关于图像分割技术在机械测量中的应用

于宏洲 唐卫 陈浩

摘 要：计算机技术在各个行业内得到了广泛的应用，计算机视觉测量是在一幅图像中，对被测物体进行全面检测，被测对象一般会占据一定的图像区域，其特征与周围的物体有着较大的差别。在机械行业内，产品的测量中图像分割技术得到了广泛应用，本文从图像分割技术的概述入手，接着阐述了图像分割技术的算法，最后总结了图像分割技术在机械测量中的应用，旨在为机械行业测量数据精准性提供参考意见。

关键词：图像分割技术 机械测量 应用 算法

中图分类号：TP391.41 文献标识码：A 文章编号：1672-3791（2018）04（c）-0110-02

在机械行业的生产中，其测量主要分为接触式测量、非接触式测量，其中接触式测量主要包括：手工测量、接触式测量机等，在其测量中会受到环境、场地等因素的影响，且设备运输难度较大，测量数据的精准性也无法确保。非接触式测量包括：光学测量、电磁测量等，非接触式测量具有测量速度快的优势，但由于难以实现精准定位，因此，最终测量的数据精准性不强。在这类背景下，图像分割技术应然而生，且得到了广泛应用。

1 图像分割技术的概述

随着计算机的迅速发展，将计算机的视觉功能应用在机械产品测量中，属于一种简单且高效的测量方式，在测量过程中不会受到被测物形状的限制，且采集工具较为简单，在采集中对所需光源没有任何限制。计算机视觉测量是在一幅图像中，对被测物体进行全面检测，被测对象一般会占据一定的图像区域，其特征与周围的物体有着较大的差别。部分特征会比较明显，也可能属于细微的特征，肉眼是无法精准查找出来。

图像分割技术先将一幅图进行分解，将图像划分为若干相互不交叠、且意义、性质相同的图像。就不同人物采用的图像分割技术，在其使用中也各不相同，一般主要包括：（1）分割出来的各个区域，在对象上具备很大的相似性，且各个区域的内部是相互联通。（2）相邻区域内对分割所依据的性质有着明显的变化。（3）区域边界比较明确清晰。目前，被广泛应用的图像分割技术主要包括：区域生长、分裂合并、阈值法、聚类分割法等。

2 图像分割技术的算法

2.1 定义

图像分割技术从广义上讲，指的是依据图像的特征，集合灰度、颜色、纹理等方面的相似性，并对图像像素进行分组类聚，将图像平面划分为若干个不同的、且具有一致性的不重叠区域。分割出来的区域需要满足均匀性、连通性的条件。

假设集合S为整个图像区域，则区域S分割需要滿足以下5个条件的子区域。

2.2 算法

2.2.1 阈值算法

阈值算法在其应用中，需要依据某个准则，将最优阈值求解出来。依据阈值将图像划分为几不同的区域。阈值算法主要包括：单阈值算法分割、双阈值算法分割两种。单阈值分割主要依据阈值将图像映射到0、255灰度级上。多阈值分割能够将图像映射到几个不同的灰度级上。阈值算法在其应用中具有很多的优点，但在其应用中，阈值确定难度较大。

2.2.2 区域种子

需要依据给出的种子值，在相似性的基础上将所有种子值中具有相似性质的像素组合在一起，并不断增加种子区域内的大小。在分裂合并中，先将区域划分为n个相互不交互的区域，在相关准则的基础上进行合并。区域生长、分裂合并在其应用中具有一定的优势，能够将噪音消除。需要注意的是在区域种子的应用中，相似准则设置的好坏、将直接影响着算法效率与最终的执行效果。

阈值算法、区域生长算法、分裂合并算法等在参数设置中，会受到人工因素的干扰，在应用中还存在着一定的局限性。

2.2.3 边缘检测法

边缘检测法，由于算子差距，得到的边缘精准也各不相同。在对象与背景信息的边缘中，算子提取难以确保提取质量与提取效率，部分算子提取的多，部分的算子提取的少。难以依据实际情况，自动选择最好的算子。

2.2.4 聚类检测法

在聚类检测法的基础上，需要依据图像像素之间的相似性准则，进行图像分类，尽可能的将相似物体划分在一起，不相似的也尽可能划分到一类。聚类检测法在其应用中相似性便是方式、相似度两个标准直接决定着聚类法的执行效率。聚类检测法操作简单，其唯一的缺陷为在其应用中会受到人工干预。

3 图像分割技术在机械测量中的应用

3.1 Matlab 7.0实验检测

本文主要以Matlab 7.0作为实验工具，比较阈值、区域生长发、边缘提取法三者的分割效果，边缘提取法也采用3中不同的算子。第一，采取的是一阶差作为算子，因此，提取结果较为精准，但无法从图像中完全将所有的边缘提取出来。第二，使用的是二阶差作为算子，边缘信息提取较多，后期计算难度较大。第三，采用的是二值阈值法，但提取区域较为单一，将对象的背景信息包含在了其中。

从上述的实验分析能够得知，不同的图像分割算法在其应用中，均具有各自的特点，但还存在着很大的不足。抗噪能力、提取精度难以得到保障，且无法同时满足两点需求。如何结合实际情况，平衡两者间的关系，成为图像分割技术应用中的一大难点。

3.2 机车检测方面的应用

（1）火车轮在车辆的形式中，会承受较大的荷载与钢轨冲击，一旦火车轮出现裂纹，将会影响行车安全。火车轮图像会受到很多因素的干扰，其目标与背景两者间的对比度不高。只有使用形态学处理，进行sobel边缘检测并处理其检测结果，使用最优阈值分割技术，进行频域滤波检结果进行分割，对比两个结果。开展逻辑、操作，使用模板进行空间滤波，将图像内的噪声点全部去除，将有效的目标提取出来。

（2）钢轨表面一旦存在缺陷，则会导致车轮磨损加剧，使得车轮存在剥落现象，增加了列车脱轨的几率，开展钢轨表检测主要是为了提升道路运营安全，使用图像分割技术，首先针对有缺陷的钢轨位置其图像会呈现灰度变化。其次，使用自适应的sobel边缘检测法，不仅能够简化算法结构，还能够在短时间内完成测量工作。最后，在边缘测算结束之后，能够强化灰度变化，并将非缺陷的图像全部滤掉。边缘测算法的信息主要包括：缺陷信息、轨道边缘变化信息、坑洞变化等，通过深入分析发现在边缘变化中具有直线的特点，存在缺陷的边缘并没有此类特点。因此，在测量中可以选择Hough将其变换为u，以此将缺陷排除。

4 结语

综上所述，通过本文的分析阐述能够得知，图像分割法在其应用中，不同的算法会受到不同因素的影响，难以确保测量精准性。在图像分割技术后期的应用中，需要加大其研究力度，设计出一种通用、参数少、精准性强的自动图像分割技术，更好的推动我国机械行业的发展。

参考文献

[1] 曲霄红，薄文彦.图像分割技术在机械测量中的应用研究[J].微型机与应用，2013.

[2] 谢永华.数字图像处理技术在木材表面缺陷检测中的应用研究[D].东北林业大学，2013.

[3] 何涛.基于几何特征的机械产品图像测度研究[D].华中科技大学，2011.

[4] 郑毅.特殊环境下图像测量关键技术研究[D].西安电子科技大学，2008.

[5] 牛建军.特殊环境下的光电图像获取与处理技术[D].西安电子科技大学，2007.