基于分水嶺和形態(tài)學重構的礦石圖像分割方法

引 言

目前，利用計算機圖像處理技術來解決實際問題已經非常普及，人們傾向于用攝像機來構建機器視覺測量系統(tǒng)，實時給出礦石的粒度尺寸分布信息，這樣就實現(xiàn)了礦石生產線的自動控制[1]。但礦石現(xiàn)場采集的圖像質量較差，待分析礦石往往會連在一起，同時還有噪聲多等特點，假如我們不對其進行分割、處理并定位到目標，將會導致礦石粒度分析較差，因此礦石圖像中礦石分割是該視覺系統(tǒng)的關鍵。礦石場景分割涉及把一個礦石場景分為不相交的區(qū)域，圖像中的每一個礦石都具有一個封閉的輪廓，這些輪廓應盡可能逼近礦石的邊緣[2,3]。分水嶺方法的優(yōu)點是計算速度快，能夠較好地提取出對象輪廓、邊緣，定位準確，這使得其被越來越多的研究人員應用到圖像分割的實踐中來。但由于本文選擇的測量對象是選礦現(xiàn)場位于傳送帶上破碎后的礦石顆粒，圖像受光照影響較大且采集環(huán)境惡劣，粉塵較多。因而如果直接使用分水嶺算法對礦石圖像進行有效分割會存在以下不足：

(1) 由于采集、量化中所產生的圖像噪聲對分水嶺算法將產生極大的影響。礦物加工現(xiàn)場由于環(huán)境的特殊性致使圖像噪聲較多，這類噪聲通常具有離散性和隨機性特點，影響圖像的梯度導致分割時輪廓產生偏移。

(2) 由于某些圖像對比度較低，將會導致其輪廓丟失[4]。

(3) 由于礦石表面細密紋理較多導致使用傳統(tǒng)的分水嶺算法存在檢測結果局部極值過多現(xiàn)象，使得后續(xù)分割出現(xiàn)大量細小分割區(qū)域從而導致圖像過度分割。為克服以上缺陷， 本文設計了一套算法流程，結合礦石圖像的特點，對采集的圖像先進行圖像預處理操作，為分水嶺算法進行圖像分割做準備，根據(jù)實驗結果的圖像顯示，圖像分割效果較為理想。

1 算法流程

如上所述，由于礦石現(xiàn)場傳送帶環(huán)境惡劣，目標與背景區(qū)分度差。通過最初的圖像預處理可以增強前景和背景的對比度，為后續(xù)礦石定位以及分割做準備。圖像處理過程如圖 1 所示。

1.1 雙邊濾波

在圖像處理過程中，傳統(tǒng)的平滑濾波方法有均值和中值濾波。濾波一般是在空間上對信號進行變換，如加權或取鄰域中間值，這樣雖然信噪比增強，但輸出圖像的邊緣卻變得模糊。為克服這個缺陷，應生了各種具有自適應特征的濾波算法。這些算法在基本思想上是相通的，即濾波時，盡可能根據(jù)圖像邊緣特點來避免模糊現(xiàn)象。而雙邊濾波是通過卷積過程中組合空域函數(shù)和值域核函數(shù)，同時考慮灰度域的相互影響，是具有保留邊緣特點的算法。

雙邊濾波器計算圖像中每個像素點與模板內像素的空間相鄰關系和灰度相似關系，并將兩個關系進行高斯映射后作為模板內像素的權值，對模板像素進行加權平均，從而達到濾波效果。在圖像灰度變化平緩的區(qū)域，雙邊濾波器變?yōu)闃藴实牡屯沼驗V波器。而在那些圖像灰度變化劇烈的區(qū)域，如二值圖像的邊緣，濾波將邊緣點鄰域內灰度近似的像素點的灰度平均值作為該點的像素值。因此雙邊濾波器有去除噪聲和保留圖像細節(jié)的功能，是一種具有實際應用價值的濾波器 [3]。

總體來說，雙邊濾波在使得礦石圖像平滑去噪的同時， 會盡可能保留其邊緣細節(jié)的非線性濾波方法，采用該方法可以去除灰塵雜質及光照不均帶來的畸變干擾[5]。圖 2（a）所示為一幅初始礦石粒度圖像，圖 2（b）所示為對原始圖像依次進行灰度化和雙邊濾波處理后的結果示意圖。

1.2 分段線性灰度變換

灰度變換為圖像增強的一種方法，其能夠加強圖像前景與背景之間的對比度。因此，可以將灰度變換應用到礦石采集圖像中，突出礦石目標特征。對多峰的直方圖圖像進行灰度變換，則需要在各灰度范圍內分段處理。對于兩個峰值左右的灰度應該分別進行拉伸，而兩峰之間的谷則應進行一定程度的壓縮處理，使在分段處理后，圖像的細節(jié)更為突出。圖 2（c） 所示是將礦石圖像進行雙邊濾波處理后的結果使用分段線性灰度變換進行對比度增強后的結果示意圖。從圖中可以看出， 通過使圖像的對比度增強，可以較好地把礦石的前景和背景分割出來。

1.3 梯度計算

圖像梯度化屬于圖像銳化，其目的在于突顯圖像的輪廓特征，以方便機器識別，梯度圖像的主要目的是顯示圖像變化趨勢。基于梯度圖像使用分水嶺算法比直接在原始圖像上利用分水嶺分割結果更加準確，梯度圖像更適合作為分水嶺算法的分割圖像[6]。本文中的梯度算法采用Sobel 算子，計算圖像f（ x，y）的一階導數(shù)，分別為 Gx 和 Gy，梯度定義如下：

圖 2（d）為對圖 2（c）所示的處理結果進行梯度計算后的結果示意圖。從結果可以看出，梯度圖像在邊緣輪廓位置具有較高的響應值，在非礦石邊緣處梯度值較低。

1.4 礦石圖像二值化

為了將目標礦石與背景區(qū)分開，需要采用二值化方法對礦石圖像進行處理，從而生成二值圖。二值化就是設定一個閾值 T，圖像大于 T的分為一類，小于 T的分為另一類。二值圖像的特點是使圖像變得簡單，可通過布爾運算較方便地描述目標區(qū)域的邊界，獲取目標的位置和大小等。礦石圖像二值化是進行形態(tài)學變換的基礎。圖 3（a）給出了對梯度圖像進行二值化處理后的結果示意圖。從結果能夠看出，經二值化處理后， 將梯度響應值比較低的區(qū)域均置為 0，為后續(xù)極大值區(qū)域檢測減少了干擾因素。

1.5 閉運算

礦石圖像二值化后，會不可避免的在大塊礦石內部形成一些小 孔洞 ，或者礦石輪廓存在些許 小毛刺 ，同時還存在一些孤立噪聲點。這些小 孔洞 均可以通過腐蝕膨脹等形態(tài)學運算進行去除，保證后續(xù)分割的準確性。原圖經過膨脹運算后，前景目標區(qū)域擴大了一圈。原圖經過腐蝕運算后，前景目標區(qū)域縮小了一圈。先膨脹后腐蝕的方式稱為閉運算，其作用是填平小孔，彌合小裂縫，保留圖像輪廓而去除易造成過分割的區(qū)域細節(jié)和噪聲，而總的位置和形狀不變。閉運算處理后，本算法流程在提取輪廓步驟中，將封閉輪廓面積較小的以及輪廓長度較短的都剔除掉，這樣得到的圖像空洞較少， 便于分割。圖 3（b）給出了對圖 3（a）所示的處理結果進行閉運算處理、輪廓提取、小輪廓去除等步驟處理后的結果示意圖。從圖中可以看出，一些小的孔洞及邊緣均已被有效去除。

（a）二值化（b）閉運算等處理后的結果示意圖

圖 3 礦石圖像預處理結果示意圖

1.6 距離變換

給定一幅二值圖像，可將其所有像素劃分為兩組，即目標像素和背景像素。二值圖像并不能突顯圖像中的某些特性， 但若對其進行合適的處理，一些未被發(fā)現(xiàn)的圖像信息就能顯現(xiàn)出來。距離變換就是將每一像素的像素值變換為該像素與圖像中所有背景像素間的最小距離值。通過距離變換，可以將一幅各像素間沒有任何關聯(lián)的簡單二值圖像轉換為能夠展現(xiàn)圖像骨架、邊緣及各像素間相對位置的豐富的灰度圖像。

對于構成某個連接成分的像素來說，給出從背景到每個像素的最小距離的處理或計算一個像素點到背景像素點的最短距離 [7] 稱為距離變換。應用距離變換進行處理后，基于距離變換的結果對礦石圖像進行形態(tài)學重構，從而測定圖像距離變換后的峰值，求出圖像局部最大值，從而準確得到礦石的中心和個數(shù)。圖 4（a）給出了對進行距離變換的結果示意圖，圖 4（b）給出了對距離變換結果進行局部極大值區(qū)域檢測的結果示意圖。檢測出的局部極大值區(qū)域和邊緣線一起可以作為后續(xù)分水嶺算法的輸入。

1.7 分水嶺變換

分水嶺分割方法就是根據(jù)分水嶺的構成來考慮圖像分割 形成的算法，利用圖像灰度來構建山嶺的高度，局部值作為集 水盆，其邊界就構成了分水嶺 [8]。在本文中，將梯度圖像和局 部極大值區(qū)域作為分水嶺算法的輸入圖像，進行礦石圖像的 分割，分割結果如圖 5 所示。

2 結 語

對于較為復雜的礦石圖像中礦石目標的分割，本文在基于分水嶺圖像分割算法的基礎上，設計了一套切實可行的礦石圖像分割方法，其中包括雙邊濾波、分段線性灰度變換、二值化、距離變換、圖像形態(tài)學重構等步驟，來達到準確完成礦石粒度圖像分割的目的。從結果圖可以看出，此算法完成礦石粒度圖像分割效果較為理想。為之后進行在線粒度測量分析及自動統(tǒng)計分析結果提供了可行性，具有重要的理論意義和應用價值。