基于改进的最大类间方差法的水果图像识别研究

陈雪鑫 卜庆凯

摘要：  针对水果自动识别过程中特征信息提取不完整的问题，本文提出一种基于改进的最大类间方差法OTSU对水果图像进行分割。通过对图像中值滤波处理降低随机噪声的干扰，增大目标图像和背景之间像素值与最佳分割阈值之间的差值，使目标图像与背景图像与各自类间中心的距离尽可能相近，达到相对方差取代绝对方差实现图像分割，然后对目标图像提取颜色特征和形状特征实现不同种类的水果图像识别。实验结果表明，改进后的OTSU所得阈值能分割到更加清晰的图像，图像分割的运行时间明显缩短，水果图像识别的平均正确识别率提高了15%左右。该研究提高了水果识别的效率，具有一定的实际应用价值。

关键词：  水果识别; 图像分割; 中值滤波; 颜色特征; 形状特征; OTSU

中图分类号： TP391.41 文献标识码： A

我国水果种类多，产量大，传统的人工水果识别主要依靠颜色及外形等特征进行判断，效率低，并且识别率不准确。随着图像识别技术的发展，水果自动化识别成为热门研究问题。图像识别技术以数字图像处理为基础，通过提取目标物体的形状、纹理、颜色等特征进行分类识别。赵玲等人[1]利用HIS颜色模型中通道分类的均值和方差对不同成熟度的草莓进行识别;李大华等人[23]利用BP神经网络进行水果识别分类，结合多特征的提取实现了水果的分类。目前水果识别算法的研究主要集中在图像识别的后阶段，也就是分类器训练与预测设计阶段，而对于前阶段的图像处理研究較少。图像处理是图像识别的基础，分割出完整清晰的目标物体才能提取到更详尽的特征信息，从而在训练阶段更加精确。伍艳莲等人[4]为解决绿色植物图像背景复杂等问题，提出改进均值漂移算法，成功将目标物体与背景分开;卫鸿春等人[56]分别使用SVM和神经网络改进了图像分割算法，提高了图像分割精度和泛化能力。在水果识别研究中，为了高效找到目标物体，不与后续识别过程相冲突，可选择计算量小、稳定性好的阈值分割，但传统的OTSU法对目标物体分割不理想，提取的特征信息不完整。针对该问题，本文提出一种基于改进的最大类间方差法OTSU对水果图像进行分割，改变算法中的方差，突破图像与背景的限制。实验结果表明，改进的OTSU获得的阈值能得到更加清晰的分割图像，同时图像分割的运行时间明显缩短，加快了分割速度，更理想地分割图像，从而提取到感兴趣的目标体。该研究具有一定的实际应用价值。

1 水果图像的处理与分析

1.1 图像预处理

采集的水果图像会受到噪声及光线等不确定因素的影响，尤其是椒盐噪声对颜色特征影响较大，因此会对目标体的分割和特征的提取造成误差。图像预处理主要对收集的水果图像平滑去噪，图像增强，从而最大化保留图像整体信息，提高图像的可执行性。

1.2 改进的OTSU进行图像分割

图像分割是图像处理的重要环节，将一幅图像分割成若干区域，每个区域都有其独特性质，从中提取目标体。图像分割可得到目标体完整的形状和结构信息，从而获得良好的识别率。阈值分割方法是利用合理的阈值将图像中的像素点按灰度级别分类，从而完成对图像目标体的分割，也就是对图像的灰度直方图选取一个或几个合理的阈值将其分成若干类，把灰度值在同一灰度范围内的像素点看成相同的物体[78]。

目前，应用最广泛的图像分割算法是最大类间方差法。最大类间方差法[9]是由日本学者大津Nobuyuki Otsu在1979年提出，又叫大津法，简称OTSU。最大类间方差法的主要思想是通过图像的灰度特性，将图像分为目标和背景两部分，分别计算出两部分的方差，方差越大，表示目标与背景相差越大，分割效果越好，通过循环求取不同分割条件下的最大方差，寻找最优分割阈值，达到对图像的良好分割[10]。但在拍摄过程中，不可避免的会混入噪声，而最大类间方差法对噪声非常敏感。当图像的目标像素与背景像素相近时，传统的最大类间方差法不能很好的进行图像分割，而最大类间方差法[11]对灰度直方图呈现双峰状态下的图像处理效果较好，但不能很好的处理呈现单峰条件下的图像分割。因此，在进行图像分割之前，先去噪，而预处理中采用的中值滤波法[12]是为了更好的实现OTSU图像分割。最大类间方差法的主要原理是通过不断的遍历（0，255）求取最大类间方差，从而通过找出最大类间方差取值最大时的最佳分割阈值。虽然计算速度较快，但在通常情况下，一幅图像不可能每点都分布像素，因此将最大类间方差法阈值范围缩小，有效减少计算量，提高图像分割效率。

2 图像特征提取

2.1 颜色特征提取

颜色特征是水果图像的重要属性，可作为水果识别的依据之一。HSV空间模型用色调（Hue）、饱和度（Saturation）、明度（Value）来描述颜色，HSV颜色空间比RGB更接近人们的经验和对色彩的感知[15]。本文将RGB图像转换成HSV图像，统计H、S、V三个分量中所含的像素点数，从而判定提取水果图像的颜色特征。

完成RGB空间到HSV空间的转换，对HSV三个颜色分量像素进行统计。HSV各颜色分量的计算[16]如式（11）～（14）：

3 实验仿真分析

3.1 单张图片识别

实验过程中，首先对含有多种水果混合的图像进行识别。利用改进的OTSU算法进行图像分割，通过统计像素点个数的方式，求取各图像的圆形度作为形状特征，然后统计H、S、V三个颜色分量的像素点作为颜色特征，将形状特征和颜色特征进行训练后对图像进行识别。水果图片识别如图3所示。由图3可以看出，每种水果都可以在不同的位置做出准确的识别，而且改进的OTSU算法可分割到更加精确、清晰的目标物体，为图像识别提供了良好的基础。

3.2 采用图形用户界面识别

采用图形用户界面（graphical user interface，GUI）对单一和混合的水果图像进行识别。使用改进的OTSU算法对水果图像训练样本进行图像分割，对分割出的目标物体提取颜色特征和形状特征，使用GUI对每一种特征信息进行计算，最终得到良好的识别效果。

选取6类水果图片，分别进行预处理、图像分割、特征提取等操作。在采集到的水果图像中，其所含的水果个数不完全一致，充分体现了颜色信息在识别过程中的作用。对于多种混合的水果图像，通过检测水果的形状特征，达到单独识别[1920]的效果。所有图像以原始RGB形式采集和保存，然后根据式（11）～式（14）转换成HSV形式。单一图像识别如图4所示，多种图像特点识别如图5所示。

由图4和图5可以看出，使用形状特征和颜色特征提取到详尽的图像信息，利用GUI提高了水果图像识别的效果。

水果图像识别结果如表2所示。由表2可以看出，对大量的样本进行训练，增加了数据的可靠性，平均正确识别率得到了极大的提高。

4 结束语

本文提出一种基于改进的最大类间方差法OTSU对水果图像进行分割。通过对传统的OTSU阈值分割算法进行改进，克服了随机噪声等因素的干扰，提高了计算速度，通过提取水果图像的形状和颜色特征实现了对多种类别的水果图像的识别。实验结果表明，改进后的OTSU获得的阈值能分割到更加清晰的图像，同时图像分割的运行时间明显缩短，平均正确识别率提高了15%左右。该研究提高了工作效率，促进了人工智能的发展。但对于形状和颜色相似度大的水果识别效率并不是很高，因此，尝试提取更多的特征及使用神经网络进行训练测试是下一步的研究重点。

参考文献：

[1] 赵玲， 周桂红. 基于颜色特征的草莓成熟度识别技术研究[J]. 河北农业大学报， 2017， 40（2）： 97101.

[2] 王履程， 谭筠梅， 王小鹏， 等. 基于机器视觉的枸杞分级方法[J]. 计算机工程与应用， 2013， 49（24）： 1618.

[3] 李大華， 赵相飞， 许亮， 等. 基于纹理特征与HSI空间的苹果识别与标定[J]. 图学学报， 2016， 37（5）： 688693.

[4] 伍艳莲， 赵力， 姜海燕， 等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报， 2014， 32（24）： 161167.

[5] 赵胜男， 王文剑. 融合SVM和快速均值漂移的图像分割算法[J]. 小型微型计算机系统， 2017， 38（7）： 16141618.

[6] 卫洪春. 基于改进神经网络的图像边缘分割技术[J]. 现代电子技术， 2018， 41（16）： 112115.

[7] 冈萨雷斯. 数字图像处理的MATLAB实现[M]. 阮秋奇等， 译. 2版. 北京： 电子工业出版社， 2003.

[8] 郭臻， 陈远知. 图像阈值分割算法研究[J]. 中国传媒大学学报： 自然科学版， 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] 张乾， 冯夫健， 林鑫， 等. 一种基于图论的图像分割算法[J]. 计算机工程， 2012， 38（18）： 194197.

[11] 李敏， 罗洪艳， 郑小林. 等. 一种改进的最大类间方差图像分割法[J]. 南京理工大学学报： 自然科学版， 2012， 36（2）： 332337.

[12] 史佳晨， 钱建平. 一种改进的中值滤波算法的研究[J]. 电气电子教学学报， 2010， 32（2）： 4345.

[13] 曲杨， 许卫东， 杨骏堂， 等. 基于边缘信息和Otsu的红外图像分割方法[J]. 指挥控制与仿真， 2017， 39（6）： 130133.

[14] 周迪， 夏哲雷. 一种改进的Otsu阈值分割算法[J]. 中国计量学院学报， 2016， 27（3）： 319323， 344.

[15] 张铮， 倪红霞， 苑春苗， 等. 精通Matlab数字图像处理与识别[M]. 北京： 人民邮电出版社， 2018.

[16] 姚敏. 数字图像处理[M]. 2版. 北京： 机械工程出版社， 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] 王飞云. 图像识别在水果分类中的应用研究[D]. 南京： 东南大学， 2014.

[19] 杜晓晨， 张幸， 陆国权. 基于图像处理的甘薯种类识别方法研究[J]. 中国粮油学报， 2014， 29（11）： 118122， 128.

[20] 霍志林， 吴洪潭， 华享， 等. 灰度共生矩阵在蔬菜种类识别中的应用研究[J]. 中国计量学院学报， 2015， 26（1）： 105109.