不同光照条件下二值化技术研究及应用

许继电源有限公司 李龙光

许继风电有限公司 苏 静

许继电源有限公司 韩海伦 乔海强 钱 帆

引言

图像识别系统是变电站巡检机器人重要的组成部分，图像识别系统主要有仪表定位、图像分割处理、指针识别等三个部分组成。其中数字图像二值化技术是图像分割关键技术，而图像分割技术又是图像识别重要组成部分，因此，数字图像二值化效果好坏直接决定了变电站巡检机器人的整体性能。受变电站自身工作环境及仪表自身属性限制，光照变化对仪表图像影响较为明显，会出现光照强度过亮、光照强度过暗、光照不均等复杂光照条件[1]，给仪表图像二值化带来很大的麻烦。因此，不同光照条件下仪表图像二值化技术，成为机器人图像识别技术难点之一。

目前，针对于光照不均匀条件下图像的二值化问题，提出了各种不同的方法：图像进行分块处理法、对图像背景光照进行处理法、经典的局部阈值法等方法[2]，这些传统处理方法比较有局限性并且存在很多缺点，第一类方法是在光照分块较为明确条件下才使用，对于灰度值分界不是太明显的数字图像处理效果不是太好；第二类方法计算量大，效率低，对背景经常存在过估计或者估计不足，对目标和背景差别较小或者光照条件不均的弱目标图像处理效果不是太好；第三类方法需要对数字图像进行逐点计算，也存在计算过大，效率低，对弱目标图像处理效果不佳等问题。

本文在分析传统二值化方法的基础上，通过分析巡检机器人所拍摄仪表图像的特点，第一步采用传统的最大类间方差（OTSU）将仪表图像分成三类：光照过度、光照不足、正常光照条件，将这三类图像进行分类二值化处理，正常光照条件下，直接采用最大类间方差（OTSU）进行二值化分割处理[3]。光照过度条件下，对灰度图像采用区域生长的方法对仪表指针区域进行提取。光照不足条件下，采用双阈值二值化方法对仪表图像进行提取。实验结果证明：该方法正确有效，能够提高复杂光照条件下图像二值化效果，满足实际应用。

1 常用二值化方法介绍

1.1 二值化方法概述

图像二值化就是将图像上像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果[4]。通过二值化方法选定阈值T，用阈值T将灰度图像分成两大类：大于阈值的像素群和小于阈值的像素群。具体计算公式如下：设输入灰度图像函数为f(x,y)，输出二值图像函数为 g(x,y)，则：

通过选取适当阈值T，既能保存图像信息，又能尽可能减少背景和噪声的干扰，这是阈值选择的原则[5]。

1.2 全局二值化

全局二值化在选取整体阈值时，一种是根据试验结果人工设定阈值，第二种就根据现有的算法经过计算得到自适应图像的阈值。

本文主要采用传统OTSU法及改进的OTSU方法对图像进行二值化处理。OTSU方法是一种全局化的动态二值化方法，又叫大津法，是一种灰度图像二值化常用的算法。该算法的基本思想是：设使用某一个阈值将灰度图像根据灰度大小，分成目标部分和背景部分两类，在这两类的类内方差最小和类间方差最大的时候，得到的阈值就是最优的二值化阈值。在光照条件均匀的时候，可以得到很好的二值化效果。该算法的基本原理[6]如下：

设定一个像素为L图像的灰度级为[1,2,…,L]。灰度值i的像素数位ni，像素总数N = n1+ n2+ ….+ ni。为了简化讨论，将灰度值直方图归一化并且视为一个概率分布：

通过一个阈值k将图像的像素分成两大类a0和a1（背景和目标，或者反之亦然），a0表示的像素灰度值为[0, k]，a1表示的像素灰度值为[k+1, L]。a0和a1的概率分布为：

a0和a1的均值分别为：

则整幅图像的灰度值(a)为：

定义类间方差（T）为：

假定T在[0，k]范围内，以1为增量对公式（7）进行循环取值，k为灰度图像的灰度级数目，最后计算T的最大值即为最佳阈值。

当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在OTSU算法中这个衡量差别的标准就是最大类间方差。

就最大类间方差算法而言，优点是算法简单，当目标与背景面积相差不大时，能够有效地对图像进行分割。但是，当图像中的目标与背景面积相差很大时，表现为双峰的大小相差很大或者直方图没有明显的双峰，分割效果不佳，如果目标与背景灰度值重叠较大时也不能将目标与背景准确分开。图像空间信息被忽略是出现上述现象的主要原因。OTSU法是将图像灰度值分布作为分割图像主要条件，因此对图像噪声污染也相当敏感。所以，在实际工程应用中，总是将OTSU法与其他方法结合起来使用[6]。

1.3 局部自适应阈值二值化

局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处在于每个像素位置处的二值化阈值是根据周围邻域像素的分布来决定的，是动态变化的。亮度较低图像区域的二值化阈值则会相对较小，亮度较高图像区域的二值化阈值会相适应变大。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。

常用的局部自适应阈值有：

（1）局部邻域块的均值；

（2）局部邻域块的高斯加权和。

2 二值化算法实际应用

本节通过对变电站巡检机器人所拍摄仪表图像进行分析，详细介绍二值化实现过程及方法：

2.1 基于传统OTSU法将图片分类

巡检机器人在变电站工作时，不需要人工参与，从拍摄到自动识别全部自动化完成，因此我们需要设计一种简单可靠的算法能够自动将所拍的图片进行分类，然后再进行二值化处理。

（1）第一步将所拍摄的仪表图片进行灰度化处理，将RGB三个分量以不同的权值进行加权平均，从人眼的视觉效果来看，对绿色的敏感程度最高，蓝色最低[7]。因此，按照公式（8），对RGB三分量进行加权平均，以这个亮度值表达图像的灰度值。（灰度结果如图2所示）

f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)（8）

（2）采用传统的OTSU法对图片进行处理，将1.2节中公式（7）计算的结果T作为判断准则，通过大量的图片进行试验，得出的平均值，取平均值左右适当范围，作为参数选取的准则，根绝试验结果：

（3）当T的值大于等于1400时，为光照条件不足图片；

（4）当时T的值小于等于465时，为光照过度条件下所拍摄的图片；

（5）当时T的值介于两者之间时，为正常光照条件下所拍摄的图片。

（6）接下来将图片进行分类二值化处理。

2.2 正常光照条件

在正常光照的条件下，对于目标和背景比较清晰的图像(如图1所示)，采用全局阈值化方法就可以得到清晰的二值化图片，阈值的选取采用最大类间方差法(OTSU)，该方法基于图像的灰度直方图，将图像分成背景和目标两部分，以目标和背景的类间方差最大或者类内方差最小作为阈值选取准则，对仪表图像进行二值化处理。

（1）根据2.1步骤中所描述的算法，提取正常光照条件下所拍摄的图片（如图1所示）

图1 原图

图2 灰度化结果

（2）接2.1步骤灰度化后的图片（如图2所示），采用传统的最大类间方差（OTSU）法对灰度化图片进行二值化处理，详细步骤见本文1.2所述。（结果如图3所示）。

2.3 光照不足条件

巡检机器人在变电站巡检拍照过程中，以下情况会出现拍摄的图片亮度过暗（如图4所示）的情况[8-9]：

第一种百天弱光型，巡检机器人在巡检拍照过程中遇上早晨、黄昏、阴雨等不良天气条件时，此时太阳光线强度不足，所拍摄的图片亮度偏低，并且图像对比度极低。

图3 OTSU法二值化效果图

第二种夜间弱光型，在夜间，因为变电站个别仪表距离巡检机器人巡检路线较远，在巡检机器人进行拍照过程中，开启闪光灯进行补光，补光效果太差，使整个仪表图像亮度极暗、对比度极低。

在这两种条件下所拍摄的图片，如果直接采用传统OTSU方法对其进行二值化分割处理（效果如图5所示），将会丢失很多目标信息，严重影响或者甚至根本不能完成指针的提取工作。

图4 亮度过暗图像

图5 采用传统OSTU方法效果图

本节针对于光照不足条件下所拍的图像进行分析研究，在现有OTSU方法上进行改进，对所拍的图片采用分块双阈值二值化方法分割处理，具体步骤如下：

（1）按照2.1步骤对提取图片（如图4所示）。

（2）接2.1步骤中灰度化之后的图片，采用传统的OTSU法计算灰度图像的第一次阈值T0，T0将整幅图像目标区域（整个表盘区域）与背景区域进行简单的分离，在对图片进行二值化的过程中，只处理图像的背景部分，将背景部分的像素值全部设为255，目标区域（表盘区域）不做处理（效果如图6所示），算法设计如下：

图6 第一次二值化效果图

（3）对图6进行第二次二值化处理，对OTSU方法进行稍微改进，传统的OTSU方法计算整幅图片[0-255]灰度值以及每个灰度值出现的概率，改进后的OTSU在计算图片灰度值及其概率时，除去灰度值为255的像素点。

采用改进OTSU算法对图6计算第二次分割阈值T1，将表盘区域作为目标区域，将表框和柱子作为背景区域，用第二个阈值T1对图像做进一步分割处理。

改进OTSU算法计算阈值T1时，和传统的OTSU方法相比，唯一一点不同就是，改进的OTSU方法，在统计图6总的像素值时，除去灰度值为255的像素，其他步骤和传统的OTSU方法类似，此时计算得到二值化阈值 T1就是整个表盘区域的阈值，将T1重新作为阈值，图6进行二值化处理，算法设计：

第二次二值化之后的效果图如图7所示：

图7 第二次二值化效果图

2.4 光照强度过亮条件

巡检机器人在变电站巡检拍照的过程中，一下两种情况会出现亮度过亮的情况（如图8所示）[8-9]：

第一种白天强光型，仪表盘一般都是采用玻璃材质，存在反光效果，当太阳强光照射在仪表盘上时，反射光线进入摄像机中，使得图片表盘区域过于明亮，表盘玻璃区域出现泛白现象。

第二种夜间强光型，巡检机器人在夜间进行巡检过程中，在进行拍照的时候，启用闪光灯进行补光，当仪表和机器人距离较近时，使得表盘区域亮度过亮，黑色的指针区域很不明显，出现泛白现象。

在这两种条件下拍摄的图片，由于光照强度过亮，使得表盘区域的亮度过亮，而背景区域亮度较低，使用传统OSTU方法进行二值化时，会出现如下情况（如图9所示），无法正确提取指针区域。

图8 亮度过亮原图

图9 OSTU法二值化效果图

针对于这种情况，采用区域生长的方法，可以解决亮度过亮时遇到的问题。

区域生长方法[10]是根据同一图像区域内像素的相似性质来聚集像素点的方法，从初始区域（如小邻域或于每个像素）开始，将相邻的具有同样性质的像素或其他区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或者其他小区域为止。区域内像素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

区域生长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是区域增长方法是一种迭代的方法，空间和时间开销都比较大。

区域生长是一种串行区域分割图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入临近像素，当满足一定的条件时，区域生长终止。区域生长的好还决定于：初始点（种子点）的选取；生长准则；终止条件。

区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。

算法步骤如下：

（1）按照2.1步骤提取光照强度过亮的图片（如图8所示）

图10 灰度化效果图

（2）接2.1步骤中灰度化后图片（如图10所示），采用区域生长的方式提取指针区域（如图11所示），按照以下三个法则，对出需要分割的图像：

a.选取图像中的一点为种子点（种子点的选取一般是对仪表图像进行建模的时候，会选取一个点作为种子点，当图片亮度过亮时，会将该点作为区域生长的种子点）。

b.在种子点处进行8邻域扩展[11]，判定准则是：如果待检测的像素的灰度值与种子像素灰度值差的绝对值小于某个阈值T，则将该像素包括进种子像素所在的区域。

注：该阈值T的确定方法是根据大量图片实验得出固定阈值，直接调用Opencv函数r egionGr owt h_pr o进行区域生长，阈值T的值为13。

c.当不再有像素满足加入这个区域的准则时，区域生长停止。

图11 采用区域生长效果图

3 结语

本文针对巡检机器人在变电站所拍摄的仪表图像进行分析研究，将所拍得图像分三类进行处理，正常光照条件下、亮度过亮、亮度过暗。在正常光照条件下，直接采用传统OTSU方法即可将仪表图像的目标和背景完全的分割出来。亮度过亮时，采用区域生长的方法对图片进行处理，可有效地避免了过分割和欠分割现象，将仪表图像的指针区域精确、完整地分割出来。亮度过暗条件下，采用两次二值化对图像进行处理，将图像分层次的进行处理，该方法对亮度过暗的图像能够取得满意的分割效果。

实验结果表明：将图像分类进行处理，可以有效地解决因为光照条件、气象原因及仪表自身缺陷造成图像质量较差，无法正确进行特征提取所遇到的问题，从而为后续的图像识别工作打下良好的基础。

[1]郭佳,刘晓玉,吴冰,付晓薇,一种光照不均匀图像的二值化方法[J].计算机应用于软件,2014,31(3):183-186.

[2]王刚,图像二值化方法研究及其在监控识别系统中的应用[D].长沙,湖南大学计算机科学与技术,2010.

[3]杨伟伟,王广伟,仪表图像二值化技术研究[J].科技信息,2011(17):61-62.

[4]张雅兰.图像的二值化处理[J].广西工学院学报,2002,13(1):33-33, 55.

[5]马驰,张红云,苗夺谦,张学东,改进的多阈值动态二值化算法[J],计算机工程,2006,32(6):203-204.

[6]齐丽娜,张博,王战凯,最大类间方差法在图像处理中的应用[J]. 信号与信息处理,2006,36(7):25-27.

[7]龚雄文,指针式仪表自动读数的研究及应用[D].广州, 广东工业大学检测技术与自动化装置,2007.

[8]王珺,彭进业,吴俊,李丹娇,复杂光照下的车牌图像二值化新方法[J].电子设计工程,2011,19(22):147-150.

[9]刘攀,复杂光照条件下的通用车牌定位系统的研究及实现[D].成都,电子科技大学模式识别与智能系统专业,2013.

[10]李旭辉,慈林林,王蕊,刘建华,李俊山,一种基于区域生长的目标提取算法[J].微电子学与计算机,2008,25(12):184-186.

[11]李建飞,文志强,卢永乐,邓刘昭芦,一种基于区域生长的高分辨遥感影像道路提取方法[J].2015,14(1):28-29.