視頻車輛檢測中改進的閾值分割算法研究

張延麗 李春貴

摘 要：針對使用迭代式閾值分割算法檢測車輛時，易造成目標特征信息丟失以及邊緣模糊化的問題，提出了一種基于形態學權重自適應圖像去噪的迭代式閾值分割算法：利用數學形態學原理設計了一種權重自適應形態學濾波器，采用由小到大的多結構元構造串、并聯復合形態的濾波器對視頻序列圖像進行去噪；同時，對迭代式閾值分割法引入一個偏移系數，可以更加快速獲取最優分割閾值，對圖像作精確的分割.實驗證明，該算法比迭代式閾值分割算法的抗噪性好且減少閾值分割中的尋優嘗試次數，得到了比較理想的分割效果.

關鍵詞：權重自適應；圖像去噪；迭代式閾值分割；車輛檢測

中圖分類號：TP317.4 文獻標志碼：A

0 引言

圖像分割是把一幅圖像分割成若干特定的、具有獨特性質的區域并提取目標的過程，是計算機視覺技術中重要且關鍵的步驟，圖像分割結果的好壞直接影響對計算機視覺中的圖像理解[1].目前，常用的圖像分割技術有邊緣分割技術、閾值分割技術和區域分割技術等，其中閾值分割技術應用最為廣泛.如何確定最優閾值使分割效果最佳一直是閾值分割的研究熱點和難點[2].1978年Otsu提出了一維最大類間方差法，以簡單、有效、適用范圍廣的特點得到了廣泛的應用[3-4].但是對于圖像灰度直方圖不是雙峰的圖片分割效果很差，甚至出現錯誤分割.因此，很多學者在傳統閾值分割算法的基礎上提出了改進.文獻[1]通過縮小閾值取值范圍對傳統的Otsu算法進行改進，大大減少了計算量和運行時間；但是該算法對于含噪聲較多的圖像分割效果不理想，容易出現錯分現象；并且此方法僅適用于圖像灰度值服從正態分布的圖像，適用性不強.文獻[4]提出了一種基于自適應加權中值濾波的二維Otsu圖像分割算法，對含噪聲較多的圖像具有較理想的分割效果；但是該算法不能很好的保持圖像中的原有信息，濾出噪聲的同時也造成了圖像部分細節信息的丟失.文獻[5]針對傳統的Otsu算法在圖像灰度直方圖是單峰或者接近單峰時分割效果不理想對其進行了改進.因為中值比均值具有更好的魯棒性，所以以中值代替均值求取最優閾值，且獲得了很好的分割效果.但是該算法僅在圖像質量較好和背景穩定變化的情況下可以獲取比較理想的結果，不適用于背景復雜或含噪聲多的圖像.有學者提出了三維Otsu算法[6-8]，一定程度地提高了分割的準確度，取得了理想的分割效果；但對含噪聲較多的圖像仍存在區域誤分現象，導致分割效果不夠理想.

本文針對視頻車輛檢測系統中采用迭代式閾值分割法分割運動目標時，出現噪點多、邊緣模糊和耗費時間長等問題，利用數學形態學原理設計了一種權重自適應形態學濾波器用來彌補迭代閾值法去噪性能的不足；同時對迭代閾值法引入一個偏移系數，目的是獲取最優分割閾值和提高算法的時效性.使用改進的閾值分割算法進行車輛檢測，不僅節省了目標搜尋時間，而且大大提高了車輛檢測的準確率.

1 權重自適應形態學濾波原理

考慮到視頻交通圖像在獲取過程中受光照、天氣、環境等因素影響較大，而傳統的閾值分割算法對含噪聲較多的圖像分割效果不理想這一問題，本文提出了一種權重自適應形態學濾波，利用該濾波對噪聲圖像進行濾波處理.該濾波算法主要由三方面構成：1）數學形態學濾波原理；2）權重自適應形態濾波器的設計；3）對噪聲圖像權重自適應形態濾波的實現.

1.1 數學形態學濾波原理

數學形態學是以形態結構元素為基礎對圖像進行分析的數學工具，包括腐蝕、膨脹、開運算和閉運算4種基本的形態學算法.

在灰度圖像空間上，設f（x）是輸入圖像，b（x）結構元素，f（x）關于b（x）的腐蝕和膨脹分別定義為[9]：

（f？專b）（x）=min[f（x+y）-b（y）] （1）

（f？茌b）（x）=max[f（x-y）+b（y）] （2）

f（x）關于b（x）開運算和閉運算分別定義為：

（f○b）（x）=[（f？專b）？茌b]（x） （3）

（f·b）（x）=[（f？茌b）？專b]（x） （4）

脈沖噪聲可以分為正脈沖和負脈沖.正脈沖噪聲的位置其灰度值大于鄰域的灰度值，可以用開運算過濾圖像中的正脈沖噪聲；負脈沖噪聲則相反，可以用閉運算過濾圖像中的負脈沖噪聲；同時可以采用形態開-閉的級聯形式消除圖像中的正負脈沖噪聲.根據集合運算和形態運算的特點，形態開-閉（OC）和形態閉-開（CO）級聯濾波器具有平移不變性、遞增性和對偶性等特性.

形態開-閉（OC）和形態閉-開（CO）級聯濾波器分別定義為：

OC（f（x））=（f○b·b）（x） （5）

OC（f（x））=（f·b○b）（x） （6）

1.2 權重自適應的形態濾波器設計

權重自適應的形態學濾波器的設計原理是運用不同結構元素的邏輯組合，利用結構元素覆蓋了原方形濾波窗內所有線條走形[10-12]；保證了在去除噪聲的同時，使得圖像幾何特征的完整性.多結構元素的選取主要從結構元素的形狀和維數兩方面考慮.假設結構元素集為Anm，n是形狀序列，m是維數序列，則：

Anm={A11，A12，…，A1m，A21，…，Anm}

式中，

A11？奐A12？奐…A1m

A21？奐A22？奐…A2m

…

An1？奐An2？奐…Anm

腐蝕是分割出獨立圖像元素的過程，即消除噪點；因此，這個過程相當于對圖像中可以匹配結構元素的位置進行探針和標記的過程.利用維數相同、形狀不同的結構元素對一幅圖像形態學腐蝕運算時，它們可匹配的次數不同.如果選取的結構元素可以很好地探測到圖像的邊界信息等，則可匹配的次數偏多，反之則少；因此，自適應權值可以根據結構元素在圖像中的匹配次數來計算.

假設有n種形狀的結構元素對一幅圖像做腐蝕運算，每種形狀的結構元素可以匹配圖像的次數分別為：β1，β2，…，βn，每種形狀的結構元素權值分別為：α1，α2，…，αn，則計算自適應權值的公式為：

為了更好地去除噪聲和保持圖像信息的完整性，在形態濾波的過程中采用由小到大的結構元素進行處理.串聯濾波器由同一形狀的結構元素按照維數從小到大的順序構成，結構示意圖如圖1所示.

同理，對不同形狀的結構元素所構成的串聯濾波器進行并聯，結合自適應權值算法來構建串、并聯復合濾波器，如圖2所示.假設輸入圖像是f（x），經某種形狀的結構元素的串行濾波結果為fi（x），i=1，2，…，n ，則輸出圖像為F（x）.其中，結構元素通過式（7）所示的自適應算法來確定權值為α1，α2，…，αn，則：

F（x）=■αi fi（x） （8）

1.3 對噪聲圖像權重自適應形態濾波的實現

為了驗證基于形態學的權重自適應圖像去噪的優越性，利用4種不同形狀的串聯濾波器和串、并聯復合濾波器對圖像做去噪實驗，并用PSNR（Peak Signal to Noise Ratio）值柱狀圖（見圖3）來顯示它們的去噪結果. 由實驗結果可知，通過串、并聯復合濾波器去噪得到的結果PSNR值更高，證明串、并聯復合濾波器比串聯濾波器去噪效果更理想；因此，采用串、并聯復合濾波器進行圖像去噪.

2 改進的迭代式閾值分割算法

迭代閾值法是基于逼近的思想求取最佳分割閾值的方法，是對雙峰法的改進[13-15].迭代閾值分割算法如下：

Step1 設圖像中的最小和最大灰度值分別為Zmin和Zmax，令圖像的平均灰度T1=■（Zmin+Zmax）作為初始估計閾值；

Step2 用閾值T1分割圖像.將圖像分成兩部分：G1是由灰度值>T1的像素組成，即目標；G2是由灰度值Step3 計算G1和G2中所有像素的平均灰度值μ1和μ2，令新的閾值T2=■（μ1+μ2）；

Step4 若T1=T2，則T2即為最優閾值；否則，令T2=T1，并重復上述步驟，直到獲得最優閾值.

針對圖像中不清晰的小目標或模糊邊界，因為分割閾值偏高會被錯分為背景的問題，對此算法提出了改進.將Step3中的新閾值T2=■（μ1+μ2）改為T2=ω1*μ1+ω2*μ2（其中ω1+ω2=1，ω1和ω2分別為前景和背景在圖像分割中的比例系數，又稱為偏移系數），即原來的算術平均改為加權平均.由于圖像中小目標的平均灰度偏小，所以當分割閾值在原來水平上降低時，可以更好地分割出完整的前景目標.根據上述要求，ω1的取值需設定為<0.5的數值，才可以得到較小的分割閾值.圖4為ω1取不同值時的分割圖像，表1為不同偏移系數下所求得的分割閾值.結合圖4和表1可知，隨著偏移系數ω1的增大，分割閾值也逐漸增大.當分割閾值過小時，常將某些較低的背景像素判斷為前景像素；分割閾值過大時，又會出現前景丟失的問題.經過大量實驗驗證，當w1=0.33時，分割效果最好；因此，本文將偏移系數ω1設為0.33.

3 實驗結果與分析

實驗中所用的視頻序列在廣西柳州市步步高天橋上采集，視頻采集的演示圖如圖5所示.實驗中所用相機為FUJIFILMX100S，將相機固定于離地面高度H在3 m～4 m之間，采集視頻圖像范圍在10 m～100 m區間，所采集的視頻幀速率為15幀/s，圖像分辨率為160*120.

為了驗證本文算法的有效性和可行性，文中選取了4幀連續的視頻圖像（見圖6）進行實驗，并與傳統的迭代閾值分割算法以及文獻[5]中改進的Otsu算法進行比較.實驗環境為Windows10系統，系統配置4 GB內存，2.40 GHz CPU，MATLABR2014.

從實驗結果圖7（a）～圖7（c）可以看出，傳統的迭代式閾值分割算法和文獻[5]中改進的Otsu算法均未能準確、完整地分割出運動目標，其分割結果明顯受到噪聲的影響，分割圖像的邊界模糊，并且存在部分背景錯分為前景目標的現象.本文算法利用權重自適應濾波彌補了迭代閾值分割去噪效果的不足，而且較好地保持了車輛的細節信息，分割效果較為理想.從圖8可看出，運用本文算法做車輛檢測獲得了很好的檢測效果.

為了更好地驗證本文算法的性能，表2給出了3種算法的運行結果.本文算法相對傳統的迭代閾值分割算法，在尋優時間和最優分割閾值上都有一定的提升；相對文獻[5]中改進的Otsu算法，雖然時效低，但是本文算法具有較好的抗噪性且分割閾值更加準確.

4 結束語

針對迭代式閾值分割算法做車輛檢測時運動目標提取不完整、不清晰以及時效差等問題，提出了一種基于形態學權重自適應圖像去噪的迭代式閾值分割算法.該算法利用權重自適應形態學濾波濾出噪聲的優良性能，大大提高了其算法的抗噪性；其次，對迭代閾值分割算法引入了偏移系數，改善了最優分割閾值和提升了尋優的時效性.實驗結果表明本文算法對含噪聲較多的圖像獲得了較為理想的分割效果，并且較好地保持了圖像的細節信息，所以本文提出的算法具有一定的實時性.

參考文獻

[1] 洪浩，霍春寶，王京，等.基于改進Otsu算法在前方目標車輛識別中的研究[J].計算機技術與發展，2016，26（6）：78-81.

[2] 楊勝輝，李太君，肖沙，等.改進的Otsu算法及在運動目標檢測中的應用研究[J].電視技術，2015，39（24）：100-103，112.

[3] 吳一全，樊軍，吳詩婳.改進的二維Otsu法閾值分割快速迭代算法[J].電子測量與儀器學報，2011，25（3）：218-225.

[4] 倪麟，龔劬，曹莉，等.基于自適應加權中值濾波的二維Otsu 圖像分割算法[J].計算機應用研究，2013，30（2）：598-600.

[5] 楊小鹿.二維Otsu閾值分割算法的改進[J].計算機光盤軟件與應用，2013，16（12）：306-308.

[6] 景曉軍，李劍峰，劉郁林.一種基于三維最大類間方差的圖像分割算法[J].電子學報，2003，31（9）：1281-1285.

[7] 范九倫，趙鳳，張雪峰.三維Otsu閾值分割方法的遞推算法[J].電子學報，2007，35（7）：1398-1402.

[8] 呂燕，龔劬.加權三維Otsu方法在圖像分割中的應用[J].計算機應用研究，2011，28（4）：1576-1579.

[9] 阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2001.

[10] 亢潔，楊剛.自適應權重形態學邊緣檢測算法仿真研究[J].計算機工程與應用，2010，46（17）：163-165，168.

[11] 林德貴，曾健民.基于數學形態學的提升小波圖像去噪[J].計算機技術與發展，2013，23（5）：83-85.

[12] 田絮資，楊建，黃力宇.心電信號去噪的數學形態學濾波器[J].計算機工程與應用，2012，48（2）：124-126.

[13] 劉艷華. 迭代閾值分割法在X射線焊縫檢測中的應用[J].自動化技術與應用，2015，34（10）：74-76.

[14] 孫翠霞，方華，胡波. 基于灰度圖像的大米堊白檢測算法研究[J].廣西工學院學報，2010，21（2）：36-40.

[15] 田敬北，李寅.基于膚色分割的連續Adaboost人臉檢測算法[J].廣西工學院學報，2012，23（2）：65-69.

Abstract： In intelligent traffic control system based on video， segmentation of scene image has a great effect on the accuracy of vehicle detection system. Using an iterative threshold segmentation algorithm for detecting vehicles can not only lead to the loss of target information and edge blurring， but also take a long time. In response to this question， this paper proposes an iterative threshold segmentation algorithm based on morphological weight adaptive image denoising. On the one hand， a weighted adaptive morphological filter which is designed by using the principle of mathematical morphology constructs from small to large multi-structuring elements by serial and parallel mixed mode. On the other hand， an offset coefficient is introduced into the iterative threshold segmentation method， which can obtain the optimal segmentation threshold more quickly to segment the image exactly. Experimental results show that the proposed algorithm has better anti noise performance than the iterative threshold segmentation algorithm and reduces the number of attempts in the threshold segmentation， which has the ideal segmentation effect.

Key words： adaptive weight； image denoising； iterative threshold segmentation； vehicle detection

（學科編輯：黎 婭）