CN105844641A - 一种动态环境下的自适应阈值分割方法 - Google Patents

Abstract

本发明公开了一种动态环境下的自适应阈值分割方法，所述方法包括：采集目标物第一帧图像作为先验图像，提取出所述第一帧图像的中心点以及对下一帧图像预估的识别范围；以所述中心点和预估识别范围来对当前图像进行阈值分割，对分割后出来的像素求其中心点和识别范围，并用作下一帧图像的目标物识别；根据HSV与YCbCr颜色空间对目标物的识别情况来对中心点和识别范围进行判断，根据判断结果对中心点进行更新或者还原操作。本发明能以最小的阈值划分范围实现最大的阈值分割效果，且能有效地剔除噪声影响并能随环境实现自适应变化。

Description

一种动态环境下的自适应阈值分割方法

技术领域

本发明涉及图像处理与模式识别领域，具体涉及动态环境下的自适应阈值分割方法。

背景技术

如何从一副图像里提取出我们感兴趣的物体，一直是图像处理中的一个经久不衰的话题，研究较早的，应用较为广泛的适用于图像目标提取的便是图像分割技术，它是图像处理与分析领域中的一个经典问题，也是该领域的难点之一。图像分割其实就是一个划分问题，按照特定的划分准则将图像中的像素点进行过滤与划分，划分的结果通常是或者区分背景与提取物、或者是突出提取物、或者是消除噪声，通过划分将图像归到具有实际意义的区域，我们便可以提取出我们感兴趣的目标。在图像分割领域中，阈值分割是一类较为简单和实用的方法，其易于实现、分割效果良好、适用范围广的特性，是目前应用于机器视觉及其它各类图像处理与模式识别中较为常用的分割方法之一，并已广泛应用于工业产品缺陷提取，医疗图像处理，指纹识别、红外目标检测等实际应用领域。因此，如何选取最佳阈值来进行图像分割并提取有效的目标点更是众多图像处理领域研究者努力探索的问题。

经典的图像分割方法如Otsu(类间方差法)，最大熵，基本全局阈值法，迭代阈值分割法和各种自适应阈值法都是基于灰度图像的单通道分割方法，这些方法在目标，背景差别大，噪声低的情况下分割效果不错，但是如果出现图像包含多个灰度强度或者是某些区域的阈值点超过分割的阈值，那么这些方法将都会出现分割不完整或者分割混乱的情况。

发明内容

针对上述问题，本发明的主要目的在于提供一种动态环境下的自适应阈值分割方法，能以最小的阈值划分范围实现最大的阈值分割效果，且能有效地剔除噪声影响并能随环境实现自适应变化。

为了达到上述目的，本发明采用如下技术方案：一种动态环境下的自适应阈值分割方法，所述方法包括如下步骤：

步骤一，采集目标物第一帧图像作为先验图像，提取出所述第一帧图像的中心点以及对下一帧图像预估的识别范围；

步骤二，以所述中心点和预估识别范围来对当前图像进行阈值分割，对分割后出来的像素求其中心点和识别范围，并用作下一帧图像的目标物识别；

步骤三，根据HSV(hue,saturation,value)与YCbCr颜色空间对目标物的识别情况来对中心点和识别范围进行判断，根据判断结果对中心点进行更新或者还原操作。

作为进一步的优选，步骤一中，在视觉主体相对于目标物静止的情况下采集第一帧图像。

作为进一步的优选，所述第一帧图像为RGB原始图像。

作为进一步的优选，在步骤一中，所述提取前，还包括将RGB原始图像转换为HSV与YCbCr图像的过程；转换过程如下：

作为进一步的优选，将所述RGB原始图像转换为所述HSV与YCbCr图像的转换公式为：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.5\\ 0.5& -0.419& -0.081\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}0\\ 128\\ 128\end{array}\right],$

y为y通道，u为cb通道，v为cr通道。

作为进一步的优选，所述中心点为HSV中心点与YCbCr中心点。

作为进一步的优选，在步骤一中，所述提取所用的方法为迭代法，通过所述迭代法分别提取HSV与YCbCr中心点作为预处理，并用迭代法求出中心点偏移量及上下限，以确定下一帧图像的识别上下界，从而确定识别范围。

作为进一步的优选，在步骤一中，所述提取时，在第一帧图像以聚类的方式将初始障碍物大致范围聚出来或者手动选取障碍物部分作为基础，再采用迭代法来得到更为精确的中心点及其识别范围。

作为进一步的优选，最大中心点能识别的最大距离作为上界，最小中心点能识别到的最大距离作为下界，以最大中心点到最小中心点的距离作为识别范围。

作为进一步的优选，步骤二中，所述阈值分割选取准则为：

作为进一步的优选，步骤三中，所述更新对象包括中心点以及预估中心点上下界，以用于实现动态阈值分割的目的，从而达到自适应效果。同样通过迭代的方法求得新中心点以及新中心点的偏移量，在通过偏移量来确定下一帧图像应该识别的阈值边界。如果新中心点符合要求则进行中心点及边界更新，不符合则进行中心点还原与边界还原。

本发明的有益效果如下：

(1)一般的阈值分割都是在静态的情况下作的，而在动态环境下的阈值分割还相对较少，本申请方法不仅能在静态条件下取得不错的分割效果，也能在动态条件下分割，使用范围更加广。

(2)本申请对目标物的识别准则会随着环境的改变而改变，改变效果更加适用于对目标的识别。

(3)本申请方法中，无论视角怎么变化，中心点都会不断偏向目标物体实际中心点，并根据障碍物的大小实现边界收缩与扩张，以最小的阈值划分范围实现最大的阈值分割效果，能有效地剔除噪声影响并能随环境实现自适应变化。

(4)由于环境噪声较多，单通道的阈值分割已经满足不了对障碍物识别的要求，因此本发明利用三通道(y通道、cb通道、cr通道)同时进行阈值分割来实现对障碍物识别的要求。利用HSV能准确识别障碍物的特性(但是识别率较低)，以及YCbCr能最大范围识别障碍物的特性(在障碍物少的情况下受噪声影响较大)，综合二者的优点得出既能最大范围识别障碍物，且对噪声的鲁棒性较强的一种自适应阈值分割方法。

附图说明

图1为本申请实施例自适应阈值分割方法原理图。

图2为本申请实施例自适应阈值分割方法算法流程图。

图3为本申请实施例阈值选取示意图。

具体实施方式

本申请通过提供一种动态环境下的自适应阈值分割方法，首先研究了不同颜色空间在动态环境下的静态识别情况，提取出识别效果最好的颜色空间，然后通过不断更新对下一帧中心点与下一帧图像阈值识别范围来达到自适应图像分割的效果，这样不仅可以有效地缩短阈值范围估计，也能最大化的识别出目标，并通过结合HSV与YCbCr颜色空间来对更新中心点进行修正与还原来提高算法的精确性。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。

如图1所示，本申请实施例动态环境下的自适应阈值分割方法，所述方法包括：

步骤一，采集目标物第一帧图像作为先验图像，提取出所述第一帧图像的中心点以及对下一帧图像预估的识别范围；

步骤二，以所述中心点和预估识别范围来对当前图像进行阈值分割，对分割后出来的像素求其中心点和识别范围，并用作下一帧图像的目标物识别；

步骤三，根据HSV与YCbCr颜色空间对目标物的识别情况来对中心点和识别范围进行判断，根据判断结果对中心点进行更新或者还原操作。

步骤一中，在视觉主体例如机器人相对于目标物静止的情况下采集第一帧图像。

所述第一帧图像为RGB原始图像。

在步骤一中，所述提取前，还包括将RGB原始图像转换为HSV与YCbCr图像的过程；转换过程如下：

将所述RGB原始图像转换为所述HSV与YCbCr图像的转换公式为：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.5\\ 0.5& -0.419& -0.081\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}0\\ 128\\ 128\end{array}\right],$

其中，y为y通道，u为cb通道，v为cr通道。

所述中心点为HSV中心点与YCbCr中心点。

在步骤一中，所述提取所用的方法为迭代法，通过所述迭代法分别提取HSV与YCbCr中心点作为预处理，并用迭代法求出中心点偏移量及上下限，以确定下一帧图像的识别上下界，从而确定识别范围。

最大中心点能识别的最大距离作为上界，最小中心点能识别到的最大距离作为下界，以最大中心点到最小中心点的距离作为识别范围。

在步骤二中，所述阈值分割选取准则为：

在步骤三中，包括更新中心点以及更新预估上下界，以用于实现动态阈值分割的目的，从而达到自适应效果。

实施例1：如图2算法流程图所示，包括如下具体流程：

步骤1：首先从摄像头采集第一帧RGB图片作为先验图片。

步骤2：将提取的RGB图像转换为HSV与YCbCr图像，转换过程如下：

RGB转换为YCbCr，转换公式为：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.5\\ 0.5& -0.419& -0.081\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}0\\ 128\\ 128\end{array}\right]$

步骤3：求中心点，为忽略光照强度的影响，在整个过程中以cb,cr通道进行分割，整个过程如下：在第一帧图像以聚类的方式将初始障碍物大致范围聚出来或者手动选取障碍物部分(选取包含障碍物的矩形部分)，若选择矩形的宽为w，高为h，中心点为p(y,u,v)，y为y通道，u为cb通道，v为cr通道，src_i,j(y,u,v)为转换为ycbcr颜色空间的像素点，目标二值化为dest_i,j，i,j为像素坐标，则初始中心点p(y,u,v)为：

$p(y,u,v)=\frac{1}{h*w}\underset{i=0}{\overset{h-1}{\Σ}}\underset{j=0}{\overset{w-1}{\Σ}}{\mathrm{src}}_{i,j}(y,u,v)$

中心点用于图像下一帧阈值中心点的预估，我们通过迭代的方法来得到更为精确的中心点，迭代过程如下，将上述选取的阈值空间直方图化得到直方图数组hist,分别求出小于中心点的像素中心点p1(y,u,v)与大于中心点像素点p2(y,u,v),求解公式为：

$p1(y,u,v)=\frac{\underset{i=0}{\overset{p(y,u,v)-1}{\Σ}}hist\[i\]*i}{\underset{i=0}{\overset{p(y,u,v)-1}{\Σ}}hist\[i\]}$

$p2(y,u,v)=\frac{\underset{i=p(y,u,v)+1}{\overset{255}{\Σ}}hist\[i\]*i}{\underset{i=p(y,u,v)+1}{\overset{255}{\Σ}}hist\[i\]}$

更新中心点:

$p^{\′}(y,u,v)=\frac{p1(y,u,v)+p2(y,u,v)}{2}$

若满足迭代终止条件，则确定中心点，否则继续迭代，终止条件是中心点的变化达到一定精度或者是达到迭代上限，由于迭代法的收敛性，因此一定可以得出一个中心点。

步骤4：用迭代法求出中心点偏移量及上下限。确定好的中心点只是下一帧图像中心点的预估，因此我们需要确定一个实际有效地范围来保障中心点的精确性，确定方法如下，以直方图下界为下界，中心点为上界，同样利用迭代的方法来求出中心点下限pdown(y,u,v)，以中心点作为下界，直方图上界作为上界同样利用迭代的方法来求出中心点上限pup(y,u,v)，故我们可以将中心点大致定位于中心点下限到中心点上限区间内，如图3所示。图3表示某一通道直方图，x为该通道阈值强度，y为像素个数，其中p为该通道中心点，pdown为中心点下限，pup为中心点上限，在pdown到pup为下一帧预估中心点的范围。

步骤5：确定下一帧图像的识别上下界。我们还需要上下界来确定识别的目标物体，确定过程如下，我们以最大中心点能识别的最大距离作为上界，最小中心点能识别到的最大距离作为下界，以最大中心点到最小中心点的距离作为识别范围，故可分别确定下界ξ和上界η为：

ξ＝pdown(y,u,v)-(pup(y,u,v)-pdown(y,u,v))＝2*pdown(y,u,v)-pup(y,u,v)

η＝pup(y,u,v)+pup(y,u,v)-pdown(y,u,v)＝2*pup(y,u,v)-pdown(y,u,v)

步骤6：确定阈值选取准则。那么根据预测的上界及下界，下一帧图像的阈值选取准则为：

步骤7：更新中心点与上下界。通过不断更新中心点以及更新预估上下界来实现动态阈值分割的目的，当前图像通过中心点及边界分割出来的像素点集合为像素点的个数为num，前一中心点为pre(y，u，v),更新中心点为p'(y,u,v)，通过初始中心点，在随后机器人的运动过程中，不断更新初始中心点及中心点识别范围来达到自适应阈值分割的目的，更新中心点的过程为：

步骤8：中心点检测与还原。分割出像素点集合的直方图为histnew，同样通过迭代的方法求得新中心点以及新中心点的偏移量，在通过偏移量来确定下一帧图像应该识别的阈值边界。如果新中心点符合要求则进行中心点及边界更新，不符合则进行中心点还原与边界还原，过程如下：

无论视角怎么变化，中心点都会不断偏向目标物体实际中心点，并根据障碍物的大小实现边界收缩与扩张，以最小的阈值划分范围实现最大的阈值分割效果，能有效地剔除噪声影响并能随环境实现自适应变化。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

(1)一般的阈值分割都是在静态的情况下作的，而在动态环境下的阈值分割还相对较少，本申请方法不仅能在静态条件下取得不错的分割效果，也能在动态条件下分割，使用范围更加广。

(2)本申请对目标物的识别准则会随着环境的改变而改变，改变效果更加适用于对目标的识别。

(3)本申请方法中，无论视角怎么变化，中心点都会不断偏向目标物体实际中心点，并根据障碍物的大小实现边界收缩与扩张，以最小的阈值划分范围实现最大的阈值分割效果，能有效地剔除噪声影响并能随环境实现自适应变化。

(4)由于环境噪声较多，单通道的阈值分割已经满足不了对障碍物识别的要求，因此本发明利用三通道同时进行阈值分割来实现对障碍物识别的要求。利用HSV能准确识别障碍物的特性(但是识别率较低)，以及YCbCr能最大范围识别障碍物的特性(在障碍物少的情况下受噪声影响较大)，综合二者的优点得出既能最大范围识别障碍物，且对噪声的鲁棒性较强的一种自适应阈值分割方法。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种动态环境下的自适应阈值分割方法，其特征在于：所述方法包括：

采集目标物第一帧图像，提取出所述第一帧图像的中心点以及对下一帧图像预估的识别范围；

以所述中心点和预估的识别范围来对当前图像进行阈值分割，对分割后出来的像素求其中心点和识别范围，并用作下一帧图像的目标物识别；

根据HSV与YCbCr颜色空间对目标物的识别情况来对中心点和识别范围进行判断，由判断结果对中心点及其识别范围进行更新或者还原操作。

2.根据权利要求1所述的动态环境下的自适应阈值分割方法，其特征在于：所述采集是在视觉主体相对于目标物静止的情况下采集。

3.根据权利要求1或2所述的动态环境下的自适应阈值分割方法，其特征在于：所述第一帧图像为RGB原始图像。

4.根据权利要求3所述的动态环境下的自适应阈值分割方法，其特征在于：所述提取前，还包括将RGB原始图像转换为HSV与YCbCr图像的过程。

5.根据权利要求4所述的动态环境下的自适应阈值分割方法，其特征在于：将所述RGB原始图像转换为所述HSV与YCbCr图像的转换公式为：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.5\\ 0.5& -0.419& -0.081\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}0\\ 128\\ 128\end{array}\right],$

其中，y为y通道，u为cb通道，v为cr通道。

6.根据权利要求1所述的动态环境下的自适应阈值分割方法，其特征在于：所述中心点为HSV中心点与YCbCr中心点。

7.根据权利要求1所述的动态环境下的自适应阈值分割方法，其特征在于：所述提取所用的方法为迭代法，所述迭代法用于提取HSV与YCbCr中心点，以及用于求出中心点偏移量及上下限。

8.根据权利要求1或7所述的动态环境下的自适应阈值分割方法，其特征在于：所述提取时，在第一帧图像以聚类的方式将初始障碍物大致范围聚出来或者手动选取障碍物部分作为基础，再采用迭代法提取。

9.根据权利要求1所述的动态环境下的自适应阈值分割方法，其特征在于：所述阈值分割选取准则为：

10.根据权利要求1所述的动态环境下的自适应阈值分割方法，其特征在于：所述更新采用迭代法，以用于求得新中心点以及新中心点的偏移量，再通过偏移量来确定下一帧图像的预估识别范围。