色合并優(yōu)先級(jí)采用式（4）計(jì)算：

[Pk（m，n）=1-D（m，n）] （4）

式中：[D（m，n）]是區(qū)域[m，n]在[L×a×b]空間的像素均值巴氏距離度量函數(shù)[8]。為了提高計(jì)算效率，采用文獻(xiàn)[9]所提算法，在保證全部覆蓋目標(biāo)區(qū)域的情況下，去掉圖像中顏色出現(xiàn)概率低的區(qū)域。

2） 區(qū)域相關(guān)性優(yōu)先級(jí)

區(qū)域相關(guān)性是指相鄰區(qū)域在三維空間中的相關(guān)聯(lián)程度，計(jì)算相鄰區(qū)域[m，n]相關(guān)性可采用式（5）計(jì)算：

[Pl=GL（m，n）max（L（m），L（n））] （5）

式中：[GL（m，n）]為區(qū)域[m，n]的公共邊界長(zhǎng)度;[L（m），L（n）]為區(qū)域[m，n]的邊界長(zhǎng)度;[Pl]值越大表示兩區(qū)域相似度越高，合并優(yōu)先級(jí)更高。

3） 面積合并優(yōu)先級(jí)

針對(duì)圖像全局區(qū)域，優(yōu)先合并相鄰區(qū)域面積小的區(qū)域，對(duì)小面積區(qū)域定義優(yōu)先級(jí)[Ps]：

[Ps=S-（S（m）+S（n））S] （6）

式中：[S]為整個(gè)機(jī)場(chǎng)跑道圖像面積;[S（m），S（n）]為局部區(qū)域[m，n]的面積。

綜合以上三種區(qū)域合并優(yōu)先級(jí)，按一定權(quán)重進(jìn)行融合，融合準(zhǔn)則如下[10]：

[P=i?Pk+j?Pl+k?Ps] （7）

式中：[i=0.5];[ j=0.3];[k=0.2]。

1.3? 改進(jìn)區(qū)域生長(zhǎng)算法步驟

改進(jìn)區(qū)域生長(zhǎng)算法步驟具體如下：

步驟1：根據(jù)機(jī)場(chǎng)跑道異物圖像直方圖，確定閾值[T];

步驟2：對(duì)機(jī)場(chǎng)跑道圖像像素以小到大依次排序，以選定的區(qū)域生長(zhǎng)種子點(diǎn)[f（x，y）]進(jìn)行區(qū)域生長(zhǎng)：

[Threshold=f（i，j）-f（x，y）≤T]

[ave=f（i，j）]

步驟3：繼續(xù)用種子點(diǎn)鄰域?yàn)樯L(zhǎng)方向，以鄰域中的像素點(diǎn)為種子，將滿足生長(zhǎng)條件的點(diǎn)合并到目標(biāo)區(qū)域中，更新分割區(qū)域：

[ave=1kkf（i，j）Threshold=f（i，j）-ave≤T]

步驟4：重復(fù)以上步驟，直到不再有符合存在鄰近滿足生長(zhǎng)條件的點(diǎn)為止，該區(qū)域生成過(guò)程結(jié)束，得到分割后的圖像Cut;

步驟5：圖像Cut存在過(guò)分割現(xiàn)象，對(duì)Cut圖像按區(qū)域吞噬準(zhǔn)則[T1]進(jìn)行合并，最后得到FOD準(zhǔn)確分割圖像。

2? 仿真實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文所提算法對(duì)機(jī)場(chǎng)跑道異物圖像分割的有效性，在Windows 10系統(tǒng)下使用Matlab 2014a對(duì)路面異物圖像進(jìn)行仿真實(shí)驗(yàn)。用尼康D3300相機(jī)對(duì)路面上的異物進(jìn)行拍攝，得到路面的原始圖像代替機(jī)場(chǎng)跑道異物圖像。為縮短仿真實(shí)驗(yàn)時(shí)間，首先對(duì)拍攝圖像進(jìn)行縮放，得到大小圖像，使用本文提出的種子選擇準(zhǔn)則、區(qū)域生長(zhǎng)條件和區(qū)域合并準(zhǔn)則進(jìn)行實(shí)驗(yàn)，取閾值[T=25]，得到準(zhǔn)確分割異物圖像。

2.1? 本文所提算法識(shí)別結(jié)果

本次實(shí)驗(yàn)收集7張學(xué)生門禁卡、機(jī)械零部件作為識(shí)別對(duì)象，運(yùn)用本文所提算法進(jìn)行了三組仿真實(shí)驗(yàn)，實(shí)驗(yàn)識(shí)別結(jié)果如圖1～圖3所示。圖1a），圖2a），圖3a）為機(jī)場(chǎng)跑道原始采集圖像;圖1b），圖2b），圖3b）為原始圖像經(jīng)過(guò)區(qū)域生長(zhǎng)后的圖像Cut;圖1c），圖2c），圖3c）為圖像Cut經(jīng)過(guò)圖像邊緣增強(qiáng)，二值化處理后的結(jié)果圖，從結(jié)果圖中可以直觀地看出圖像仍然存在過(guò)分割現(xiàn)象。本文將過(guò)分割圖像進(jìn)行區(qū)域合并，得到結(jié)果如圖1d），圖2d），圖3d）所示，從結(jié)果圖中可以清楚看出本文算法準(zhǔn)確分割出路面上的目標(biāo)異物。

本次實(shí)驗(yàn)對(duì)有525個(gè)異物目標(biāo)的機(jī)場(chǎng)跑道圖像進(jìn)行了檢測(cè)分割，圖像分別是在天氣晴朗的正午與下午和陰天的情況下拍攝所得，異物目標(biāo)隨機(jī)分布，其中，機(jī)場(chǎng)異物分別由315個(gè)卡片異物與210個(gè)機(jī)械零部件組成，識(shí)別率分別為91.7%和93.8%，誤檢率分別為4.5%與1.4%，具體檢測(cè)性能指標(biāo)見表1。

2.2? 本文算法與其他方法對(duì)比

為了更準(zhǔn)確地驗(yàn)證本文所提算法的有效性，針對(duì)經(jīng)典區(qū)域生長(zhǎng)算法易出現(xiàn)過(guò)分割現(xiàn)象，將本文所提算法與經(jīng)典區(qū)域生長(zhǎng)算法和一般彩色圖像分割算法[11]進(jìn)行對(duì)比，結(jié)果如圖4所示。

傳統(tǒng)區(qū)域生長(zhǎng)算法采用手動(dòng)選擇種子點(diǎn)，能夠分割出機(jī)場(chǎng)跑道異物圖像，但是只能分割連續(xù)區(qū)域，故從圖4第四列圖像可以看出，經(jīng)典區(qū)域生長(zhǎng)算法均只能識(shí)別出離散分布異物中的一個(gè)異物目標(biāo);一般彩色圖像分割算法能夠識(shí)別出機(jī)場(chǎng)跑道上的異物，但是識(shí)別出的結(jié)果圖還有很多噪點(diǎn)，對(duì)后續(xù)目標(biāo)識(shí)別等研究會(huì)產(chǎn)生影響;本文所提改進(jìn)區(qū)域算法能夠準(zhǔn)確分割出機(jī)場(chǎng)跑道上異物目標(biāo)，比其他兩種算法更加適用于機(jī)場(chǎng)跑道異物檢測(cè)環(huán)境。

為了更加客觀地說(shuō)明本文所提算法的有效性，可以在識(shí)別率，誤檢率兩個(gè)性能指標(biāo)方面對(duì)本文所提算法、傳統(tǒng)區(qū)域生長(zhǎng)算法（Traditional Region Growth Algorithm，TRGA）與一般彩色圖像分割算法（General Color Image Segmentation Algorithm，GCISA）進(jìn)行對(duì)比，結(jié)果對(duì)比如表2所示，結(jié)果表明，一般彩色圖像分割算法識(shí)別率、誤檢率與本文所提算法相差不大，是傳統(tǒng)區(qū)域生長(zhǎng)算法的6倍左右。

3? 結(jié)? 論

本文針對(duì)機(jī)場(chǎng)跑道大部分區(qū)域背景顏色相同的特征，設(shè)計(jì)了一種新的區(qū)域生長(zhǎng)方法。為了實(shí)現(xiàn)準(zhǔn)確分割FOD的需求，提出了一種適用于機(jī)場(chǎng)跑道的區(qū)域生長(zhǎng)改進(jìn)算法。仿真結(jié)果表明，本文提出的改進(jìn)區(qū)域生長(zhǎng)算法可以依據(jù)圖像特征不同選取合適的閾值，能夠準(zhǔn)確地分割機(jī)場(chǎng)跑道上的異物，異物的識(shí)別率分別高達(dá)91.7%和93.8%，相比于現(xiàn)有彩色圖像分割算法與傳統(tǒng)區(qū)域生長(zhǎng)算法，可以有效地抑制背景干擾，為后續(xù)目標(biāo)實(shí)時(shí)檢測(cè)的深入研究奠定了理論依據(jù)。

參考文獻(xiàn)

[1] FAA. AC 150/5220?24?airport foreign object debris （FOD） detection equipment [EB/OL]. [2009?09?30]. https：//www.faa.gov/airports/resources/advisory_circulars/index.cfm/go/document.current/documentNumber/150_5220?24.

[2] XU Haoyu， HAN Zhenqi， FENG Songlin， et al. Foreign object debris material recognition based on convolutional neural networks [J]. EURASIP journal on image and video processing， 2018（1）： 21.

[3] PENG B， ZHANG L， ZHANG D. A survey of graph theoretical approaches to image segmentation [J]. Pattern recognition， 2013， 46（3）： 1020?1038.

[4] 王杭，李宗利，商玉娟，等.基于環(huán)狀分區(qū)和區(qū)域生長(zhǎng)的混凝土CT圖像分割[J].人民長(zhǎng)江，2017，48（23）：89?93.

[5] 唐思源，楊敏，苗玥，等.區(qū)域生長(zhǎng)和水平集相融合的肺部CT圖像分割[J].電子技術(shù)應(yīng)用，2018，44（5）：129?133.

[6] 肖明堯，李雄飛，張小利，等.基于多尺度的區(qū)域生長(zhǎng)的圖像分割算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2017，47（5）：1591?1597.

[7] 曹建芳，李艷飛，崔紅艷，等.改進(jìn)區(qū)域生長(zhǎng)算法在寺觀壁畫脫落病害標(biāo)定中的應(yīng)用[J].新疆大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，35（4）：429?436.

[8] ZHAI Y， SHAH M. Visual attention detection in video sequences using spatiotemporal cues [C]// Proceedings of the 14th ACM International Conference on Multimedia. Santa Barbara， USA： ACM， 2006： 815?824.

[9] CHENG M M， ZHANG G X， MITRA N J， et al. Global contrast based salient region detection [J]. IEEE transactions on pattern analysis and machine intelligence， 2019， 37（3）： 569?582.

[10] 孫豐，秦開懷，孫偉，等.基于區(qū)域合并的圖像顯著性檢測(cè)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2016，28（10）：1679?1687.

[11] 徐蔚波，劉穎，章浩偉.基于區(qū)域生長(zhǎng)的圖像分割研究進(jìn)展[J].北京生物醫(yī)學(xué)工程，2017，36（3）：317?322.