基于箱型圖與折點閾值邊界的電纜分割方法

王昊天 厲小潤* 趙遼英

1(浙江大學電氣工程學院 浙江 杭州 310027)

2(杭州電子科技大學計算機技術應用研究所 浙江 杭州 310018)

0 引 言

作為電能傳輸的載體，電力電纜的需求越來越大。由于制造工藝的原因會出現很多質量不達標的劣質電纜，這些劣質電纜的使用在給用戶和用電企業帶來經濟損失的同時還會存在巨大的安全隱患，因此對生產出的電力電纜需要進行嚴格的質量檢測。幾何尺寸是影響電力電纜質量的一個重要指標。目前，電纜尺寸的檢測一般是通過人工測量，耗時耗力。因此，根據電纜圖像自動分割出電纜各區域從而實現電纜尺寸檢測自動化具有十分重要的意義。

目前，常用的彩色圖像分割方法有基于閾值的分割方法[1-3]、基于邊緣的分割方法[4-7]、基于區域的分割方法[8-11]、基于圖論的分割方法[12-15]、基于能量泛函的分割方法[16-19]，以及基于深度學習的分割方法[20]。其中：基于閾值的分割方法思想是通過判斷像素點每個通道的灰度值，將其劃分到不同的類別中；基于邊緣的分割方法是根據區域邊緣灰度值存在突變的現象，根據梯度將圖像分割出不同區域；基于區域的分割方法是按照圖像的相似性準則劃分為不同區域塊，主要有種子生長法、區域分裂合并、分水嶺法等；基于圖論的分割方法是將圖像分割問題與圖的最小割問題相關聯，將圖像映射成帶權無向圖，使得分割后子圖內部保持相似度最大，而子圖之間相似度保持最小，常見的方法有GraphCut[12]、RandomWalk[14]等；基于能量泛函的分割方法主要指活動輪廓模型以及在其基礎上發展出來的算法，基本思想是使用連續曲線來表達目標邊緣，并定義一個能量泛函使得其自變量包括邊緣曲線，因此分割過程就轉變為求解能量泛函的最小值的過程，活動輪廓主要分為參數活動輪廓模型[16]和幾何活動輪廓模型[17]；基于深度學習的分割方法是一種監督學習的方法，通過學習大量的樣本來訓練模型來達到分割圖像的目的，常用的模型有Mask R-CNN[20]。

由于基于深度學習的分割方法需要大量的樣本進行訓練，因此當圖片樣本較少時不太適合。在傳統的分割方法中，當圖像邊緣復雜且目標區域內部顏色相近的情況下，閾值分割方法由于簡單快速等優點而被廣泛應用。閾值分割方法最核心的步驟是如何確定閾值。一般情況下，閾值分割方法通常是設定一個全局分割評價函數以及分割的區域個數，通過啟發式算法如蟻群算法等得到每個區域的分割閾值從而完成分割[21-23]。但是由于電纜區域數量多、面積小且只關注目標區域的分割好壞，通過啟發式算法得到的閾值參數并不適用。

基于此，本文提出一種基于箱型圖與折點閾值邊界的電纜分割方法。首先將圖像轉成HSV圖像并設計一種基于閾值邊界的區域分割方法；之后根據電纜的導體及結構得到各區域的顏色信息并進行初步分割，對分割結果進行統計得到區域的色調中位數以及各通道的四分位數，計算箱型圖下邊界作為各通道的初始閾值邊界；最后根據目標區域內部顏色相近但與其余區域顏色存在差異的特點，計算折點閾值邊界并完成區域的精確分割。

1 電纜區域分割算法

1.1 電纜區域分割流程

電力電纜內部由導體、絕緣層、護套、填充物四部分組成。其中導體、絕緣層和護套的尺寸有著明確的規定，需要進行檢測。導體材料有銅和鋁，顏色分別為銅褐色和白色；絕緣層顏色有彩色與灰色；護套顏色為黑色；填充物為白色。在進行電纜各區域分割時，首先根據原RGB圖像得到HSV圖像，之后依次進行導體、絕緣層、護套區域的分割。分割流程如圖1所示。

圖1 電纜區域分割流程

1.2 導體區域分割

電力電纜導體材料有銅和鋁兩種，銅為銅褐色，鋁為白色，導體的形狀為圓形或扇形。在判斷導體材料時，首先根據銅所屬的色調范圍在HSV圖像中進行區域分割，并去除小面積區域以及形狀不符合的區域。若去除后圖像存在導體區域，則導體材料為銅，否則導體材料為鋁。之后使用基于箱型圖與折點閾值邊界的區域分割方法進行彩色區域的分割或白色區域的分割來獲得導體區域。

1.3 絕緣層區域分割

每個導體區域都會被絕緣層包裹，當分割出各導體區域時，根據形態學膨脹等操作可以得到包裹導體的絕緣層顏色。根據得到顏色的飽和度判斷是彩色的絕緣層還是灰色的絕緣層。之后使用基于箱型圖與折點閾值邊界的區域分割方法進行彩色區域的分割或灰色區域的分割來獲得絕緣層區域。

1.4 護套區域分割

由于電纜的護套為黑色而填充物為白色，因此可以直接對圖像通過OTSU算法進行二值化并保留黑色區域，之后從該區域中去除已經分割出的導體區域和絕緣層區域即可得到護套區域。

2 箱型圖與折點閾值邊界分割算法

2.1 算法流程

基于傳統的圖像分割方法在電纜區域分割上的局限性，設計了一種基于箱型圖與折點閾值邊界分割方法。首先根據原RGB圖像得到HSV圖像。在HSV空間中，H為色調，不同的顏色對應著不同的色調，同時色調在空間上呈現循環性，當對色調進行歸一化后，色調在0附近的顏色與色調在1附近的顏色均呈現紅色；S為飽和度，代表顏色的鮮艷程度，高飽和度在視覺上呈現彩色，而低飽和度在視覺上呈現灰色；V為明度，明度過低時，飽和度和色調沒有區分度。由于在電纜區域分割流程中，需要彩色區域分割、白色區域分割、灰色區域分割三種區域分割方式，因此分別設計了式(1)-式(3)來實現彩色、白色和灰色的區域分割。

(1)

(2)

(3)

式中：Hmid為目標區域的色調中位數；Vmid為目標區域的明度中位數；Th、Ts、Tv分別為H、S、V通道的閾值邊界。當原始HSV圖像中的像素點滿足上述公式時，其分割圖像對應的像素點數值為1，否則為0。由于色調的循環特性，即歸一化后色調在0附近的顏色與色調在1附近的顏色相似，因此不能直接對色調作差，而是通過函數fH來得到色調間的差值，其定義如下:

fH(H,Hmid)=min(|H-Hmid|,|H-Hmid+1|,

|H-Hmid-1|)

(4)

根據以上公式，只要能確定目標區域的中位數以及各個閾值邊界，就能將電纜對應區域分割出來，算法流程如圖2所示。

圖2 折點閾值邊界區域分割算法流程

2.2 目標區域初步分割

在電纜區域分割流程中，根據電纜中是否存在符合導體面積和形狀的銅褐色區域可以判斷電纜的導體材料是銅還是鋁。而當分割出導體區域后，根據包裹導體的外層區域可以得到每個導體外的絕緣層屬于哪種顏色。因此，可以根據目標區域的已知顏色信息通過設置Th=THori、Ts=TSori、Tv=TVori，使用式(1)-式(3)進行初步分割。初步分割旨在先分割出一個粗略的目標區域，以供算法后續能進行精確定位。

2.3 目標區域信息統計

在得到初步分割圖像I0之后，根據式(5)-式(7)得到圖像目標區域H、S、V三個通道對應的數組。

aH=[Ihsv(i,j,1)|i,j∈(I0(i,j)=1)]

(5)

aS=[Ihsv(i,j,2)|i,j∈(I0(i,j)=1)]

(6)

aV=[Ihsv(i,j,3)||i,j∈(I0(i,j)=1)]

(7)

由于色調的循環性，若目標區域為紅色，則會出現色調一部分在0附近，一部分在1附近的情況，為了防止這種情況導致中位數統計出錯，設計式(8)-式(9)得到色調的中位數Hmid。

(8)

(9)

式中：aH′、aH1′為aH、aH1按升序排序后的數組；N為數組aH的長度；var(x)表示數組x的方差。若Hmid<0,則Hmid=Hmid+1。

同時根據式(10)-式(13)分別得到S通道的下四分位數Sq1和上四分位數Sq3以及V通道的下四分位數Vq1和上四分位數Vq3。

Sq1=aS′(N×0.25)

(10)

Sq3=aS′(N×0.75)

(11)

Vq1=aV′(N×0.25)

(12)

Vq3=aV′(N×0.75)

(13)

式中：aS′和aV′為aS和aV按升序排序后的數組；N為數組的長度。

2.4 初始閾值邊界計算

對于式(1)-式(3)，由于存在多個需要計算的折點閾值邊界，需要按照順序依次計算，因此在計算時需要給定其他未計算通道一個初始閾值邊界。

若將目標區域像素看作是數據的集合，那么不屬于目標區域的像素則可以看作是數據的異常值。箱型圖是一種用作顯示一組數據分散情況的統計圖。常用于識別數據分布以及異常數據檢測。其主要由5個點組成：上邊緣Tmax，上四分位數Q3，中位數，下四分位數Q1，下邊緣Tmin。箱型圖示意圖如圖3所示。

圖3 箱型圖示意圖

若數據在上邊緣和下邊緣范圍外，則認為是異常值。下邊緣的計算公式如下：

Tmin=Q1-1.5×(Q3-Q1)

(14)

參考箱型圖下邊緣計算公式，計算得到飽和度S和明度V的初始閾值邊界：

TSinit=max(TSori,Sq1-1.5×(Sq3-Sq1))

(15)

TVinit=max(TVori,Vq1-1.5×(Vq3-Vq1))

(16)

2.5 折點閾值邊界計算

對于電纜的各區域，其顏色特點為在各區域內部顏色連續變化而區域之間顏色會存在差異，即當閾值邊界越來越寬松時，找到的目標區域像素點數量會越來越多，但是每次增加的幅度應該越來越小，當在某個閾值邊界處像素個數增加幅度變大，則認為找到了目標區域外的像素，將前一個閾值設為該目標區域的閾值邊界。以計算色調閾值邊界為例，其偽代碼如算法1所示。

算法1計算色調閾值邊界

1.functiongetH()

2. Initialize step=0.02,i=1,Th=step,Ts=TSinit,Tv=TVinit

3.whileTh<1do

4. get image Iiaccording formula(1)

5.ifi>1then

6. Li=(sum(Ii)-sum(Ii-1))/sum(Ii-1)

//計算像素增加比例

7.else

8. Li=0

9.endif

10.ifi>2 and Li-1

11. Th=Th-step

12. return Th

//如果像素提升比例變大，則返回前一個閾值

13.endif

14. i=i+1

15. Th=Th+step

//拓展閾值邊界

16.endwhile

17.endfunction

以一個實際的電纜圖像為例，在計算其紅色絕緣層時，以上步驟得到的每次像素增加的比例以及每次找到的紅色絕緣層區域如圖4所示。

(a) 原圖 (b) 每次增加的像素比例

可以發現，在第4次放寬閾值邊界時，找到了部分導體區域，像素增加的比例提高，因此第3次的閾值邊界作為紅色絕緣層的閾值邊界較為合適。

在后續計算飽和度折點閾值邊界和明度折點閾值邊界時，將之前已經找到的閾值邊界作為初值，其過程與計算色調閾值邊界類似。對于白色區域分割和灰色區域分割同樣與上述步驟類似。

2.6 目標區域精確分割

在計算得到的目標區域中位數以及各通道閾值邊界后，代入相應公式進行目標區域的精確分割。

3 實驗結果

本文實驗所用數據均來源于普通相機在白色背景且光照均勻的條件下對實際電纜橫截面拍攝的圖片。所有實驗均通過MATLAB R2017a實現，實驗平臺為個人計算機(Intel(R) Core(TM) i5- 6200U CPU 2.3 GHz)。設置參數THori=0.03，TSori=TVori=0.35，這兩個值分別為判斷顏色是否相似以及是否為彩色的閾值。其目的在于分割出一個粗略的目標區域以供算法后續進行精確分割，影響較小。以實際電纜為例，通過本文算法對各區域的分割結果以及閾值邊界如圖5和表1所示。在圖5中，電纜中的導體和4個絕緣層區域均完整地分割出來。從表1中可以看出，電纜各區域閾值邊界相差較大。藍色絕緣層在圖像中沒有其他區域色調與它接近且它自身磨損較嚴重，所以色調閾值邊界較大且飽和度閾值邊界較?。稽S色絕緣層內部顏色比較一致，同時電纜內部的白色填充物和黃色絕緣層色調很接近但飽和度更低，所以黃色絕緣層的色調閾值邊界較小且飽和度閾值邊界較大。表1數據說明本文算法可以很好地計算出各區域的最佳閾值邊界。

(a) 原圖 (b) 導體銅 (c) 藍色絕緣層

表1 折點閾值邊界

根據本文的電纜區域分割算法并進行簡單的形態學處理后得到的電纜三個部分的分割結果如圖6所示?？梢钥吹?，電纜的三個區域均被完整地分割出來。

圖6 電纜區域分割結果

同時，將本文使用的箱型圖與折點閾值邊界分割算法與區域生長算法以及自適應步長的閾值分割算法對電纜的絕緣層進行分割結果對比，結果如圖7所示。可以看到，當絕緣層顏色比較一致時，所有算法都能較好地將其分割出來。而當絕緣層內有磨損等導致部分顏色發生變化時，區域生長算法和自適應步長閾值分割算法都存在某些絕緣層區域沒有分割完全而某些不是絕緣層區域被分割出來的現象。對比之下，本文的基于箱型圖與折點閾值邊界的分割方法可以比較好地分割出電纜的每個絕緣層區域。

(a) 原圖 (b) 區域生長 (c) 自適應步長閾值分割 (d) 本文方法

4 結 語

本文針對傳統圖像分割方法對電纜區域分割效果差的問題，提出一種基于箱型圖與折點閾值邊界的電纜區域分割方法。首先根據電纜的導體與結構信息，遞進得到電纜各區域的顏色信息。之后設計基于閾值邊界的區域分割方法，通過對各區域的信息進行統計，根據箱型圖得到各通道的初始閾值邊界。最后根據電纜區域間顏色存在差異的特性計算出各區域的折點閾值邊界并進行電纜區域分割。實驗結果表明，本文方法基于電纜的結構特征以及統計得到的自適應參數對各區域進行二次精確分割，在不需要人工設定超參數的情況下，可以很好地分割出電纜各區域，魯棒性高。通過本文算法對電纜各區域進行分割，可以直接得到電纜導體的面積從而判斷電纜導體部分是否符合國家標準。同時，根據分割出的絕緣層與護套，根據梯度信息來提取精確邊界進而判斷電纜絕緣層與護套厚度是否符合標準。通過圖像對電纜各區域尺寸進行自動化檢測，在降低人工檢測成本的同時也提高了檢測精度，對電纜質量檢測有著重要意義。