结合颜色空间变换与GrabCut的超声相控阵图像分割

王凯 曹晓杰

摘 要：为实现工业故障诊断的自动化，应先解决超声相控阵无损检测图像的目标分割问题。为此提出一种结合颜色空间变换与GrabCut算法的超声相控阵图像分割方法。该方法改进了传统的 GrabCut 算法，通过自适应直方图均衡化对超声相控阵图像进行增强，然后结合颜色空间变换和 GrabCut 算法对目标进行交互式图像分割得到图像目标分割结果。实验表明，与传统 GrabCut 算法相比，本文所提方法能够更加精确分割出图像中目标，并能克服背景噪声，保留目标图像细节。

关键词：超声相控阵;HSV颜色空间;GrabCut算法;图像分割

文章编号：2095-2163（2019）04-0170-04 中图分类号：TP391.4 文献标志码：A

0 引 言

超声相控阵是无损检测领域的一个重要分支。与其它检测方法相比，超声相控阵具有检测速度快、适用性好、穿透性强、操作安全等优点，是目前获得广泛应用的无损检测方法之一[1-2]。超声相控阵图像分割对于后续处理有着非常重要的影响，常用的图像分割方法如下：基于阈值的分割，例如Otsu方法[3]、基于边缘的分割，如Canny算子分割[4]、基于区域的分割，例如Watershed Algorithm[5]和基于水平集的分割，如CV模型[6]。但是由于超声相控阵图像中含有散斑噪声，故上述方法都不适用于超声相控阵NDT图像的图像分割。本文以超声相控阵无损检测原始图像为研究对象，提出一种结合颜色空间变换与GrabCut的超声相控阵图像分割方法。研究中，将运用自适应直方图均衡化实现超声相控阵图像的增强，然后结合颜色空间变换和 GrabCut 算法对目标进行交互式图像分割，以避免复杂环境背景带来的影响，解决传统 GrabCut 算法对局部噪声敏感而导致提取边缘效果不好的不足，从而为后续工业故障诊断的自动化提供技术基础[7]。本文对此拟展开研究论述如下。

1 颜色空间转换

1.1 RGB颜色空间

在图像处理技术中，经常见到的就是RGB颜色空间，也称为三基色模式，由红绿蓝三个分量组成。当一个颜色通道用8位数据来描述时，3个分量的范围均为[0，255]，当3个分量均为0时，对应黑色;都为最大值时，对应白色，其它颜色则由3个分量按照不同的权重相加获得[8]。如图1所示，RGB色彩空间可以用一个直角坐标系中的立方体来表示，立方体内的一个点代表一种颜色，坐标值表示了这种颜色在3种颜色上的分量。

1.2 HSV颜色空间

HSV空间的创建是基于颜色的直观特性，即H（色调）、S（饱和度）和V（明度）。这种描述方式，相对于RGB色彩空间更接近人眼对物体颜色的感知[9]。HSV颜色空间可以使用六角椎体来表示，如图2所示。六角棱锥中间的轴线表示明度V，从椎尖到椎底依次从黑到白;用角度表示色调H，0为红色准线，2π/3表示绿色，4π/3表示蓝色;用点到中轴线的距离表示饱和度S，从近到远依次变得不饱和。

超声相控阵图像是基于RGB格式的，RGB颜色空间更注重图像采集或显示设备对颜色的记录或显示，但却并不是一个直观的颜色空间，各个分量之间冗余信息多，对目标物体的颜色描述相对复杂，不利于颜色的识别。用HSV颜色空间表示的彩色图像，其中的色调H和饱和度S更加符合人眼感知物体颜色的特性，其各个分量的独立性强，有利于图像处理。这样比较有利于算法的设计与实现。 因此本文针对原GrabCut算法缺陷，采用HSV颜色空间描述彩色图像。

2 GrabCut算法

2004年， Rother等人[10]基于迭代的GraphCut算法提出了GrabCut算法。GrabCut算法通过交互的方式得出前景与背景。在框选出区域后，将选框以外的部分视为背景区域，而将选框以内的区域视为可能的前景区域。再通过计算前景高斯混合模型（GMM）和背景GMM，对每一个像素的RGB值代入单个的高斯模型进行计算，选取值最大的那个模型作为该像素点的归属，并且还将建立一个图，对该图求解最小割，如此循环直至收敛，这样一来即可判断得出选框内的前景区域与背景区域[11]。

3 超声相控阵图像分割

3.1 超声相控阵图像采集

本文实验环境为Python3.6，选用CPU 为Intel（R） Core（TM） i7-8750H处理器，主频为2.20 GHz，8 GRAM， Windows 10操作系统，本文实验所使用的超声相控阵图像是由Phasor XS超声相控阵仪器生成的，尺寸为300*230像素。

3.2 超声相控阵图像分割方法

本节综合不同颜色空间的特征与GrabCut函数分割方法， 提出了融合颜色空间变换与GrabCut函数相结合的图像分割方法，方法步骤可阐释如下。

（1）对于采集的超声相控阵图像，采用自适应直方图均衡化对图像进行增强处理，增加亮度与对比度，以便后续操作。

（2）针对GrabCut算法的缺陷，将RGB图像进行颜色空间转换，在HSV颜色空间进行操作。

（3）用户通过绘制矩形框来选择超声相控阵图像的ROI区域，矩形外部像素标记为背景，内部像素标记为前景目标。

（4）将获取到的图像信息用于GrabCut算法初始化，并在GrabCut初始化建模中引入颜色判定，进行参数迭代和判定，从而得到分割图像。

3.3 实验结果及分析

分割算法效果对比如图3所示。其中，图3（a）为超声相控阵原始图像，图3（b）是采用传统GrabCut算法分割得到目标的结果，图3（c）是将超声图像自适应直方图均衡化进行图像增强，并且采用颜色空间转换，再进行GrabCut分割，综上处理后得到的目标分割结果。从图3中看出，本文算法对图像含有大量的噪声、且灰度不均匀性等因素具有较强的抗干扰能力，可以完整地分割出大部分目标的图像，而且能夠保留图像细节，分割效果堪称理想。

本文分別采用GrabCut算法和基于颜色空间改进的GrabCut算法对超声相控阵图像进行分割。为了评价算法的分割效果，本文选取了精确度（Precision）和召回率（Recall）来衡量图像分割效果的优劣。精确度和召回率值越大，分割质量越好，反之分割质量就越差。分割算法的对比结果见表1。

由表1可以看出，使用改进后的GrabCut算法在所有指标上均高于其它对比算法，具有较高的精确度和召回率。

4 结束语

GrabCut算法是一种较为成熟、在计算机视觉等领域应用较为广泛的图像分割算法。本文基于HSV颜色空间的GrabCut算法实现彩色图像的分割。该方法符合人类视觉感知特点，在超声相控阵图像分割应用中获得了良好的分割效果。通过实验的分割结果剖析和分割性能的比较，充分验证了本文算法的有效性和优越性。但对于图像分割效率等却仍有待后续深入的研究及改进。

参考文献

[1]杨晓霞. 超声相控阵汽车发动机内腔腐蚀检测关键技术研究[D]. 天津：天津大学， 2014.

[2]樊程广. 超声相控阵超分辨率成像方法研究[D]. 长沙：国防科学技术大学， 2014.

[3]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 1979， 9（1）：62-66.

[4]CANNY J F. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， 8（6）：679-698.

[5]VINCENT L， SOILLE P. Watersheds in digital spaces：An efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991， 13（6）：583-598.

[6]CHAN T F， SANDBERG B Y， VESE L A. Active contours without edges for vector-valued images[J]. Journal of Visual Communication and Image Representation， 2000， 11（2）：130-141.

[7]姬治华. 基于GrabCut的三维医学乳房超声图像分割技术的研究[D]. 贵阳：贵州大学，2017.

[8]RUTA A， LI Yongmin， LIU Xiaohui. Real-time traffic sign recognition from video by class-specific discriminative features[J]. Pattern Recognition， 2010，43（1）：416-430.

[9]SHI Hang，YANG Yu. A computational model of visual attention based on saliency maps[J].Applied Mathematics and Computation，2007，188（2）：1671-1677.

[10]ROTHER C， KOLMOGOROV V， BLAKE A. “GrabCut”：Interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics （SIGGRAPH） ， 2004， 23（3）：307-312.

[11]KIM M， CHOI W， KIM B C， et al. A vision-based system for monitoring block assembly in ship building[J]. Computer-Aided Design，2015，59：98-108.