一种基于Otsu的花朵图像分割方法与流程

本发明涉及属于图像处理的领域，更具体地，涉及一种基于Otsu自动阈值分割方法的花朵图像分割方法。

背景技术：

随着科技的不断发展，图像处理技术的不断进步，不少大型搜索引擎也开始做起了图像识别方面的工作，例如百度识图，输入一张图片，它能够自动帮你搜索出与你输入图片相关的其它图片内容，对于这方面的技术，需要对输入的图像进行处理和识别，提取其特征值与搜索引擎数据库内的图像特征值进行比对，最终得到与输入图像类似的相关的其它图片内容，而在对图像处理的方面，我们经常需要先对输入图像进行分割处理，分割出输入图像中的目标部分和背景部分，然后提取目标部分再对目标部分进行别的处理，因此，图像分割是图像处理中重要的一部分。

在图像分割处理方面，已经有了很多种非常好的分割方法，例如直方图阈值分割方法，迭代法阈值分割和大津法阈值分割（Otsu阈值分割方法），这些阈值分割方法都能得到非常好的分割效果，其中Otsu自动阈值分割方法能自动算出输入图像的阈值，再与输入图像中的每一个像素点进行比对，最后能分割出输入图像中的目标部分和背景部分，其运算速度比较快。

Otsu自动阈值分割方法需要根据输入图像自动算出一个阈值，如果自动算出来的阈值能够把输入图像很好地分割为背景部分和目标部分，那是最理想的，然而很多情况下，以同一个标准对输入图像进行阈值分割处理得出来的效果可能非常不理想，此时找到一种方法，使得对所有的输入图像都能得到一个比较理想的分割结果是非常有必要的。

技术实现要素：

为了解决上述现有技术的不足，本发明提出一种基于Otsu的花朵图像分割方法，该方法是首先输入一张花朵图像，并对花朵图像进行预处理和判定，自动选择根据RGB模型还是HSV模型对花朵图像进行处理，再选择是根据花朵图像的R值、H值还是S值对花朵图像进行阈值分割，采用该方法可以对输入图像进行选择和判断，图像分割的效果也比较理想。

为了实现上述目的，本发明的技术方案为：

一种基于Otsu的花朵图像的分割方法，该方法对花朵图像进行了选择和判定，根据输入花朵图像的特征，自动选择采用根据R值、H值或者S值对输入图像进行阈值分割；

对花朵图像进行分割的具体过程步骤如下：

11）遍历图像所有像素点，根据R、G、B三个值的相对大小，除去花朵中的绿色部分；

12）划分花朵图像，将花朵图像四个边角部分的小区域划分为背景部分，且设中间部分的大区域内至少存在一部分的目标部分；

13）对花朵图像进行判定，选择适应的值作为计算该花朵图像阈值的标准，再对该花朵图像进行Otsu自动阈值分割。

优选地，根据输入花朵图像的特征，自动选择采用根据R值、H值或者S值对输入图像进行阈值分割的实现方式为：

21）判断花朵图像中间部分的大区域，若白色像素点所占比例为A%，则该花朵是存在白色，此时采用R值作为计算阈值的标准，即根据R值进行阈值分割；

22）判断花朵图像四个边角部分的小区域，若这四个小区域内有至少一个区域，R值最大的点占了这个区域中的50%以上，则采用H值作为计算阈值的标准，即根据H值对花朵图像进行阈值分割；

23）判断花朵图像四个边角部分的小区域，若这四个小区域内至少有一个区域，R、G、B三个值之间相差不大于15，则采用S值作为计算阈值的标准，即根据S值对花朵图像进行阈值分割；

24）对背景单调的绿色花朵进行阈值分割，首先对花朵图像根据R值进行阈值分割，之后遍历花朵图像的所有像素点，逐点取反；

通过以上步骤，最终得到合适的R值、H值或者S值来对花朵图像进行阈值分割。

本发明提出的一种基于Otsu的花朵图像的分割方法，属于图像处理方面的领域。本方法利用Otsu自动阈值分割方法对目标花朵图像进行处理，得出花朵图像的前景部分（花朵）和背景部分（其他非花朵部分），本发明主要是提出一种方法，通过预处理选择算法，电脑能对花朵图像进行筛选，再根据不同的情况自动选择根据花朵图像的不同颜色分量R值、H值还是S值来对花朵图像进行阈值分割，最终对任一花朵图像能够得出一个较好的分割结果。本发明可用于图像识别特别是花朵图像识别方面，也可用于各种植物搜索引擎对植物图像进行识别和搜索。

附图说明

图1是本发明默认的目标部分和背景部分的划分区域示意图。

图2是对白色花朵或者含有白色的花朵进行阈值分割的实验结果图。

图3是对背景部分R值偏大的点多的花朵图像进行阈值分割的实验结果图。

图4是对背景偏白色的花朵图像进行阈值分割的实验结果图。

图5是对背景单调的绿色花朵进行阈值分割的实验结果图。

具体实施部分

1）除去花朵图像中的绿色部分。

由于大部分花朵都不是绿色的，而大部分树叶都是绿色的，先默认绿色部分不是花朵图像的目标部分，而是花朵图像的背景部分，对花朵图像进行预处理，除去花朵图像中的绿色部分。

具体操作如下：

遍历花朵图像中的每一个像素点，对该像素点进行判断，若该像素点的G值比R值和B值都大，而且G值比R值和B值大到一定程度的情况就认为该点是一个绿色的像素点，（本发明采用的是若G值大于R值和B值的1.1倍，则认为该像素点是绿色的像素点）把该像素点置为0，即把该像素点置为黑色。

2）如图1所示，对图像进行划分，划分出中间一个比较大的区域和四个边角部分四个小的区域，认为中间的大区域内，一定至少存在目标部分的一部分，认为四个边角小区域内均为背景部分，即目标部分不会存在于图像的四个边角位置（本发明取中间区域的长宽分别为花朵图像的长宽的1/2，取四个边角小区域的长宽分别为花朵图像长宽的1/10）。

3）对于白色花朵或者花朵部分包含白色的花朵采用R值进行阈值分割能得到最好的效果，如图2所示。

具体操作如下：

遍历图1中目标部分的像素点，观察像素点的R、G、B三个值，若R、G、B三个值相差不大（把R、G、B三个值相差小于15的像素点认为是白色的像素点），如果白色像素点占了中间部分的一部分，那么就认为花朵是白色的或者花朵存在白色部分，对这一类图像采用R值来进行阈值分割，能得到很好的效果。

4）选择采用R值还是H值对花朵图像进行阈值分割。

对于一张花朵的图像，本实例默认采用的是基于R值的Otsu自动阈值分割方法，如果目标跟背景R值相差的比较大，这个方法算出来的阈值能很好地把目标从背景中分割出来，但是如果背景部分的大多数像素点的R值最大，而目标部分也是R值最大，则有可能会把背景中的一部分误认为是所需要的目标部分，此时误差有可能会很大，如图3所示。这个时候显然使用基于R值的阈值分割方法是不可取的，故需要对这类花朵图像在HSV模型下进行处理。

具体操作如下：

如图1所示，默认图像的四个边角位置的小区域属于背景部分，遍历这四个小区域的所有像素点，比较像素点的R、G、B三个值的大小，如果这四个边角区域存在至少一个区域，在该区域里面的像素点大部分都是R值最大（本发明认为R值占该区域70%为大部分），由于根据R值进行阈值分割会把一部分的背景认为是目标部分而导致分割效果很差，因此此时不能采用R值进行阈值分割，于是我们把RGB模型转换为HSV模型来对目标图像进行处理，发现这种情况下使用H值来进行阈值分割得出来的效果会很好，于是选择使用H值来对这种情况下的花朵图像进行阈值分割。

5）使用S值对花朵图像进行阈值分割。

当图片中背景部分为偏白色的话（即图像的R、G、B三个通道的值都比较接近，一般差值不大于15），由于此时背景部分的像素点可能存在有很大部分是R值最大或者H值最大，因此，此时使用R值或者H值来进行阈值分割效果都不太好，会把大部分的背景误判为目标，或者把目标部分误识别为背景部分，导致分割效果很差。对于这种背景部分存在偏白色的情况下，我们采用S值对花朵图像进行阈值分割，如图4所示。

具体操作如下：

如图1所示，默认花朵在图片的中间位置，也就是说在图片的四个边角的小区域内，都不存在目标花朵的像素点，都是背景的像素点，此时我们判断在四个边角的小区域内，如果存在至少一个小区域内偏白色的点占了一部分，我们就认为这幅图片的背景是白色的，此时应该选用S值来作为阈值分割的依据。

6）绿色花朵的处理方法。

对于背景不为绿色的绿色花朵的处理方法如下：1）先除去花朵图像中的绿色部分，此时花朵部分的像素点值被置为0，为黑色。2）如图1所示，遍历图像的中间位置的一个区域的像素点，发现黑色的像素点占了大部分的位置，则认为花朵是绿色的，被前面的算法步骤除去，此时我们跳过去除绿色的算法，直接对花朵图像根据R值进行阈值分割。3）最后，把分割结果取反，得到花朵的目标部分。如图5所示。

图2中，图2（a）是待处理的花朵图像，可见花朵部分存在着白色像素点，对这类图像分别根据R值、H值和S值进行阈值分割，此时根据R值对花朵图像能得到很好的分割效果，如图2（b），根据H值和S值进行阈值分割会把大部分花朵部分误识别为背景部分，如图2（c）、（d）所示。

图3中，图3（a）是待处理的花朵图像，对此花朵图像分别根据R值、H值和S值进行阈值分割，此时根据R值分割会把背景部分也默认为是目标部分，因为大部分背景部分的R值最大与目标部分相差不多，会导致误识别，如图3（b）所示，此时应该选用别的方式对图像进行处理，发现根据S值进行阈值分割，也仍然会把背景部分误识别为目标部分，因为此时背景部分的S值也与目标部分相差不大，如图3（d）所示，因此采用H值对花朵图像进行阈值分割处理，发现对这类花朵图像根据H值进行阈值分割能得到很好的分割效果，如图3（c），因此对这类图像，在本实施例中选择采用H值进行阈值分割。

图4中，图4（a）是待处理的花朵图像，其背景部分存在很多偏白色的像素点，在本实施例中对此图像分别根据R值、H值和S值进行阈值分割处理，发现根据R值进行阈值分割，会把大部分的目标部分误认为是背景部分，如图4（b）所示，根据H值进行阈值分割处理，则会把大部分的背景部分误认为是目标部分，如图4（c），显然，此时根据R值和H值对花朵图像进行分割处理都会得到非常不好的分割效果，于是在本实施例中采用S值对花朵图像进行阈值分割处理，能很好的把花朵图像分割出来，如图4（d）。

图5中，图5（a）是待处理的背景单调的绿色花朵图像，对这类图像先采用根据R值进行阈值分割，如图5（b）所示，然后对图像中的每一像素点进行取反操作，最终能得到较好的分割效果，如图5（c）所示。