基于机器视觉的铁谱图像智能分割方法与流程

1.本发明涉及机器视觉领域，具体涉及一种基于机器视觉的铁谱图像智能分割方法。


背景技术：

2.铁谱技术是一种对磨屑的粒度、形状、颜色和纹理等特征进行分析的技术，可用于磨损工况监测和故障诊断。如果设备产生磨损，则通过设备的油液中所含有磨屑的共性特征，可以分析得到当前设备的主要磨损状态。
3.在提取磨屑的特征时，需要对磨屑进行分割，现有的磨屑分割方法，是基于颜色差异对磨屑的铁谱图像进行聚类，磨屑的铁谱图像中的某些区域，在人眼视觉下被分割为一个连通域，但是在现有磨屑分割方法下，会被分割为不同的连通域，导致磨屑的铁谱图像的分割效果不佳，进而影响磨损工况监测和故障诊断。
4.所以本方案提出了一种基于机器视觉的铁谱图像智能分割方法，改善磨屑的铁谱图像基于颜色分割时的分割效果，为设备的磨损工况监测和故障诊断提供更好的依据。


技术实现要素：

5.为了解决上述问题，本发明提供基于机器视觉的铁谱图像智能分割方法，所述方法包括：通过显微模组，获得油液样本中磨屑的铁谱图像；将铁谱图像中的所有像素点转换为lab颜色空间中的颜色点；从lab颜色空间中的所有颜色点中，随机选择第一数量个颜色点，记为初始聚类中心；s1：根据所有初始聚类中心，获得所有颜色点的所有初始类别，包括：计算所有初始聚类中心和lab颜色空间中的所有颜色点的所有第一色差值；根据所述所有第一色差值和初始聚类中心，利用k均值聚类算法对所有颜色点进行聚类，获得所有颜色点的所有初始类别；s2:根据所有初始类别，获得所有新的聚类中心，包括：对于任意一个初始类别，从初始类别的所有颜色点中随机抽样出多个颜色点，记为目标颜色点；计算所有目标颜色点和初始类别中所有其他颜色点的所有第二色差值，根据所述所有第二色差值获得目标颜色点的合适程度；根据所有目标颜色点的合适程度，计算初始类别的每个颜色点的合适程度；将初始类别的所有颜色点中，合适程度最大的颜色点记为新的聚类中心；对于所有初始类别，获得所有新的聚类中心；将新的聚类中心作为初始聚类中心，重复执行s1、s2，直至初始聚类中心不再改变时，将获得的初始类别作为最终类别；根据最终类别所对应的所有颜色点，对铁谱图像中的所有像素点进行聚类，得到铁谱图像中所有像素点的分割结果。
6.进一步地，所述第一色差值和第二色差值的步骤包括：获取初始聚类中心的宽容度，判断lab颜色空间中的颜色点是否在初始聚类中心的宽容度内，如果lab颜色空间中的颜色点在初始聚类中心的宽容度内，则第一色差值为；否则第一色差值为：其中，为初始聚类中心的亮度值，为lab颜色空间中的颜色点的亮度值，为初始聚类中心的颜色值,为lab颜色空间中的颜色点的颜色值，为第一色差值；获取目标颜色点的宽容度，判断初始类别中的其他颜色点是否在目标颜色点的宽容度内，如果初始类别中的其他颜色点在目标颜色点的宽容度内，则第二色差值为；否则第二色差值为：其中，为目标颜色点的亮度值，为初始类别中的其他颜色点的亮度值，为目标颜色点的颜色值,为初始类别中的其他颜色点的颜色值，为第二色差值。
7.进一步地，所述根据所述所有第一色差值和初始聚类中心，利用k均值聚类算法对所有颜色点进行聚类，获得所有颜色点的所有初始类别的步骤包括：根据颜色点与每个初始聚类中心的第一色差值，基于k均值聚类算法的最小色差值原则，将颜色点划分给最小第一色差值对应的初始聚类中心，将每个初始聚类中心对应的所有颜色点组成的集合记为一个初始类别，获得所有颜色点的所有初始类别。
8.进一步地，所述根据所述所有第二色差值获得目标颜色点的合适程度的步骤包括：将目标颜色点和初始类别中所有其他颜色点的所有第二色差值，组成的序列记为目标颜色点的色差值序列，根据目标颜色点的色差值序列获得目标颜色点的合适程度，目标颜色点的合适程度的计算公式为：其中，表示以自然常数为底的指数函数，为第个类别中第个目标颜色点的色差值序列中的所有色差值的方差，为第个类别中第个目标颜色点的色差值序列中的所有色差值的最大值与最小值的差值，为第个类别中第个目标颜色点的色差值序列中的所有色差值的均值，为第个类别中第个目标颜色点的合适程度。
9.进一步地，所述根据所有目标颜色点的合适程度，计算初始类别的每个颜色点的合适程度的步骤包括：根据每个初始类别中所有目标颜色点的色差值序列，获得所有目标颜色点的合适程度；通过最小二乘法对所有目标颜色点和所有目标颜色点的合适程度进行拟合，获得合
适程度预测公式，所述合适程度预测公式为三元三次多项式；根据颜色点的亮度值和颜色值，通过合适程度预测公式，获得每个初始类别的所有颜色点的合适程度。
10.进一步地，所述根据最终类别所对应的所有颜色点，对铁谱图像中的所有像素点进行聚类，得到铁谱图像中所有像素点的分割结果的步骤包括:获得每个最终类别所包含的每个颜色点，获得每个颜色点在铁谱图像中对应的所有像素点，即获得每个最终类别所包含所有颜色点对应的所有像素点；将一个最终类别对应的所有像素点组成的集合，记为铁谱图像的一个类别，获得铁谱图像的所有类别，作为铁谱图像中所有像素点的分割结果。
11.本发明实施例至少具有如下有益效果：通过改变k-means算法在聚类时的类别划分方法，即基于最小色差值进行类别划分，使得每次迭代得到的聚类结果更符合人眼视觉；并在每次迭代前获取新的聚类中心时，基于颜色点的合适程度，通过筛选拟合的方法得到新的聚类中心，以此迭代，使得最终的分割效果能够更加的符合人眼视觉预期分割效果，改善磨屑的铁谱图像基于颜色分割时的分割效果，为设备的磨损工况监测和故障诊断提供更好的依据。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1为本发明一个实施例提供的基于机器视觉的铁谱图像智能分割方法的步骤流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于机器视觉的铁谱图像智能分割方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.下面结合附图具体的说明本发明所提供的基于机器视觉的铁谱图像智能分割方法的具体方案。
17.请参阅图1，其示出了本发明一个实施例提供的基于机器视觉的铁谱图像智能分割方法的步骤流程图，该方法包括以下步骤：s001，通过显微模组，获得铁谱图像，将铁谱图像中的所有像素点转换为lab颜色空间中的颜色点。
18.需要说明的是，获得的铁谱图像被用于后续分析，由于lab颜色空间中的颜色分布更加符合人眼视觉分布，因此，将铁谱图像从rgb颜色空间转化至lab颜色空间，以便后续基
于转换后的铁谱图像，得到更好的颜色聚类结果。
19.（1）通过显微模组，获得铁谱图像。
20.具体方法为：采集设备中的油液样本，将油液样本放置显微观测平台，本方案选择采用100倍的放大倍数，通过显微镜方法获得油液样本中磨屑的铁谱图像，其中，实施者可根据具体实施场景对显微观测平台的放大倍数进行调整。
21.（2）将铁谱图像中的所有像素点转换为lab颜色空间中的颜色点。
22.具体方法为：将铁谱图像中每个像素点从rgb颜色空间转换到xyz颜色空间，再从xyz颜色空间转换到lab颜色空间，获得铁谱图像中每个像素点的亮度值和颜色值，进而将铁谱图像中的所有像素点转换为lab颜色空间中的颜色点，其中，铁谱图像中的多个像素点对应lab颜色空间中的一个颜色点，反之，lab颜色空间中的一个颜色点对应铁谱图像中的多个像素点。
23.s002，获得所有初始聚类中心，根据初始聚类中心的宽容度计算第一色差值，根据所有初始聚类中心和第一色差值，获得所有颜色点的所有初始类别。
24.需要说明的是，由于现有的基于颜色对铁谱图像进行聚类，实现对铁谱图像进行颜色分割的方法，会使铁谱图像中应该属于同一个类别的像素点，被分到不同的类别中，导致铁谱图像的颜色分割结果不好。这是由于现有的聚类方法只是基于颜色的差异进行聚类，没有考虑到颜色的差异并不代表人眼视觉的差异，虽然一个磨屑的铁谱图像的像素点的颜色值存在差异，但人眼观测时磨屑的颜色值应当是近似的，所以在进行颜色聚类分割时，为了得到更加符合人眼视觉效果的铁谱图像的颜色分割结果，需要根据颜色点的宽容度进行聚类，因此，需要根据颜色点的宽容度计算色差值，进而基于颜色点的色差值进行聚类。
25.（1）获得所有初始聚类中心。
26.从lab颜色空间中的所有颜色点中，随机选择第一数量个颜色点，记为初始聚类中心，在本实施例中，所述第一数量为3。
27.（2）获取颜色点的宽容度。
28.需要说明的是，在lab颜色空间中，人眼感觉不到的颜色差异的变化范围，被称为颜色宽容度，因此，当一个颜色点的颜色和另一个颜色点的颜色的差异小于宽容度时，则两个颜色点的颜色的差异是人眼无法察觉的，因此，在基于颜色对铁谱图像进行聚类时，可以将颜色差异小于宽容度的颜色点聚在一起。
29.在本实施例中，根据颜色点的麦克亚当圈，获得颜色点的宽容度，具体为：获取颜色点在色品图上坐标，根据颜色点的坐标以及颜色点的麦克亚当圈，获得颜色点在色品图上的对应区域，将所述区域记为颜色点的宽容度。
30.（3）根据初始聚类中心的宽容度计算第一色差值。
31.需要说明的是，考虑人眼视觉对颜色差异的识别，具有一定颜色宽容范围，所以为了得到符合人眼视觉所期望的铁谱图像的颜色分割结果，本方案根据颜色点的宽容度获得颜色点的色差值计算公式。
32.将初始聚类中心与lab颜色空间中的颜色点的色差值记为第一色差值，第一色差值的计算方法为：获取初始聚类中心的宽容度，判断lab颜色空间中的颜色点是否在初始聚
类中心的宽容度内，如果lab颜色空间中的颜色点在初始聚类中心的宽容度内，则第一色差值为；否则第一色差值为：其中，为初始聚类中心的亮度值，为lab颜色空间中的颜色点的亮度值，为初始聚类中心的颜色值,为lab颜色空间中的颜色点的颜色值，为第一色差值；（4）根据所有初始聚类中心和第一色差值，获得所有颜色点的所有初始类别。
33.计算每个初始聚类中心和lab颜色空间中的每个颜色点的色差值；根据颜色点与每个初始聚类中心的第一色差值，基于k均值聚类算法的最小色差值原则，将颜色点划分给最小第一色差值对应的初始聚类中心，将每个初始聚类中心对应的所有颜色点组成的集合记为一个初始类别，获得所有颜色点的所有初始类别。
34.s003，获取每个初始类别的所有目标颜色点，计算每个目标颜色点的色差值序列，根据目标颜色点的色差值序列获得目标颜色点的合适程度，根据每个初始类别中所有目标颜色点的合适程度，获得每个初始类别中所有颜色点的合适程度，进而获得每个初始类别的新的聚类中心。
35.（1）获取每个初始类别的所有目标颜色点。
36.从每个初始类别的所有颜色点中随机抽取数量为第二数值的颜色点，将抽样得到的颜色点作为初始类别的目标颜色点，所述第二数值为每个初始类别的所有颜色点的数量与抽样百分比的乘积，在本实施例中，所述抽样百分比为。
37.(2) 计算每个目标颜色点的色差值序列。
38.在本实施例中，将目标颜色点与初始类别中的其他颜色点的色差值记为第二色差值，第二色差值的计算方法为：获取目标颜色点的宽容度，判断初始类别中的其他颜色点是否在目标颜色点的宽容度内，如果初始类别中的其他颜色点在目标颜色点的宽容度内，则第二色差值为；否则第二色差值为：其中，为目标颜色点的亮度值，为初始类别中的其他颜色点的亮度值，为目标颜色点的颜色值,为初始类别中的其他颜色点的颜色值，为第二色差值。
39.将目标颜色点与初始类别中的所有其他颜色点的所有第二色差值，按照从小到大的顺序进行排列，组成的序列记为目标颜色点的色差值序列。
40.（3）根据目标颜色点的色差值序列获得目标颜色点的合适程度。
41.需要说明的是，目标颜色点的色差值序列越稳定，且目标颜色点与初始类别中的其他颜色点的色差值越一致，则初始类别中的所有颜色点在人眼视觉上的差异就越一致，则目标颜色点越适合作为新的聚类中心，因此，根据目标颜色点的色差值序列，获得目标颜色点的合适程度，进而获得新的聚类中心。
42.在本实施例中，计算第个初始类别中第个目标颜色点的合适程度，是根据第个
初始类别中第个目标颜色点的色差值序列获得的，具体的计算公式为：其中，表示以自然常数为底的指数函数，为第个类别中第个目标颜色点的色差值序列中的所有色差值的方差，为第个类别中第个目标颜色点的色差值序列中的所有色差值的最大值与最小值的差值，为第个类别中第个目标颜色点的色差值序列中的所有色差值的均值，为第个类别中第个目标颜色点的合适程度。
43.其中，越小说明目标颜色点的色差值序列越稳定，则目标颜色点的合适程度越大，目标颜色点越适合作为新的聚类中心；越小说明目标颜色点的色差值序列越稳定，则目标颜色点的合适程度越大，目标颜色点越适合作为新的聚类中心；越小说明目标颜色点的色差值序列越一致，则目标颜色点的合适程度越大，目标颜色点越适合作为新的聚类中心。
44.（4）根据每个初始类别中所有目标颜色点的合适程度，获得每个初始类别中所有颜色点的合适程度，进而获得每个初始类别的新的聚类中心。
45.在本实施例中，根据每个初始类别中所有目标颜色点的色差值序列，获得所有目标颜色点的合适程度；通过最小二乘法对所有目标颜色点和所有目标颜色点的合适程度进行拟合，获得合适程度预测公式；根据合适程度预测公式，所述合适程度预测公式为三元三次多项式；根据颜色点的亮度值和颜色值，通过合适程度预测公式，获得每个初始类别的所有颜色点的合适程度，将每个初始类别的所有颜色点中，合适程度最大的颜色点记为新的聚类中心。
46.s004,获得所有颜色点的最终类别。
47.在本实施例中，将新的聚类中心作为初始聚类中心，重复执行s002、s003，直至初始聚类中心不再改变时，将获得的初始类别作为最终类别。
48.s005,根据最终类别将铁谱图像中的所有像素点进行聚类，得到铁谱图像中所有像素点的分割结果。
49.获得每个最终类别所包含的每个颜色点，获得颜色点在铁谱图像中对应的所有像素点，即获得每个最终类别所包含所有颜色点对应的所有像素点；将一个最终类别对应的所有像素点组成的集合，记为铁谱图像的一个类别，获得铁谱图像的所有类别，作为铁谱图像中所有像素点的分割结果，所述铁谱图像的分割结果，更加符合人眼视觉预期的分割结果。
50.综上所述，本发明将铁谱图像中的所有像素点转换为lab颜色空间中的颜色点；根据初始聚类中心和第一色差值，获得所有颜色点的所有初始类别；获得每个初始类别中每个目标颜色点的合适程度，根据合适程度预测公式，获得每个初始类别的所有颜色点的合适程度，进而获得新的聚类中心；通过多次迭代，获得所有颜色点的最终类别；根据所有颜色点的最终类别，获得铁谱图像的分割结果。本发明的方法使铁谱图像的分割结果更加的
符合人眼视觉预期分割效果，为设备的磨损工况监测和故障诊断提供更好的依据。
51.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
52.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
53.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。