基于灰度共生矩陣的圖像分割方法研究

 所謂圖像分割就是指把圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。它是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一，是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。目前圖像分割方面現(xiàn)有的算法非常多，將它們進(jìn)行分類(lèi)的方法也提出了不少。一般分為3類(lèi)：(1)閾值分割；(2)邊緣檢測(cè)；(3)區(qū)域提取。但還沒(méi)有一種方法能普遍適用于各種圖像。因此，對(duì)于圖像分割的研究還在不斷深人之中，也是目前圖像處理中研究的熱點(diǎn)之一。隨著科技的發(fā)展進(jìn)步，圖像處理在軍事中的運(yùn)用也越來(lái)越廣泛，這主要集中在迷彩設(shè)計(jì)這方面。而現(xiàn)在軍事上的偽裝迷彩是現(xiàn)代高技術(shù)戰(zhàn)爭(zhēng)中隱藏武器裝備、保存自我的重要手段，也是消滅敵人的需要。因此對(duì)于迷彩的設(shè)計(jì)研究也一直都是各國(guó)的熱門(mén)話題。文中主要以某山地航拍圖為研究對(duì)像，對(duì)其進(jìn)行背景分析然后再實(shí)現(xiàn)圖像分割，為后期迷彩設(shè)計(jì)做準(zhǔn)備。由于該山地背景紋理特征明顯，故利用紋理分析對(duì)其進(jìn)行背景分析，而灰度共生矩陣是紋理分析方法中最常用的一種方法。文中采用灰度共生矩陣方法對(duì)該圖像進(jìn)行分割研究。

1 灰度共生矩陣
    灰度共生矩陣(Gray Level Co-occurrence Ma-trix，GLCM)是圖像紋理分析方法中的一種，它反映不同像素相對(duì)位置的空間信息，在一定程度上反映了紋理圖像中各灰度級(jí)在空間上的分布特性，是紋理分析領(lǐng)域中最經(jīng)常采用的特征之一?；叶裙采仃囀菆D像灰度變化的二階統(tǒng)計(jì)度量，也是描述紋理結(jié)構(gòu)性質(zhì)特征的基本函數(shù)，它統(tǒng)計(jì)了兩個(gè)像素點(diǎn)位置的聯(lián)合概率分布。設(shè)S為目標(biāo)區(qū)域R中具有特定空間聯(lián)系的像素對(duì)的集合，則共生矩陣P可定義為
    
    式(1)等號(hào)右邊的分子是具有某種空間關(guān)系、灰度值分別為i，j的像素對(duì)的個(gè)數(shù)，分母為像素對(duì)的總和個(gè)數(shù)(#代表數(shù)量)，這樣得到的P是歸一化的。
    對(duì)于一幅圖像Gf(i，j)，大小N×N，包含像素(動(dòng)態(tài)范圍為G)的灰度級(jí)為{0，1，…，G-1}，它的灰度共生矩陣是一個(gè)二維矩陣C(i，J)，每個(gè)矩陣元素表示在某一距離d和角度θ強(qiáng)度i和j聯(lián)合出現(xiàn)的概率。因此，根據(jù)不同的d和θ值，這里可能存在多個(gè)共生矩陣。但在實(shí)際應(yīng)用中，往往適當(dāng)?shù)倪x取d，而θ一般取O°，45°，90°，135，如圖1所示。

2 實(shí)驗(yàn)設(shè)計(jì)及分析
2．1 灰度共生矩陣的常用參量
    實(shí)際應(yīng)用中，作為圖像紋理分析的特征量是由灰度共生矩陣計(jì)算出的一些參量。Haralick曾提出14種由灰度共生矩陣計(jì)算出的參量。但在本實(shí)驗(yàn)中主要用到的參量有以下4種：
    (1)角二階矩(Angular Second Moment，簡(jiǎn)記為ASM)。
    
    角二階矩是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值?。幌喾?，如果其中一些值大而其它值小，則ASM值大。當(dāng)共生矩陣中元素集中分布時(shí)，ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式；
    (2)對(duì)比度(Contrast，簡(jiǎn)記為CON)。
    
    對(duì)比度反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對(duì)比度越大，視覺(jué)效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊?；叶炔罴磳?duì)比度大的像素對(duì)越多，這個(gè)值越大?；叶裙仃囍羞h(yuǎn)離對(duì)角線的元素值越大，CON越大；
    (3)相關(guān)性(Correlation，簡(jiǎn)記為COR)。

    相關(guān)性可以度量空間灰度共生矩陣元素在行或列方向上的相似程度。因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大；相反，如果矩陣像元值相差很大則相關(guān)值小。如果圖像中有水平方向紋理，則水平方向矩陣的COR大于其余矩陣的COR值；
    (4)熵(Entropy)。
   
    熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息。若圖像沒(méi)有任何紋理，則灰度共生矩陣幾乎為零，則熵值接近為零；若圖像充滿著細(xì)紋理，P(i，j)的數(shù)值近似相等，則該圖像的熵值最大；若圖像中分布著較少的紋理，P(i，j)的數(shù)值差別較大，則該圖像的熵值較小。
2．2 圖像預(yù)處理
    即對(duì)圖像進(jìn)行過(guò)濾，以便于提高圖像識(shí)別的速度和準(zhǔn)確率。圖像預(yù)處理過(guò)程是對(duì)圖像的一個(gè)過(guò)濾過(guò)程，要排除干擾，保留需要處理的部分，并過(guò)濾掉不需要的部分。以某山地照片為例，首先選取一定大小的圖片作為研究對(duì)像，如圖2(a)所示，然后將該圖片掃描輸入電腦，并對(duì)其進(jìn)行編號(hào)。接著對(duì)其進(jìn)行去除噪聲和二值化處理，以便于更好的提取圖像特征，如圖2(b)所示。然而在計(jì)算共生矩陣時(shí)，由于計(jì)算量大，再將圖像的灰度分成16個(gè)灰度級(jí)。

2．3 試驗(yàn)設(shè)計(jì)
    關(guān)于紋理圖像識(shí)別與分類(lèi)的具體應(yīng)用實(shí)例很多。一般的做法是通過(guò)紋理特征的度量方法對(duì)每張圖像抽取一組紋理特征，由這些特征構(gòu)成該樣本的特征向量，然后在特征空間里應(yīng)用統(tǒng)計(jì)模式識(shí)別方法對(duì)眾多的圖像樣本進(jìn)行識(shí)別與分類(lèi)。在本實(shí)驗(yàn)中，樣本圖像經(jīng)數(shù)字化處理后的像元數(shù)為109×116，將圖像分成大小為16×16像素的非重疊窗口，共49個(gè)子圖像，Ng=16(將0~255灰度分成16級(jí))。每個(gè)小塊都從4個(gè)方向(0°，45°，90°和135°)來(lái)提取特征，具體設(shè)計(jì)步驟如下：
    (1)利用前述灰度共生矩陣計(jì)算出4個(gè)最主要的特征值(角二階矩，對(duì)比度，相對(duì)性和熵值)，然后取這4個(gè)方向的均值和方差表示該特征值，于是，4個(gè)方向值就變成2個(gè)。為此共可提供8個(gè)紋理特征值。將提取的特征值保存到紋理特征庫(kù)中作為訓(xùn)練樣本；
    (2)計(jì)算出其他小塊的紋理特征值作為未知樣本，并對(duì)其進(jìn)行編號(hào)；
    (3)利用最小歐氏距離分類(lèi)法將從未知樣本中提取的特征值與紋理特征庫(kù)中訓(xùn)練樣本的特征值進(jìn)行比對(duì)，當(dāng)且僅當(dāng)未知樣本的特征向量與訓(xùn)練樣本的歐氏加權(quán)距離最小時(shí)輸出匹配成功的未知樣本的編號(hào)，否則不輸出。輸出成功后將匹配成功的未知樣本編號(hào)與訓(xùn)練樣本編號(hào)進(jìn)行統(tǒng)一調(diào)整；
    (4)以另一未知樣本的紋理特征值作為訓(xùn)練樣本保存在紋理特征庫(kù)中，利用上述類(lèi)似方法進(jìn)行模式匹配。重復(fù)步驟(2)和步驟(3)，直至每個(gè)未知樣本被輸出。
    以上步驟全部運(yùn)行完畢后，將得出相似紋理區(qū)域的小塊具有相同編號(hào)，這樣就實(shí)現(xiàn)了紋理分類(lèi)，然后根據(jù)編號(hào)的不同實(shí)施區(qū)域整合劃分，這樣就可以實(shí)現(xiàn)紋理圖像分割。具體實(shí)驗(yàn)設(shè)計(jì)過(guò)程，如圖3所示。

2．4 實(shí)驗(yàn)結(jié)果分析
    根據(jù)前述步驟，利用Matlab和VC++工具對(duì)圖像進(jìn)行分析處理，然后利用聚類(lèi)分析等方法實(shí)現(xiàn)的實(shí)驗(yàn)效果，如圖4所示。

    由圖4可以看出，對(duì)于紋理特征明顯的圖像進(jìn)行二值化后，再根據(jù)紋理特征值結(jié)合加權(quán)歐式距離進(jìn)行圖像特征處理，最終得到的效果圖實(shí)現(xiàn)了較好的區(qū)域融合和劃分，達(dá)到了圖像分割的目的。

3  結(jié)束語(yǔ)

    文中利用灰度共生矩陣方法對(duì)圖像進(jìn)行紋理特征提取，然后根據(jù)加權(quán)歐氏距離對(duì)每個(gè)紋理區(qū)域進(jìn)行模式匹配，將圖像按不同紋理區(qū)域進(jìn)行整合劃分。最后利用聚類(lèi)等方法實(shí)現(xiàn)了圖像分割。經(jīng)過(guò)多次試驗(yàn)表明，對(duì)于具有顯著紋理特征的圖像，利用基于灰度共生矩陣的方法實(shí)現(xiàn)對(duì)圖像的分割具有一定的準(zhǔn)確性和實(shí)用性，并能較好的實(shí)現(xiàn)圖像分割效果。