支新鑫 孙晓艳 张立材

摘要：针对传统电梯门安全保护方式的不足，开展了以阈值分割算法为核心的电梯门图像处理的研究。针对传统Otsu算法在目标区域具有低熵特点且背景区域较大的情况下无法得到理想分割阈值的问题，提出了一种基于波谷混合加权因子的全阈值分割算法，使得分割阈值处于电梯门灰度直方图谷底附近且更接近电梯门ROI（ Region Of Interest，ROI）。同时结合电梯门图像特征缩小了算法的搜索范围。实验仿真表明，改进的算法相比于传统Otsu法和其他改进算法在电梯门图像的分割结果中，目标区域更接近于电梯门ROI，运算效率在同等仿真环境下提高2至6倍。

关键词：图像分割;图像熵;邻域频率信息;波谷加权：改进Otsu;

中图分类号：TP391.4

文献标识码：A

近年来电梯因事故伤人的事件频频发生[1]。据调查电梯事故中门区域事故所占比例超过八成[2]，因此对电梯门区域的实时安全监测意义重大。目前，电梯门安全保护装置普遍采用安全触板和红外光幕相结合的方式。这两种方式在防范过程中无法对目标进行预判并且存在盲区。此外，由于红外光幕对于小尺寸、半透明的物体敏感性差[2]，当电梯系统出现故障时可能会停止作业，因此此方式的安全性有待提高。图像处理系统具有非接触、高精度、适应性强等优点，弥补了传统电梯门安全监测系统的不足。基于图像处理的电梯门目标识别、安全监测的关键是对电梯门图像的ROI进行提取。而准确提取图像ROI的基础是对图像进行合理地阈值分割。

在众多阈值分割算法中，Otsu法[3]是典型的全阈值分割算法，其利用目标、背景的类间方差最大化的原理来选取最佳分割阈值，具有算法简单、分割效果良好且运行效率较快的特点。该算法在图像的直方图呈双峰或多峰分布时，能够获得理想的分割效果，因而应用较为广泛。该算法的研究主要有两个方向。

1）提高算法抗噪性。二维Otsu法[4]、三维Otsu法[5]、基于高斯加权的Otsu法[6]相比于传统一维Otsu法[7]在抗噪性上有明显的提升;然而上述算法时间复杂度相当高，算法实时性较差。为此相关学者提出了许多快速Otsu算法[8-10]，即保证了算法的运算效率又提高了抗噪性。但在对于具有特点的目标图像，分割效果的优良并不完全是由噪声影响的，因此即使在排除噪声干扰后也可能出现分割效果不理想的情况。

2）算法的阈值分析。传统Otsu法适用于直方图呈双峰或多峰分布的图像，对于像电梯门这样灰度直方图呈单峰或接近单峰，目标和背景的方差区别较大的的图像，分割效果不佳。许多学者提出了Otsu改进算法[11-15]。电梯门图像ROI像素点灰度概率在不同背景的环境下区别较大，且电梯图像ROI在整幅图中的占比较小，因此基于邻域灰度信息的[12-15]改进算法，在以电梯门图像ROI为目标区域的分割试验中，都不能达到理想的分割效果。也有学者利用标准差因子[16]改善了光照不均匀的现象，在背景和目标相交的区域优化了细节部分的分割处理，但这种优化在电梯门图像的分割处理中意义不大。

可见，已有的改进算法在提高算法的抗噪性，提高算法运算效率，改善光照不均匀，提升对灰度直方图呈单峰的图像的分割能力方面，都能够取得较好的效果。然而低图像熵是很多目标区域的特征之一，上述算法都只考虑了灰度信息和灰度概率信息，都没有从图像熵的角度考虑来改善图像的分割效果，实现图像的二值化分割，特别是对于像电梯门图像这样目标区域图像熵较低且背景区域较大的图像的分割效果并不理想。

针对上述的问题，提出一种基于混合加权因子的波谷加权法来改进传统Otsu法，使得分割阈值位于灰度直方图的谷底附近且分割出的目标区域图像熵较低，使得目标区域更接近于电梯门ROI，解决了上述各Otsu法在电梯门二值化过程中的不足。同时本文结合电梯门ROI的特点，通过证明缩小了Otsu法的搜索范围，进一步提高了Otsu算法的运行效率。

1 传统Otsu法

Otsu法即大津阈值法、最大类间方差法，它是能够自适应的根据阈值来选择最佳解的一种方法。由于图像中灰度的特性，根据特定的阈值可以将图像分离成目标区域和背景区域两个部分。其方差作为灰度分布均匀性的一种度量[3]，按照Otsu法所求的阈值对图像进行二值化分割以后，使得前景与背景图像的类间方差最大，通常两部分差别减小是由部分背景错分为前景或者部分前景错分为背景造成的。 若图像用n个不同等级的灰度进行表示，即可利用阈值m将图像分为两个区域[3]。进而分别求出这两个区域灰度均值和此区域像素与图像总像素的比，即δ2为阈值m的类间方差函数，并且使得类间方差δ2为最大值m。m既是最佳阈值。

假设G={0，1，2，3，…，L-1）代表了待处理灰度图中灰度级有L个，用n_i表示灰度级i（i∈G）像素的数目，总像素数目为：

2 改进的Otsu算法

一般来说，Otsu方法可以获得一个合理的阈值，保证较高的分割质量并保持良好的稳定性，因此也成为最广泛使用的分割方法之一。但在较为复杂环境中获取的图像，灰度直方图呈单峰甚至接近单峰就会出现目标区域与背景区域缺失或误判的情况，采用这种方法很难达到最佳的分割效果，尤其在电梯门图像中，无法准确地将电梯门ROI区域分割出来。

2.1 基于混合加权因子的Otsu改进算法

针对电梯图像的特点进行分析，电梯门ROI为电梯轿厢与楼层之间的黑色区域。这一区域的像素具有灰度值低且较为集中的特点，且ROI面积在电梯门图像中占比较小，一般占整幅图的10%-20%，如图1所示。电梯门图像的灰度直方图中目标区域灰度值低且范围小，背景区域灰度值高、峰值较高且灰度值范围较大，基本接近单峰形式。电梯门图像灰度直方图与理想分割阈值如图2所示。

针对电梯门图像灰度直方图的特征，提出一種谷值加权法来选择阈值，将加权项设为ψk，其取值范围为，从而最大化类间方差。用k表示每个候选阈值;n表示邻域参数;引入的加权值为W（k），使得ψk值越小权重W（k）越大，则权值定义为

式（10）中的第一项是权重，第二项是图像的类间方差。W（k）会随着ψk的减小而增大。根据电梯门图像的纹理特征，在目标函数中考虑了图像熵与邻域频率信息并构成了新的权值。低熵图像具有较小的信息量，显然，电梯门图像ROI具有低图像熵的特点。图像熵[17]定义为

2.2 缩小算法阈值搜索范围

由于电梯门图像的灰度直方图中目标区域灰度值低且范围小，理想阈值在灰度直方图中的谷底且更偏向于低灰度值的峰值一侧，如图1所示。然而传统Otsu法是在灰度值范围为0至256中进行遍历，这就大大增加了不必要的运算。因此应对算法的搜索范围进行优化。假设整幅图的灰度平均值为m_c，由式（5）可知

2.3电梯门ROI提取步骤

电梯门图像是由在电梯轿门横梁顶端中心位置安装的图像传感器来获取的。假设经过中值滤波等预处理的图像為f（x，y），经预处理的电梯图像如图2所示，那么对电梯ROI区域提取方案主要步骤为

1）图像预处理。利用Retinex算法[18]对电梯门图像光照不均匀的光源的干扰进行处理，利用中值滤波[18]对电梯图像进行去燥处理得到图像f（x，y）';

2）利用改进的Otsu算法计算最佳阈值T，利用最佳阈值T对电梯图像进行二值化，得到较为精确地分割图像f（x，y）';

3）对图像f（x，y）进行取反，并利用最大连通区域与最小外接距[7]提取电梯ROI。

3 实验与分析

在获取的现实电梯门场景的图像中，利用各种改进算法与本文算法进行仿真实验。不同图像的最佳邻域参数有所区别，为能得到最佳分割阈值，本节通过实验给出了合理的邻域参数，并将各类改进算法与本文的改进算法的分割阈值标注在实验图的灰度直方图中，进行对比验证本文算法在电梯门图像二值化中的优势。

3.1 目标函数邻域参数的选取

由于改进的算法引入了权值W new（k），通过式（13）可知权值中所含的邻域参数对实验结果产生了直接的影响。因此，为了得到最佳分割阈值，进一步通过实验检验改进的算法在电梯门图像中的最优邻域参数n。在下节的预处理图像中使用不同大小的邻域参数分别对实验图进行对比，分别利用邻域参数为3、5、7、9、11、30、50、70、100的邻域参数进行对比试验，实验结果如表1所示。

实验结果表明，在邻域参数为3至11之间时，更接近理想分割阈值且阈值的变化浮动较小;当邻域参数超过11时，分割阈值呈直线递增趋势，且邻域参数超过m_G-n后分割阈值突变为0。其中，m_G为灰度图像的平均灰度值，并且此时分割阈值并不随邻域参数的增大而改变。在不同的电梯门图像中为获取最优的理想阈值，需要根据实际效果选取不同邻域参数。但改进的算法在电梯图像中的随着邻域参数的变化最佳阈值都有与上述有类似的变换趋势，且算法在邻域参数为5至11之间的正整数往往能得到最接近理想阈值的最佳阈值，且分割效果最为稳定。因此，在改进的算法中将邻域参数设为9时算法的分割效果最为理想。

3.2 实验结果与分析

为说明改进算法的优势，以传统一维Otsu法[7]、NVE Otsu算法[11]、GVE Otsu算法[6]、RVE Otsu法[12]、SDF Otsu法[16]为例，与本文结合了图像熵和邻域频率信息的波谷加权Otsu法（ENVE Otsu）对电梯门图像进行仿真对比实验，邻域参数设为9，分别对电梯门图像进行阈值分割实验，对实验结果取反后如图3所示。各算法分割阈值、运算时间与分割出的目标图像熵如表2所示。

分析图3与图4可知，传统一维Otsu法[7]不仅目标区域不能被有效地分割，同时也很难排除背景像素的干扰，二值化图像具有较多的干扰像素，边缘和电梯门ROI的分割效果很不理想。NVE Otsu法[11]、RVE Otsu法[12]和GVE Otsu法[6]对电梯门图像的效果相较于前者有所提高，使得分割阈值处于灰度直方图的谷底处，但并不是电梯门理想分割阈值。同时由表1可知，改进的算法较其他算法运行效率较提高。

此外，RVE Otsu在目标和背景差异较大时分割效果并不理想，使得分割阈值更偏向于灰度值较大峰值一侧。SDF Otsu法[16]虽然优化了二值化过程中图像的细节处理，但并不适合针对电梯门图像ROI提取的二值化分割。提出的ENVE Otsu法的分割阈值最接近理想阈值，分割阈值目标和背景之间的分割可以满足分割要求，且排除了较多的无关像素的干扰。由表2所示，本算法分割出的目标区域的图像熵在所列算法中最低，表明目标区域更接近电梯门ROI，因此改进的算法能为电梯门ROI的提取和识别提供支持，并且运算效率得到明显提高。最后，对取反后的图像利用最大连通区域与最小外接距[7]提取电梯ROI区域，获取的ROI区域如图5所示。

由图5可见，利用改进的算法对电梯门二值化后，并利用最大连通区域与最小外接距的方法提取的电梯门ROI，轮廓清晰，且排除了大部分背景干扰，使得电梯门图像的场景分析和目标识别更加准确，减少了误判。

4 结论

改进的Otsu法使得最佳分割阈值处于图像灰度直方图谷底且目标区域具有较小的图像熵，缩小了算法搜索范围，提高了算法的运算速率。利用本算法对电梯门图像进行二值化，利用最大连通区域标记和最小外接距能够准确且高效地提取ROI。相比于传统Otsu法和其他改进的Otsu法，改进算法在电梯门图像二值化过程中，分割阈值更接近理想分割阈值，同时具有较高的运算效率，分割出的目标区域更加准确、清晰，能够更好地排除背景图像的干扰。因此，改进的Otsu法非常适合电梯门ROI区域的分割，同时对于灰度直方图接近单峰，目标与背景区域方差区别较大，目标区域图像熵较低的图像也有较好的分割效果。

参考文献

[1]杨娜，浅谈电梯安全系统与电梯常见事故[J].科技创新与应用，2016，7（6）： 25-27.

[2]高勇，屈名胜，电梯门系统的防夹保护分析[J].中国特种设备安全，2017，4（17）：74-76.

[3] OTSU N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on System， Man and Cybernetic， 1979，9（1）：62-66.

[4]纪春恒，基于视频分析的自动门防夹系统研究[D].重庆：重庆大学，2011，35-37.

[5]张建国，左俊彦，钟涛，等.基于三维Otsu分解的骨组织图像分割应用[J]中国医学影像学杂志，2016，3（19）：218-222.

[6]方莉，基于图像模糊边缘检测的电梯门防夹关键技术研究[D].重庆：重庆大学，2013，19-24.

[7] NG H F，DAVAAJARGAL. An improved method for imagethresholding based on the valley-emphasis method[C].IEEE A-sia-Pacific Signal and Information Processing Association AnnualSummit and Conference， 2013：6694261.

[8]徐青，范九伦，新的基于分解直方图的三维Otsu分割算法[J].传感器与微系统，2017，36（1）：119-126.

[9]叶志伟，徐炜，赵伟，等.一种基于改进萤火虫算法的三维Otsu阈值法[J].中国体视学与图像分析，2016，21（4）：374-380.

[10]刘桂红，赵亮，孙劲光，等.一种改进粒子群优化算法的Otsu图像阈值分割方法[J].计算机科学，2016，43（3）：309-312.

[11] JIU L F，BO L.A modified valley-emphasis method for automaticthresholding[J].IEEE Pattem Recognition Letters， 2012， 33（6）：703-708.

[12]申鉉京，张赫，陈海鹏，等.快速递归多阈值分割算法[J].吉林大学学报，2016，2（46）：528-536.

[13]乔爽，吴金波，改进的Otsu算法在缺陷检测中的应用[J].机械与电子，2016，34（7）：71-74.

[14]袁小翠，吴禄慎，陈华伟，基于Otsu方法的钢轨图像分割[J].光学精密工程，2016，24（7 ）：1772-1781.

[15]李宝顺，王玮，包亚萍，等.一种邻域均值加权最大类间方差的阈值分割法[J].小型微型计算机系统，2014，35（6）：1368-1372.

[16]林敏，改进的强调波谷信息的阈值分割算法[J].计算机系统应用，2016， 25（8）：162-165.

[17] KAPUR J N， SAHOOP K， WONCAKC.A new method for gray-level picture thresholding using the entropy of the histogram[J].Computer Vision， Graphics， and Image Processing， 1985， 29 （3）：273-285.

[18] HUIZ， NAN S， HONG J W， et al.Research and realization on im-age preprocessing technology based on improved median filter[J].Applied Mechanics and Materials， 2015， 31（4）： 680-683.