基于K均值聚类陶瓷窑炉火焰图像分割方法

朱永红，熊 朦，赵一峰，王 伟

（景德镇陶瓷学院机械电子工程学院，江西 景德镇 333403）



基于K均值聚类陶瓷窑炉火焰图像分割方法

朱永红，熊 朦，赵一峰，王 伟

（景德镇陶瓷学院机械电子工程学院，江西 景德镇 333403）

摘要：陶瓷产品烧制过程中，其烧结状况随着烧制阶段不同而变化。火焰纹理在不同的烧制阶段变化明显，所以其可以作为陶瓷窑炉烧成带工况识别的重要参数。本文提出了一种基于K均值聚类对陶瓷窑炉烧成带火焰图像进行彩色分割的方法，同时给出了相应的k均值聚类算法。采用结合k均值聚类算法彩色分割方法实现了陶瓷窑炉火焰图像样本的有效分割，色彩信息得到最大保留。实验结果表明该方法为陶瓷窑炉烧成带火焰图像特征提取提供了一种较好的技术手段。这将为利用烧成带火焰图像特征来检测陶瓷窑炉烧成带温度，实现陶瓷窑炉烧成带温度智能控制提供一种新途径。

关键词：陶瓷窑炉；K均值聚类；火焰图像分割；颜色空间

E-mail:xzx821016@126.com

0　引　言

在工业生产过程中，陶瓷窑炉烧成带温度是影响陶瓷产品烧成质量的重要因素，因此对陶瓷窑炉烧成带工况研究较先进的检测和控制方法是十分必要的。现代陶瓷窑炉的测温方法多是通过人工观火和采用传统的点检测方法，如热电偶。人工观火是通过有经验的工人观察火焰的颜色判断窑炉内的温度，点检测是检测窑炉内部关键点的温度，前者反映对窑炉内烧成带温度的整体情况的经验判断但不精确， 后者随着传感器的老化精度不断下降也无法对烧成带温度进行有效检测。

近年来，随着图像处理技术的发展，基于CCD火焰图像检测方法广泛应用于火灾检测 ，氧化铝回转窑 等场合，并取得了一定成果。目前，在消防领域大多通过识别分割火焰图像检测火灾 ，在工业生产控制中大多通过提取火焰的特征分析物料燃烧的状况 。在图像中有效地分割出火焰部分是利用火焰图像检测温度的关键技术之一，因此研究火焰图像有效分割技术是十分必要的。常见的图像分割方法有阈值法和聚类分析法等。其中，阈值法适用于灰度图像的分割，不适用于火焰图像的彩色分割。k均值聚类算法是一种比较成熟的聚类分析方法，已经被成功应用到医学影像处理、人脸图像的分割以及遥感图像分析等领域中。考虑到陶瓷窑炉火焰图像的特征，本文在Lab色彩空间下，将k均值聚类用于陶瓷窑炉燃烧带火焰图像的分割并进行了实验，最后在不同的颜色模式下进行了分割对比实验。结果表明，该火焰图像分割方法具有较好的图像分割效果，为陶瓷辊道窑烧成带火焰图像特征提取提供一种较好的技术手段。

1　K均值聚类原理

K均值聚类算法不需要训练样本，而是迭代地执行对图像的分类和提取各类的特征值，属于一种无监督的自适应迭代统计方法。其基本思路是：先对当前的每一类去均值，然后按新生成的均值对像素进行重新分类，对新生成的类再迭代执行前面的步骤。其操作步骤如下。

(1)初始化。取任意的K个属性值向量为初始聚类的中心，按照最大循环次数或者聚类中心收敛误差容限原则，设定迭代终止条件。

(2)进行迭代。根据相似度准则将数据对象分配到最接近的聚类中心，得到K个聚类数据集。

(3)更新聚类中心。计算各聚类数据集中个点的平均值，然后以每一类的平均值作为新的聚类中心，重新分配数据对象。更新聚类平均值公式如下：

(4)判断是否完成聚类。若聚类中心不再发生变化或误差平方和局部最小，则终止迭代，完成聚类分割，否则反复执行第二步和第三步直至满足中止条件。计算准则函数如下：

若 不发生明显变化或者 取得极限邻域内 ，则停止迭代完成聚类。

举例如下：数据对象集合见表1。

表1Tab.1

作为二维样本聚类中心选择k=2。设M3:(x,y) =(1,2),M5:(x,y)=(4,1)为初始聚类中心，接下来进行迭代，将距离各个初始聚类中心距离更近的数据归类到以该类中心所属的类集合中。举例分别计算M1到M3，M5的距离：

因为d(M1,M5)＜ d(M1,M3)，所以将M1归类到M5所在的类集合 N2( 1)中，同理可得M2、M4∈ N1(1)，M6、M7、M8、M9、M10∈N2(1)。各方差计算如下：

总体平均方差为：

更新聚类中心：

同理可得O2＝(5.2，2.8)

采用式(5)，(6)相同算法，可得

E1=3.2，E2=54.86

总体平均方差为：

得 M1、M2、M3、M4∈N1(2)，M5、M6、M7、M8、M9、M10∈N2(2)，新聚类中心为N1(2)=(1.2,2)，N2(2)=(5.2， 2.8)。

迭代之后总体平均方差为从90.75降至58.06明显减小，但聚类中心有比较大的差距，所以继续(8)至(12)步骤，直至N1(p)，N2(p)，E(p)，即聚类中心不再发生变化或误差平方和局部最小，至此不再赘述。

2　颜色空间模型的选取

图像分割的目的是将目标部分在图像中与背景分离并提取出来。陶瓷窑炉火焰图像由火焰部分，火焰余光与背景部分组成，各部分色差很大且分布成简单几何图形，由此可知，可以根据颜色信息通过K均值聚类将火焰从图像中分离出来。

常用的颜色空间模型主要有HSV,RGB和Lab等。其中，Lab颜色模型是由CIE(国际照明委员会)制定的一种色彩模式，它的色彩空间比RGB空间大可以表达出来自然界中的所有色。在Lab颜色模型中，L代表亮度；a的正数代表红色，负端代表绿色；b的正数代表黄色，负端代表蓝色，其中a和b的取值范围都是(－128，+128)。RGB颜色空间转换为Lab颜色空间具体步骤如下：

⑴ 先将RGB颜色空间转换为 XYZ 颜色空间：

⑵ 再将XYZ颜色空间转换到Lab颜色空间:

3　火焰图像K聚类算法流程及要点选择

3.1K-均值算法流程

③X与Yj(n)之间的距离为 dj，定义为：

⑤对所有的簇，当下式成立时处理结束，否则返回步骤(2)继续处理。

3.2k值的选择

在K均值聚类算法中，K值的选择由为重要，它直接决定了聚类的效果和速度。一般情况下，K值小聚类速度快但聚类结果粗糙，相反，K值大聚类结果精细但速度太慢。通常K值是根据经验或采用试验法来确定。通过观察陶瓷辊道窑火焰图像，图像内可以分为火焰部分、窑炉璧映射部分和窑炉外黑暗背景三部分，再通过实验验证，本文最终选择K值为3，此时聚类分割效果最优。

3.3距离函数的选择

在计算数据样本之间的距离时，可以根据实际需要选择某种距离（欧氏距离、曼哈顿距离、绝对值距离、契比雪夫距离等）作为样本相似性度量。本文选用欧氏距离作为距离函数，距离公式为：

距离越小样本越相似，差异度越小；距离越大样本越不相似，差异度越大。

3.4聚类中心迭代终止判断条件

K-means算法在每次迭代中都要考察每个样本的分类是否正确，若不正确，则需要调整，在全部样本调整完再修改聚类中心，进入下一次迭代，直到满足某个终止条件：

①不存在能重新分配给不同聚类的对象；②聚类中心不再变化；

③误差平方和准则函数局部最小。

3.5误差平方和准则函数评价聚类性能

4　基于k均值聚类的陶瓷窑炉火焰图像分割实验

本文采用基于准则函数最优的聚类算法中的K-均值聚类进行火焰图像分割实验。基于准则函数最优K-均值聚类分割算法流程图如图1所示。

图1　K均值聚类分割算法流程图Fig.1 The flow chart of K-means clustering segmentation algorithm

4.1颜色空间的转换

首先把RGB颜色空间图像转换为Lab颜色空间。图2为摄取的陶瓷窑炉烧成带火焰图像,图3为转换后的Lab颜色空间图像。

4.2基于 K均值聚类火焰图像的分割

结合陶瓷窑炉火焰图像的特征，根据经验取值并通过实验验证，在K和n都取3时，陶瓷窑炉火焰图像K-均值聚类分割取得了良好的效果，如图4所示。由图4知，K均值聚类方法将陶瓷窑炉烧成带火焰图像进行了良好的分割，经分割后图像各部分得到了较好的区分。

图2　烧成带火焰图像Fig.2 Firing zone flame image

图3　Lab颜色空间图像Fig.3 Lab color space image

图4　聚类分割结果Fig.4 Clustering segmentation results

5　结　论

本文提出了陶瓷窑炉烧成带火焰图像的分割方法，给出了基于K均值聚类分割算法。通过对火焰图像的聚类分割实现对火焰图像的特征提取，从而为利用陶瓷窑炉烧成带火焰图像检测温度提供技术基础。通过对陶瓷窑炉烧成带火焰图像提取样本进行颜色空间的转换，再选取确定适合的聚类算法要点，采用聚类算法对陶瓷窑炉烧成带火焰图像进行聚类处理，实现了对火焰图像的分割。实验结果表明，本文所提出的基于K均值聚类分割方法较好地实现了对陶瓷窑炉烧成带火焰图像的分割。这为陶瓷窑炉烧成带温度的智能检测提供一种新方法，从而为陶瓷窑炉的温度智能控制以及陶瓷产品质量的提高提出了新思路。

参考文献:

[1]LIU Z,HADJISOPHOCLEOUS G,DING G,et al.Study of a video image fire detection system for protection of large industrial applications and atria[J].Fire Technology,2012,48(2):459-492.

[2]CHEN R,LUO Y,ALSHARIF M R.Forest fire detection algorithm based on digital image[J].Journal of Software,2013,8(8):1897-1905

[3]CHEN J,BAO Q.Digital image processing based fire flame color and oscillation frequency analysis[J].Procedia Engineering,2012,45:595-601.

[4]孙鹏,柴天佑,周晓杰,等.氧化铝回转窑烧成带火焰图像识别系统[J].化工学报,2008,59(7):1839-1842.SUN Peng ,et al.Journal of Chemical Industry and Engineering (China),2008,59(7):1839-1842.

[5 ZHANG H,LI J,ZOU Z.Alumina sintering kiln flame image retrieval based on ANN and flame shape feature[J].Chemical Product and Process Modeling,2009,4(1):1934-2659.

[6]李帷韬,周晓杰,柴天佑.基于火焰图像的回转窑烧成状态识别方法研究[J].仪器仪表学报,2011,32(10):2168-2174.LI Weitao,et al.Journal of Scientific Instrument (China),2011,32(10):2168-2174.

[7]ZHANG H,ZOU Z,LI J,et al.Flame image recognition of alumina rotary kiln by artificial neural network and support vector machine methods[J].Journal of Central South University of Technology,2008,15:39-43.

[8]WANG J S,REN X D.GLCM based extraction of flame image texture features and KPCA-GLVQ recognition method for rotary kiln combustion working conditions[J].International Journal of Automation and Computing,2014,11(1):72-77.

K-means Clustering Based Flame Image Segmentation Method for Ceramic Kiln

ZHU Yonghong,XIONG Meng,ZHAO Yifeng,WANG Wei
( School of Mechanical & Electronic Engineering,Jingdezhen Ceramic Institute,Jingdezhen 333403,Jiangxi,China )

Abstract:In the firing process of ceramic products,the sintering conditions vary from phase to phase.In different firing phases,flame texture changes obviously,so it can be used as an important parameter for identifying the operating conditions of the firing zone in a ceramic kiln.K-means clustering-based color segmentation method of flame image in the firing zone for ceramic kiln is proposed in this paper,and at the same time the corresponding k-means clustering algorithm is also given.The effective segmentation of flame image sample for ceramic kiln is realized by color segmentation method with K-means clustering algorithm,and color information is reserved to an extreme.The experimental results show that this method will provide feature extraction of firing zone flame image for ceramic kiln with a good technical means.This will provide a new way for utilizing the flame image features to detect the firing zone temperature of ceramic kiln,so as to realize intelligent temperature control of ceramic kiln.

Key words:ceramic kiln; K-means clustering; flame image segmentation; color space

基金项目：国家自然科学基金(61164014,61563022)，江西省自然科学基金(20152ACB20009)，研究生创新基金(JYC201430)。

收稿日期：2015-10-06。

修订日期：2015-10-10。

DOI：10.13957/j.cnki.tcxb.2016.01.018

中图分类号：TQ174.4

文献标志码：A

文章编号：1000-2278(2016)01-0086-05

通信联系人：朱永红(1965-),男,博士，教授。

Received date:2015-10-06.Revised date:2015-10-10.

Correspondent author:ZHU Yonghong(1965-),male,Doc.,Professor.