基于圖像增強的OLVF反射光磨粒圖像分割算法

衛涵典，吳 偉，劉 斌

（西安石油大學機械工程學院，西安 710065）

0 引言

故障診斷技術不斷發展，越來越多傳感器用于機器的在線故障監測[1－3]。在線監測故障診斷技術已經成為降低成本和提高效率的重要方法。設備運行過程中存在磨損問題，所產生的磨粒含有表征設備磨損狀態的摩擦學信息[4－6]。因此，磨粒特征信息的獲取十分重要。其中，磨粒圖像分割是評估磨損率和設備磨損狀態的重要方法。傳統的磨粒分析方法無法快速自動地采集磨粒信息[7]。

隨著圖像傳感器的不斷發展，使得在線磨粒圖像分析成為可能[8]。越來越多磨粒圖像分割方法被提出來，Wu等[9]提出一種基于磨粒顏色統計的磨粒識別方法。根據磨粒顏色的強度和色度分布來區分3種常見金屬磨粒的顏色。現有的在線系統中，磨粒在微磁場中磁力作用下會成鏈狀或簇狀，使得磨粒識別難度增加。因此，基于形態學的磨粒分割方法被提出來。Wang等[10]提出了一種結合主成分分析和灰色關聯分析（CPGA）的新算法。該算法可以成功解決多參數引起的信息冗余問題，是一種快速準確識別磨損顆粒的實用方法。該方法對磨粒圖像質量要求較高，對于反射光干擾、油液污染等情況下的磨粒圖像不能準確分割。環境因素的干擾和磨粒形狀高度不規則，使得磨粒圖像的分割成為在線鐵譜儀應用程序的難點。

本文提出一種基于圖像增強的OLVF反射光磨粒圖像分割算法。首先，將反射光磨粒圖像增強，以顯示出高亮度磨粒和過暗區域磨粒輪廓。其次，采用Canny邊緣檢測對圖像進行分割，對分割后的圖像進行H－minima變換校正局部極值。最后，應用膨脹腐蝕開閉操作填充孔洞。該方法有效識別出了反射光磨粒圖像中高亮度和過暗區域的磨粒，提高了磨粒圖像的分割精度和在線監測效率。

1 磨粒分割方法

OLVF探頭的成像方法為反射光成像，因為反射光成像可以顯示磨粒輪廓和磨粒特征形貌信息，但是反射光會造成磨粒圖像中亮度過高和過暗磨粒難以識別的問題，本文提出一種圖像增強的OLVF反射光磨粒圖像分割方法。首先，對原始磨粒圖像進行背景減運算，大致將磨粒區分出來。然后，采用形態學黑帽操作[11]，即將閉運算結果圖與原始圖像相減，增強磨粒中接近背景顏色的部分。疊加背景減和形學黑帽操作后的圖像，使得磨粒部分更準確地顯現出來。應用雙邊濾波去除圖像中的噪聲干擾。然后，采用自適應Canny算子進行邊緣檢測。應用Otsu[12]方法獲取H－minima變換的閾值，然后進行H－minima變換來進一步消除局部噪聲干擾。最后，對去噪后的磨粒圖像進行膨脹腐蝕開閉操作填充孔洞，得到最終結果。算法的框圖如圖1所示。

圖1 算法流程

1.1 磨粒圖像增強

磨粒圖像如圖2所示，首先進行背景減運算，以獲得初步處理的磨粒圖像，結果如圖3（a）所示。背景去除后的磨粒圖像有不均勻光照引起的噪聲，過暗區域的磨粒對比度低且難以識別。

圖2 磨粒圖像

使用形態學黑帽突出顯示比原始圖像輪廓周圍更暗的區域，如圖3（b）所示。疊加圖3（a）～（b）可以增強過暗區域的磨粒，結果如圖3（c）所示。疊加磨粒圖像中仍然存在噪聲，使用雙邊濾波進一步去噪，結果如圖3（d）所示。

圖3 磨粒圖像增強

1.2 自適應Canny磨粒圖像邊緣檢測

磨粒圖像增強后應用自適應Canny算子邊緣檢測，主要過程包括高斯函數濾波、計算梯度和幅度以及構造梯度直方圖。采用二維高斯函數的一階導數對磨粒圖像進行低通濾波，二維高斯函數為：

梯度向量為：

其中：

式中：k為常數；σ為控制圖像平滑度的高斯濾波器參數。對于增強的磨粒圖像，求解x和y方向上的圖像梯度，分別為px( i ,j)和py( i ,j)。那么，磨粒圖像的梯度大小為：

由上式構造磨粒圖像梯度直方圖。

為了確定梯度直方圖中高低梯度區域的最佳分割閾值，自適應Canny算法的步驟如下。

（1）設置初始閾值T0。

（2）利用閾值T0將磨粒圖像分成兩組像素：圖像I1由灰度值大于或等于T0的所有像素構成；圖像I2由灰度值小于T0的所有像素構成。

（3）計算在I1和I2范圍內的平均灰度值μ1和μ2。

（4）計算新的閾值T＝(μ1＋μ2)/2。

（5）重復步驟（2）～（4），直到連續迭代中的閾值變化小于預先指定的參數T0。

獲得最佳分割閾值后進行圖像邊緣跟蹤，從而實現邊緣檢測。

1.3 基于H－minima變換的磨粒分割

邊緣檢測圖像中消除了大部分噪聲，磨粒的細節部分因為噪聲的干擾仍未被識別出來，因此圖像中的一些最小值需要被抑制。為解決這一問題，采用標記的方法。標記邊緣檢測圖像的最小值，并抑制其他冗余最小值，以減少過度分割問題。本文采用了基于形態學的自適應擴展最小變換（H－minima）技術標記最小值。H－minima變換的基本原理是消除低于給定閾值H的局部最小值。

對邊緣檢測圖像Icd( x,y)應用H－minima變換，二值標記圖像I1eb( x,y)通過下式獲得：

其中閾值H采用Otsu方法獲得。Otsu算法根據給定閾值將灰度直方圖分為磨粒區域和背景區域兩部分。將兩個類別之間的方差最大或類別方差最小的閾值設置為最佳閾值。

輸入圖像：

式中：k*為最佳閾值。

本文利用Otsu算法獲得的閾值k獲取Icd( x,y)的有效標記。校準最小值的位置，防止出現無意義的最小值，并避免人為地設置閾值的不合理性，不僅提高了魯棒性，而且獲得更接近磨粒輪廓的分割結果。

1.4 膨脹腐蝕開閉重建

比較H－minima變換后的圖像與原始磨粒圖像，仍然有部分孔洞存在。因此，有必要對H－minima變換后的圖像進行膨脹腐蝕開閉操作。該操作可以填充孔洞，保留磨粒完整的形貌信息。膨脹腐蝕開閉操作包括一幅圖像和一個結構元素，一個是輸入的H－minima分割后的磨粒圖像，結構元素表征圖像的連通性。

膨脹腐蝕開閉操作的主要內容是膨脹和腐蝕。Iw的膨脹D定義為：

式中：d為結構元素，⊕為膨脹運算。對結構元素d做關于原點的映射，再將其映射平移z，這里Iw與d映射的交集不為空集，即d映射的位移與Iw至少有1個非零元素相交時的原點位置的集合。

Iw的腐蝕E定義為：

式中：d為結構元素，?為腐蝕運算。采用d對Iw進行腐蝕，即沿著Iw的內部邊界遍歷，平移區域d形成的集合區。d中心的移動軌跡即為腐蝕后z的邊界，(d)z為將d平移，使其中心點位于z位置。

H－minim變換圖像Iw對模板圖像進行腐蝕的形態重構，腐蝕重復迭代至穩定k滿足條件

根據膨脹和腐蝕的基本原理，將輸入圖像的第一次腐蝕圖像作為開操作的輸入圖像。Iw的開操作定義如下：首先用大小為n的結構對Iw腐蝕，然后膨脹Iw。該操作可以消除小于結構要素的紋理細節和明亮噪聲干擾。開操作公式為：

類似地，Iw的閉操作定義為：首先用大小為n的結構對Iw膨脹，然后腐蝕Iw。該操作可以消除小于結構元素的紋理細節和暗噪聲，更好地恢復磨粒邊緣。閉操作公式為：

對H－minima變換圖像先進行開操作，然后進行閉操作。開和閉操作結合，使磨粒輪廓保留完整，孔洞也得到了填充，磨粒被精確地分割出來。

2 實驗結果與分析

本算法的磨粒圖像分割結果如圖4所示。運用在線油液磨粒監測設備隨機獲取反射光磨粒沉積譜譜片，分別采用傳統分水嶺分割算法、基于Otsu閾值的分水嶺分割算法、基于Canny的分水嶺分割算法對同一張譜片進行磨粒圖像分割處理。將其處理結果與本文算法處理結果作比較，定性評價本文分割算法性能及可行性。

圖4 磨粒最終分割結果

測試輸入圖像如圖5所示。本文提出的方法和相關方法的結果如圖6～9所示。參照輸入圖像，通過視覺比較散射光去除的程度、偽影和磨粒外觀來進行評估。

圖5 輸入磨粒圖像

圖6 本文算法分割結果

圖7 傳統分水嶺分割算法

圖8 基于Otsu閾值的分水嶺分割算法

圖9 基于Canny的分水嶺分割算法

對于散射光和偽影，基于分水嶺變換的磨粒分割算法將一些偽影誤認為磨粒而導致過度分現象?；贠tsu閾值的分水嶺分割算法將部分散射光誤認為磨粒，導致圖像中出現了部分陰影?；贑anny的分水嶺分割算法的處理結果中，散射光被基本消除，但是偽影的干擾還是有被誤認為磨粒。本文提出的算法消除了散射光和偽影的干擾，可以準確地識別出磨粒。

對于噪聲的識別，基于分水嶺算法中存在大量噪聲干擾。基于Otsu閾值的分水嶺分割算法雖然去掉了一些噪聲的干擾，但是存在陰影干擾，無法區分磨粒和背景?；贑anny的分水嶺分割算法也存在噪聲的干擾，無法準確識別磨粒。本文算法有效抑制了噪聲的干擾，磨粒和背景明顯地區分出來。

對于磨粒的外觀，基于分水嶺算法分割的圖像中，明亮的磨粒被誤認為背景而沒有識別出來。基于Otsu閾值的分水嶺分割算法，明亮的磨粒也沒有被識別出來，并且有部分噪聲被誤認為是磨粒?；贑anny的分水嶺分割算法沒有識別出小磨粒的輪廓，同樣存在明亮磨粒沒有識別出來的問題。本文方法可以識別出明亮的磨粒，細小的磨粒也被識別出來。

實驗結果表明，該算法能有效地識別出磨粒位置并將其分割，并保留磨粒圖像的邊緣和紋理特征。因此，本文方法比其他算法更加準確可靠。

3 結束語

為了準確分割出磨粒，本文提出一種基于圖像增強的OLVF反射光磨粒圖像分割方法。首先，對磨粒圖像進行背景減操作，大致區分出磨粒。對磨粒圖像應用形態學黑帽操作使得圖像整體亮度對比度提高，疊加背景減后的圖像和形態學黑帽操作的圖像，并進行雙邊濾波去噪。其次，采用自適應Canny邊緣檢測獲得磨粒的邊緣。然后使用Otsu算法獲取H－minima變換閾值對邊緣檢測圖像進行局部去噪。最后，通過膨脹腐蝕開閉操作填充孔洞，以獲得最終分割結果。實驗結果表明，與傳統方法相比，該算法可以有效抑制光反射的影響，優化磨粒分割效果，保持磨粒的完整性。然而，該算法在磨粒分割方面仍然存在局限性，將在以后的工作中進一步研究。