基于改進的最大類間方差法的水果圖像識別研究

陳雪鑫 卜慶凱

摘要：? 針對水果自動識別過程中特征信息提取不完整的問題，本文提出一種基于改進的最大類間方差法OTSU對水果圖像進行分割。通過對圖像中值濾波處理降低隨機噪聲的干擾，增大目標圖像和背景之間像素值與最佳分割閾值之間的差值，使目標圖像與背景圖像與各自類間中心的距離盡可能相近，達到相對方差取代絕對方差實現圖像分割，然后對目標圖像提取顏色特征和形狀特征實現不同種類的水果圖像識別。實驗結果表明，改進后的OTSU所得閾值能分割到更加清晰的圖像，圖像分割的運行時間明顯縮短，水果圖像識別的平均正確識別率提高了15%左右。該研究提高了水果識別的效率，具有一定的實際應用價值。

關鍵詞：? 水果識別; 圖像分割; 中值濾波; 顏色特征; 形狀特征; OTSU

中圖分類號： TP391.41 文獻標識碼： A

我國水果種類多，產量大，傳統的人工水果識別主要依靠顏色及外形等特征進行判斷，效率低，并且識別率不準確。隨著圖像識別技術的發展，水果自動化識別成為熱門研究問題。圖像識別技術以數字圖像處理為基礎，通過提取目標物體的形狀、紋理、顏色等特征進行分類識別。趙玲等人[1]利用HIS顏色模型中通道分類的均值和方差對不同成熟度的草莓進行識別;李大華等人[23]利用BP神經網絡進行水果識別分類，結合多特征的提取實現了水果的分類。目前水果識別算法的研究主要集中在圖像識別的后階段，也就是分類器訓練與預測設計階段，而對于前階段的圖像處理研究較少。圖像處理是圖像識別的基礎，分割出完整清晰的目標物體才能提取到更詳盡的特征信息，從而在訓練階段更加精確。伍艷蓮等人[4]為解決綠色植物圖像背景復雜等問題，提出改進均值漂移算法，成功將目標物體與背景分開;衛鴻春等人[56]分別使用SVM和神經網絡改進了圖像分割算法，提高了圖像分割精度和泛化能力。在水果識別研究中，為了高效找到目標物體，不與后續識別過程相沖突，可選擇計算量小、穩定性好的閾值分割，但傳統的OTSU法對目標物體分割不理想，提取的特征信息不完整。針對該問題，本文提出一種基于改進的最大類間方差法OTSU對水果圖像進行分割，改變算法中的方差，突破圖像與背景的限制。實驗結果表明，改進的OTSU獲得的閾值能得到更加清晰的分割圖像，同時圖像分割的運行時間明顯縮短，加快了分割速度，更理想地分割圖像，從而提取到感興趣的目標體。該研究具有一定的實際應用價值。

1 水果圖像的處理與分析

1.1 圖像預處理

采集的水果圖像會受到噪聲及光線等不確定因素的影響，尤其是椒鹽噪聲對顏色特征影響較大，因此會對目標體的分割和特征的提取造成誤差。圖像預處理主要對收集的水果圖像平滑去噪，圖像增強，從而最大化保留圖像整體信息，提高圖像的可執行性。

1.2 改進的OTSU進行圖像分割

圖像分割是圖像處理的重要環節，將一幅圖像分割成若干區域，每個區域都有其獨特性質，從中提取目標體。圖像分割可得到目標體完整的形狀和結構信息，從而獲得良好的識別率。閾值分割方法是利用合理的閾值將圖像中的像素點按灰度級別分類，從而完成對圖像目標體的分割，也就是對圖像的灰度直方圖選取一個或幾個合理的閾值將其分成若干類，把灰度值在同一灰度范圍內的像素點看成相同的物體[78]。

目前，應用最廣泛的圖像分割算法是最大類間方差法。最大類間方差法[9]是由日本學者大津Nobuyuki Otsu在1979年提出，又叫大津法，簡稱OTSU。最大類間方差法的主要思想是通過圖像的灰度特性，將圖像分為目標和背景兩部分，分別計算出兩部分的方差，方差越大，表示目標與背景相差越大，分割效果越好，通過循環求取不同分割條件下的最大方差，尋找最優分割閾值，達到對圖像的良好分割[10]。但在拍攝過程中，不可避免的會混入噪聲，而最大類間方差法對噪聲非常敏感。當圖像的目標像素與背景像素相近時，傳統的最大類間方差法不能很好的進行圖像分割，而最大類間方差法[11]對灰度直方圖呈現雙峰狀態下的圖像處理效果較好，但不能很好的處理呈現單峰條件下的圖像分割。因此，在進行圖像分割之前，先去噪，而預處理中采用的中值濾波法[12]是為了更好的實現OTSU圖像分割。最大類間方差法的主要原理是通過不斷的遍歷（0，255）求取最大類間方差，從而通過找出最大類間方差取值最大時的最佳分割閾值。雖然計算速度較快，但在通常情況下，一幅圖像不可能每點都分布像素，因此將最大類間方差法閾值范圍縮小，有效減少計算量，提高圖像分割效率。

2 圖像特征提取

2.1 顏色特征提取

顏色特征是水果圖像的重要屬性，可作為水果識別的依據之一。HSV空間模型用色調（Hue）、飽和度（Saturation）、明度（Value）來描述顏色，HSV顏色空間比RGB更接近人們的經驗和對色彩的感知[15]。本文將RGB圖像轉換成HSV圖像，統計H、S、V三個分量中所含的像素點數，從而判定提取水果圖像的顏色特征。

完成RGB空間到HSV空間的轉換，對HSV三個顏色分量像素進行統計。HSV各顏色分量的計算[16]如式（11）～（14）：

3 實驗仿真分析

3.1 單張圖片識別

實驗過程中，首先對含有多種水果混合的圖像進行識別。利用改進的OTSU算法進行圖像分割，通過統計像素點個數的方式，求取各圖像的圓形度作為形狀特征，然后統計H、S、V三個顏色分量的像素點作為顏色特征，將形狀特征和顏色特征進行訓練后對圖像進行識別。水果圖片識別如圖3所示。由圖3可以看出，每種水果都可以在不同的位置做出準確的識別，而且改進的OTSU算法可分割到更加精確、清晰的目標物體，為圖像識別提供了良好的基礎。

3.2 采用圖形用戶界面識別

采用圖形用戶界面（graphical user interface，GUI）對單一和混合的水果圖像進行識別。使用改進的OTSU算法對水果圖像訓練樣本進行圖像分割，對分割出的目標物體提取顏色特征和形狀特征，使用GUI對每一種特征信息進行計算，最終得到良好的識別效果。

選取6類水果圖片，分別進行預處理、圖像分割、特征提取等操作。在采集到的水果圖像中，其所含的水果個數不完全一致，充分體現了顏色信息在識別過程中的作用。對于多種混合的水果圖像，通過檢測水果的形狀特征，達到單獨識別[1920]的效果。所有圖像以原始RGB形式采集和保存，然后根據式（11）～式（14）轉換成HSV形式。單一圖像識別如圖4所示，多種圖像特點識別如圖5所示。

由圖4和圖5可以看出，使用形狀特征和顏色特征提取到詳盡的圖像信息，利用GUI提高了水果圖像識別的效果。

水果圖像識別結果如表2所示。由表2可以看出，對大量的樣本進行訓練，增加了數據的可靠性，平均正確識別率得到了極大的提高。

4 結束語

本文提出一種基于改進的最大類間方差法OTSU對水果圖像進行分割。通過對傳統的OTSU閾值分割算法進行改進，克服了隨機噪聲等因素的干擾，提高了計算速度，通過提取水果圖像的形狀和顏色特征實現了對多種類別的水果圖像的識別。實驗結果表明，改進后的OTSU獲得的閾值能分割到更加清晰的圖像，同時圖像分割的運行時間明顯縮短，平均正確識別率提高了15%左右。該研究提高了工作效率，促進了人工智能的發展。但對于形狀和顏色相似度大的水果識別效率并不是很高，因此，嘗試提取更多的特征及使用神經網絡進行訓練測試是下一步的研究重點。

參考文獻：

[1] 趙玲， 周桂紅. 基于顏色特征的草莓成熟度識別技術研究[J]. 河北農業大學報， 2017， 40（2）： 97101.

[2] 王履程， 譚筠梅， 王小鵬， 等. 基于機器視覺的枸杞分級方法[J]. 計算機工程與應用， 2013， 49（24）： 1618.

[3] 李大華， 趙相飛， 許亮， 等. 基于紋理特征與HSI空間的蘋果識別與標定[J]. 圖學學報， 2016， 37（5）： 688693.

[4] 伍艷蓮， 趙力， 姜海燕， 等. 基于改進均值漂移算法的綠色作物圖像分割方法[J]. 農業工程學報， 2014， 32（24）： 161167.

[5] 趙勝男， 王文劍. 融合SVM和快速均值漂移的圖像分割算法[J]. 小型微型計算機系統， 2017， 38（7）： 16141618.

[6] 衛洪春. 基于改進神經網絡的圖像邊緣分割技術[J]. 現代電子技術， 2018， 41（16）： 112115.

[7] 岡薩雷斯. 數字圖像處理的MATLAB實現[M]. 阮秋奇等， 譯. 2版. 北京： 電子工業出版社， 2003.

[8] 郭臻， 陳遠知. 圖像閾值分割算法研究[J]. 中國傳媒大學學報： 自然科學版， 2008， 15（2）： 7782.

[9] Otsu N. A threshold selection method from graylevel histograms[J]. IEEE Transaction on Systems， Man and Cybernetics， 1979， 9（1）： 6266.

[10] 張乾， 馮夫健， 林鑫， 等. 一種基于圖論的圖像分割算法[J]. 計算機工程， 2012， 38（18）： 194197.

[11] 李敏， 羅洪艷， 鄭小林. 等. 一種改進的最大類間方差圖像分割法[J]. 南京理工大學學報： 自然科學版， 2012， 36（2）： 332337.

[12] 史佳晨， 錢建平. 一種改進的中值濾波算法的研究[J]. 電氣電子教學學報， 2010， 32（2）： 4345.

[13] 曲楊， 許衛東， 楊駿堂， 等. 基于邊緣信息和Otsu的紅外圖像分割方法[J]. 指揮控制與仿真， 2017， 39（6）： 130133.

[14] 周迪， 夏哲雷. 一種改進的Otsu閾值分割算法[J]. 中國計量學院學報， 2016， 27（3）： 319323， 344.

[15] 張錚， 倪紅霞， 苑春苗， 等. 精通Matlab數字圖像處理與識別[M]. 北京： 人民郵電出版社， 2018.

[16] 姚敏. 數字圖像處理[M]. 2版. 北京： 機械工程出版社， 2015.

[17] Wang X H， Huang W， Jin C， et al. Fruit recognition based on multifeature and multidecision[C]∥2014 IEEE 3rd International Conference on Cloud Computing and Intelligence Systems. Shenzhen， China， IEEE， 2014： 113117.

[18] 王飛云. 圖像識別在水果分類中的應用研究[D]. 南京： 東南大學， 2014.

[19] 杜曉晨， 張幸， 陸國權. 基于圖像處理的甘薯種類識別方法研究[J]. 中國糧油學報， 2014， 29（11）： 118122， 128.

[20] 霍志林， 吳洪潭， 華享， 等. 灰度共生矩陣在蔬菜種類識別中的應用研究[J]. 中國計量學院學報， 2015， 26（1）： 105109.