陸康康 狄瑞 高偉 劉曉杰

摘要：在圖像分割算法中，灰度閾值分割算法是最常用的算法。因其算法復(fù)雜度小、實(shí)現(xiàn)條件單一，在圖像識別技術(shù)中應(yīng)用最廣泛?；叶乳撝捣指钏惴ㄟm用于對目標(biāo)主體和背景灰度級相差較明顯的圖片進(jìn)行分割，當(dāng)圖片環(huán)境較為復(fù)雜、灰度級表現(xiàn)不明顯時(shí)，其效果會依據(jù)環(huán)境而改變。因此，灰度閾值分割法對圖像識別的準(zhǔn)確率有很大的不確定性。在此基礎(chǔ)上，提出一種通過增加識別點(diǎn)來提高圖像準(zhǔn)確率的方法。該方法采用在灰度閾值分割后，對灰度閾值圖像進(jìn)行邊緣計(jì)算添加識別點(diǎn)標(biāo)記圖像特征的方式，對圖像進(jìn)行二次識別。通過反復(fù)試驗(yàn)并記錄準(zhǔn)確率，所得結(jié)果對比表明：增加識別點(diǎn)的二次識別方法相比傳統(tǒng)灰度閾值分割法，準(zhǔn)確率得到有效提高。

關(guān)鍵詞：圖像識別;圖像分割法;灰度閾值分割法;識別點(diǎn)

圖像是人們獲取信息的重要手段，圖像中通常將人們最感興趣的部分稱為主體，將其他部分稱為背景，圖像識別技術(shù)就是將圖像的主體部分從整個(gè)圖像中提取出來的技術(shù)。圖像分割技術(shù)是圖像識別領(lǐng)域一個(gè)重要的圖像處理方法，其本質(zhì)就是把圖像按照其各個(gè)部分的特征分成特定區(qū)域的技術(shù)和過程。圖像分割的過程也是一個(gè)對圖像進(jìn)行標(biāo)記的過程，即把圖像各區(qū)域用不同的標(biāo)識符或者編號標(biāo)記下來。在實(shí)際應(yīng)用中，圖像分割的主要目的是將目標(biāo)主體與圖像背景分離，閾值化分割法是最常用的圖像分割處理方法，因其具有穩(wěn)定性好、計(jì)算量小等特點(diǎn)，而被廣泛應(yīng)用。

在日常接觸的圖像中，大多將建筑物和景色作為圖片的背景，用閾值分割法處理后可將圖片灰度級特征迅速表達(dá)出來;但其算法仍存在不足，對于灰度特征不明顯的圖片，閾值分割法難以得到滿意的效果，且處理的時(shí)間較長。因此，本文提出在傳統(tǒng)的灰度閾值分割法的基礎(chǔ)上增加邊緣識別點(diǎn)的方法，此方法通過二次識別，在保證不浪費(fèi)資源的前提下，能有效提高圖像識別準(zhǔn)確率。

1? ? 閾值分割法

閾值分割法的關(guān)鍵就是對圖像的灰度級進(jìn)行分析找到一個(gè)合適的閾值，從而根據(jù)這個(gè)閾值對圖像進(jìn)行分割處理。設(shè)一幅圖中有明顯的主題和背景，那么其灰度直方圖會呈現(xiàn)雙峰狀態(tài)，雙峰的灰度級分別對應(yīng)圖像的主體和目標(biāo)的灰度閾值，在雙峰中間存在一個(gè)谷值，這個(gè)谷值就是圖像分割的最佳閾值。

1.1 圖像的灰度化

1.2 Roi的提取

在對圖像完成灰度化后，為了提高程序的實(shí)時(shí)性，減少圖像中建筑、樹木等背景的干擾，需要在采集到的圖像中劃分感興趣區(qū)域。[1]Roi（region of interest），它的中文名翻譯叫做“感興趣區(qū)域”，是指進(jìn)行機(jī)器視覺和圖像處理時(shí)，從被處理的圖像中以各種方式（方框、圓、橢圓、不規(guī)則多邊形等）勾勒出需要處理的區(qū)域。對于感興趣區(qū)域，使用Matlab手動批量進(jìn)行選取。在統(tǒng)計(jì)過程中，需要對特定的對象進(jìn)行數(shù)據(jù)處理與分析，為圖像處理數(shù)據(jù)和分析的過程提取感興趣的區(qū)域，并進(jìn)行保存的Matlab程序。感興趣區(qū)域的提取不但有利于減小程序的運(yùn)算負(fù)擔(dān)，還能提高程序的實(shí)時(shí)性，從而達(dá)到提高圖像識別準(zhǔn)確度的目的。

1.3 閾值分割結(jié)果

在進(jìn)行完Roi的提取后，利用雙峰間的谷底處的灰度值[T]作為閾值分割。[2]由于雙峰之間的谷值不是唯一的，所以選中的值不一定是最佳的，所得到的分割圖像也不是最準(zhǔn)確的。

如圖1、圖2所示，分別為閾值為103對圖像進(jìn)行分割、閾值為86對圖像進(jìn)行分割。可以得出：利用閾值為86的谷值來分割圖像，比閾值為103的谷值進(jìn)行分割所得的圖像效果更佳。實(shí)際應(yīng)用中，通常采用一個(gè)閾值作為分割標(biāo)準(zhǔn)，通過對以上閾值分割圖像分析得知，選取閾值的不同對圖像區(qū)域分割存在差異，容易出現(xiàn)將背景劃入主體區(qū)域的情況。如果圖像更加復(fù)雜，則閾值分割法的效果更不理想;所以，需要通過探究新的方法以期獲得更好的分割圖像的效果。

2? ? 邊緣計(jì)算添加識別點(diǎn)

在基于閾值分割法的基礎(chǔ)上，可以通過邊緣計(jì)算的算法來添加圖像識別點(diǎn)，對圖像進(jìn)行二次的閾值分割，從而得到更好的分割效果。本文探究使用大津法將圖像進(jìn)行第一次的灰度閾值分割，再在Matlab中實(shí)現(xiàn)用迭代法方式，利用邊緣檢測法的算法增加圖像識別點(diǎn)，對圖像進(jìn)行第二次的閾值分割，從而將與目標(biāo)具有較小的差異性的圖像分割出來，以達(dá)到更好的分割效果。

2.1 大津法

大津法又名Ostu方法或最大類間差方法，它利用統(tǒng)計(jì)圖像每一部分的整體直方圖，對全部的閾值通過一定的算法進(jìn)行篩選。首先，通過整體直方圖來統(tǒng)計(jì)各個(gè)二進(jìn)制文件的像素點(diǎn)的數(shù)量;其次，通過上一步統(tǒng)計(jì)好的不同灰度級的直方圖，統(tǒng)計(jì)各個(gè)分類的二進(jìn)制文件像素所占圖像的比例和背景像素的平均灰度，從0開始直到256時(shí)結(jié)束，計(jì)算前景像素和背景像素的方差。大津法適用于圖像中的目標(biāo)和背景所占面積接近的情況，而當(dāng)兩者所占面積較為懸殊時(shí)，大津法的分割方法將效果不佳。[3]

2.2 常見的邊緣檢測方法

然而，這種方法對于圖像中存在的噪點(diǎn)較為敏感，無法抑制噪聲的影響。[4]Prewit算子和Sobel算子相比較于前者，采用平均值差分有效的方法，較為有效地抑制了噪聲的影響。此外，還有二次微分算子拉普拉斯算子、LOG算子，等等。

2.3 增加圖像識別點(diǎn)

運(yùn)用上述的邊緣檢測法的一些具體算子來對圖像增加識別點(diǎn)，主要是通過識別圖像邊緣，判斷是否邊界點(diǎn)來確定點(diǎn)的真假和位置，在圖像分割后的灰度圖中存在明顯的邊界特征。此時(shí)對圖形進(jìn)行雙閾值標(biāo)定，判斷出灰度圖的邊界，得出高閾值[M]和低閾值[S]。將大于[M]的點(diǎn)準(zhǔn)確地標(biāo)記為邊界點(diǎn)，小于[S]的點(diǎn)判斷為不是邊界點(diǎn)，介于[M]和[S]之間的值不確定是否邊界點(diǎn)，分別對這三種類型的邊界點(diǎn)判斷結(jié)果進(jìn)行標(biāo)注。此時(shí)，對其各邊界進(jìn)行標(biāo)記形成初步的主體區(qū)分于背景的特征，由于高閾值作為雙閾值標(biāo)定滯后的邊界的標(biāo)準(zhǔn)，因此它含有較多的強(qiáng)邊界點(diǎn)，但即使這樣也損失了一些有用的邊緣信息，而低邊緣閾值[S]可以保留較多的有用信息。為此，我們以邊緣陣列為基礎(chǔ)，用高閾值[M]來獲取強(qiáng)邊界點(diǎn)信息，用低閾值[S]進(jìn)行各點(diǎn)信息的補(bǔ)充，最后判斷邊緣點(diǎn)的連續(xù)性，對其用線段連接，從而得出準(zhǔn)確的主體特征。

2.4? ?二次閾值分割

一般而言，對于采集到的圖像利用閾值進(jìn)行分割時(shí)，較難分割與圖像相差性較小的背景：若閾值的選擇高出正確的所需值，則與圖像相差性較小的背景就容易被劃分至我們所求的目標(biāo)主題，導(dǎo)致偏差;而若閾值的選擇低于正確的所需值，那么又容易導(dǎo)致我們所求目標(biāo)被劃分至背景。所以，對圖像進(jìn)行有效的二次閾值分割可以進(jìn)一步增強(qiáng)分割效果。

利用上述邊緣檢測法的算法增加圖像識別點(diǎn)，對圖像進(jìn)行第二次的閾值分割時(shí)，本文選擇了通過在Matlab中運(yùn)用迭代法的方式來實(shí)現(xiàn)。在Matlab中實(shí)現(xiàn)迭代法主要可以有四種不同的算法：雅可比迭代法、高斯塞德迭代法、超松弛迭代法（SOR）和共軛迭代法。涉及到的算法設(shè)計(jì)有：先隨機(jī)生成特征值服從獨(dú)立同分布的[0，1]之間的均勻分布的[A]矩陣;服從獨(dú)立同分布的正態(tài)分布的[B]向量。利用rand獲取一組特征值，將這組特征值通過diag函數(shù)生成對角陣[Q]，然后用orth函數(shù)生成對稱矩陣[U]，最后用[UQU]就能得到對稱正定矩陣。

3? ? 結(jié)語

本文提出一種在閾值分割法的基礎(chǔ)上增加邊界識別點(diǎn)，進(jìn)行二次識別的圖像識別辦法。此方法可更精確地從圖像中將人們感興趣的主體特征提取出來，提高了圖像識別的準(zhǔn)確度。但此方法仍存在缺陷，由于是二次識別，所以計(jì)算量相比傳統(tǒng)的閾值分割法大，算法更為復(fù)雜，而耗時(shí)和傳統(tǒng)閾值分割算法相差不多。今后，還將對此方法進(jìn)行改進(jìn)。

參考文獻(xiàn)：

[1] 胡勝，黃妙華，陳毅.基于二次閾值分割和車道寬度匹配的車道線檢測算法[J/OL].汽車技術(shù)，2019（4）：1-6[2019-01-03].https：//doi.org/10.19620/j.cnki.1000-3703.20180182.

[2] 謝敏，王朝斌，魏萍.基于灰度圖像的閾值分割改進(jìn)方法[J].科技視界，2013（22）：50-52.

[3] 吳一全，孟天亮，吳詩婳.圖像閾值分割方法研究進(jìn)展20年（1994—2014）[J].數(shù)據(jù)采集與處理，2015，30（1）：1-2.

[4] 雷麗珍.數(shù)字圖像邊緣檢測方法的探討[J].測繪通報(bào)，2006（3）：40-42.

Abstract： Among image segmentation algorithms， gray threshold segmentation algorithm is a classical algorithm. It is the most widely adopted in image recognition technology because of its simple implementation， low computational complexity and stable performance. Gray threshold segmentation algorithm is suitable for segmentation of images with obvious gray level differences between the object and the background. When the image environment is comparatively complex and the gray level performance is not obvious， its effect will change according to the environment and therefore there is a lot of uncertainty improving the accuracy of image recognition by gray threshold segmentation algorithm. On this basis， this research proposed a method of increasing identification points to improve the accuracy of image recognition. This method makes secondary identification by making edge calculation of gray level images and increasing identification points to mark image features after gray threshold segmentation. Through segmentation experiments of a large number of images and accuracy statistics， the comparison of the results shows that the accuracy of the secondary recognition method with increased ident

Key words： image recognition; image segmentation;gray threshold segmentation algorithm;identification points

責(zé)任編輯? ? 盛? ? 艷