基于改進(jìn)的最大類間方差法的水果圖像識(shí)別研究

陳雪鑫 卜慶凱

摘要：? 針對(duì)水果自動(dòng)識(shí)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(jìn)的最大類間方差法OTSU對(duì)水果圖像進(jìn)行分割。通過對(duì)圖像中值濾波處理降低隨機(jī)噪聲的干擾，增大目標(biāo)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(biāo)圖像與背景圖像與各自類間中心的距離盡可能相近，達(dá)到相對(duì)方差取代絕對(duì)方差實(shí)現(xiàn)圖像分割，然后對(duì)目標(biāo)圖像提取顏色特征和形狀特征實(shí)現(xiàn)不同種類的水果圖像識(shí)別。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的OTSU所得閾值能分割到更加清晰的圖像，圖像分割的運(yùn)行時(shí)間明顯縮短，水果圖像識(shí)別的平均正確識(shí)別率提高了15%左右。該研究提高了水果識(shí)別的效率，具有一定的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：? 水果識(shí)別; 圖像分割; 中值濾波; 顏色特征; 形狀特征; OTSU

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A

我國(guó)水果種類多，產(chǎn)量大，傳統(tǒng)的人工水果識(shí)別主要依靠顏色及外形等特征進(jìn)行判斷，效率低，并且識(shí)別率不準(zhǔn)確。隨著圖像識(shí)別技術(shù)的發(fā)展，水果自動(dòng)化識(shí)別成為熱門研究問題。圖像識(shí)別技術(shù)以數(shù)字圖像處理為基礎(chǔ)，通過提取目標(biāo)物體的形狀、紋理、顏色等特征進(jìn)行分類識(shí)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(duì)不同成熟度的草莓進(jìn)行識(shí)別;李大華等人[23]利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水果識(shí)別分類，結(jié)合多特征的提取實(shí)現(xiàn)了水果的分類。目前水果識(shí)別算法的研究主要集中在圖像識(shí)別的后階段，也就是分類器訓(xùn)練與預(yù)測(cè)設(shè)計(jì)階段，而對(duì)于前階段的圖像處理研究較少。圖像處理是圖像識(shí)別的基礎(chǔ)，分割出完整清晰的目標(biāo)物體才能提取到更詳盡的特征信息，從而在訓(xùn)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(fù)雜等問題，提出改進(jìn)均值漂移算法，成功將目標(biāo)物體與背景分開;衛(wèi)鴻春等人[56]分別使用SVM和神經(jīng)網(wǎng)絡(luò)改進(jìn)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(shí)別研究中，為了高效找到目標(biāo)物體，不與后續(xù)識(shí)別過程相沖突，可選擇計(jì)算量小、穩(wěn)定性好的閾值分割，但傳統(tǒng)的OTSU法對(duì)目標(biāo)物體分割不理想，提取的特征信息不完整。針對(duì)該問題，本文提出一種基于改進(jìn)的最大類間方差法OTSU對(duì)水果圖像進(jìn)行分割，改變算法中的方差，突破圖像與背景的限制。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的OTSU獲得的閾值能得到更加清晰的分割圖像，同時(shí)圖像分割的運(yùn)行時(shí)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(biāo)體。該研究具有一定的實(shí)際應(yīng)用價(jià)值。

1 水果圖像的處理與分析

1.1 圖像預(yù)處理

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

1.2 改進(jìn)的OTSU進(jìn)行圖像分割

圖像分割是圖像處理的重要環(huán)節(jié)，將一幅圖像分割成若干區(qū)域，每個(gè)區(qū)域都有其獨(dú)特性質(zhì)，從中提取目標(biāo)體。圖像分割可得到目標(biāo)體完整的形狀和結(jié)構(gòu)信息，從而獲得良好的識(shí)別率。閾值分割方法是利用合理的閾值將圖像中的像素點(diǎn)按灰度級(jí)別分類，從而完成對(duì)圖像目標(biāo)體的分割，也就是對(duì)圖像的灰度直方圖選取一個(gè)或幾個(gè)合理的閾值將其分成若干類，把灰度值在同一灰度范圍內(nèi)的像素點(diǎn)看成相同的物體[78]。

目前，應(yīng)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(xué)者大津Nobuyuki Otsu在1979年提出，又叫大津法，簡(jiǎn)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(biāo)和背景兩部分，分別計(jì)算出兩部分的方差，方差越大，表示目標(biāo)與背景相差越大，分割效果越好，通過循環(huán)求取不同分割條件下的最大方差，尋找最優(yōu)分割閾值，達(dá)到對(duì)圖像的良好分割[10]。但在拍攝過程中，不可避免的會(huì)混入噪聲，而最大類間方差法對(duì)噪聲非常敏感。當(dāng)圖像的目標(biāo)像素與背景像素相近時(shí)，傳統(tǒng)的最大類間方差法不能很好的進(jìn)行圖像分割，而最大類間方差法[11]對(duì)灰度直方圖呈現(xiàn)雙峰狀態(tài)下的圖像處理效果較好，但不能很好的處理呈現(xiàn)單峰條件下的圖像分割。因此，在進(jìn)行圖像分割之前，先去噪，而預(yù)處理中采用的中值濾波法[12]是為了更好的實(shí)現(xiàn)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(shí)的最佳分割閾值。雖然計(jì)算速度較快，但在通常情況下，一幅圖像不可能每點(diǎn)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(jì)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(shí)別的依據(jù)之一。HSV空間模型用色調(diào)（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(jīng)驗(yàn)和對(duì)色彩的感知[15]。本文將RGB圖像轉(zhuǎn)換成HSV圖像，統(tǒng)計(jì)H、S、V三個(gè)分量中所含的像素點(diǎn)數(shù)，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(zhuǎn)換，對(duì)HSV三個(gè)顏色分量像素進(jìn)行統(tǒng)計(jì)。HSV各顏色分量的計(jì)算[16]如式（11）～（14）：

3 實(shí)驗(yàn)仿真分析

3.1 單張圖片識(shí)別

實(shí)驗(yàn)過程中，首先對(duì)含有多種水果混合的圖像進(jìn)行識(shí)別。利用改進(jìn)的OTSU算法進(jìn)行圖像分割，通過統(tǒng)計(jì)像素點(diǎn)個(gè)數(shù)的方式，求取各圖像的圓形度作為形狀特征，然后統(tǒng)計(jì)H、S、V三個(gè)顏色分量的像素點(diǎn)作為顏色特征，將形狀特征和顏色特征進(jìn)行訓(xùn)練后對(duì)圖像進(jìn)行識(shí)別。水果圖片識(shí)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(zhǔn)確的識(shí)別，而且改進(jìn)的OTSU算法可分割到更加精確、清晰的目標(biāo)物體，為圖像識(shí)別提供了良好的基礎(chǔ)。

3.2 采用圖形用戶界面識(shí)別

采用圖形用戶界面（graphical user interface，GUI）對(duì)單一和混合的水果圖像進(jìn)行識(shí)別。使用改進(jìn)的OTSU算法對(duì)水果圖像訓(xùn)練樣本進(jìn)行圖像分割，對(duì)分割出的目標(biāo)物體提取顏色特征和形狀特征，使用GUI對(duì)每一種特征信息進(jìn)行計(jì)算，最終得到良好的識(shí)別效果。

選取6類水果圖片，分別進(jìn)行預(yù)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(gè)數(shù)不完全一致，充分體現(xiàn)了顏色信息在識(shí)別過程中的作用。對(duì)于多種混合的水果圖像，通過檢測(cè)水果的形狀特征，達(dá)到單獨(dú)識(shí)別[1920]的效果。所有圖像以原始RGB形式采集和保存，然后根據(jù)式（11）～式（14）轉(zhuǎn)換成HSV形式。單一圖像識(shí)別如圖4所示，多種圖像特點(diǎn)識(shí)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(shí)別的效果。

水果圖像識(shí)別結(jié)果如表2所示。由表2可以看出，對(duì)大量的樣本進(jìn)行訓(xùn)練，增加了數(shù)據(jù)的可靠性，平均正確識(shí)別率得到了極大的提高。

4 結(jié)束語(yǔ)

本文提出一種基于改進(jìn)的最大類間方差法OTSU對(duì)水果圖像進(jìn)行分割。通過對(duì)傳統(tǒng)的OTSU閾值分割算法進(jìn)行改進(jìn)，克服了隨機(jī)噪聲等因素的干擾，提高了計(jì)算速度，通過提取水果圖像的形狀和顏色特征實(shí)現(xiàn)了對(duì)多種類別的水果圖像的識(shí)別。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的OTSU獲得的閾值能分割到更加清晰的圖像，同時(shí)圖像分割的運(yùn)行時(shí)間明顯縮短，平均正確識(shí)別率提高了15%左右。該研究提高了工作效率，促進(jìn)了人工智能的發(fā)展。但對(duì)于形狀和顏色相似度大的水果識(shí)別效率并不是很高，因此，嘗試提取更多的特征及使用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試是下一步的研究重點(diǎn)。

參考文獻(xiàn)：

[1] 趙玲， 周桂紅. 基于顏色特征的草莓成熟度識(shí)別技術(shù)研究[J]. 河北農(nóng)業(yè)大學(xué)報(bào)， 2017， 40（2）： 97101.

[2] 王履程， 譚筠梅， 王小鵬， 等. 基于機(jī)器視覺的枸杞分級(jí)方法[J]. 計(jì)算機(jī)工程與應(yīng)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(shí)別與標(biāo)定[J]. 圖學(xué)學(xué)報(bào)， 2016， 37（5）： 688693.

[4] 伍艷蓮， 趙力， 姜海燕， 等. 基于改進(jìn)均值漂移算法的綠色作物圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(jì)算機(jī)系統(tǒng)， 2017， 38（7）： 16141618.

[6] 衛(wèi)洪春. 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的圖像邊緣分割技術(shù)[J]. 現(xiàn)代電子技術(shù)， 2018， 41（16）： 112115.

[7] 岡薩雷斯. 數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M]. 阮秋奇等， 譯. 2版. 北京： 電子工業(yè)出版社， 2003.

[8] 郭臻， 陳遠(yuǎn)知. 圖像閾值分割算法研究[J]. 中國(guó)傳媒大學(xué)學(xué)報(bào)： 自然科學(xué)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(jì)算機(jī)工程， 2012， 38（18）： 194197.

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

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

[13] 曲楊， 許衛(wèi)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(jìn)的Otsu閾值分割算法[J]. 中國(guó)計(jì)量學(xué)院學(xué)報(bào)， 2016， 27（3）： 319323， 344.

[15] 張錚， 倪紅霞， 苑春苗， 等. 精通Matlab數(shù)字圖像處理與識(shí)別[M]. 北京： 人民郵電出版社， 2018.

[16] 姚敏. 數(shù)字圖像處理[M]. 2版. 北京： 機(jī)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(shí)別在水果分類中的應(yīng)用研究[D]. 南京： 東南大學(xué)， 2014.

[19] 杜曉晨， 張幸， 陸國(guó)權(quán). 基于圖像處理的甘薯種類識(shí)別方法研究[J]. 中國(guó)糧油學(xué)報(bào)， 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(shí)別中的應(yīng)用研究[J]. 中國(guó)計(jì)量學(xué)院學(xué)報(bào)， 2015， 26（1）： 105109.