基于阈值分割法增加识别点提高图像识别准确率的研究

陆康康 狄瑞 高伟 刘晓杰

摘要：在图像分割算法中，灰度阈值分割算法是最常用的算法。因其算法复杂度小、实现条件单一，在图像识别技术中应用最广泛。灰度阈值分割算法适用于对目标主体和背景灰度级相差较明显的图片进行分割，当图片环境较为复杂、灰度级表现不明显时，其效果会依据环境而改变。因此，灰度阈值分割法对图像识别的准确率有很大的不确定性。在此基础上，提出一种通过增加识别点来提高图像准确率的方法。该方法采用在灰度阈值分割后，对灰度阈值图像进行边缘计算添加识别点标记图像特征的方式，对图像进行二次识别。通过反复试验并记录准确率，所得结果对比表明：增加识别点的二次识别方法相比传统灰度阈值分割法，准确率得到有效提高。

关键词：图像识别;图像分割法;灰度阈值分割法;识别点

图像是人们获取信息的重要手段，图像中通常将人们最感兴趣的部分称为主体，将其他部分称为背景，图像识别技术就是将图像的主体部分从整个图像中提取出来的技术。图像分割技术是图像识别领域一个重要的图像处理方法，其本质就是把图像按照其各个部分的特征分成特定区域的技术和过程。图像分割的过程也是一个对图像进行标记的过程，即把图像各区域用不同的标识符或者编号标记下来。在实际应用中，图像分割的主要目的是将目标主体与图像背景分离，阈值化分割法是最常用的图像分割处理方法，因其具有稳定性好、计算量小等特点，而被广泛应用。

在日常接触的图像中，大多将建筑物和景色作为图片的背景，用阈值分割法处理后可将图片灰度级特征迅速表达出来;但其算法仍存在不足，对于灰度特征不明显的图片，阈值分割法难以得到满意的效果，且处理的时间较长。因此，本文提出在传统的灰度阈值分割法的基础上增加边缘识别点的方法，此方法通过二次识别，在保证不浪费资源的前提下，能有效提高图像识别准确率。

1    阈值分割法

阈值分割法的关键就是对图像的灰度级进行分析找到一个合适的阈值，从而根据这个阈值对图像进行分割处理。设一幅图中有明显的主题和背景，那么其灰度直方图会呈现双峰状态，双峰的灰度级分别对应图像的主体和目标的灰度阈值，在双峰中间存在一个谷值，这个谷值就是图像分割的最佳阈值。

1.1 图像的灰度化

1.2 Roi的提取

在对图像完成灰度化后，为了提高程序的实时性，减少图像中建筑、树木等背景的干扰，需要在采集到的图像中划分感兴趣区域。[1]Roi（region of interest），它的中文名翻译叫做“感兴趣区域”，是指进行机器视觉和图像处理时，从被处理的图像中以各种方式（方框、圆、椭圆、不规则多边形等）勾勒出需要处理的区域。对于感兴趣区域，使用Matlab手动批量进行选取。在统计过程中，需要对特定的对象进行数据处理与分析，为图像处理数据和分析的过程提取感兴趣的区域，并进行保存的Matlab程序。感兴趣区域的提取不但有利于减小程序的运算负担，还能提高程序的实时性，从而达到提高图像识别准确度的目的。

1.3 阈值分割结果

在进行完Roi的提取后，利用双峰间的谷底处的灰度值[T]作为阈值分割。[2]由于双峰之间的谷值不是唯一的，所以选中的值不一定是最佳的，所得到的分割圖像也不是最准确的。

如图1、图2所示，分别为阈值为103对图像进行分割、阈值为86对图像进行分割。可以得出：利用阈值为86的谷值来分割图像，比阈值为103的谷值进行分割所得的图像效果更佳。实际应用中，通常采用一个阈值作为分割标准，通过对以上阈值分割图像分析得知，选取阈值的不同对图像区域分割存在差异，容易出现将背景划入主体区域的情况。如果图像更加复杂，则阈值分割法的效果更不理想;所以，需要通过探究新的方法以期获得更好的分割图像的效果。

2    边缘计算添加识别点

在基于阈值分割法的基础上，可以通过边缘计算的算法来添加图像识别点，对图像进行二次的阈值分割，从而得到更好的分割效果。本文探究使用大津法将图像进行第一次的灰度阈值分割，再在Matlab中实现用迭代法方式，利用边缘检测法的算法增加图像识别点，对图像进行第二次的阈值分割，从而将与目标具有较小的差异性的图像分割出来，以达到更好的分割效果。

2.1 大津法

大津法又名Ostu方法或最大类间差方法，它利用统计图像每一部分的整体直方图，对全部的阈值通过一定的算法进行筛选。首先，通过整体直方图来统计各个二进制文件的像素点的数量;其次，通过上一步统计好的不同灰度级的直方图，统计各个分类的二进制文件像素所占图像的比例和背景像素的平均灰度，从0开始直到256时结束，计算前景像素和背景像素的方差。大津法适用于图像中的目标和背景所占面积接近的情况，而当两者所占面积较为悬殊时，大津法的分割方法将效果不佳。[3]

2.2 常见的边缘检测方法

然而，这种方法对于图像中存在的噪点较为敏感，无法抑制噪声的影响。[4]Prewit算子和Sobel算子相比较于前者，采用平均值差分有效的方法，较为有效地抑制了噪声的影响。此外，还有二次微分算子拉普拉斯算子、LOG算子，等等。

2.3 增加图像识别点

运用上述的边缘检测法的一些具体算子来对图像增加识别点，主要是通过识别图像边缘，判断是否边界点来确定点的真假和位置，在图像分割后的灰度图中存在明显的边界特征。此时对图形进行双阈值标定，判断出灰度图的边界，得出高阈值[M]和低阈值[S]。将大于[M]的点准确地标记为边界点，小于[S]的点判断为不是边界点，介于[M]和[S]之间的值不确定是否边界点，分别对这三种类型的边界点判断结果进行标注。此时，对其各边界进行标记形成初步的主体区分于背景的特征，由于高阈值作为双阈值标定滞后的边界的标准，因此它含有较多的强边界点，但即使这样也损失了一些有用的边缘信息，而低边缘阈值[S]可以保留较多的有用信息。为此，我们以边缘阵列为基础，用高阈值[M]来获取强边界点信息，用低阈值[S]进行各点信息的补充，最后判断边缘点的连续性，对其用线段连接，从而得出准确的主体特征。

2.4   二次阈值分割

一般而言，对于采集到的图像利用阈值进行分割时，较难分割与图像相差性较小的背景：若阈值的选择高出正确的所需值，则与图像相差性较小的背景就容易被划分至我们所求的目标主题，导致偏差;而若阈值的选择低于正确的所需值，那么又容易导致我们所求目标被划分至背景。所以，对图像进行有效的二次阈值分割可以进一步增强分割效果。

利用上述边缘检测法的算法增加图像识别点，对图像进行第二次的阈值分割时，本文选择了通过在Matlab中运用迭代法的方式来实现。在Matlab中实现迭代法主要可以有四种不同的算法：雅可比迭代法、高斯塞德迭代法、超松弛迭代法（SOR）和共轭迭代法。涉及到的算法设计有：先随机生成特征值服从独立同分布的[0，1]之间的均匀分布的[A]矩阵;服从独立同分布的正态分布的[B]向量。利用rand獲取一组特征值，将这组特征值通过diag函数生成对角阵[Q]，然后用orth函数生成对称矩阵[U]，最后用[UQU]就能得到对称正定矩阵。

3    结语

本文提出一种在阈值分割法的基础上增加边界识别点，进行二次识别的图像识别办法。此方法可更精确地从图像中将人们感兴趣的主体特征提取出来，提高了图像识别的准确度。但此方法仍存在缺陷，由于是二次识别，所以计算量相比传统的阈值分割法大，算法更为复杂，而耗时和传统阈值分割算法相差不多。今后，还将对此方法进行改进。

参考文献：

[1] 胡胜，黄妙华，陈毅.基于二次阈值分割和车道宽度匹配的车道线检测算法[J/OL].汽车技术，2019（4）：1-6[2019-01-03].https：//doi.org/10.19620/j.cnki.1000-3703.20180182.

[2] 谢敏，王朝斌，魏萍.基于灰度图像的阈值分割改进方法[J].科技视界，2013（22）：50-52.

[3] 吴一全，孟天亮，吴诗婳.图像阈值分割方法研究进展20年（1994—2014）[J].数据采集与处理，2015，30（1）：1-2.

[4] 雷丽珍.数字图像边缘检测方法的探讨[J].测绘通报，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

责任编辑    盛    艳