基于恒虚警检测模型的水尺图像分割方法

夏 翔，嵇海祥，黄 敏，张 晶

(1.水利部南京水利水文自动化研究所，江苏 南京 210044；2.赣江下游水文水资源监测中心，江西 宜春 336000)

我国水系资源分布广，各地湖泊河流众多，治理与开发工作也成为一项重要任务。随着全球极端气候频繁出现，由水引起的灾害越来越多，水文工作受到国家重视，与民生息息相关。水文工作可以平衡一个地区水资源利用情况，在地区用水、预测洪灾、预防旱灾等方面发挥着重要作用[1]。水位检测是水文工作的重要组成部分，实时地获取水域的水位信息，一方面可为水利、治涝、水运等提供资料，另一方面通过对水位数据处理，得到其他水文数据，能够及时掌握河流信息，减少河流灾害带来的经济损失。

水位检测方式经过逐年发展，已由传统的人工检测变为了各种无人值守监测站，人工检测具有效率低、实时性差、危险性高等缺点，因此目前普遍使用传感器与自动化遥测技术完成水位测量工作[2]。常见的水位传感器有浮子式、压力式、超声式、雷达式等，它们在特定应用场景存在一些自身的优势与劣势。

随着近几十年来数字图像处理技术的不断发展，图像处理技术已经广泛应用于医疗、交通运输、军事安防等领域[3]，在水位检测方面，数字图像处理技术也得到应用发展。国外研究中，Shinsuke Kobayshi采用Hough变化检测主线，将所得线段信息与压缩算法结合得到水位线信息[4]。Joo Lee等提出一种在两幅连续水位图像中根据工作台与水面相同矩形位置计算相关系数从而测量水位信息[5]。国内研究中，张海鹏等基于图像处理算法研制了一款标准金属量器液位图像识别设备[6]。郝莹等利用NI视觉开发模块，设计了一款液位测量系统[7]。

本文将恒虚警理论与数字图像处理技术相结合，提出一种水尺图像的分割方法。先进行图像预处理，把彩色的水尺图像转换为灰度图像[8]，利用霍夫变换对灰度图像进行倾斜校正，根据图像横列或纵列灰度像素值建立一维信号模型，在固定虚警概率条件下，保证目标信号检测正确率最高[9]。水尺图像目标的判定由滑动窗实现，滑动窗计算检测单元阈值，再对灰度图像进行阈值判别，实现水尺图像分割。本方法分割效果好，计算量小，能够较好满足水尺识别的分割要求。

1 图像预处理

在雷达信号检测中，恒虚警算法是用于处理一维信号，原始水尺图像无法直接使用恒虚警算法。因此首先需要图像预处理，首先将相机拍摄的原图转换为灰度图像，利用霍夫变换校正倾斜的水池图像，把图像中横向像素灰度值与位置关系建立一维信号模型，以该模型为基础进行恒虚警检测。

1.1 图像灰度化

相机拍摄的原始彩色水尺图像具有较大信息量，为降低数据的冗余度，减少计算复杂度，在水尺图像分割中一般会先对原始图像进行灰度化。原始彩色水尺图像的每个像素点由红色(R)、绿色(G)和蓝色(B)3种基础色组成，每种基础色的灰度等级在0～255之间，本文采用加权平均法对原始水尺图像灰度化处理，即对RGB三分量分别进行一定数值的加权，得到一个新的灰度值。

Gray(i，j)=0.299R(i，j)+0.578G(i，j)+

0.114B(i，j)

(1)

式中,i、j—图像像素的横坐标与纵坐标；Gray—形成的新灰度值。图像灰度化结果如图1所示。

图1 水尺原图与灰度图

1.2 图像倾斜校正

在拍摄照片时，许多原因会导致采集后的图像存在一定倾斜角，此时会造成水尺图像信息识别难度增加，产生较大误差。水尺的倾斜基本都为水平方向倾斜，解决这一问题的关键是找到水平倾斜角度。霍夫变换是计算直线倾斜角度常用方法，在极坐标系中，各个角度上统计得到的最大值即为倾斜角。直角坐标转换为极坐标的公式为：

ρ=i·cosθ+j·sinθ

(2)

式中，i、j—图像像素的横坐标与纵坐标；θ—取值范围为-90°～90°。

通过霍夫变换计算倾斜角度后，由该角度与图像位置确定旋转矩阵，再根据仿射变换保持图像线性不变完成倾斜角度校正，校正后图像与原图像大小保持一致，效果如图2所示。

图2 倾斜校正效果图

1.3 建立一维信号模型

图像从数学角度可看作一个二维数组，其中图像的每个像素点值即为数组的元素。灰度化处理后的水尺图像可看作为元素值都处于0～255的矩阵，通过对横向矩阵元素值依次抽取，形成一个像素灰度值与位置关系的一维信号模型，模型的横轴代表了位置信息，纵轴代表了水尺图像像素值信息。如图3所示，图3分别表示了对2张水尺图像第300行像素值进行抽取，形成的像素值-位置关系图。水尺图像中数字以及图形为研究目标，因此需要对信号模型中数据进行处理，去除背景中噪声与干扰信号，留下目标信号。

图3 水尺图像第300行像素值与位置关系图

2 恒虚警分割

基于恒虚警检测的水尺图像分割方法中目标判定是通过滑动窗实现，首先确立一个检测单元，用于检测图像中像素点。将检测单元左右两端相邻像素点设置为保护单元，保护单元不参与后续阈值计算工作，保护单元前后的n个像素点为参考单元。抽取水尺图像横向像素灰度值建立一维灰度值-位置关系模型，计算参考单元中像素值数据的均值与标准差，由得到的均值与标准差求解阈值，再根据所求阈值与像素点灰度值比较，完成水尺目标判别。按照上述判别方法依次遍历整张图像，达到对水尺图像的分割效果，基于恒虚警检测的水尺图像分割流程如图4所示。

图4 本文方法流程图

2.1 确定自适应阈值

首先确定前、后参考单元内像素灰度值的均值与标准差：

(3)

(4)

(5)

根据恒虚警检测方法，检测单元的阈值可表示为：

(6)

式中，Tc—品质加权因子，可由预设虚警概率Pfa和参考单元长度计算得到，公式如下：

Pfa=(1+Tc)-2n

(7)

2.2 设立保护单元

一般情况下设立保护单元的目的是防止检测单元两边数据泄露对检测结果带来干扰，而在水尺图像分割领域中，保护单元的设立不仅可以减少数据冗余，降低计算复杂度，还能一定程度上提升水尺目标检测概率[10]。由于水尺图像分割的自适应阈值是根据数据统计学特征计算得到的，跟数据均值和标准差有关，若没有保护单元，一旦检测单元内为水尺目标信号，其周边边缘信号数据的标准差和均值将会偏大，此时自适应阈值将也会随之变大，造成后续水尺目标信号被过度分割，形成恒虚警检测中“漏警”现象。若检测单元内不存在水尺目标信号，其周边边缘信号数据的标准差和均值将会偏小，此时自适应阈值也将会随之变小，造成图像内一部分干扰与噪声被判别为目标，形成恒虚警检测中“虚警”现象。因此在水尺图像分割中设立保护单元十分必要，检测中各单元位置关系图如图5所示。

图5 个单元位置关系示意图

2.3 水尺目标分割

对建立的一维像素灰度值—位置关系模型恒虚警检测时，第一个像素灰度值与最后一个像素灰度值检测需补充数据，使得首尾数据形成闭环。补充的数据长度与参考单元长度一致，为首尾前后长度为d的像素灰度值。将检测单元遍历检测整张水尺图像后，根据检测结果判别每一个像素点是否为目标信号，进而重构出水尺目标图像，实现分割效果。

将确立的自适应阈值与滑动检测窗内的像素灰度值进行比较，若被检测单元像素灰度值大于等于自适应阈值，则判断为水尺目标信号，保留原像素灰度值，若被检查单元像素灰度值小于自适应阈值，则将原像素灰度值置为255。待检测单元遍历整张图像后，则水尺图像中目标信号与背景信号被分割开，形成水尺分割图像，目标判别标准公式为：

(8)

式中，K1—有水尺目标；K0—无水尺目标;D—检测单元的像素灰度值;V—自适应阈值。

3 实验结果与分析

为验证本算法的效果，将本算法实现的结果与Sobel算法以及Canny算法结果相比较，本算法使用的滑动窗长度n=10，固定虚警概率Pfa=10-6，实验效果图如图6所示。

从图像结果显示，Canny算法与Sobel算法分割后的图像背景明显存在较多噪声，其中Canny算法的边界也较为模糊，本文方法分割后的水尺图像边界清晰，背景噪声基本被滤除，信息保存较为完整。

为更好比较各方法性能效果，引入图像分割质量评价指标[11]，准确率P的表达式为：

(9)

召回率R的表达式为：

(10)

式中，G—水尺图像原图；B—经过算法分割后的水尺图像，将2个质量评价指标相结合，可得1个综合性图像分割质量评价指标F，其表达式为：

(11)

此处α2=0.2，用于保证准备率所占比重更高，各方法综合评价值结果见表1。

表1 各方法综合质量评价指标结果表

从表1中数据可知，本文方法的综合图像分割质量能保持在0.85以上，较其他2种方法相比有明显优势。

4 结语

视频水尺是水文中常见的水位监测技术，这一技术水位识别的准确率关键在于水尺图像的边缘分割效果。与传统的图像分割方法相比，本文基于恒虚警检测模型的水尺图像分割方法无需进行去噪、滤波、图像增强等复杂处理环节，只用计算参考单元内像素灰度值的均值与标准差，大大降低了计算量，便于工程实现。从实验仿真结果可知，本文方法无论是对图像边缘的分割效果还是对背景噪声的滤除效果，较传统方法相比都有一定优势，唯一的不足之处在于本文方法需预先设定滑动窗长度与虚警概率，自适应性程度偏低。为解决水尺水位识别中水尺图像信息量复杂的问题，本文提出了一种基于恒虚警检测模型的水尺图像分割方法。实验结果表明，基于恒虚警检测模型的水尺图像分割方法切实可行，不仅能有效分割出目标信号边界，还能较好抑制图像背景噪声，具有较高的工程实现价值。

图6 3种算法实验效果对比图