基于改进区域项CV模型的金相图像分割 下载: 693次
1 引言
金相分析[1]通过观察金属的显微组织结构,测定、分析其相关参数和特征,并以此寻找组织结构与宏观性能之间关系。传统的金相分析技术利用人工观察金相显微图像,依据经验判定金相晶粒等级,该技术效率低,劳动强度大,且易受主观因素的影响。而数字图像处理技术的快速发展使定量金相分析自动化和智能化成为可能。
金相图像的自动分割是金相晶粒评级的关键步骤之一[2]。金相图像具有灰度不均、噪声影响严重且晶粒形状各异等特点,使得精确分割金相图像极具挑战性。目前,金相图像分割的主要方法有数学形态学法[3]、阈值分割法[4]和人工神经网络[5]等。当金相图像拓扑结构发生变化时,数学形态学分割方法往往无法自动处理,因此易造成误分割;阈值分割方法具有计算简单、速度快等优点,但对于灰度不均的金相图像,阈值选取较困难,故难以精确分割金相晶粒;人工神经网络是一种有监督的学习网络,该方法能够精确地分割金相图像,但对噪声的抑制效果较差,且分割效率低。
Chan-Vese(CV)模型因其具有对演化曲线初始位置不敏感,自动处理图像拓扑结构变化等优点而备受关注,但对于结构复杂,灰度变化较大的图像,该模型不能精确分割,且存在迭代次数多,需不断重新初始化水平集函数等缺点。为克服这些难题,文献[
6]改进了变分水平集模型,通过添加剪切不变约束能量项,增强了先验形状对目标变化的自适应性,该模型能够分割灰度变化较大的图像,但对噪声的抑制仍然效果较差;文献[
7]通过区域内子块间的欧氏距离和灰度差异构建局部相似因子,可提高模型对噪声的稳健性,改善了模型的分割效果,但是对初始轮廓比较敏感;文献[
8]通过添加边缘能量有效克服了区域内部灰度不均的影响,提高了模型对图像边缘信息的刻画能力,增加距离规范项避免了水平集演化过程中的重新初始化现象,提高了曲线的演化速度,但其仍然采用
为了准确刻画图像灰度值与拟合中心的拟合度,提高模型区域项的能量表达能力,以便快速进行金相图像分割,本文提出一种基于改进区域项CV模型的金相图像分割方法。该方法利用分割前后金相图像的倒数交叉熵阈值选取准则函数替代传统CV模型中能量函数的区域项,进而构造新的水平集模型,以完成金相图像的分割。考虑到倒数灰度熵的计算会增加算法的计算复杂度,引入距离规范项以避免水平集函数的初始化,加速模型的收敛。设计实验与传统CV模型[10]、测地线活动轮廓模型[11]、偏置场修正水平集模型[12]及局部二值拟合模型[13]进行比较,验证模型在分割结果和分割效率方面的优势。
2 CV模型
Chan和Vese在简化Mumford-Shah模型的基础上提出了著名的CV模型[10],该模型是一种基于区域信息的图像分割模型,以最小化区域内像素点灰度差异分割图像,其基本思想是:寻找一个闭合曲线
式中
引入水平集函数
式中
式中
式中
此时,保持
通过迭代法求解(7)式,即可得到分割后的图像。
3 本文模型
CV模型区域项采用
3.1 倒数交叉熵阈值分割准则的原理
概率分布
设图像
将(9)式和(10)式代入(8)式,可得[19]
式中
式中
3.2 改进区域项CV模型基本原理
倒数交叉熵衡量分割前后图像之间基于倒数熵的平均信息偏差。对于传统的CV模型,当曲线演化至目标边缘时,曲线内外部分图像灰度与常数差的平方的积分最小,即类内方差最小。利用倒数交叉熵阈值选取准则函数构造新的区域项后,分割前后图像之间的倒数交叉熵可达到最小。因此,基于倒数交叉熵阈值选取准则函数CV模型的能量函数可表示为
选取(2)式中的符号距离函数作为水平集函数,并利用理想阶跃和狄拉克函数构造带有水平集函数的能量泛函,可得
添加时间变量
利用梯度下降法迭代求解(15)式,即可得到分割后的图像。该模型利用倒数交叉熵阈值选择准则,通过水平集函数的演化,使得分割前后图像的倒数交叉熵达到最小。与传统CV模型相比,该模型能够更好地描述模型中的能量变化,当分割图像较复杂时,该模型也能精确分割。由于倒数交叉熵的计算会增加算法复杂度,为加速模型收敛,提高运行效率,引入最大绝对中位差替代传统CV模型中的固定能量权重,加速曲线的演化。最大绝对中位差可定义为
式中
由于水平集在不断演化的过程中会出现不规则现象,该现象在一定程度上影响水平集的演化。多数情况下,可以将水平集函数不断初始化为符号距离函数以避免出现不规则现象,但是这样势必增加算法的计算复杂度。本文通过添加距离规范项避免水平集的重新初始化,添加距离规范项的能量函数可表示为
显然,该函数在
则有
添加时间变量
利用(22)式驱使水平集的演化,可以避免水平集函数出现周期性初始化现象,在一定程度上能够提高算法的运行效率。将(22)式进行离散化和迭代运算,可得
式中Δ
4 实验结果与分析
为验证所提模型对金相图像分割的有效性,利用大量金相图像进行实验,与传统CV模型、测地线活动轮廓模型、偏置场修正水平集模型和局部二值拟合模型的分割结果进行比较,并给出各种方法的分割结果与运行时间。实验环境为CPU Intel Core i5-4210U,主频2.70 GHz,内存4 GB,实验软件为Matlab R2012a,操作系统为Windows 8。将尺寸分别为250 pixel×250 pixel、250 pixel×250 pixel、180 pixel×180 pixel和380 pixel×310 pixel的4幅金相图像的实验结果进行展示。CV模型和测地线活动轮廓模型中各参数设置为
为了直观地展现各种方法分割效果的优劣,同时定量地评价分割结果与专家手工分割结果的误差,引入基于面积的骰子相似系数(DSC)[23]作为定量评价指标,则有
式中
图 1. 不同方法对金相图像1的分割结果。(a)金相图像1; (b)传统CV模型; (c)测地线活动轮廓模型; (d)偏置场修正水平集模型; (e)局部二值拟合模型; (f)本文模型
Fig. 1. Segmentation results of metallographic image 1 by different methods. (a) Metallographic image 1; (b) traditional CV model; (c) geodesic active contours model; (d) bias field correction level set model; (e) local binary fitting model; (f) proposed model
值越接近于1,说明分割效果越好;DSC值越接近于0,说明分割效果越差。
从
图 2. 不同方法对金相图像2的分割结果。(a)金相图像2; (b)传统CV模型; (c)测地线活动轮廓模型; (d)偏置场修正水平集模型; (e)局部二值拟合模型; (f)本文模型
Fig. 2. Segmentation results of metallographic image 2 by different methods. (a) Metallographic image 2; (b) traditional CV model; (c) geodesic active contours model; (d) bias field correction level set model; (e) local binary fitting model; (f) proposed model
图 3. 不同方法对金相图像3的分割结果。(a)金相图像3; (b)传统CV模型; (c)测地线活动轮廓模型; (d)偏置场修正水平集模型; (e)局部二值拟合模型; (f)本文模型
Fig. 3. Segmentation results of metallographic image 3 by different methods. (a) Metallographic image 3; (b) traditional CV model; (c) geodesic active contours model; (d) bias field correction level set model; (e) local binary fitting model; (f) proposed model
图 4. 不同方法对金相图像4的分割结果。(a)金相图像4; (b)传统CV模型; (c)测地线活动轮廓模型; (d)偏置场修正水平集模型; (e)局部二值拟合模型; (f)本文模型
Fig. 4. Segmentation results of metallographic image 4 by different methods. (a) Metallographic image 4; (b) traditional CV model; (c) geodesic active contours model; (d) bias field correction level set model; (e) local binary fitting model; (f) proposed model
表 1. 5种分割方法的DSC值
Table 1. DSC values of five segmentation methods
|
表 2. 5种分割方法的运行时间
Table 2. Running time of five segmentation methodss
|
从
为了验证倒数交叉熵阈值选取准则的有效性,
表 3. Otsu阈值选择准则与倒数交叉熵阈值选取准则的阈值
Table 3. Thresholds obtained by Otsu algorithm and reciprocal cross entropy algorithm
|
从
综上所述,本文模型分割效率略低于测地线活动轮廓模型,但在金相图像分割效果和分割效率两方面均具有明显的优势。
5 结论
提出了一种基于改进区域项CV模型的金相图像分割方法,该方法利用倒数交叉熵阈值选取准则函数,替代能量函数的区域项,构造了新的水平集模型。该模型使得分割前后图像倒数交叉熵达到了最小,能够更精确地分割对于噪声影响严重且局部灰度变化较大的金相图像。另外,本文模型一方面引入最大绝对中位差,自适应调整了曲线内外的能量权重,加速了曲线的演化;另一方面,添加距离规范项避免了水平集函数的重新初始化,加速了模型的收敛。
实验结果表明,本文模型在分割结果和分割效率两方面均具有较好的表现。然而,本文模型在处理部分金相晶粒存在弱边缘的图像时效果欠佳,因此,如何提高模型对图像弱边缘的分割效果是下一步研究的重点。
[1] 徐森, 曹力. 金属图像的自适应分割方法研究[J]. 南京航空航天大学学报, 2005, 37(5): 625-628.
徐森, 曹力. 金属图像的自适应分割方法研究[J]. 南京航空航天大学学报, 2005, 37(5): 625-628.
Xu S, Cao L. Adaptive segmentation method of metal image[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2005, 37(5): 625-628.
[2] 张红旗, 王春光. 12Cr1Mov钢金相图像处理技术的研究[J]. 内蒙古农业大学学报, 2012, 33(3): 163-168.
张红旗, 王春光. 12Cr1Mov钢金相图像处理技术的研究[J]. 内蒙古农业大学学报, 2012, 33(3): 163-168.
Zhang H Q, Wang C G. Study on processing technique in 12Cr1Mov steel’s metalllgraphy image[J]. Journal of Inner Mongolia Agricultural University, 2012, 33(3): 163-168.
[3] 王宝珠, 李芳影, 刘翠响, 等. 基于图像处理技术的多晶体材料金相图像分割算法研究[J]. 铸造, 2015, 64(11): 1078-1081.
王宝珠, 李芳影, 刘翠响, 等. 基于图像处理技术的多晶体材料金相图像分割算法研究[J]. 铸造, 2015, 64(11): 1078-1081.
Wang B Z, Li F Y, Liu C X, et al. Research on segmentation algorithm on metallographic image of polycrystalline material based on image processing technology[J]. Foundry, 2015, 64(11): 1078-1081.
[4] 张海军, 王春光, 郁志宏. 在小波域进行基于模拟退火算法的图像阈值分割[J]. 内蒙古农业大学学报, 2008, 29(3): 161-164.
张海军, 王春光, 郁志宏. 在小波域进行基于模拟退火算法的图像阈值分割[J]. 内蒙古农业大学学报, 2008, 29(3): 161-164.
Zhang H J, Wang C G, Yu Z H. Image threshold segmentation based on simulated annealing algorithms in wavelet field[J]. Journal of Inner Mongolia Agricultural University, 2008, 29(3): 161-164.
[5] 何维娜, 张丽丽. 人工神经网络在金相图像分割中的应用研究[J]. 电子设计工程, 2013, 21(3): 143-147.
何维娜, 张丽丽. 人工神经网络在金相图像分割中的应用研究[J]. 电子设计工程, 2013, 21(3): 143-147.
He W N, Zhang L L. Study on artificial neuronal networks applied on microstructure segmentation from metallographic images[J]. Electronic Design Engineering, 2013, 21(3): 143-147.
[6] 韩洲, 李元祥, 周则明, 等. 基于改进先验形状CV模型的目标分割[J]. 信号处理, 2011, 27(9): 1395-1401.
韩洲, 李元祥, 周则明, 等. 基于改进先验形状CV模型的目标分割[J]. 信号处理, 2011, 27(9): 1395-1401.
Han Z, Li Y X, Zhou Z M, et al. Object segmentation based on improved prior shape and CV model[J]. Signal Processing, 2011, 27(9): 1395-1401.
[7] Niu S J. Chen Q, de Sisternes Luis, et al. Robust noise region-based active contour via local similarity factor for image segmentation[J]. Pattern Recognition, 2017, 61(S1): 104-119.
Niu S J. Chen Q, de Sisternes Luis, et al. Robust noise region-based active contour via local similarity factor for image segmentation[J]. Pattern Recognition, 2017, 61(S1): 104-119.
[8] 宋昱, 吴一全, 毕硕本. 边缘修正CV模型的卫星遥感云图分割方法[J]. 光学学报, 2014, 34(9): 0901004.
宋昱, 吴一全, 毕硕本. 边缘修正CV模型的卫星遥感云图分割方法[J]. 光学学报, 2014, 34(9): 0901004.
[9] 唐利明, 方壮, 向长城, 等. 结合L1拟合项的Chan-Vese模型 [J]. 计算机辅助设计与图形学学报, 2015, 27(9): 1707-1715.
唐利明, 方壮, 向长城, 等. 结合L1拟合项的Chan-Vese模型 [J]. 计算机辅助设计与图形学学报, 2015, 27(9): 1707-1715.
Tang L M, Fang Z, Xiang C C, et al. An improved Chan-Vese model integrated with L1 fitting term [J]. Journal of Computer-Aided Design and Computer Graphics, 2015, 27(9): 1707-1715.
[10] Chan T F, Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.
Chan T F, Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.
[11] Caselles V, Kimmel R, Sapiro G. Geodesic active contours[J]. International Journal of Computer Vision, 1997, 22(1): 61-79.
Caselles V, Kimmel R, Sapiro G. Geodesic active contours[J]. International Journal of Computer Vision, 1997, 22(1): 61-79.
[13] Li CM, Kao CY, Gore JC, et al. Implicit active contours driven by local binary fitting energy[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2007: 1- 7.
Li CM, Kao CY, Gore JC, et al. Implicit active contours driven by local binary fitting energy[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2007: 1- 7.
[16] 赵方珍, 梁海英, 巫湘林, 等. 基于局部和全局高斯拟合的主动轮廓分割模型[J]. 激光与光电子学进展, 2017, 54(5): 051006.
赵方珍, 梁海英, 巫湘林, 等. 基于局部和全局高斯拟合的主动轮廓分割模型[J]. 激光与光电子学进展, 2017, 54(5): 051006.
[17] 谢志南, 郑东, 陈嘉耀, 等. 改进Chan-Vese模型的肝癌消融CT图像肿块分割方法[J]. 激光与光电子学进展, 2017, 54(2): 021702.
谢志南, 郑东, 陈嘉耀, 等. 改进Chan-Vese模型的肝癌消融CT图像肿块分割方法[J]. 激光与光电子学进展, 2017, 54(2): 021702.
[18] 吴一全, 孟天亮. 分解的二维倒数交叉熵图像阈值选取[J]. 信号处理, 2013, 29(7): 800-808.
吴一全, 孟天亮. 分解的二维倒数交叉熵图像阈值选取[J]. 信号处理, 2013, 29(7): 800-808.
Wu Y Q, Meng T L. Image threshold selection using two-dimensional reciprocal cross entropy based on decomposition[J]. Journal of Signal Processing, 2013, 29(7): 800-808.
[19] 吴诗婳, 吴一全, 周建江. 利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割[J]. 测绘学报, 2015, 44(11): 1255-1262.
吴诗婳, 吴一全, 周建江. 利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割[J]. 测绘学报, 2015, 44(11): 1255-1262.
Wu S H, Wu Y Q, Zhou J J. SAR river image segmentation based on reciprocal gray entropy and improved Chan-Vese model[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(11): 1255-1262.
[20] 郝智慧, 郭满才, 宋杨杨. 结合全局与局部信息活动轮廓的非同质图像分割[J]. 中国图象图形学报, 2016, 21(7): 886-892.
郝智慧, 郭满才, 宋杨杨. 结合全局与局部信息活动轮廓的非同质图像分割[J]. 中国图象图形学报, 2016, 21(7): 886-892.
Hao Z H, Guo M C, Song Y Y. Inhomogeneous image segmentation based on active contours with global and local information[J]. Journal of Image and Graphics, 2016, 21(7): 886-892.
[23] DietenbeckT, AlessandriniM, FribouletD, et al. A free software for the evaluation of image segmentation algorithms based on level-set[C]∥Proceedings of the IEEE International Conference on Image Processing, 2010: 665- 668.
DietenbeckT, AlessandriniM, FribouletD, et al. A free software for the evaluation of image segmentation algorithms based on level-set[C]∥Proceedings of the IEEE International Conference on Image Processing, 2010: 665- 668.
[25] 潘改, 高立群, 张萍. 基于LBF方法的测地线活动轮廓模型[J]. 模式识别与人工智能, 2013, 26(12): 1179-1184.
潘改, 高立群, 张萍. 基于LBF方法的测地线活动轮廓模型[J]. 模式识别与人工智能, 2013, 26(12): 1179-1184.
Pan G, Gao L Q, Zhang P. Geodesic active contour based on LBF model[J]. Pattern Recognition and Artificial Intelligence, 2013, 26(12): 1179-1184.
倪康, 吴一全, 庚嵩. 基于改进区域项CV模型的金相图像分割[J]. 光学学报, 2018, 38(4): 0411009. Kang Ni, Yiquan Wu, Song Geng. Segmentation of Metallographic Image Based on Improved CV Model Integrated with Local Fitting Term[J]. Acta Optica Sinica, 2018, 38(4): 0411009.