CN105389834A - 特定光谱条件下的纹理检测方法 - Google Patents

Abstract

本发明所述的特定光谱条件下的纹理检测方法，本发明采取在获取图像的镜头前加一检验镜，提取目标与背景两幅图像中区别较大（即光谱分布不同）的区域来代替整幅图像进行纹理相似度计算的方法。由于提取的图像块是某一特定光谱条件下的图像，并是原图像的部分区域，检测范围便会缩小，从而节省了算法时间，去除先后拍摄图像自然景物变化的影响，从而能够保证匹配算法的精度，并且减小误判，更为精准地描述目标与背景的纹理相似度。

Description

特定光谱条件下的纹理检测方法

技术领域

本发明涉及一种特定光谱条件下的纹理检测方法，属于图像处理技术领域。

背景技术

在图像分析中，纹理是图像描述的一个常用概念，纹理特征是一种不依赖于颜色或亮度的能清晰反映图像中同质现象的重要特征。它所反应的内在特征是所有物体表面共有的，包含了与周围环境的联系以及物体表面结构组织排列的重要信息，在图像的分类识别等领域得到了广泛的应用。比较图像相似度的方法有很多，比较常用的为基于像素点比较方法和统计图像基本特征的方法。基于像素点比较的方法是将目标图像与原图像的所有像素点按照先后顺序直接逐个像素进行比较，再通过求欧氏距离得到目标图像与原图像的相似度。这种方法需要将图像中的像素点逐个进行比较，耗时比较长，算法的复杂度高。因此选用基于统计图像的基本特征的比较方法，是通过提取原图像与目标图像的基本特征，然后将得到的原图像与目标图像的基本特征值进行比较得到图像间的相似度。然而现有的用来计算目标与背景的纹理相似度的图像均为多光谱条件下拍摄的的，很有可能会出现同色异谱的现象，从图像上看目标与背景容易混淆，不能精确地检测目标的纹理相似度。

发明内容

针对该问题，本发明利用能够透过特定波段光谱的检验镜来提取两幅图像中区别较大(即光谱分布明显不同)的区域，利用该区域来代替整幅图像进行匹配运算，由于它缩小了算法的搜索范围，减少了计算量，从而达到了节省时间、减小误判的目的。

为实现上述目的，本发明所述的特定光谱条件下的纹理检测方法，包括以下步骤：

S01、图像预处理：在获取图像的镜头前增设能够透过特定波段光谱的检验镜，先后经过检验镜获取原始的目标图像与背景图像，通过MATLAB提取两幅图像中光谱分布不同的区域，得到目标图像区域N与背景图像区域M；

S02、图像灰度化：将目标图像区域N以及背景图像区域M分别进行灰度化处理，得到目标图像区域N的灰度纹理图像N’与背景图像区域M的灰度纹理图像M’；

S03、计算灰度共生矩阵：分别计算灰度纹理图像N’与M’的灰度共生矩阵；

S04、纹理特征值提取：根据灰度纹理图像N’与M’提取目标图像区域N与背景图像区域M的四个特征值，即角二阶矩、对比度、熵和相关性；

S05、相似度计算：计算目标图像区域N与背景图像区域M的纹理特征矢量之间的马氏距离，作为背景和目标之间的纹理相似度。

其中，步骤S01通过MATLAB对经过检验镜的两幅图像进行减法运算，即将原始的背景图像减去目标图像，得到两幅图像中光谱分布不同的区域坐标值，再从原始的目标图像和背景图像中将此区域的图像提取出来，得到目标图像区域N与背景图像区域M。

本发明的优点是：本发明采取在获取图像的镜头前加一检验镜，提取目标与背景两幅图像中区别较大(即光谱分布不同)的区域来代替整幅图像进行纹理相似度计算的方法。由于提取的图像块是某一特定光谱条件下的图像，并是原图像的部分区域，检测范围便会缩小，从而节省了算法时间，去除先后拍摄图像自然景物变化的影响，从而能够保证匹配算法的精度，并且减小误判，更为精准地描述目标与背景的纹理相似度。

附图说明

图1为本发明的流程图。

图2为本发明提取两图像中光谱分布不同区域图的流程示意图。

图3为绿色检验镜透射光谱图。

图4为白色检验镜透射光谱图。

具体实施方式

下面结合附图对本发明实施例中的技术方法进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，在本实施方式中，一种特定光谱条件下的纹理检测方法，其包括以下部分：

步骤S01、图像预处理：先后经过检验镜获取原始的目标图像与背景图像，通过MATLAB提取两幅图像中区别较大(即光谱分布不同)的区域得到目标图像区域N与背景图像区域M。

所述步骤S01具体为：

设计一种能透过特定波段光谱的透镜，称为检验镜。其可以是绿色检验镜或白色检验镜等。

绿色检验镜，是用于绿色植被背景中，当有人工目标时，对附近红外观察的有效程度。绿色检验镜选择性透过少量绿光和大量红光，当人工目标和绿色植被在该光谱区域透过的光能量差异大时，所得到的图像中人工目标与绿色植被差异明显。由于一般的光学玻璃只能透过一定波长范围的各色光，超过这个波段范围的光将会被光学玻璃强烈地吸收。而绿色检验镜能透过两个特定波长范围的光，如图3所示，绿色检验镜可透过480mm-530mm波长范围的绿光，且在波长为490nm时的透过率为7％；还可透过大于660mm波长的红光，在波长为780mm时，其透过率最大，达到83％。因此，绿色植被呈暗红色，绿色人工目标仍旧为绿色。从而实现在一定特定光谱条件下采集图像，减小了误判。

白色检验镜，是用于雪地背景中，当有人工目标时时，对附近紫外观察的有效程度。白色检验镜选择性透过少量红光和大量紫外，当人工目标和雪地在该光谱区域透过的光能量差异大时，所得到的图像中人工目标与雪地差异明显。由于一般的光学玻璃只能透过一定波长范围的各色光，超过这个波段范围的光将会被光学玻璃强烈地吸收。而白色检验镜能透过两个特定波长范围的光，如图4所示，白色检验镜可透过300nm-390nm波长范围的紫外，且在波长为340nm时透过率最大可达到70％；在波长为690nm-750nm处透过部分红光，且在波长为720nm时的透过率为2.5％。因此，反射率高的雪地仍呈现亮白色，白色人工目标也呈现白色，但由于白色人工目标的反射率低，导致白色人工目标颜色比较灰暗，由于有部分红光透过，白中略微泛红。从而实现在一定特定光谱条件下采集图像，减小了误判。

如图2所示，对经过检验镜的两幅图像进行减法运算，即将原始的背景图像减去目标图像，得到两幅图像中区别较大(即光谱分布不同)的区域坐标值，再从原始的目标图像和背景图像中将此区域的图像提取出来，得到目标图像区域N与背景图像区域M。

步骤S02、图像灰度化：将目标图像区域N以及背景图像区域M分别进行灰度化处理，分别得到灰度纹理图像N’与M’；

步骤S03、计算灰度共生矩阵：分别计算灰度纹理图像N’与M’的灰度共生矩阵。

所述步骤S03具体为：

定义方向为θ，间隔为d的灰度共生矩阵[p(i,j,d,θ)]_L×L，p(i,j,d,θ)为共生矩阵第i行第j列元素的值，它是以灰度级i为起点，在给定空间距离d和方向θ时，出现灰度级j的概率。因此，根据不同的d和θ值，可能存在多个共生矩阵。在实际应用中，往往适当的选取d，而一般取45°、90°、135°等方向，以OX轴为起始，逆时针方向计算。图像的灰度等级为L，则一幅图像的像素对总计有L×L个。

步骤S04、纹理特征值提取：根据灰度纹理图像N’与M’提取目标图像区域N与背景图像区域M的四个特征值(角二阶矩、对比度、熵和相关性)，得到纹理特征矢量T＝{E，I，H，C}。

(1)角二阶矩

$E=\underset{i=0}{\overset{L-1}{\Σ}}\underset{j=0}{\overset{L-1}{\Σ}}p{(i,j)}^2$

角二阶矩是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则角二阶矩小；相反，如果其中一些值大而其它值小，则角二阶矩大。粗纹理的能量矩较大，细纹里的能量矩较小。

(2)对比度

$I=\underset{n=0}{\overset{L-1}{\Σ}}{n}^2\left\{\underset{i=0}{\overset{L-1}{\Σ}}\underset{i=0}{\overset{L-1}{\Σ}}p(i,j)\right\}$

对比度反映了影响纹理的清晰度和纹理沟纹深浅的程度。纹理的沟纹越深，其对比度越大，图像的视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的像素对越多，这个值越大。灰度共生矩阵中远离对角线的元素值越大，对比度越大。

(3)熵

$H=-\underset{i=0}{\overset{L-1}{\Σ}}\underset{j=0}{\overset{L-1}{\Σ}}p(i,j)\lg p(i,j)$

熵值是图像所具有的信息量的度量，纹理信息也属于图像的信息。若图像没有任何纹理，则熵值接近为零；若图像充满着细纹里，则图像的熵值最大；若图像中分布着较少的纹理，则该图像的熵值较小。

(4)相关性

$C=\underset{i=0}{\overset{L-1}{\Σ}}\underset{j=0}{\overset{L-1}{\Σ}}\frac{ijp(i,j)-u_1{u}_2}{{{\mathrm{\σ}}_1}^2{{\mathrm{\σ}}_2}^2}$

其中： $\begin{array}{cc}{u}_1=\underset{i=0}{\overset{L-1}{\Σ}}i\underset{j=0}{\overset{L-1}{\Σ}}p(i,j)& u_2=\underset{i=0}{\overset{L-1}{\Σ}}i\underset{j=0}{\overset{L-1}{\Σ}}p(i,j)\end{array}$

$\begin{array}{cc}{\mathrm{\σ}}_1=\underset{i=0}{\overset{L-1}{\Σ}}{(i-u_1)}^2\underset{j=0}{\overset{L-1}{\Σ}}p(i,j)& {\mathrm{\σ}}_2=\underset{i=0}{\overset{L-1}{\Σ}}{(i-u_1)}^2\underset{j=0}{\overset{L-1}{\Σ}}p(i,j)\end{array}$

相关性度量空间灰度共生矩阵元素在行或列方向上似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵元素值相差很大则相关值小。相关性衡量了邻域灰度的线性依赖性。

步骤S05、相似度计算：利用马氏距离计算背景和目标之间的纹理相似度。其中，T_N和T_M是目标图像区域N和背景图像区域M的纹理特征矢量，为[T_M,T_N]的协方差矩阵。且当纹理完全相同时，马氏距离(即相似度)为1。

Claims (2)

1.特定光谱条件下的纹理检测方法，其特征是，包括以下步骤：

S01、图像预处理：在获取图像的镜头前增设能够透过特定波段光谱的检验镜，先后经过检验镜获取原始的目标图像与背景图像，通过MATLAB提取两幅图像中光谱分布不同的区域，得到目标图像区域N与背景图像区域M；

S02、图像灰度化：将目标图像区域N以及背景图像区域M分别进行灰度化处理，得到目标图像区域N的灰度纹理图像N’与背景图像区域M的灰度纹理图像M’；

S03、计算灰度共生矩阵：分别计算灰度纹理图像N’与M’的灰度共生矩阵；

S04、纹理特征值提取：根据灰度纹理图像N’与M’提取目标图像区域N与背景图像区域M的四个特征值，即角二阶矩、对比度、熵和相关性；

S05、相似度计算：计算目标图像区域N与背景图像区域M的纹理特征矢量之间的马氏距离，作为背景和目标之间的纹理相似度。

2.如权利要求1所述的特定光谱条件下的纹理检测方法，其特征是，步骤S01通过MATLAB对经过检验镜的两幅图像进行减法运算，即将原始的背景图像减去目标图像，得到两幅图像中光谱分布不同的区域坐标值，再从原始的目标图像和背景图像中将此区域的图像提取出来，得到目标图像区域N与背景图像区域M。