基于双极值滤波和边界细分的磨斑图像分割算法

郭 捷，杨 冰，肖 梅，张 雷，孟禹冰

(1.陕西国防工业职业技术学院，陕西 西安 710300；2.长安大学运输工程学院，陕西 西安 710064；3.长安大学经济与管理学院，陕西 西安 710064)

润滑剂是降低摩擦阻力、减缓摩擦副磨损的润滑介质，同时还能起到冷却、清洗和防止污染等作用.一旦润滑剂抗摩性能下降，将造成巨大的能源消耗，引起零件失效，导致严重后果.因此，及时、准确地测定润滑剂性能，对于保护机械、减少能源消耗尤为重要.根据《润滑油摩擦系数测定法(四球法)》 (SH/T 0762—2005)，通过四球摩擦试验，利用摩擦系数、磨斑直径和磨斑形貌分析测定润滑剂的性能[1].由于磨斑尺寸一般小于1 mm，因此，需借助具有放大功能的扫描电子显微镜才能观察到丰富的磨斑图像形貌特征，这就促使图形图像处理技术成为深度挖掘摩擦表面形貌特征强有力的工具，成为近年来研究的热点.早在1979年，MATSUSHIMA等[2]就尝试利用计算机视觉系统检测刀具磨损状态，随后，图像分割、纹理分析和模式识别等图像分析技术被广泛应用于刀具磨损状态监测[3-4]和磨损评估[5-6]中，初显了该方法在刀具磨损状态表征中的可行性和损伤评估的有效性.近年来，国内、外学者已定性描述了微小磨损类型识别，分析了磨损机理[7-8]，但缺少定量的度量和评估.目前，已开展了基于微磨损图像分析的滑动摩擦系数[9]、磨损量或磨损率[10-12]等重要指标测定的研究，但有关四球摩擦试验的微磨损图像分析技术研究成果还比较缺乏.磨斑分割是磨斑直径测量、异常磨斑识别、异常磨痕检测等后续形貌分析的前提和关键.因此，本文提出一种基于双极值滤波和边界细分的磨斑图像分割算法，以精确地从背景分割出磨斑区域：进行灰度化和去噪等预处理，以消除噪声干扰并加快算法的处理速度；基于磨斑图像的特性，建立双极值灰度差异度算子，并对磨斑区域进行初分割；考虑灰度和距离双约束，对磨斑区域边界进行精确分割.

1 磨斑图像自动分割算法

1.1 算法原理

磨痕是四球摩擦试验中钢球间相对运动在钢球表面留下的细纹，深浅、长度各异，磨痕聚集形成的圆形区域为磨斑区域.磨斑区域形貌分析包括磨斑尺寸、形态和内部结构等，是测定润滑材料性能和探寻磨损机理的关键.磨斑形貌自动分析依赖于磨斑图像的分割，然而，磨痕的间断性使得磨斑和背景间没有明显、光滑的边界，分割难度大；同时，工程应用对实时性要求高.本文提出了一种基于双极值滤波和边界细分的磨斑图像自动分割算法.

图1 算法流程

磨斑图像自动分割算法包括图像准备、图像预处理和磨斑分割3个处理阶段.图像准备阶段，借助具有放大功能的扫描电镜或光学显微镜采集试验钢球的磨斑图像，分析磨斑特性，结果发现，磨斑区域的邻域像素灰度差异明显高于背景区域.图像预处理阶段包括灰度化处理和去噪处理，灰度化处理可以减少存储空间和算法计算量，满足工程的实时性要求；在此基础上进行去噪处理，可以消除噪声影响，以提高后续处理的精度.磨斑分割阶段是实现从背景中提取磨斑区域的过程，先建立差异度量算子以度量邻域像素的灰度差异，并对磨斑区域进行初分割；再考虑灰度和距离双约束对磨斑区域的边界进行精确分割；最后执行形态学处理，目的是连接中断、去除毛刺和填补空洞等.算法流程见图1.

1.2 算法步骤

步骤1：磨斑图像采集.磨斑图像尺寸一般小于1 mm，无法用肉眼观测，也无法用普通图像设备采集，只能利用具有放大功能的扫描电镜或光学显微镜采集.磨斑图像用F表示，大小为M×N(像素单位).磨斑图像见图2 a.

步骤2：加权平均的灰度化处理.磨斑图像本身是不含颜色信息的，为去除采集过程中带来的彩色信息，减少计算量，需要进行灰度化处理，以得到灰度磨斑图像.本次研究采用加权平均的灰度化处理方法[13]，过程计算式为

f(x，y)=ζ1·r(x，y)+ζ2·g(x，y)+ζ3·b(x，y)，

其中：f为灰度磨斑图像，见图2 b；x、y分别为像素的行、列坐标，均为整数，且满足1≤x≤M和1≤y≤N；ζ1、ζ2和ζ3分别为红色、绿色和蓝色分量的权重，依据人眼对颜色的敏感度，取值分别为0.30、0.59和0.11；r(x，y)、g(x，y)和b(x，y)分别为磨斑图像F中像素(x，y)的红色、绿色和蓝色分量.

图2 磨斑区域分割算法过程

步骤3：磨斑图像去噪处理.进一步对磨斑图像进行去噪处理有利于后续的磨斑分割.图像去噪有均值法、中值法和维纳滤波去噪等方法.随机选取60个样本进行去噪处理，以峰值信噪比为效果评价指标.经均值法、中值法和维纳滤波去噪处理后，平均峰值信噪比分别为24.293、24.916和29.975，故选择维纳滤波对磨斑图像进行去噪处理.

步骤4：双极值灰度差异度量.磨斑图像由背景区域和磨斑区域组成，考虑到背景区域的像素灰度差异较小，而磨斑区域的邻域像素灰度存在较大差异，因此，用双极值的灰度差异度量算子.双极值滤波包括极大值和极小值滤波，是将周围邻域像素的极值(极大值或极小值)替换中心像素的处理过程：首先对图像进行极大值滤波和极小值滤波运算，此时像素灰度分别被亮化和暗化处理；再对灰度双重滤波结果进行差分运算，可以很容易地度量出邻域像素的灰度差异.计算式为

J(x，y)=max(W[l(x，y)])-min(W[l(x，y)])，

其中：l(x，y)为维纳滤波图像l的像素，见图2 c；J为灰度差异图，见图2 d；J(x，y)为像素(x，y)的灰度差异；W[l(x，y)]为以(x，y)为中心像素的邻域W，通常为正方形、圆形和矩形等；max(W[l(x，y)])为像素(x，y)的极大值滤波值；min(W[l(x，y)])为像素(x，y)的极小值滤波值.

步骤5：磨斑图像初分割.采用阈值法对灰度差异图进行初分割.阈值的确定可以采用自适应阈值法、最大类间法或人工经验法等，处理过程

其中：U为磨斑二值图，U(x，y)=1表示像素属于磨斑区域，U(x，y)=0表示像素属于背景区域；τ为分割阈值.磨斑二值图及其对应的原图分别见图2 e和图2 f.

此外，还需要对磨斑二值图进行形态学闭运算，以连接中断的磨斑区域.

步骤6：双约束边界细分处理.磨斑二值图中分割出的磨斑区域边界并不准确，很多和背景灰度相似的像素也被错误地归类为前景，故还需要对其进行边界细分.考虑到背景区域像素的灰度相似性，且初分割的磨斑区域边界偏差和邻域W的尺寸有关，故采用灰度和距离双约束的边界细分处理对步骤5中得到的磨斑区域进行精确提取.具体包括：

1)背景种子点提取.统计各连通的背景区域，将像素总数大于一定值的背景区域标记为背景种子点；

步骤7：数学形态学运算.对边界细分处理后的图像进行形态学运算，包括形态学膨胀运算、腐蚀运算和填补空洞操作，目的是连接中断、去除毛刺和填补空洞等，提取出完整的磨斑图像.最终提取的磨斑二值图及其对应的原图分别见图2 g和图2 h.

2 仿真试验分析

为验证方法的有效性，针对多组磨斑图像进行仿真试验.试验图像数据来自试验磨合和试验阶段，图像为彩色RGB图像，大小为768×1 024，仿真平台为MATLAB 2014；计算机工作配置为Intel Core i7-6600U CPU@2.6 GHz 2.0 GHz、4.0 GB RAM和64位的Windows 7操作系统；试验参数τ和T取值均为15.对比分析本文算法和梯度法[15]的检测结果，部分样本磨斑分割结果见图3.

图3 多样本磨斑区域分割结果对比分析

图3中的黑色轮廓线包含的区域为最终分割的磨斑区域.分割结果表明，与梯度法相比，本文的分割算法能够很好地区分磨斑区域和背景边界，分割出磨斑区域，检出效果好.尽管四球摩擦试验产生的磨斑区域形态各异，并非均呈现圆形或椭圆形，本文的分割算法仍能很好地分割出凹槽形态的边界，鲁棒性好.为进一步定量分析本文方法的分割效果，用分割精度、过分割率和欠分割率3个指标评价分割效果.

分割精度SA表示分割准确的面积占理论分割结果中真实面积的比率.其计算公式为

过分割率OR用于衡量被错误分割为磨斑的背景区域的比率，其值越小表示被错误分割成磨斑的背景区域越少.其计算公式为

其中：Os为被错误分割为磨斑的背景的像素数.

欠分割率UR表示未被检出的磨斑区域的比率，其值越小表示未被检出的磨斑区域越少.其计算公式为

其中：Us为未被检出的磨斑区域的像素数.

两种方法的分割精度、过分割率和欠分割率见表1.由表1可知：梯度法的欠分割率为0，说明该方法分割的磨斑区域比实际磨斑区域要大，对边界的分割较差；而本文方法的分割精度均在90%以上，比梯度法要高，且过分割率也大大下降，说明本文方法的分割效果要好于梯度法.

表1 算法分割效果对比分析

此外，本文算法运行速度快，平均每帧耗时0.722 s，当程序硬件化后，耗时还会进一步减少，适合开发为四球摩擦试验机的分析处理软件.

3 小 结

本文提出的磨斑图像分割算法利用双极值滤波度量像素的差异，区别于传统的梯度差异度量法，能更好地获得磨斑和背景区域的灰度差异性；基于灰度和距离双约束的边界细分处理可以更精细地捕获磨斑区域的边界轮廓，针对形态各异的磨斑图像的凹凸区域均具有很好的分割效果，且算法运行速度快，适合开发为四球摩擦试验机的分析处理软件.然而，由于采集到的试验图像数据来自同一台四球机，且由同型号设备采集，使得试验数据较为单一，采集更丰富的试验数据并校验算法普适性是下一步工作的重点.