基于自适应SLIC的岩心图像背景分割*

陈国军 李 胜 尹 鹏 滕一诺

（中国石油大学（华东）计算机科学与技术学院 青岛 266580）

1 引言

由于岩石的非均质性和仪器扫描时受到光线强弱等问题的影响，通过CT扫描机得到的岩心切片有较多的干扰因素，其中背景像素干扰和噪声的影响最为严重。因此，在对岩心切片处理前先要去除背景像素和噪声的影响，分割岩心背景区域。

常用的分割方法主要有两类：一类为传统图像分割，包括阈值法［1］、边界检测法［2］、区域法［3］等。主要利用图像像素的颜色、纹理和形状信息，对于背景像素值与岩心像素值相差较大的简单图像，往往能取得较好的效果；对于背景像素值与岩心像素值相近，边界模糊的复杂图像常常不尽人意。此时则需要利用图像本身的信息并结合图形的中级、高级语义提升分割效果。以图像块为单位，通过计算图像块整体的光滑度、颜色度量、亮度分布以及整体的紧凑度等，来辅助图像分割从而提升分割的精确度，常用的分割方法如超像素分割［4］便为其中的一种。

超像素这一概念在2000年初被Ren等［5］提出。基于超像素分割方法一经提后，被学者们不断地拓展丰富，Felzenswalb等［6］提出了基于图割理论的graph-based方法，后续有学者［7］基于最小割原理提出Ncut方法，Moore等［8］的以图像的边界为研究对象提出superpixel lattice方法，Levinshtein等［9］提出优化图像欠分割的Turbopixels方法，Achanta等［10］的提出的SLIC算法简单高效，因此成为了超像素算法中最为主流的一种。近些年，许多专家学者根据特定的应用场景，对SLIC算法进行了不同的优化和改进。文献［11］提出了SLIC与分水岭算法相结合的彩色图像分割算法，并将图像复杂度引入SLIC算法中；文献［12］结合SLIC与OTSU算法提取遥感影像中的水体区域；文献［13］对SLIC算法中的区域合并方面提出了改进。虽然上述文章中提出的方法都在各自领域中取得不错的效果，但并不具有广泛的适用性，且在数字岩心领域还没有较好的应用。

针对传统分割方法不理想，高级语义分割效率低的问题，本文根据岩心CT切片的特点和实际需要，提出一种以图像复杂度为基础的自适应SLIC的方法，分割岩心与背景像素区域。

2 超像素分割

通常通过CT扫描机得到的岩心断层图像边界模糊，亮度偏暗。很难区分尺寸低于分辨率或在分辨率附近的特征体，因此首先采用直方图均衡化、中值滤波［14］等减少图像噪声，提高图像对比度。

2.1 SLIC算法

SLIC算法是一种基于k-means聚类为核心，并引入LAB颜色空间和距离空间作为特征度量，实现了基于像素颜色特征和空间位置特征的相似性聚类，从而生成紧凑、尺寸均匀的超像素。SLIC的主要步骤：1）根据图像大小划分网格，初始化聚类中心；2）以聚类中心的2S×2S邻域为范围，遍历像素点；3）计算每个像素点与中心点的相似度；4）更新聚类中心；5）增强连通性。

SLIC算法具有收敛速度快、分割结果稳定和适用范围广的优点，通过将K-means的搜索范围限定在2S×2S的范围内，使得在迭代过程中聚类中心周围的像素点会很快稳定下来，加快了算法收敛速度。此外，算法通过引入颜色距离和空间距离的组合度量D来表示像素点与聚类中心的距离，将像素点归为距离聚类中心距离最小的类簇中，其中距离D的计算如式（1）所示。

其中，dc为颜色距离，ds为空间距离，Nc为最大颜色距离，取值范围［1，40］，其典型值为10。Ns为最大空间距离，dc、ds的计算如式（2）、（3）所示。

式中，i为像素下标，j为聚类中心下标。

每次迭代完成后，用类簇内所有像素值的均值更新聚类中心。

2.2 自适应SLIC算法

为了解决传统SLIC算法需要根据经验手动设置超像素个数的问题，本文提出了一种根据图像复杂度计算预分割超像素个数的自适应SLIC算法。较少用户干预，提高分割的准确性。

图像复杂度是图像完成某些特定操作的困难程度，是对图像内在复杂程度的描述，常用来表示图像完成目标检测、图像分割、目标提取等操作的困难程度［15］。广义集合的内部复杂度的计算公式定义为

式中复杂度用C表示，k表示集合内不同标志值的个数，ni表示的标志值，i表示对应的标志值的个体数量，N表示个体的总量。在数字图像中，用i表示像素灰度值，ni为像素值为i的像素个数，N为图像的像素个数。

针对数字图像的特性，引入信息熵来衡量图像的复杂程度，熵值越大说明图像越杂。信息熵的计算公式：

由于信息熵只能反映图像中不同灰度值出现的频率，为了反映出灰度值在空间中的分布情况，从而引入灰度共生矩阵（Gray Level Cooccurrence Matrix，GLCM）来描述图像的纹理特性。GLCM中典型的特征参数为能量（E）、对比度（Con）、相关度（Cov），综合考虑图像的纹理特征参数对图像复杂程度的影响进行加权求和［11］。其中信息熵、对比度的权值定为1，相关度与能量的权值定为-1。得到图像复杂度Ωk的计算公式为

其中：

式中，Q（i，j，d，θ）是由灰度共生矩阵归一化得到；m为图像在平面内x轴方向上的像素数；n为图像所在平面内y轴方向上的像素数；θ表示灰度共生矩阵的生成方向，通常取0°、45°、90°、135°；u1，u2为均值，d1，d2为方差，p（i，j，d，θ）表示对应灰度共生矩阵中第i行，第j列的元素值。u1，u2，d1，d2计算方法如下所示。

根据式（6），得出超像素个数K的经验公式：

其中，h为图像高度，w为图像宽度，Ωk为图像复杂度。

3 岩心目标提取

岩心样本在相同的环境下，扫描出的CT切片应具有相同的背景。利用这一特性，设定临界条件（本文取均值差），将K个超像素合并为n（2≤n≤K）个较大的类簇，减少后期冗余计算。通过合并将背景像素与岩心像素分别归为几个不同的类簇，最后根据岩心像素值与背景像素值，将背景像素值设置为与岩心像素值具有明显区分的数值（一般取极值，0或255）。

算法设计步骤：

1）读入图像文件，计算图像文件复杂度Ωk，计算超像素个数K；

2）利用SLIC算法，将图像预分割为K个类簇；

3）应用区域合并算法，将背景区域与岩心区域归为n个类簇；

4）设置阈值，将背景像素设置为非岩心像素值（本文设置为0），完成岩心目标提取。

算法流程图如图1所示。

图1 岩心背景分割流程

4 实验分析

本文以4组约7500张分辨率为2048*2048致密砂岩CT图像为实验图像，以Visual Studio 2015作为实验开发软环境，采用Intel（R）Core（TM）i5-3210主频为2.50GHz，系统内存为32GB显卡为NVIDIA GeFORCE GT650M，显存为4GB一体机做为实验平台进行实验。

4.1 图像复杂度验证分析

为了保证验证的有效性，选取两张大小相同的图片如图2所示。

图2 实验图像

由图2可知，图（a）相对于图（b）更加无序，其复杂度应该大于图（b）的复杂度，下面分别计算两张图像的参数熵（H）、能量（E）、对比度（Con）、相关度（Cov）、复杂度（Ωk），进行分析验证，如表1所示。

表1 图像复杂度统计表

由表1分析可知，图2（a）的复杂度大于图2（b）的复杂度，与人眼直观目测结果一致。说明本文提出的复杂度计算公式能够真实有效地反映出图像的复杂度。

4.2 改进SLIC算法分析

分别从四组图像中任意选取1张图像进行超像素分割对比分析，根据复杂度计算超像素个数K，如表2所示。

表2 图像复杂度与K值表

由表2可知，随着图像复杂度的增加，预分割的超像素数也随之增长，有利于标记出不同的目标区域。

进行超像素合并后，分离出背景像素与岩心像素结果如图3所示。

图3 岩心标记图原图（左）、本文（中）、人工标记（右）

如图3所示，第一列为原始CT图像，第二列为采用了改进SLIC算法并进行合并后标记出的岩心目标区域，第三列为手工标记的岩心区域。由图3（a）、（b）、（c）、（d）四组图像分析可知，采用改进的SLIC算法标记出的岩心区域几乎与手工标记的一致，在一些较为复杂的区域效果甚至优于手工标记结果，如图（a）组图像所示，在一些狭小的缝隙处，改进SLIC算法分割效果要优于人工标记效果。

4.3 岩心目标提取结果分析

超像素合并后，岩心区域与背景区域边界确定，只需根据岩心区域像素与背景区域像素的差值进行分割。此时整个岩心区域属于一个类簇，分割时该类簇内所有像素值均用该类簇的均值代替，因此在进行分割时，单个像素值不影响分割结果。岩心目标分割结果如图4所示。

图4 岩心提取对比图原图（左）、本文（中）、阈值法（右）

由图4可分析知，阈值法分割提取的岩心区域边界不光滑还有可能会破会岩心内部结构，影响后续处理，图4中第三列图像中圆圈标记区域所示。本文算法提取的岩心区域边界光滑，且尽可能保持岩心内部结构，对后续建立数字岩心模型的准确性奠定了基础。

5 结语

针对致密砂岩CT图像岩心像素与背景像素边界模糊，简单的分割方法无法达到理想效果的问题，本文提出了一种基于改进的SLIC算法分割岩心背景区域，通过建立图像复杂度公式，以图像复杂度为依据自动计算图像预分割的超像素个数，并根据背景像素与岩心像素的像素值进行岩心背景分割。实验表明，该方法优于经典的阈值分割算法和手工标记方法，且在岩心区域分割的完整性和有效性方面表现出了良好的分割性能。