基于阈值分割和形态学相结合的金属废料X射线图像轮廓提取方法

徐 祥，陈 洪，叶文华

(1.南京航空航天大学机电学院，江苏 南京 210016;2.江苏华宏科技股份有限公司，江苏 无锡 214423)

0 引言

X射线分选是废金属分选的一种新方法。在使用双能X射线分选系统进行废金属物料识别分选时，为了准确获取废金属物料在传送带上的位置及透射数据，需要将探测器扫描得到的透射数据组合为图像进行处理。X射线透射图像处理的目标是确定每个物料的位置和边界信息，其处理结果的好坏直接影响对物料种类的判断。因此，图像处理是废金属物料识别分选中的重要一环。

在X射线透射图像处理方面，国内外许多学者都对其进行了研究，主要采用阈值分割[1-4]、图像模型建立[5-9]和形态学处理[10-14]等核心的方法，这些方法一般能解决X射线图像处理中普遍存在的随机噪声问题和图像分割问题。然而，废金属物料的X射线透射图像具有如下特点：由于给料机给料不均匀或因物料掉落时速度不同于传送带速度而导致物料掉落在传送带上发生滚动等情况，使得两两物料之间可能出现局部粘接现象，在物料图像中表现为“小桥”形状的细小连接。目前的图像处理方法无法处理金属废料透射图像中的粘接现象，进而不能准确的对物料区域进行分割，影响后续的物料分选。

针对上述问题，本文提出一种基于阈值分割和形态学相结合的图像轮廓提取方法。利用改进的Otsu阈值分割算法获得全局最优阈值进行滤波，去除图像噪声；然后对图像采用动态阈值分割，获得二值化图像；继而对图像进行连续2次腐蚀、单物料区域的连通区标记和各连通区的连续2次膨胀；最后各连通区进行轮廓提取获得单个物料区域的轮廓。

1 图像轮廓提取方法

本文基于双能X射线透射技术，使用X射线透射金属废料得到关于金属废料的透射图像，对透射图像中的金属废料进行轮廓提取，获得单个金属废料的实际区域，用于后续金属废料的图像特征提取以供识别分类。针对金属废料形状各异、厚薄不均等特点，本文采用阈值分割与形态学处理相结合的方法，实现对透射图像中各个金属废料的轮廓提取，具体方法流程如图1所示。

图1 X射线透射图像中各个金属废料轮廓提取流程

本方法主要由图像预处理、图像分割和轮廓提取3个部分组成，图像预处理采用背景差值法[15-16]改善背景光场不均现象；图像分割部分首先采用改进的Otsu算法自动获取图像的最佳分割阈值，实现对噪声信号的有效去除，然后利用动态阈值算法对图像进行二值化分割，并进行孔洞填充为后续形态学处理做准备；在此基础上基于形态学算法和连通区标记实现对各个金属废料的独立分割；最后对带标记的各连通区域进行轮廓提取，得到各金属废料的轮廓。

1.1 改进的Otsu阈值分割算法

物料图像与背景图像作差后，改善了图像的光场不均现象，同时去除了大部分的随机噪声和来自X射线探测器的固有误差信号。然而，由于设备环境噪声的随机性，不同时刻X射线能量谱存在一定程度的波动，差值图像中仍然存在噪声信号，影响后续形态学算法的处理效果。通过对背景图像噪声的分析，发现图像中的随机噪声信号的灰度阶集中分布在低值区域，因此，可以使用全局阈值分割方法进行除噪。由于不同时刻的噪声信号有所差别，为了获得每幅图像的最佳分割阈值，本文采用约束灰度值范围的Otsu方法计算图像的最佳全局阈值。

原始的Otsu方法[17]首先统计图像灰度直方图中的各个分量，得到不同灰度级的像素分量pi，其中ni为灰度级为i的像素个数，N为图像的总像素个数，即

(1)

然后，根据初始设定的阈值k，且0≤k≤255，将图像中的所有像素值分为r1和r2这2类，并计算图像中某点像素被分为r1和r2的概率pr1和pr2，即：

(2)

(3)

nr1和nr2分别为类r1和类r2中的像素个数。

然后计算图像中被分配到r1和r2中的像素的平均灰度值ar1和ar2：

(4)

(5)

整个图像的平均灰度值ag为

(6)

由式(2)～式(7)可得类间方差σ2的计算公式为

σ2=pr1(ar1-ag)2+pr2(ar2-ag)2

(7)

但由于金属废料之间形态差别可能较大，原始的Otsu方法可能将金属废料中厚度较薄的区域排除掉，严重影响后续形态学的进一步处理。本文研究的废金属物料种类为铜和铝，由于金属铜的原子序数更大，在相同厚度条件下，X射线透射金属铜后的能量衰减也更大，因此，需要考虑X射线透射过金属铝的最小能量衰减值，进而确定Otsu方法的阈值约束范围。实验所用破碎料的最小厚度为1 mm，通过实验测得X射线透射过厚度为1 mm的金属铝片后的平均能量衰减值ΔI为4 000，换算为灰度阶为15.625。因此，本文将Otsu方法中的阈值范围约束在低值区域0 ≤k≤ 15，避免了传统Otsu法对图像全局的影响，效果如图2所示。比较图2a和图2b，可以直观地发现传统Otsu方法破坏了厚度较薄的金属物料区域，改进的Otsu方法则避免了这样的破坏。

图2 传统Otsu方法和改进Otsu方法效果对比

1.2 动态阈值分割

动态阈值法又称自适应阈值法[18]，区别于全局阈值法[19]，其阈值的选取不是通过计算全局图像的阈值，而是根据图像中不同区域的灰度情况自适应地计算图像区域阈值。构造出图像所对应的阈值平面T(x，y)，通过比较原图foi(x，y)和阈值平面对应像素点的大小，得到的二值化图像fbz(x，y)，即[11]

(8)

T(x，y)的构造取决于滑动窗口大小和图像当前点的阈值计算方法。图像当前点的阈值可由滑动窗口内的均值、中位数、高斯函数确定。滑动窗口的尺寸越大，阈值平面T越能更好地作为每个像素阈值的参考，但尺寸也不能无限增大。经过多次实验筛选，本文选取大小为29×29的滑动窗口，采用当前滑动窗口内像素值的中位数mw(x，y)作为当前滑动窗口区域的图像阈值，即

T(x,y)=mw(x,y)

(9)

1.3 形态学处理

透射图像经过阈值分割后，不同物料之间的细小粘接现象可能仍然存在，以及透射图像阈值分割后可能产生新的孤立点状区域，这些现象影响了物料区域的连通域标记，容易导致2个有效的物料区域被识别为1个整体，或者孤立点状区域被误识别为1个有效的物料区域。借助形态学的腐蚀和膨胀运算[20]可以帮助消除孤立点、细小连接和平滑物体边界，采用合适的形态学处理策略可以不明显改变其物料区域的面积，减少负面影响。

形态学在图像处理中主要包括腐蚀和膨胀2种基本运算。腐蚀运算可以缩小或消除图像中不同物料区域之间的细小连接，消除毛刺状边缘；膨胀运算可以对物体边界的扩充；腐蚀和膨胀组合可以断开不同物料之间的细小连接，消除毛刺状突出，平滑物料区域的轮廓。

设待处理图像为O，形态结构元为E，腐蚀处理后的结果图像为Rc，膨胀处理后的结果图像为Rs，腐蚀运算和膨胀运算分别表示为：

Rs=OΘE={x,y|Exy⊆O}

(10)

Rc=O⊕E={x,y|Exy∩O≠Φ}

(11)

图3和图4分别为腐蚀运算和膨胀运算的结果示意图。进行腐蚀运算时，移动结构元E，若结构元E位于图像O的物料区域内，则结构元中心点对应的图像像素值不变，否则置为0；膨胀运算时，移动结构元E，若结构元E的中心点位于物料区域上，则将结构元E所覆盖到区域像素值置为1，否则不变。

图3 腐蚀运算示意图

图4 膨胀运算示意图

常用结构元形状为矩形、圆和菱形。在待处理的透射图像中，不同物料区域之间的细小连接的位置和大小是随机的。通过分析不同结构元的处理结果，发现相比较于矩形和菱形等可以消除固定角度细小连接，使用圆形结构元可以消除不同角度的细小连接。因此，本文通过圆形结构元对物料区域进行形态学处理。确定结构元的形状之后，还需要确定结构元的大小，尺寸过小的结构元不能有效断开不同物料区域之间的细小连接和孤立区域，尺寸过大则又会导致过度处理。

通过上文对物料透射图像的分析，一次腐蚀运算在多数情况下无法完全实现对不同物料区域的分割，如图5中圆圈所示。本文使用圆形结构元对图像采用二次腐蚀和二次膨胀处理，为避免膨胀处理使被分割物料区域再次发生重叠，在膨胀处理前预先物料区域进行连通区标记。

图5 一次腐蚀运算后的局部物料分割效果

形态学处理的具体步骤如下：

a.对输入图像O中物料区域内的孔洞进行填充，避免腐蚀运算因物料区域内的孔洞而产生过度分割，得到图像Of。

b.使用结构元连续2次对图像Of进行腐蚀运算，一次腐蚀可以有效去除物料区域之间细小的粘接，二次腐蚀则是加强对较大“小桥”的分割处理，最终得到图像Rc。

c.对图像Rc中物料区域进行连通区标记，避免膨胀处理后不同物料区域“扩张”后发生重叠而导致无法识别。

d.使用结构元连续2次对图像图像Rc中的各连通区进行膨胀运算，实现对各个物料区域边界的平滑处理，同时并不明显改变其面积。

2 实验结果与分析讨论

2.1 金属废料的X射线透射图像轮廓提取实验

本文实验基于实验室所搭建的双能X射线透射物料识别分选系统。其中，X射线源选用美国Spellman公司的X射线源系统，X射线源子系统的最大功率为400 W，最大管电压200 kV；X射线探测器选用英国Sens-Tech公司生产的LINX线阵列探测器，最大管电压250 kV；实验所用的金属废料包括铜、铝及其合金。通过上述的双能X射线透射物料识别分选系统，可以获得关于金属废料的高、低能的X射线透射图像。

如图6所示为基于本文所提算法对采集到的2张原始低能透射图像的图像轮廓提取过程。图6a为原图，经过背景差值法预处理后得到图6b；利用约束灰度阶范围的Otsu算法自动获取全局阈值进行图像分割获得图6c；利用动态阈值分割，得到金属废料的二值图像图6d；图像进行孔洞填充处理得到图6e，防止形态学处理因为物料区域内部的孔洞而造成过度分割；图6f是经过二次腐蚀处理后的图像；图6g是对二次腐蚀后图像中单个物料区域的连通区提取结果图像，不同的灰度颜色区分了不同的物料；图6h是经过二次膨胀处理后的图像；图6i是最终提取到的物料轮廓图像。对比图6a和图6i标注圆圈的区域可以看出，图6a中发生物料区域粘接现象，经过本文算法处理后，得到了有效处理。

图6 图像轮廓提取过程

2.2 算法对比实验

为了验证本文所提方法的效果，将基于阈值分割和形态学相结合的方法(本文方法)与传统Otsu分割算法、形态学处理算法进行实验对比。以6张存在物料粘接情况的X射线透射图像进行对比实验。实验包含物料分割效果实验和图像分割准确率实验2个部分。

2.2.1 物料分割效果实验

对1张存在物料粘接现象的X射线透射图像，采用不同的算法进行图像分割，最终提取物料边界图如图7所示。

图7 不同方法下物料X射线透射图像的分割效果

图7a是原物料X射线透射图像。图7b是基于传统Otsu算法得到的结果，由于没有约束最佳阈值寻优范围，导致个别物料被过度分割，并且存在粘接的物料不能够得到有效的分割。图7c是基于形态学开运算处理得到的结果，由于时刻都在波动的环境噪声和设备自身的系统噪声，直接使用形态学开运算方法对背景差值后的图像进行处理，无法得到有效结果。图7d是基于本文方法得到的结果，通过改进的Otsu方法选取最佳阈值进行噪声滤波，利用动态阈值分割方法弥补全局阈值分割的局限性，结合二次腐蚀、读取连通域、二次膨胀的形态学处理策略，能将存在粘接的物料彼此分割开，并实现各个物料的边界提取。

2.2.2 图像分割准确率实验

在物料分割过程中，存在过度分割和无法分割的现象，这些都将直接影响后续物料分离阶段的分离准确率。定义图像有效分割比Tn和图像物料区域总占比Ta，作为图像分割准确率的评价指标，表示为

(12)

Nres为实验分割出来的物料个数；Nfact为实际的物料个数；Sa_res为图像分割后物料区域的像素点数；Sa_fact为图像处理前物料区域的像素点数。

分别采用传统Otsu分割方法、形态学处理方法和本文方法，对物料透色图像分割准确率进行对比实验，结果如表1所示。由于传统Otsu方法存在过度分割的可能，形态学处理方法因噪声影响严重，对于Nres的统计，只统计所提取到的单个封闭边界内像素点个数大于100的区域。

表1 物料透射图像分割准确率结果对比

对比传统Otsu方法、形态学处理方法和本文方法的结果发现，基于本文方法得出的平均图像有效分割比Tn为98.49%，较传统Otsu方法和传统Otsu结合形态学处理方法得到的结果分别提高26.38%和27.42%。图像物料区域总占比Ta的测试平均结果为96.16%，较传统Otsu方法和传统Otsu结合形态学处理方法得到的结果分别提高14.61%和12.21%。说明本文所提方法的图像分割准确率验证时效果更优。

3 结束语

针对金属废料X射线透射图像中背景光场不均和废料之间距离较近时图像可能相互粘结的问题，提出一种阈值分割和形态学相结合的金属废料X射线图像轮廓提取方法。通过背景差值去除图像光场不均，利用约束灰度值范围的Otsu方法和动态阈值分割方法滤除背景噪声，通过连续2次腐蚀、连通区标记和连续2次膨胀对物料区域实现有效分割，得到单个物料区域的封闭轮廓。

所提金属废料X射线图像轮廓提取方法图像有效分割比参数平均结果为98.49%，图像物料区域总占比参数平均结果为96.16%，较传统Otsu方法和传统Otsu结合形态学处理方法均有所提高，实现了透射图像中金属废料轮廓的有效分割。