基于邻域标签融合的烟草薄片视觉提取方法

李世杰，陈泽少，聂长武，张坤芳，张 喆，万 帅，牛亚鹏，李 倬，张智轩

（河南中烟工业责任有限公司，郑州 450000）

随着计算机及图形图像学科的发展，图像技术已然广泛应用于军事、交通、安保和医学等诸多领域。其中，图像分割方法旨在实现将前景图像依含义从背景中分离，是实现高层次理解分析的关键环节，其分割提取的品质直接影响了后续图像分析、理解的精准度。

目前图像分割主要基于区域阈值和边缘两大类方法，其与先进算法、机器学习等相结合衍生出诸多算法。詹志宁等[1]学者分析了多种阈值分割算法，得出了适用不同分割对象范畴。南京农业大学伍艳莲等[2]学者基于作物图像背景复杂难分割的问题，提出了一种改进均值漂移的图像分割方法，实现对绿色作物的有效分割。湖南文理学院聂方彦等[3]学者提出了基于非广延高斯熵的图像阈值分割方法，充分利用了图像中像素灰度级不均匀分布随机的特点，得到了较优益的分割结果。武汉科技大学严晨曦等[4]学者设计了一种改进Ostu方法，将背景像素比重引入目标方程中，有效降低了分割误差。烟台大学田洪志等[5]学者针对冲压件划痕区域与背景灰度差异较小的现象提出了2次不同阈值动态分割的方法，满足了工厂条件下检测的需求。

综上所述，图像分割技术尚无兼顾普遍案例的分割方法。目前，国内外对加热卷烟的端面烟草薄片填充的检测仍处于空白状态，端面烟草薄片填充品质可以直观地反映加热卷烟的烟支品质及卷接工艺水平，开展烟草薄片分割技术的研究，可以为后续进一步的深化分析理解奠定基础。

在此技术研究背景下，本文提出了一种新型烟草薄片视觉提取方法，首先针对原始图像进行空域平滑处理，并进行Lab空间转换，通过设计领域标签融合算法并将其与传统的阈值分割算法进行对比，能直观便捷地反映对图像分割效果的评价。

1 图像预处理

烟草薄片经图像采集系统采样、量化过程中由于外部光照不均、电压闪烁或器件内部噪声等因素影响，数字量化后呈现的图像会伴随一定的噪声。预处理阶段对图像进行平滑滤波处理能够在一定程度上消除经图像采集系统或外部干扰带来的噪声影响，起到增强图像信息的目的[6]。

1.1 高斯滤波

Gaussian滤波是一种空域线性滤波方法，其将图像中每一个像素点的值由其本身和邻域内像素值经过高斯滤波器加权平均后得到，相比频域方法处理简单高效，被广泛应用于图像处理的减噪过程。Gaussian核函数表示如下

式中：σ为标准差；e为自然对数。

Gaussian核函数空域呈现沿X-Y轴对称的帽型结构，原始图像与该核函数进行卷积能够对处于滤波窗内的像素点进行加权平均化处理，从而达到消除噪声的目的。其中滤波窗口通过高斯核函数离散化得到的函数值表示，若Gaussian滤波器G窗口大小为（2k+1）×（2k+1），则有如下表示

假设原始图像F（m×n）某像素点灰度值f（x，y），其经Gaussian核函数滤波后的灰度值f"（x，y）可以表示如下

1.2 平滑滤波实验

采用离散化处理后的Gaussian核函数对原始图像的R，G，B3通道分别进行卷积滤波后再次合成。其中Gaussian滤波窗口尺寸分别选取3×3、5×5、7×7，σ分别取1、2、4和8。Gaussian滤波处理后的图像如图1所示。

从图1可以看出，滤波窗口尺寸越大，图像细节保留越差，模糊程度越大。σ越大，图像细节保留越差，模糊程度越大。为了能适度减少图像噪声，保留图像细节信息，本文采用3×3，标准差σ为1滤波窗口。

图1 滤波预处理后图像

2 图像色彩空间转换

图像是人类视觉系统对不同频率光波的客观感应和主观感知的综合呈现，其基于不同函数功能模型的彩色多维空间在数字系统中进行数字量化表征。目前常用色彩空间有RGB、Lab和HSV等，不同业务领域采用相应色彩空间模式进行表征能够后续处理起到事半功倍的效果。

基于Lab颜色空间表征的图像是由L、a、b三通道矢量复合而成的数字图像。其L通道分量表征像素点亮度范围，能够表示从纯黑到纯白的亮度范围；a通道分量表征纯绿色到红色的色彩范围；b通道分量表征纯蓝色到黄色的色彩范围。Lab颜色空间将视觉系统对亮度及色彩的感受数字量化，其具备色彩表征能力强、色域范围宽、设备相关性小等特点，可将图像内部的差异化信息更显著的表征出来，尤为适合图像分割应用。

一般来讲图像采集系统获得的图像不能直接由RGB颜色空间转换为Lab颜色空间，需通过XYZ空间进行映射转换。假设图像在RGB空间表示为f（rij，gij，bij），其中i∈[0，m]，j∈[0，n]，在XYZ坐标系表示为f′（xij，yij，zij），Lab坐标系表示为f″（Lij，aij，bij），其从RGB空间转换到Lab空间过程如下：

由RGB空间映射到XYZ空间有如下关系

由XYZ空间映射到Lab空间有如下关系

式中：xn，yn，zn分别为参照白点的CIE-XYZ的三色刺激值，分别取值96.442，100.000，82.522；f（t）为色彩通道灰度取值与刺激值比值的函数；t为XYZ色彩通道灰度值与刺激值比值。

将预处理后的图像进行Lab空间表征，Lab空间表征图像及其L、a、b3通道分量分别如图2所示。

图2 坐标空间转换后图像及3通道分量

3 典型阈值分割方法

3.1 最大类间方差法

最大类间方差法（Ostu），是由日本学者Nobuyuki于1979年提出的一种基于图像灰度划分类别间方差最大选取分割阈值的方法。其依据图像灰度直方图灰度分布特性，筛选出分割阈值，使得目标与背景图像之间的类间方差最大，将初始图像划分为有明显差异性的2部分，从而提取前景图像。

假设图像尺寸M×N，像素平均灰度为u，其分割阈值记为Thd，小于该阈值的图像像素点数记为N1，其所占图像总像素比例为w1，平均灰度值记为u1[7]；大于该阈值的图像像素点数记为N2，其所占图像总像素比例为w2，平均灰度值记为u2。分割阈值两侧图像间方差记为G，则有如下表示：

类间方差可以表示为

依Thd遍历图像的灰度取值，方差G取值最大时对应的Thd即为图像最佳分割阈值[8]。

3.2 最大信息熵阈值分割法

该方法以信息熵为阈值选取准则进行图像分割，通过遍历灰度搜寻最佳分割阈值，使前景与背景2类图像信息熵值最大，具备较广泛的应用性[9]。

假设图像尺寸M×N，像素点灰度值取值区间[0，L-1]，像素灰度值i的数量ni，分布概率pi，则pi=ni/（M×N），（i=0，1，2，3...L-1）[10]。

假设分割阈值为Thd，像素灰度值为i的像素集合为Pi，依Thd划分为C1和C2两大类像素集合：C1={P0，P2，...PThd-1}、C2={PThd，PThd+2，...PL-1}。将C1，C2分布概率归一化处理，可得

则C1和C2信息熵可以分别表示为

图像信息熵值H=H1+H2。

4 邻域标签融合的图像分割方法

从采集的烟草薄片图像可以看出其像素点色彩分布并非均匀，薄片轮廓范围内存在着若干显著区别于整体色调的微小图形区域，该类区域在灰度直方图中呈现为灰度峰值显著高于邻域的像素点集合。传统的最大类间方差及信息熵法将灰度阈值作为信息划分的依据，原理上难以有效区分上述图形区域，易造成图像提取过程中的误分割，影响细节完整性。

4.1 基于滑动窗口极值比较的初始聚类中心获取

提取待分割图像的L、a、b通道分量灰度直方图，如图3所示。

由图3可以看出，L分量图像存在2个明显的波峰及一个较弱的波峰，a分量图像存在一个主峰，b分量存在一个主峰，且各分量灰度分布区间内存在若干孤立灰度毛刺。图像在聚类迭代计算过程中，上述灰度毛刺若最为初始聚类中心，极易使聚类迭代过程陷入局部最优陷阱。本方法采用滑动窗口极值比较方法本方法采用滑动窗口极值比较方法进行初始聚类中心选取，设置固定长度窗口自坐标轴起点向终点滑动，窗口内极值与右端临近窗口极值比较进而确定峰值，具体步骤如下：

图3 图像三通道灰度分布直方图

（1）设置滑动窗口长度M。

（2）从坐标轴原点向右滑动，记录窗口内灰度峰值，与左侧临近窗口内峰值对比，高于左侧峰值则将其保留，用作下一次峰值比较，否则剔除。

（3）沿坐标轴右侧继续滑动搜索，继续步骤（2）直至坐标终点。

图像L、a、b三通道分量灰度分布直方图分别进行滑动窗口峰值获取各通道峰值坐标。

4.2 基于图像L、a、b三分量的K-means聚类分割

从原始图像的L、a、b3通道灰度分布直方图可以看出，各分量图像的波峰分布能够反映出图像的全局像素的分布情况，将三分量的峰值的分布位置作为聚类算法的初始聚类中心，可避免聚类算法陷入局部最优的陷阱。算法步骤如下。

（1）将图像L、a、b3通道灰度直方图进行滑动窗口峰值处理，获取各分量图像的像素波峰分布集合为

式中：i∈[1，wpnk]，j∈[1，wpnm]，k∈[1，wpnn]，Gvi、Gvj，Gvk分别为L、a、b三通道灰度直方图的波峰所对应的灰度值，k、m、n分别为L、a、b三通道灰度直方图的波峰数量。

（2）设置分类数K和初始聚类中心，K=k×m×n，图像的初始聚类中心可表示为

式中：i=j=k=1，2，...K。

（3）计算各像素点Pixi（xi，yi，zi），其中i∈（1，2，...m×n）到各初始聚类中心IC的欧氏距离EDiK（i=1，2，...m×n，K=1，...max{k，m，n}），若EDiK当K取m时取得最小值，则将Pixi归到m类，可得属于m类的像素集合m={Pixm1，Pixm2，PixmL}。

（4）重新计算聚类中心，可得

（5）判别是否达到迭代次数或者迭代精度。否则继续步骤（3）、（4）。

4.3 微小领域相邻区域标签融合

在烟草薄片的交界边缘由于其基于阈值的聚类分割由于将色彩阈值作为分割的唯一区别项，使得难以兼顾局部最优、前景图像中色彩分布不均匀、前景与背景连接边缘难以界定等原因，在已分割取得的前景图像中存在若干微小区域，前景的边缘被误剔除。采用聚类分割后的图像，误剔除的前景图像具有如下特征：①色彩分布显著区别于前景的整体色彩；②与前景图像邻域交接；③形状呈类圆形；④面积占比较小。

融合算法流程如下：

（1）读取聚类分割待归类图像，获取其单连通区域集合IC，其中num为集合IC单连通区域数量。

（2）微小连通区域选取。对集合IC中的区域单元面积计数，通过阈值比较保留面积较小区域，得到微小领域集合MIC。

（3）逐个计算MIC集合连通区域单元与已归类前景图像相交连接数。

（4）前景-微小领域区域合并。从MIC中提取连接数大于等于2的子区域，将其与前景分割图像进行合并。

综合上述操作可以获取信息细节更完整的前景图像信息。

5 实验结果对比

为了验证算法的有效性，本实验通过设计最大类间方差、最大信息熵、聚类分割及基于领域标签融合改进方法的对比实验以验证算法的有效性，对比实验结果如图4所示，测试环境如下。

图4 图像分割对比实验效果图

软件平台：Matlab R2014a。

操作系统：Windows10。

内存：8.00 GB。

处理器：Intel（R）Core（TM）i5-7300HQCPU@2.50GHZ。

显卡：Intel（R）HD。

6 结论

从上述实验对比效果可以看出，本文采用的方法能够有效地将烟草薄片从背景图像中提取出来，细节信息保留较为完整，解决了传统阈值分割方法产生的误分割、微小空洞残留等问题，为后续进一步开展烟草薄片图像的深入分析奠定基础。