CN104346775B - 一种提取图像局部纹理粗糙度的方法 - Google Patents

Abstract

本发明涉及一种提取图像局部纹理粗糙度的方法。本方法首先计算图像中多尺度活动窗口内像素的平均灰度值，对每个像素分别计算它在水平和垂直方向上两个偏心重叠窗口之间的平均灰度差，然后利用最大平均灰度差值对应的尺寸计算最佳尺寸，根据图像中每一像素点的最佳尺寸，计算该像素点的局部粗糙度。本发明方法具有良好的噪声鲁棒性，且可以准确度量图像局部纹理粗糙度。

Description

一种提取图像局部纹理粗糙度的方法

技术领域

本发明属于图像处理技术领域，涉及一种提取图像局部纹理粗糙度的方法。

背景技术

纹理是用来识别图像中物体或感兴趣区域的重要属性之一，几乎存在于所有物体表面，包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系，反映了图像中同质现象的视觉特征，独立于图像颜色或亮度特征。视觉感知研究发现,与机器相比，人类具有完美的纹理感知特征机制，可以区分细小的纹理差别。人类用来区分纹理特征的纹理特征属性包括：粗糙度(coarseness)、对比度(contrast)、复杂度(complexity)、方向度(directionality)等。

Tamura等人在对人类纹理视觉感知的心理学研究基础上，提出了Tamura纹理特征的表达。Tamura纹理特征包括六个分量，对应心理学角度上纹理特征的六种属性，六个分量分别是粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线性度(linearity)、规整度(regularity)和粗略度(roughness)。其中，粗糙度是最基本、最重要的纹理特征，从狭义的观点来看，纹理就是粗糙度。Tamura纹理特征近年来在图像检索、图像识别领域中得到了广泛应用。

Tamura纹理粗糙度提取方法为：

1)计算图像中大小为2^k×2^k活动窗口中像素的平均灰度值，

$A_k(x,y)=\underset{i=x-2^{k-1}}{\overset{x+2^{k-1}+1}{\Σ}}\underset{j=y-2^{k-1}}{\overset{y+2^{k-1}+1}{\Σ}}f(i,j)/2^{2k}---\left(1\right)$

其中，k＝0,1,2,…,L_max；L_max为最大窗口。f(i,j)是(i,j)位于的像素灰度值。

2)对于每个像素，分别计算它在水平和垂直方向上互不重叠的窗口之间的平均灰度差，

E_k,h(x,y)＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)| (2a)

E_k,v(x,y)＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)| (2b)。

3)在每一像素点求出平均灰度差值输出最大对应的尺寸为最佳尺寸，

k_max＝argmax(E_k,h,E_k,v) (3a)

E_max＝max(E_k,h,E_k,v) (3b)

$S_{\mathrm{best}}=2^{k_{\max }}---\left(3c\right)$

若存在k＞k_max，E_k≥t·E_max则k_max＝k；t值约为0.9。

4)求出所有S_best(x,y)均值,即为图像粗糙度：

$F_{crs}=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\Σ}}\underset{y=1}{\overset{N}{\Σ}}{S}_{best}(x,y)---\left(4\right)$

然而，上述Tamura纹理粗糙度只能提取整幅图像的粗糙度，不能对图像局部纹理粗糙度进行准确度量。

目前，广泛应用的、与人类视觉感知相一致的图像局部粗糙度算法是局部分形维算法。然而分形维算法容易受噪声干扰，并且人工目标物体表面特征往往不能很好满足分形模型，用分维数计算粗糙度时，对目标物体具有一定的局限性。

发明内容

本发明的目的在于提供一种噪声鲁棒性好、适用目标物体范围广、可对图像局部纹理粗糙度进行准确度量的提取图像局部纹理粗糙度方法。

实现本发明目的的技术解决方案为：

一种提取图像局部纹理粗糙度的方法，具特征在于，包括以下步骤：

步骤一:计算目标图像中多尺度活动窗口内像素的平均灰度值,所述活动窗口尺寸不小于3×3；

步骤二:分别计算每个像素在水平方向和垂直方向上两个偏心重叠窗口之间的平均灰度差，所述两个偏心重叠窗口尺寸存在偏差；

步骤三:计算出每一像素最佳尺寸；

步骤四:利用图像中每一像素点对应的最佳尺寸,计算出该像素点的局部粗糙度。

本发明与现有技术相比,其显著优点:

利用像素点最佳尺寸计算该像素点所在局部纹理粗糙度，具有较好的噪声鲁棒性，适用范围广，对自然目标及人工目标均适用，可以准确计算图像局部纹理粗糙度。所提取的粗糙度特征图中像素值越大粗糙度越大，对应纹理在视觉感受上更趋于平滑。

附图说明

图1是本发明流程图。

图2是求取平均灰度差时作差窗口的两种不同选择方法，其中图(a)为本发明选择作差窗口的方法，图(b)为Tamura粗糙度算法选择作差窗口的方法。

图3是自然纹理图像实验图，共两组实验图：图组(a)和图组(b)，两组图像均包括上下两行共五幅图，每组图像第一行从左到右依次是实验用原图、原图用本发明方法获得的粗糙度特征图、原图加方差为10的高斯白噪声后使用本发明方法获得的粗糙度特征图；第二行从左至右依次是使用分形维方法对原图处理获得的粗糙度特征图、原图加方差为10的高斯白噪声后使用分形维方法获得的粗糙度特征图。

图4是自然图像分割实验图，共两行，第一行从左到右依次是实验用原图、对原图使用本发明方法获得的粗糙度特征图、对使用本发明方法获得的粗糙度特征图进行二值分割获得的图，第二行从左到右依次是对原图使用分形维方法获得的粗糙度特征图、对用分形维方法获得的粗糙度特征图二值分割获得的图。

具体实施方式

一种提取图像局部纹理粗糙度的方法，具特征在于，包括以下步骤：

步骤一:计算目标图像中多尺度活动窗口内像素的平均灰度值,所述活动窗口尺寸不小于3×3，

计算平均灰度值的具体方法可以如式(1)所示，选多尺度活动窗口大小为4k×4k,

$A_k(x,y)=\underset{i=x-2k}{\overset{x+2k-1}{\Σ}}\underset{j=y-2k}{\overset{y+2k-1}{\Σ}}f(i,j)/{\left(4k\right)}^2---\left(1\right)$

式中，k＝1,2,…,L_max；L_max为k的最大值；(i,j)为像数点坐标；f(i,j)是位于(i,j)的像素灰度值；当k＝0时，取窗口尺寸大小为3×3；(x,y)为各平均灰度图A_k的坐标，上述L_max数值范围可以做进一步限定:L_max∈[3,6]；

步骤二:分别计算每个像素在水平方向和垂直方向上两个偏心重叠窗口之间的平均灰度差，所述两个偏心重叠窗口尺寸存在偏差,

水平方向平均灰度差具体计算方法可以如式(2a)所示，垂直方向平均灰度差具体计算方法可以如式(2b)所示，

E_k,h(x,y)＝|A_k'(x+ρ,y)-A_k(x,y)| (2a)

E_k,v(x,y)＝|A_k'(x,y+ρ)-A_k(x,y)| (2b)

式中，

k'＝max(k-L_b,0)，L_b为两个窗口偏差尺度，L_b＝L_max-α且L_b≥1；

参数α取值如下：

α＝3,L_max≥5；

α＝min(2,L_max-1),L_max＜5；

ρ为两个窗口偏心距，ρ＝2k'+1；

步骤三:计算出每一像素最佳尺寸，

每一像素点的最佳尺寸计算方式可以按照公式(3a)计算求得，

S_best＝4k_max (3a)

E_k＝max(E_k,h,E_k,v) (3b)

E_max＝max(E_k),E_min＝min(E_k) (3c)

公式(3b)和(3c)为中间变量，式中，

E_k表示每个尺寸k在水平和垂直方向平均灰度差值的最大值,E_max为像素点最大平均灰度差值,E_min为像素点最小平均灰度差值，

k_max值按如下三种情形确定：

(i)若k＝0，E₀＞t_M，取k_max＝0，其中t_M为E₀所有像素点局部非零极大值的均值，否则转入(ii)；

(ii)若Numel(DE_k＜τ₀)＝L_max-1且E_max＜t_m，则取k_max＝L_max，其中Numel表示对满足条件的k计数，DE_k＝|E_k-E_k-1|，参数参数为E_min的平均值，否则转入(iii)；

(iii)k_max＝argmax(E_k)；

步骤四:利用图像中每一像素点对应的最佳尺寸,计算出该像素点的局部粗糙度，

计算像素点的局部粗糙度方法可以如式(4)所示,

F_crs(x,y)＝S_best(x,y) (4)，

在使用式(4)计算像素点的局部粗糙度时，可以对最佳尺寸进行幂次变换，以求取更精准的局部粗糙度，距计算公式如式(5)所示：

F_crs(x,y)＝S_best(x,y)^γ (5)

式中，γ＞1。

本发明方法噪声鲁棒性好的原理是：

图像在获取和传播过程中难免受噪声干扰，必须考虑发明方法的噪声鲁棒性。事实上，由式(1)和(2)可知,E_k,h(E_k,v)是作均值滤波后的平均灰度差，所以本发明方法具有良好的抗噪能力。

具体考虑到受加性噪声n(i,j)影响，在图像像素点(i,j)处像素值f(i,j)变为g(i,j)＝f(i,j)+n(i,j)。由式(2a)

$\begin{array}{c}{E}_{k,h}=|\frac{1}{N_{k^{\′}}}\underset{(i,j)\∈A_{k^{\′}}}{\Σ}g(i,j)-\frac{1}{N_k}\underset{(i,j)\∈A_k}{\Σ}g(i,j)|\\ =|\frac{1}{N_{k^{\′}}}\underset{(i,j)\∈A_{k^{\′}}}{\Σ}f(i,j)-\frac{1}{N_k}\underset{(i,j)\∈A_k}{\Σ}f(i,j)+\frac{1}{N_{k^{\′}}}\underset{(i,j)\∈A_{k^{\′}}}{\Σ}n(i,j)-\frac{1}{N_k}\underset{(i,j)\∈A_k}{\Σ}n(i,j)|\end{array}---\left(6\right)$

N_k是窗口区域A_k含有的像素总数。当区域A_k、A_k'均在同一纹理基元内，上式(6)变为：

当n(i,j)概率分布半径r较小，满足条件a：N_k,N_k'＞＞r。由辛钦大数定律：在对随机物理量的测量实践中，大量测定值的算术平均具有稳定性，接近数学期望

$\underset{N\&RightArrow;\mathrm{\&infin;}}{\lim }P\left\{\right|\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{a}_i-\mathrm{\&mu;}|<\mathrm{\&epsiv;}\}=1---\left(8\right)$

可得：

$\frac{1}{N_{k^{\&prime;}}}\underset{(i,j)\&Element;A_{k^{\&prime;}}}{\&Sigma;}n(i,j)\&ap;{\mathrm{\&mu;}}_n,\frac{1}{N_k}\underset{(i,j)\&Element;A_k}{\&Sigma;}n(i,j)\&ap;{\mathrm{\&mu;}}_n---\left(9\right)$

μ_n为噪声n(i,j)的均值。

E_k,h≈0 (10a)

同理对E_k,v，同样有：

E_k,v≈0 (10b)

由(3b)得：

E_k≈0,或E_k＜t_m (10c)

其中，t_m是很小正数。

同时满足条件a：(6)式可写成：

$E_{k,h}\&ap;|\frac{1}{N_{k^{\&prime;}}}\underset{(i,j)\&Element;A_{k^{\&prime;}}}{\&Sigma;}f(i,j)-\frac{1}{N_k}\underset{(i,j)\&Element;A_k}{\&Sigma;}f(i,j)|---\left(11a\right)$

同样对E_k,v有

$E_{k,v}\&ap;|\frac{1}{N_{k^{\&prime;}}}\underset{(i,j)\&Element;A_{k^{\&prime;}}}{\&Sigma;}f(i,j)-\frac{1}{N_k}\underset{(i,j)\&Element;A_k}{\&Sigma;}f(i,j)|---\left(11b\right)$

显然N_k越大，条件a满足的越好，抑制噪声的效果越好。然而窗口较大，则会形成宽度很大的纹理边界。兼顾纹理边界宽度在可接受范围内，k＝0时，窗口设为3×3大小，实验证明3×3窗口已能较好的抑制噪声。

选择k_max的原理:

纹理图像可看作由不同的纹理基元按一定规律排列组成，图像中的像素点可以分为纹理边界点和纹理基元内部点。

对于纹理基元内部点，当前窗口尺寸k小于纹理基元尺寸时，E_k满足(10c)；当k越过纹理基元尺寸，由(3b)和(11)式显然E_k＞＞0，出现最大值E_max；此时k_max＝k。当基元尺寸大于L_max-1，E_k均很小，且值相近，采用约束条件：Numel(DE_k＜τ₀)＝L_max-1，且E_max＜t_m判断；DE_k＝|E_k-E_k-1|；τ₀,t_m是很小正值，

对于边界点，E_k较大，E_k＞＞0。这是因为对纹理基元内部点，因偏心距很小，两个作差窗口仍在同一纹理基元内，(14)式右边两项可以消除；而边界点则不同，两个窗口跨越不同纹理基元，右边两项无法消除，E_k＞＞0。

最小尺度的E₀(x,y)包含了原始的纹理边界信息。设置E₀＞t_M；提取边界点，t_M取E₀(x,y)所有像素点局部非零极大值的均值；由(10c)式k＝0，E_k＜t_m＜＜t_M可以有效的将受噪声影响的纹理基元内部点与边界点区分。

本专利的效果可以通过以下实验结果进一步说明：

如图3所示，图3是对来自Brodatz纹理库的自然纹理图像处理结果，其中，图组(a)的实验用原的图像纹理库编号是D62，图像大小为320×320像素；图组(b)的实验用原图是图像纹理库编号D10图像的部分图像，大小为297×306像素。观察使用本发明方法提取的粗糙度特征图可以看出，每个点的像素值大小与图像局部粗糙度大小一致，较为准确的给出了原图的纹理粗糙度分布。与分形维算法相比，本发明方法效果优于分形维方法；当对原图像加入方差为10的高斯白噪声时，通过对比特征图容易看出，噪声对本发明算法的影响很小，而对分形维方法影响较大，证明了本发明算法具有良好的噪声鲁棒性。没有噪声或噪声很小时，用分形维方法得到的特征图具有平滑、柔和的效果，更适合人眼观察。然而在噪声较大时，这一优点变为缺点，其无法用简单后处理方法，如中值滤波，滤除噪声。实验发现，即使改用5×5窗口，用分形维算法得到的粗糙度特征图受噪声的影响仍然很大。

图4中的原图是一幅自然场景图像，图像大小为512×512像素。对粗糙度特征图进行二值化，舍去较小区域，可以分割出道路及天空。路面由于污染等复杂情况存在较大噪声，在通过分形维方法得到的特征图中，部分路面与背景无法区分。对比两幅二值分割图，可以发现利用本发明方法特征图分割出的道路效果明显好于通过分形维方法获得的特征图。

Claims (5)

1.一种提取图像局部纹理粗糙度的方法，具特征在于，包括以下步骤：

步骤一:计算目标图像中多尺度活动窗口内像素的平均灰度值,所述活动窗口尺寸不小于3×3；假设多尺度活动窗口大小为4k×4k，计算平均灰度值的方法如式(1)所示，

式中，k＝1,2,…,L_max；L_max为k的最大值；(i,j)为像素点坐标；f(i,j)是位于(i,j)的像素灰度值；当k＝0时，取窗口尺寸大小为3×3；(x,y)为各平均灰度图A_k的坐标；

步骤二:分别计算每个像素在水平方向和垂直方向上两个偏心重叠窗口之间的平均灰度差，所述两个偏心重叠窗口尺寸存在偏差；所述水平方向平均灰度差计算方法如式(2a)所示，垂直方向平均灰度差计算方法如式(2b)所示，

E_k,h(x,y)＝|A_k'(x+ρ,y)-A_k(x,y)| (2a)

E_k,v(x,y)＝|A_k'(x,y+ρ)-A_k(x,y)| (2b)

式中，

k'＝max(k-L_b,0)，L_b为两个窗口偏差尺度，L_b＝L_max-α且L_b≥1；

参数α取值如下：

α＝3,L_max≥5；

α＝min(2,L_max-1),L_max＜5；

ρ为两个窗口偏心距，ρ＝2k'+1；

步骤三:计算出每一像素最佳尺寸；

步骤四:利用图像中每一像素点对应的最佳尺寸,计算出该像素点的局部粗糙度。

2.如权利要求1所述的提取图像局部纹理粗糙度的方法，其特征在于，L_max∈[3,6]。

3.如权利要求1所述的提取图像局部纹理粗糙度的方法，其特征在于，所述步骤三中每一像素点的最佳尺寸按照公式(3a)计算求得，

S_best＝4k_max (3a)

E_k＝max(E_k,h,E_k,v) (3b)

E_max＝max(E_k),E_min＝min(E_k) (3c)

公式(3b)、(3c)为中间变量，式中，

E_k表示每个尺寸k在水平和垂直方向平均灰度差值的最大值,E_max为像素点最大平均灰度差值,E_min为像素点最小平均灰度差值，

k_max值按如下三种情形确定：

(i)若k＝0，E₀＞t_M，取k_max＝0，其中t_M为E₀所有像素点局部非零极大值的均值，否则转入(ii)；

(ii)若Numel(DE_k＜τ₀)＝L_max-1且E_max＜t_m，则取k_max＝L_max，其中Numel表示对满足条件的k计数，DE_k＝|E_k-E_k-1|，参数参数 为E_min的平均值，否则转入(iii)；

(iii)k_max＝argmax(E_k)。

4.如权利要求1所述的提取图像局部纹理粗糙度的方法，其特征在于，所述步骤四中计算像素点的局部粗糙度方法如式(4)所示,

F_crs(x,y)＝S_best(x,y) (4)。

5.如权利要求4所述的提取图像局部纹理粗糙度的方法，其特征在于对最佳尺寸进行幂次变换，计算公式如式(5)所示：

F_crs(x,y)＝S_best(x,y)^γ (5)

式中，γ＞1。