改进的近邻聚类算法用于水下焊缝图像的识别

2013-09-17何银水胡兆吉胡宗梅谢晓闻

电焊机 2013年5期

何银水，胡兆吉，胡宗梅，谢晓闻

（1.南昌大学过程装备与测控工程系，江西南昌 330031；2.格特拉克（江西）传动系统有限公司，江西南昌 330031）

0 前言

在识别焊缝图像待焊位置的坐标时，一些比较多的方案中会采用小波分析、滤波、阈值分割和拟合[1-3]等，而这些处理过程中很难有效地消除干扰数据，究其原因文献[4]详细的分析了干扰的成因。文献[5]提出采用跟踪V形焊缝的平均高度，以此高度作为基准，结合V形焊缝的深度来消除干扰。这一方法的前提是要较为准确地获得V形焊缝的平均高度，当气泡或者弧光形成的干扰阈值分割后的形状与焊缝的左右边类似时，这一方法的效果将大打折扣。聚类分析法通过对焊缝图像中的各类数据进行分类，再根据一些决策直接寻找到属于V形焊缝的类，在不消除干扰数据的情况下可以准确地识别焊缝。当然，近邻聚类法的聚类结果很大程度上依赖于第一个聚类中心的位置的选择、待分类模式样本的排列次序、距离阈值T的大小以及样本分布的几何性质等[6]。

1 改进的近邻聚类算法

1.1 算法描述

（1）任取样本Xi作为第一个聚类中心的初始元素，例如 Z1=X1。

（2）计算样本X2到Z1欧式距离D21= ||x2-x1||，如果D21>T，则定义一个新的聚类Z2=X2；否则X2∈Z1聚类。

（3）假设已经有聚类Z1和Z2，且它们都已有多个样本。对样本Xj，计算其与Z2聚类最后一个样本之间的距离t，如果tT，则计算其与所有聚类的最短距离 t′，同时记下所在的类 c′，如果 t′

（4）以此类推，直到把所有的样本分类完全。

1.2 实现步骤

第一步：对阈值处理后的焊缝图像从左到右、从下到上进行遍历。以第一次搜索的“白点”样本数据作为第一个聚类的初始值。

第二步：计算第二个样本与第一个样本的欧式距离，如果大于T，则开新类；如果小于T，则把它仍归为第一聚类。当只有一个聚类且其样本数大于1时，那么后面搜索到的样本在归类前先计算其与第一个聚类中的最后一个样本的欧式距离，只要这个距离比T小，则该样本仍然属于该聚类（这是由搜索顺序决定的，这样做可以减少计算量）。当上述距离比T大时就计算其与第一个聚类中所有其他样本的欧式距离，找出最短距离，如果该最短距离仍然小于T，则该样本仍然属于第一聚类，否则就开新类。

第三步：当聚类的个数大于1时，搜索到的样本先计算其与最后一个聚类的最后一个样本的欧式距离t。当tT时，就计算其与已知的所有聚类的所有样本的欧式距离，找出最短距离t′并同时记下对应的聚类 c′，当 t′

1.3 聚类合并处理

（1）对需要合并的聚类处理。

如果聚类之间出现了合并的情况，可以在算法进行中合并，也可以在分类结束后完成。如果选择在分类结束后完成，那么必须在算法进行中保存需要合并的聚类的名称，可以通过定义结构体来保存：struct combination{int category[100]；int sum；}。结构体中定义两个成员变量：一个是数组category[100]，用于存放被合并的聚类；一个是整型变量sum，用来统计被合并的类的个数。这样的结构体可以定义100个：combination[100]，用来保存与之前合并的聚类没有联系而需要合并的新的聚类。结合本研究的最终识别V形焊缝处数据的这一目的，选择在分类完成后合并聚类。

进行合并时，把结构体中后面数组所保存的聚类的数据依次保存在第一个数组所代表的聚类的名目下，每个结构体数组都进行类似处理即可实现数据的合并。当然，合并后后面数组所代表的聚类的数据可以进行销毁，也可以保持不动。

（2）出现了合并聚类现象总的分类数目的确定。

在对图像中的数据进行分类而又出现了合并聚类的现象时，真正的聚类数目要比算法统计出来得少，那么真正的聚类的数目可以如下计算

式中 sumstatistic是算法统计的聚类数目；combination[i].sum是每个结构体数组保存的合并的聚类的数目。

2 图像分类处理分析

2.1 阈值分割后直接进行分类

把图1进行自动阈值分割，得到的结果如图2所示。由图2可知，相当于对两类光带状的样本（灰度值为255的白点）进行分类。由于两类之间距离比较远，且类间相距很近，所以分类很准确。

图1 水下原始图像

图2 对图1阈值处理

因干扰光斑或者V字形焊缝在阈值处理后都是带状形的，程序在搜索样本时，只要相邻样本不是在光带的边缘，那么其间的欧式距离都是很小的，只有在上下边缘部分相邻的样本，其欧式距离才有可能超过距离阈值，因此，算法设计对待分类的样本先计算它和当前聚类最后一个样本的欧式距离来判断其是否属于当前聚类，有助于节省计算时间。如果上下边缘相邻的样本的欧式距离超过了距离阈值，这种情形算法设计计算该样本与所有已知聚类的所有样本的距离，用最近邻法则对其进行归类也保证了分类的准确性。

图3是在图1的基础上人为添加了不同形状的干扰，且干扰离V形焊缝比较近。阈值处理后如图4所示，当距离阈值设置得比较小时，它们所属的类别会不同，但是当距离阈值设置为20时，正方形形状的干扰和V形焊缝就应该被合并在一起。通过处理试验，本算法可以准确做到这一点。

2.2 阈值分割求取光带中心线再分类

在寻找V形焊缝待焊中心坐标时，有时要求取阈值处理后图像中的光带的平均位置，这样所得图像中的样本呈现线状，如图5所示。那么如果是对这样图像中的样本数据进行分类时，基本上就只要计算待分类的样本与当前类的最后一个样本的欧式距离，根据这一距离的大小对其进行归类，当距离大于距离阈值时就不需要计算其与所有已知聚类的所有样本的距离，然后再根据最近邻法进行归类。