基于均值漂移的提取羽毛杆的去噪方法研究.pdfVIP

囟经验交流 基于均值漂移的提取羽毛杆的去噪方法研究 黄亮亮 汪仁煌 龙永雄 刘元稳 (广东工业大学自动化学院) 摘要：为有效去除羽毛片图像中的噪声，便于毛叶与毛杆的分割，提出用均值漂移算法对毛片图像进行平 滑滤波，然后对图像进行区域合并，最后利用阈值分割算法提取羽毛杆。实验结果表明：利用均值漂移算法能有 效去噪，可以获得更高的图像评价指数和更好的视觉效果，可有效滤除不必要的纹理背景信息，为准确提取毛杆 奠定重要基础。 关键 闻：羽毛片；均值漂移；图像去噪；图像分割 O 引言 随着国家经济的飞速发展，人们的健身意识不断 增强，羽毛球运动越来越受人们喜爱。为了生产高质 量的羽毛球，需要植入拱度、弯度相近的羽毛。目前 拱度和弯度测试利用机器视觉完成，先对羽毛杆进行 分割提取：再对相关拱度和弯度参数测量，因此准确 提取羽毛杆非常重要。 提取羽毛杆通常将正光照明和背光照明的2幅图 像进行减运算，需要增加光源和控制板等，硬件复杂， 采图时间长，成本高。文献[1】提出了基于小波纹理的 分割方法，但这种方法需要使用先验知识，若遇到偏 头羽毛片则无法得到较好的分割结果。 羽毛杆一般形状细长，两侧羽毛叶的灰度重叠交 叉，且羽毛叶的密度分布不均匀，高密度区域相对低 密度区域而言，灰度值偏大。毛杆本身具有的弯度和 拱度，也加剧了光照不均的影响，使传统的图像分割 方法难以对羽毛杆进行有效分割。为解决该问题，通 过对毛片表面纹理特征进行分析，用均值漂移 (Mean ShiR)[2】技术，对羽毛图像进行平滑滤波与区域合并， 实现羽毛杆自动提取。 l 均值漂移算法简介 均值漂移的概念最早由 Fukunaga于 1 975年提 出，它是一种基于核函数估计的无参数迭代算法。目 前已广泛应用于机器视觉领域，例如图像分割、目标 识别、聚类分析、视频跟踪等。 假设给定一 d维空间尺 中有一个子集 ， ∈Sh是空间中的一个点，它的均值漂移迭代公式为 ∑ 一 )／硎 ) l一 其中，w(x )为采样点 的权重，且满足 ∑w(x )=1，w(x )0：h=( ，h )为窗口大 小；K(x)= ( )为核函数，它确定了采样点x 与 之间的相似性度量，表现为采样点对中心点收敛 值的贡献大小；珏 为带宽矩阵，决定核函数的影响范 围，I- = 一x ) 一 )称作马哈拉诺 比斯 (Mahalanobis)距离。 考虑到图像的空间信息和色彩信息，本文定义向 量 = ， )为被平滑点特征值，其中 表示特征 矢量的空间部分： 表示特征矢量的颜色部分。 在均值漂移向量中，核函数定义了采样点与核中 心之间距离度量，不仅影响密度估计函数的属性，而 且影响算法的收敛性和计算性能。常见的核函数有高 斯核函数、均值核函数。由于用高斯核函数比均值核 函数估计的更准确，本文选用高斯函数作为核函数。 = 假 『] 2015年 第36卷 第1期 自动化与信息工程 41 黄亮亮 汪仁煌 龙永雄 刘元稳：基于均值漂移的提取羽毛杆的去噪方法研究 均信息量的多少。 背景抑制因子 BSF是用来衡量算法对背景结构 的去除能力，其定义为 BsF ／ out (3) U 其中， 为输入图像的标准差； 为输出图像的 标准差。 为了对边缘保持能力进行定量分析，引入边缘保 持指数EPI，它的定义为 EPI=E I睦Po二- eo．I (4) 其中， 为图像降噪后的像素点灰度值； 为 的 相邻像素灰度值；Po为原始图像像素点灰度值； 为 的相邻像素灰度值。EPI值越小，反映了降噪后 图像的平滑效果越好。 表 l是不同去噪方法下的图像质量评价指标比 较。MSE和 BSF反映了对噪声抑制的能力，从表中 可以看出均值漂移算法处理后的图像的MSE和 BSF 是 3种算法中最高的，表明使用均值漂移算法可以更 有效去除噪声；而 EPI值则较其他方法小，显示本文 提出的方法在抑制纹理背景的同时可以更好地保护 图像边缘。 表 1 不同算法处理后的图像评价指标 评价指标 算法 MSE BSF EPI Enlropy AAJ)F算法 O．6437 0．9446 0．6995 4．77o2 IlK 算法 1．2606 0．942 0．7286 4．7708 均值漂移算法 8．4342 0．9966 O．4451 4．4l76 经去噪滤波后，羽毛杆与羽毛叶具有明显的区 分。此时，使用基于阈值的区域合并完成图像的分割。 通过区域合并，羽毛杆与羽毛叶显现出不同灰度特 征，提取的毛杆图像如图3所示。 图3 提取的毛杆图像 3 结论 羽毛球重要部件羽毛叶是按照缺陷来分等级，毛 杆和毛叶必须要分开进行等级的判断。而羽毛叶和羽 毛杆灰度值分布不同，这使得传统的基于图像灰度特 征的图像分割方法无法