基于视觉显著图的异性纤维彩色图像分割方法

王思乐，范士勇，卢素魁，杨文柱＋

（1.河北大学 数学与计算机学院，河北 保定071002；2.河北大学 计算中心，河北 保定071002）

0 引 言

棉花异性纤维自动视觉检测系统，由于采用风力传送，使得采集的彩色图像由于团絮状的皮棉背景灰度不均匀，加上异性纤维种类繁多，颜色、形状各异，使得现有的图像分割方法难以实现异性纤维图像的准确分割。因此，研究异性纤维彩色图像的精确分割方法，是提高异性纤维检测系统精度的基础。

二层环路中的每条链路都存在一个向根交换机接收和发送流量的端口，此端口即为指定端口.指定端口通常选择存在于根交换机上(根交换机上所以端口均为指定端口)，两台非根交换机的链路之间必定有一个端口为指定端口，指定端口的选举由非根交换机到根交换机的链路开销大小所决定，链路开销最小的非根交换机所在的链路的端口为指定端口.如果两条链路开销相同，则继续比较两台非根交换机的BID，拥有最小BID的非根交换机所在的链路的端口为指定端口.

自动视觉检测系统实现棉花异性纤维自动剔除和含量计量，是目前棉花异性纤维检测领域的研究热点［1，2］。基于薄棉层的检测方法容易破坏异性纤维的形状，使得皮棉中的异性纤维难以剔除或计量；而基于风力传送的检测方法对皮棉的开松程度要求低，能基本保持异性纤维形状不被破坏，因此成为目前异性纤维检测的首选方法。但基于风力传送的棉花异性纤维检测系统产生的图像由于团絮状的皮棉背景灰度不均匀，使得现有的图像分割方法难以实现异性纤维目标与背景的准确分割。在采集的棉花异性纤维图像中，尽管背景灰度不均匀，但通过观察，发现其中的异性纤维目标仍然具有视觉上的显著性，能迅速引起人的注意，即：这些异性纤维目标要么带有颜色，要么在亮度上显著区别于背景。基于这个原因，本文提出了一种利用视觉注意原理来实现目标识别的方法，即基于视觉显著图的彩色图像分割方法，以期实现异性纤维彩色图像的准确分割。

计算机界的学者们投入了大量的时间和精力用于实现视觉注意的计算模型，希望其至少能够展现人类视觉系统的部分特征［3－6］。图像驱动的自底向上模型和知识驱动的自顶向下模型是两个最常用的视觉注意模型［7］。显著图首先由Koch和Ullman提出，用于解释自底向上模型的选择控制；而自底向上视觉注意的计算模型则首先由Itti构建，并设计实现了相应的计算机算法［8］。目前，基于视觉注意的图像处理应用主要包括目标检测与识别［9－11］、图像分割［12］、图像概括［13］等。

本文的目标是设计一种适合于自动视觉检测系统的彩色图像分割算法，以便实现棉花异性纤维的准确检测。

1 异性纤维自动视觉检测系统

“正常人”十分爱惜自己的羽毛，顾惜自己的尊严。“独立之精神，自由之思想”是他做人的不二信仰。“正常人”对人生的感悟是：生命的本质，是“时光”和“自由”。

图1 棉花异性纤维自动视觉检测系统框架

1.1 系统的工作原理

经过打包机压实的待检皮棉首先送入开松机进行开松，以便使皮棉蓬松从而易于风力输送。开松后的待检皮棉在负压风力的作用下通过输棉管道送到视觉检测主机进行在线检测。输棉管道中的负压是由负压风机产生的，风速约为7.5m／s。待检皮棉经过视觉检测主机的玻璃检测通道时，由线扫描相机进行实时图像采集，并实时传送到相连的计算机进行处理和分析。检测过的皮棉存储在皮棉收集箱中。

1.2 图像的采集

将红、绿、蓝3个颜色显著图Sr、Sg、Sb进行融合，得到综合颜色显著图S

图2 异性纤维彩色图像片段

2 基于显著图的彩色图像分割

上述阈值TC、TB和TW均为通过反复实验得到的经验值

图3 基于视觉显著图的彩色图像分割方法

2.1 颜色显著图的计算

设I为输入的异性纤维RGB彩色图像，分辨率为M×N，其中M和N 分别是图像的行数和列数。令R、G、B分别是I的红、绿、蓝3个颜色通道，分辨率也是M×N。图像的红色特征矩阵r、绿色特征矩阵g和蓝色特征矩阵b由式 （1）～式 （3）计算得出

利率的非市场化是银行业高利润主要原因之一，但利率非市场化，商业银行不能进行风险定价，在降低不良贷款的压力下，会使贷款过分集中地投放到垄断行业的所谓“优质客户”之中，银行贷款投放的这种“傍大款”现象进一步加剧了我国中小企业融资难的问题，阻碍了资金的合理化配置和经济结构的调整，降低了整个社会经济资源的配置效率。

用于图像采集的相机是加拿大DALSA公司生产的工业级线扫描相机 （PC－30－04K60，DALSA，Canada），分辨率为4096pixels／line。工作时采用内触发曝光模式，扫描频率设置为10KHz。实时产生的扫描线由图像采集卡（X64－CL Express，CORECO，Canada）进行收集和组帧，每128条扫描线组成1帧，因此每帧图像的分辨率为128×4096。为显示方便，仅截取采集的异性纤维图像的部分用于展示，如图2所示。

2.2 亮度显著图

以黑色羽毛为例的黑白目标分割结果如图5所示。可以看出，黑色羽毛的颜色显著性不如亮度显著性明显，通过颜色显著图几乎无法获得正确的分割结果；这是由于颜色显著性阈值TC是专为分割彩色目标设计的，当将之用于分割颜色显著图中的黑白目标时，显然无法获得满意的结果。幸运的是，黑色羽毛的亮度显著性非常明显，利用亮度显著图可以得到准确的分割结果。由于设置了两个分割阈值，分别用于识别黑色目标和白色目标，因此本文的方法对白色目标同样有效。

2.3 目标检测

在采集的异性纤维图像中，异性纤维目标要么是彩色目标，要么是黑白目标。彩色目标可以在颜色显著图中进行识别，而黑白目标则可以在亮度显著图中进行检测。

桥梁各构件表面和内部不同点位上的实际温度都处在不断变化的状态，而从由自然环境因素引起的温度荷载角度讲，可分为以下三种类型：①日照温度荷载，主要受太阳辐射影响，具有短时急变的时间性，作用于局部，不均匀分布，易使结构局部应力增大，是最为复杂的温度荷载；②骤然温降温度荷载，主要受强冷空气影响，具有短时变化的时间性，作用于整体，分布相对均匀，易使结构应力增大，具有一定复杂性；③年温变化荷载，主要受缓慢温变因素影响，具有长期缓慢的时间性，作用于整体，分布均匀，易使结构整体位移增大，是较简单的一种温度荷载。本次研究只考虑前两种温度荷载，年温变化荷载在工程设计中有所提及，故本次不考虑。

在颜色显著图中设置分割阈值TC以区别某个像素是否为彩色目标像素；如果该像素的颜色显著性大于TC，则为彩色目标像素，否则为背景像素。

在亮度显著图中，设置两个阈值TB和TW；如果某像素的亮度显著性小于TB，则为黑色目标像素；如果某像素的亮度显著性大于TW，则为白色目标像素；其他为背景像素。

在采集的异性纤维图像中，异性纤维目标可能是彩色的，如彩色布条、红色丙纶丝等，也可能是黑白的，如黑色羽毛、白色纸片等。由于图像的背景总是黑白的，要么是反光板的均匀灰白色，要么是皮棉的不均匀白色；因此，在含有彩色异性纤维目标的图像中，颜色是异性纤维目标最显著的特征；而在含有黑白异性纤维目标的图像中，亮度是其最显著的特征。也就是说，我们可以通过颜色特征来检测图像中含有的彩色异性纤维目标，通过亮度特征检测图像中含有的黑白异性纤维目标；通过目标融合，就可以得到全部异性纤维目标。基于显著图的彩色图像分割方法框架如图3所示。

将彩色目标Oc和黑白目标Od进行融合，得到最终目标O。由于Oc和Od均为二值图像，因此目标融合可利用二进制的位或运算实现

我国“黑金子”石墨粉的粉碎技术一直比较落后，往往是将粗加工石墨粉出口到国外加工，再从国外进口使用，这样一来成本增加、利润降低。力普研制的石墨粉碎球化生产线破解了这一难题，吸引并成了日本、巴西客商以及国内石墨集产地的首选，深受国内外客商的青睐。

3 结果与讨论

利用棉花异性纤维自动视觉检测系统采集的实际图像作为实验对象，对本文方法进行验证。算法利用Matlab 7.0进行了处理效果验证，并通过C＋＋和OpenCV实现，在试验平台上进行实际运行验证。

由于实际图像的水平分辨率为4096，而垂直分辨率只有128，为使实验结果更便于观察，我们对图像进行了裁剪，只保留含有异性纤维目标的片段，大小为128×512。含有彩色异性纤维目标的RGB图像分割结果如图4所示。

令mr、mg、mb分别表示红色、绿色、蓝色特征的均值。颜色显著性可以通过计算颜色特征与其均值的差得到。为进一步提高显著水平，我们采用上述差的平方来表示颜色显著性。利用颜色矩阵r、g、b计算得到的相应颜色显著图Sr、Sg、Sb分别表示为式 （7）～式 （9）

图4 彩色目标分割

在彩色目标分割试验中，图像中的彩色目标是红色丙纶丝，因此其红色特征r最强，而绿色特征g和蓝色特征b相对较弱，反映到颜色显著图中，也是红色显著图Sr最明显，在综合显著图S中占据主导地位。通过观察发现，这个红色丙纶丝目标也具有较强的亮度显著性，因此这个目标既可以通过颜色显著图进行有效分割，也可以通过亮度显著图进行有效分割；但这种情况并不总是成立，在某些情况下，仅可以通过彩色显著图分割出彩色目标。

基于风力输送的棉花异性纤维自动视觉检测系统主要包括4个部分：开松机、视觉检测主机、负压风机和皮棉收集箱。各部分之间通过密封的负压管道相连接。系统框架图如图1所示。

在试验中，用于实现彩色目标分割的颜色显著性阈值TC设置为105，而用于实现黑色和白色目标分割的亮度显著性阈值TB和TW分别设置为55和200。

加利埃尼组织的出租车队将成千上万士兵迅速运抵前线，扭转了战争局势，加强了法军防线。这是法军取得胜利的关键所在。

异性纤维图像中某些目标是黑白的，他们不具有颜色显著性，但在亮度上与背景有明显差异，因此可以利用亮度特征检测这些黑白目标。将彩色RGB图像转换为灰度图像，直接作为亮度显著图Sd

图5 黑白目标分割

通过上述讨论可知，无论是彩色还是黑白异性纤维目标，本方法都可以获得满意的分割结果。

基于最大类间方差原理的Otsu方法是广为应用的图像分割方法之一，基于谱残差的显著图方法则是目前最新的视觉注意目标识别方法之一。本文方法与上述两种方法的分割效果对比见表1。

许多人认为“人不应该有情绪”，所以不肯承认自己有负面的情绪。要知道，人一定会有情绪的，压抑情绪反而带来更不好的结果，学会体察自己的情绪，是情绪管理的第一步。

诸上各因素的汇聚加剧了照料者在考虑未来时的消极情绪体验，弱化了照料者在讨论未来话题时的能动性。在中国，残障问题在快速老龄化的背景下显得尤为严峻。但国内针对残障人士未来安置规划的实践与研究都显得滞后，亟须立足于以心智障碍家庭为中心的实证调查，为决策提供证据，从而呼应社会政策从既有的再分配范式向“照顾范式”的逐步转向。

通过表1可以看出，Otsu方法对序号为1（被土污染的地膜）和4（黑色羽毛）的图像分割效果最好，对序号为3（红色丙纶丝）的图像分割不够准确 （将较厚的皮棉部分误分割为目标），而对序号为2（黄色布条）的图像则无法正确分割。基于谱残差的方法基本上都可以正确识别出目标，但分割精度较差。本文的方法则可以精确分割出所有目标，也没有出现误分割现象。

4 结束语

（1）彩色异性纤维目标可以通过颜色显著图进行有效分割；黑白异性纤维目标可以通过亮度显著图进行有效识别；通过目标融合，可以得到所有种类的异性纤维目标。

（2）实验结果表明，本文提出的基于显著图的彩色图像分割方法，在分割精度上明显优于Otsu方法和基于普残差的方法，可以实现对异性纤维彩色图像的精确分割。

本文的不足之处是所用的分割阈值是实验获得的经验值；如何选择自动阈值实现图像的自适应分割是下一步需要研究的工作。

［1］YANG Wenzhu，LI Daoliang.An AVI system for classification of foreign fibers in cotton ［J］.Transaction of the Chinese So－ciety for Agriculture Machinery，2009，40 （12）：177－181 （in Chinese）.［杨文柱，李道亮.基于自动视觉检测的棉花异性纤维 分 类 系 统 ［J］. 农 业 机 械 学 报，2009，40 （12）：177－181.］

［2］ZHANG Xin，LI Daoliang.Fast segmentation of high resolution color images of cotton foreign fibers ［J］.Transaction of the Chinese Society for Agriculture Machinery，2011，42 （1）：159－164 （in Chinese）.［张馨，李道亮.高分辨率棉花异性纤维彩色图像的快速分割方法 ［J］.农业机械学报，2011，42（1）：159－164.］

［3］Khuwuthyakorn P，Robles－Kelly A，Zhou J.Proceedings of the 11th European conference on computer vision ［C］／／Heraklion，Springer Press，2010.

［4］Vikram T N，Tscherepanow M，Wrede B.A saliency map based on sampling an image into random rectangular regions of interest ［J］.Pattern Recognition，2012，45 （9）：3114－3124.

［5］Luo W，Li H L，Liu G H，et al.Global salient information maximization for saliency detection ［J］.Signal Processing：Image Communication，2012，27 （3）：238－248.

［6］Ban S W，Jang Y M，Lee M H.Affective saliency map considering psychological distance ［J］.Neurocomputing，2011，74（11）：1916－1925.

［7］Shi H，Yang Y.A computational model of visual attention based on saliency maps ［J］.Applied Mathematics and Computation，2007，188 （2）：1671－1677.

［8］Caltech：Bottom－up visual attention home page ［EB／OL］.［2013－02－23］.http：／／ilab.usc.edu／bu／.

［9］López M T，Fernández－Caballero A，Mira J，et al.Algorithmic lateral inhibition method in dynamic and selective visual attention task：Application to moving objects detection and labeling ［J］.Expert Systems with Applications，2006，31 （3）：570－594.

［10］Lee S J，Kim K H，Kim J Y，et al.Familiarity based unified visual attention model for fast and robust object recognition［J］.Pattern Recognition，2010，43 （3）：1116－1128.

［11］Hou X，Zhang L.Proceedings of the IEEE conference on computer vision and pattern recognition ［C］／／Minneapolis：IEEE Computer Society，2007.

［12］Pan C，Park D S，Yoon S，et al.Leukocyte image segmentation using simulated visual attention ［J］.Expert Systems with Applications，2012，39 （1）：7479－7494.

［13］Wang J W，Wang Y H，Zhang Z X.Sixth international conference on image and graphics ［C］／／Hefei：IEEE Computer Society，2011.