摘 要: 针对工业现场所拍摄的高温熔体" title="熔体">熔体表面覆盖有大量烟雾且难以有效分割的状况，提出一种目标图像的组合识别方法，即先采用分色分割算法去除杂散光、光晕和雾状、点状噪声等干扰，然后用改进的最大类间方差算法分割高温目标图像，并运用数学形态学方法对分割结果进行后处理以消除游离点和孔洞，使图像边缘平滑。实验结果表明，该方法能够有效地分割出目标图像，并减小目标图像所受的噪声干扰，有较强的实用性。
　　关键词: 图像目标识别； 数字图像处理； 辐射测温" title="测温">测温； 目标分割

　　利用CCD图像传感器和数字图像处理技术实现高温温度场" title="温度场">温度场的软测量，已成为当前高温测量领域的研究热点之一^[1]。在利用CCD图像传感器获得的高温辐射图像进行温度计算时，必须先从辐射图像中准确识别待测目标，从而得到正确的高温熔体表面温度场^[2]。由于测量现场环境恶劣，工况复杂，高温熔体表面常常会被大量的烟雾掩盖，使图像传感器所获取的高温辐射图像充满噪声和烟雾干扰。因此，研究一种抗噪性强，并能将烟雾有效地从被测目标中去除的方法很有必要。
　　参考文献[3]提出了一种分别采用双峰法和最大方差自动取阈值法确定分割阈值，再根据高温辐射体" title="辐射体">辐射体的灰度值近似相等来选择合适的分割阈值，以此识别出待测目标的算法。而参考文献[4]提出了一种基于Bubble小波变换的高温辐射体图像分割" title="图像分割">图像分割算法。但是当烟雾亮度或颜色值和辐射体相近时，这些算法都不能有效去除烟雾对高温熔体的影响。
　　针对以上情况，本文提出一种目标图像的组合识别方法。该方法先根据高温辐射体三基色图像的噪声特点，通过对红、绿基色图像分别进行分割来减小甚至消除高温辐射体图像的各种噪声；然后对分割的结果用改进的最大类间方差算法进一步分割以去除烟雾干扰，达到准确分割的目的；最后运用数学形态学方法对分割结果进行后处理，以消除目标图像中的游离点和孔洞，并使图像边缘平滑。
1 分色分割算法
　　当被测目标的直方图具有良好的双峰特性时，运用直方图阈值化分割算法可以得到很好的分割效果^[5-6]。而高温辐射体的红、绿基色图像都具有典型的双峰特征，故直方图阈值化分割算法适用于对高温辐射体进行分色分割^[7]。
    由普朗克定律可知，辐射体温度升高时，其光谱辐射亮度曲线的峰值波长向短波方向移动。由于不同类型的辐射干扰集中于不同的波段，因此，可以采用分色分割的方法将其去除。
1.1 利用红基色图像分割去除杂散光干扰
    杂散光干扰处于短波段，其干扰图像与高温辐射体的绿基色图像相近，因此在对绿基色图像进行分割时，杂散光干扰图像会被误作目标，而对红基色图像进行分割却可以有效去除杂散光干扰。
    设c(x，y)为原始图像像素点(x，y)处的灰度值，R(x，y)、G(x，y)、B(x，y)为原始图像像素点(x，y)处的红、绿、蓝基色值，TR是运用直方图阈值化分割算法求得的红基色图像的分割阈值，cR(x，y)是(x，y)处的红基色目标图像像素值，则：
 

1．2 利用绿基色图像分割去除雾状、点状噪声和光晕干扰
　　雾状、点状噪声和光晕干扰主要集中在红色波段，因此对绿基色图像进行分割可以有效地去除这类干扰。设c_G(x，y)是(x，y)处的绿基色目标图像像素值，T_G是运用直方图阈值化分割算法求得的绿基色图像的分割阈值，则有：
　　 

　　对高温辐射体的红、绿基色图像进行分割后，若取分割结果的交集作为高温辐射目标图像的识别结果，则既可以消除杂散光干扰，又可以消除光晕和雾状、点状噪声干扰，即：
　　　　

式中，c_RG(x，y)是高温辐射体目标图像的分割结果。
2 改进的最大类间方差算法
2．1 传统的最大类间方差算法
　　最大类间方差算法一直被认为是最优的阈值自动选取方法^[7-8]。记f(i,j)为M×N图像(i,j)点处的灰度值,灰度级为m,设f(i,j)取值为[0,m-1]，记p(k)为f(i,j)灰度值为k的频率,则有:
　　

　　假设用灰度值t为阈值分割出的目标与背景分别为{f(i,j)?燮t}和{f(i,j)>t},则目标所占比例为：         
　　
　　背景部分的像素点数为:  
　　

式(15)中，右边括号内实际上就是类间方差值,阈值th分割出的目标和背景两部分构成了整幅图像。目标灰度取值为μ₀(t),其概率为ω₁(t)；背景灰度取值为μ₁(t),其概率为ω₀(t),总均值为μ。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大。部分目标错分为背景或部分背景，错分为目标都会导致两部分的差别变小,因此使类间方差最大的分割意味着错分概率最小。
2．2 改进的最大类间方差算法
    最大类间方差算法是以灰度均值来区分目标与背景的，而灰度分布参数除了有灰度均值外还有方差, 因为图像的灰度平均方差反映了图像灰度分布的均匀性(离散程度) ,图像目标与背景区内部灰度分布相对较均匀,而边界及其附近点的灰度跃变通常较大,灰度平均方差值近似地反映了图像边界点的灰度跃变情况。如果分割出的两部分中，某部分的平均方差与总图的平均方差很接近,则说明有可能把整个边界及其附近点都分割到该部分了,即出现了错分。据此分析,以灰度平均方差代替传统的最大类间方差算法中的均值是合理的,即:
   

2．3 改进的最大类间方差分割步骤
　　(1) 选取分色分割算法得到的I_RG(x,y)，将I_RG(x,y)所标明的前景区域所有的像素的红色分量值逐列生成一个列向量v。
　　(2) 采用改进的最大类间方差算法求v的分割阈值T_R′，利用下式得到I_R′(x,y)：
　　
　　(3) 对二值图像I_R′(x,y)进行二值图像形态学操作。首先采用闭操作对前景区中的细小空洞进行填充，然后运用开操作去除背景区的孤立块，平滑前景区边缘。
　　(4) 由I_R′(x,y)得到最终的分割结果：
　　
3 实验结果
　　高温熔体识别效果比较如图1所示。图1(a)、图1(d)是在用CCD图像传感器拍摄的含有烟雾干扰的某铜冶炼厂闪速炉放铜口的铜熔体图像。图1(b)、图1(e)是运用分色分割算法进行识别的效果。可见该方法虽能较准确识别高温辐射体，但是对目标区边缘的烟雾分割效果并不明显。而图1(c)、图1(f)是在分色分割基础上运用改进的最大类间方差算法分割的效果，可见本文的方法有效地去除了目标图像边缘烟雾的干扰，准确识别出了目标辐射体。