圖像聚焦程度對特征提取的影響

郝爭輝，王 高，原東方,褚星明，蔚 旋，李咸靜

?

圖像聚焦程度對特征提取的影響

郝爭輝，王 高，原東方,褚星明，蔚 旋，李咸靜

（中北大學(xué) 儀器科學(xué)與動態(tài)測試教育部重點(diǎn)實(shí)驗室，電子測試技術(shù)國家重點(diǎn)實(shí)驗室，山西 太原 030051）

紋理性分析是關(guān)于圖像中局部區(qū)域內(nèi)定量計算像素間關(guān)系的。形狀是直觀描述物體的特征之一，這一特征可以直接用于目標(biāo)物體的區(qū)別中。本文主要以提取紅外聚焦圖像特征為前提，分析其紋理、面積及周長等特征隨聚焦程度變化的趨勢。通過實(shí)驗得出隨聚焦程度正相關(guān)變化的特征為圖像紋理特性中的相關(guān)與面積特征，而與之變化負(fù)相關(guān)的為紋理特征中的二階矩、熵、對比度。形狀特征中的周長與聚焦程度的變化關(guān)系較小。在不同的聚焦程度下提取出圖像的紋理、形狀特征都會有所差異。

聚焦程度；紋理特征；輪廓線

0 引言

從圖像中提取的特征包括形狀、紋理和顏色等[1-2]。紋理特征廣泛存在于圖像中，但是這種特征在圖像中又難以描述。在圖像處理及圖像分析等研究領(lǐng)域關(guān)于紋理性的分析一直都是活躍的方向。提取紋理特征對圖像進(jìn)行分類、檢索、分割等，這些方面的分析都依賴于對特征的有效提取[3]。紋理性分析是關(guān)于部分區(qū)域內(nèi)圖像像素之間的定量計算。形狀是關(guān)于檢測目標(biāo)物體的特征，形狀特征可以直接用于區(qū)別物體中[4]。

形狀、紋理特征在圖像的處理、分析中都有特殊意義。本文主要通過對聚焦過程中的圖像提取出紋理、形狀特征，以此分析對提取特征帶來的影響。采用改進(jìn)的輪廓線提取方法對圖像中目標(biāo)物進(jìn)行輪廓檢測，采用灰度共生矩陣的方法提取圖像中的紋理特征。通過實(shí)驗結(jié)果，分析隨聚焦情況的不同，對形狀特征與紋理特征的影響趨勢。

1 圖像目標(biāo)物輪廓檢測

1.1 圖像目標(biāo)物分割閾值選取

圖像中單一目標(biāo)物體所在的區(qū)域里灰度值方差較小，通過這一點(diǎn)可以順利找出確定的目標(biāo)物體。首先，對紅外圖像進(jìn)行直方圖統(tǒng)計：

式中：,表示像素的橫縱坐標(biāo)；為,位置上的灰度級。利用式(1)、式(2)對圖像（圖1(a)）中的灰度級進(jìn)行統(tǒng)計所得結(jié)果如圖1(b)。

圖1 紅外圖像與直方圖分布

圖1為紅外圖像的灰度直方圖，將灰度級進(jìn)行排序。從左起依次比較各灰度級像素數(shù)的多少，找出第一個像素數(shù)比較多的灰度級。經(jīng)過第一個峰值之后直方圖呈下降趨勢。從峰值所處的灰度級開始往右依次找出峰值之后的第一個谷點(diǎn)，該點(diǎn)灰度級與峰值灰度級之差即為灰度距離閾值。

將圖1(b)進(jìn)行局部放大后得到圖2，圖2從左到右像素數(shù)量最多的為0灰度級，從該峰值依次往右找到第一個谷點(diǎn)其灰度級為4，所以其值為4。

圖2 分割閾值選取

1.2 圖像的水平集演化

在校準(zhǔn)紅外熱像儀的實(shí)驗過程中，采用一個可以恒定溫度工作的黑體來校準(zhǔn)熱像儀。黑體通過紅外熱像儀拍攝后，可將黑體所產(chǎn)生的紅外光在上位機(jī)上轉(zhuǎn)化為紅外圖像，隨著聚焦程度的改變，黑體在圖像中的面積和輪廓也會隨著變化。將Laplace算子融入-模型當(dāng)中，以能量泛函的最小化為目標(biāo)，通過變分水平集理論來求解最終使曲線停留在目標(biāo)物輪廓線處，從而將黑體在圖像中的像分割出來。在分割模型中[4-5]，水平集曲線在目標(biāo)區(qū)域上進(jìn)行演化，能量函數(shù)方程如下：

()和()是近似規(guī)整化的Heaviside函數(shù)和Dirac函數(shù)，如下式：

利用變分法極小化該能量函數(shù)得：

對應(yīng)的最快梯度下降流為：

運(yùn)用表示水平集函數(shù)的零水平集從而將嵌入到中，對按式(9)推演，直到迭代條件終止（收縮曲線所圍區(qū)域在一個確定的迭代次數(shù)下最少一次維持原樣不變）。輪廓線收縮停止，取得零水平集即是圖像中所需提取出的目標(biāo)物體邊緣線。

結(jié)合Laplace算子對式(9)作了改進(jìn)：

式中：Laplace為四鄰域拉普拉斯算子。為了使分割出的目標(biāo)物輪廓線較為光滑，采用四鄰域拉普拉斯算子使得各鄰域間差值都小于等于。

1.3 形狀特征提取

其中為紅外圖像，(,)為結(jié)構(gòu)單元，Q為腐蝕運(yùn)算符號。目標(biāo)物輪廓線長度為：

目標(biāo)物的輪廓線用表示，面積是分割出圖像中目標(biāo)物的像素個數(shù)，即輪廓線內(nèi)總的像素個數(shù)[6]。

2 圖像紋理特征檢測

Haralick等人通過灰度共生矩陣來定義14個特征參數(shù)來描述紋理特征。通過后續(xù)研究發(fā)現(xiàn)：14個紋理特征參數(shù)，具有不相關(guān)特性的只有4個特征參數(shù)，并且4個特征參數(shù)既能通過灰度共生矩陣方便地給出，又可以提高后續(xù)的分類精度，因此采用這4個線性無關(guān)的紋理特征來進(jìn)行特征提取[7]。

二階矩為：

二階距特征由該圖像所產(chǎn)生的灰度共生矩陣各個元素平方和所構(gòu)成，同時它可以反映出圖像的紋理粗細(xì)、灰度像素的分布均勻程度。

對比度為：

對比度特征是用來刻畫溝紋的深淺程度。圖像中所包含的溝紋越深，所求出的對比度就越大。像素間灰度差值越大，所得的對比度也會越大。

相關(guān)為：

式中：1，2，1與2定義為：

圖像相關(guān)特征可以定量描述灰度共生矩陣行、列方向上的相似程度?；叶裙采仃囍懈鱾€元素值均勻分布，則其相關(guān)較大；如果其中元素之間差值較大時，相關(guān)性較小。

熵為：

熵可以用來作為圖像具有的信息量多少的指標(biāo)，也可以用來描述所檢測由像素構(gòu)成圖像排布的非均勻程度。如果所檢測圖像中不包含紋理特征，則所求出的灰度共生矩陣中元素大部分等于零。當(dāng)構(gòu)成圖像的紋理特性比較復(fù)雜時，則熵值較大。

3 實(shí)驗結(jié)果與分析

實(shí)驗采用紅外圖像作為處理的對象，對其圖像中的目標(biāo)物進(jìn)行輪廓、面積特征的提取，并對其進(jìn)行紋理特征檢測。采用不同聚焦情況下的圖像分別進(jìn)行特征提取。作出在聚焦程度不斷變化的條件下，對提取出各個特征量的影響。實(shí)驗平臺為MATLAB2014，實(shí)驗參數(shù)選擇如下：1＝1，2＝1，＝0.01×2552，＝4，＝1。

采用Robert函數(shù)來進(jìn)行聚焦程度檢測[8]，利用Robert算子作為卷積模板進(jìn)行判斷：

下面通過仿真實(shí)驗來分析聚焦程度對于特征量的影響關(guān)系。圖3為熱像儀所采集的從離焦到聚焦再到離焦的紅外圖像，所提取出的圖像特征如表1所示。

從表1中可以看出隨著聚焦程度的不同，從圖像中所提取出的面積、周長及紋理特性都會隨著聚焦程度而變化。所以聚焦程度的不同會對圖像中的這些特征的提取帶來一定的影響，進(jìn)而會導(dǎo)致得出不同的實(shí)驗結(jié)果。為了進(jìn)一步顯示出圖像特征隨聚焦程度的變化趨勢，對各行數(shù)據(jù)進(jìn)行歸一化并作出各個特征隨聚焦程度變化的曲線，如圖4，從而可以直觀地得出各個圖像特征參數(shù)隨聚焦程度的變化趨勢。

圖3 紅外聚焦圖像

Fig.3 Focused infrared image

表1 紅外聚焦圖像與對應(yīng)的特征提取值

圖4 各個特征隨聚焦程度的變化趨勢

Fig.4 The changing tendency of each feature with the degree of focusing

從圖4中可以看出對每個特征進(jìn)行歸一化后得出的曲線可以清楚的描繪出隨著聚焦程度的不同，各特征隨之變化的趨勢。圖4(a)表示隨著圖像聚焦程度的從離焦向聚焦變化的過程中，二階矩的變化趨勢卻是由高降低。當(dāng)圖像聚焦程時，二階矩值降到最低。圖4(b)是聚焦程度與相關(guān)的曲線，相關(guān)與聚焦程度呈正相關(guān)性。當(dāng)聚焦程度達(dá)到最好時相關(guān)值也達(dá)到最大值，相關(guān)的變化趨勢與聚焦程度變化趨勢基本一致。圖4(c)中熵與聚焦程度的曲線下降較為平緩，整體變化緩慢。隨著聚焦程度的從離焦向聚焦變化的過程中，熵的變化趨勢也是由高降低。圖4(d)中在靠近聚焦程度較大的時候?qū)Ρ榷容^低，且越靠近聚焦?fàn)顟B(tài)時變化差值越大。整體趨勢隨聚焦程度的變化呈負(fù)相關(guān)性。圖4(e)中圖像目標(biāo)物提取出的面積隨聚焦程度變化平緩，且隨著聚焦程度的從離焦向聚焦變化的過程中目標(biāo)物面積逐漸增大。當(dāng)聚焦程度達(dá)到最大時，目標(biāo)物提取面積也達(dá)到最大。從表1中可以看出提取出的目標(biāo)物周長基本保持不變。

4 結(jié)論

紋理特征分析是關(guān)于圖像區(qū)域內(nèi)度量像素間關(guān)系的，形狀特征可以直觀描述物體。本文主要以提取紅外聚焦圖像特征為前提，分析其紋理、面積及周長等特征隨聚焦程度變化的趨勢。從而得出隨聚焦程度正相關(guān)變化的特征為圖像紋理特性中的相關(guān)與面積特征，而與之變化負(fù)相關(guān)為紋理特征中的二階矩、熵、對比度。形狀特征中的周長與聚焦程度的變化關(guān)系較小。圖像聚焦時，圖像中像素較為均勻分布所以紋理復(fù)雜度較低。這就使得紋理特征中一些特征與圖像聚焦程度呈負(fù)相關(guān)變化。通過實(shí)驗可知在對圖像進(jìn)行特征提取時，應(yīng)在相同的聚焦程度下進(jìn)行，這樣可以減小因為聚焦程度的不同，導(dǎo)致提取的圖像特征存在差異。

[1] 劉麗, 匡綱要. 圖像紋理特征提取方法綜述[J]. 中國圖象圖形學(xué)報, 2009(4): 622-635.

LIU Li, KUANG Gangyao. A survey of image texture feature extraction methods [J]., 2009 (4): 622-635.

[2] 阿卜杜如蘇力·奧斯曼, 吐爾洪江·阿布都克力木, 馬麗亞木·阿布來孜. 綜合顏色特征與形狀特征的圖像檢索算法[J]. 計算機(jī)工程與應(yīng)用, 2013(7): 167-170.

Abdulu Su Li ? Osman, Tu Erhong Jiang ? Abu Ducu Li Mu, Maria ? Abu Lizi. Image retrieval algorithm based on integrated color features and shape features[J]., 2013(7): 167-170.

[3] 劉舒, 姜琦剛, 邵永社, 等. 應(yīng)用灰度共生矩陣的紋理特征描述的研究[J]. 科學(xué)技術(shù)與工程, 2012, 33: 8909-8914.

LIU Shu, JIANG Qigang, SHAO Yongshe, et al. Study on texture feature description of gray level co-occurrence matrix[J]., 2012, 33: 8909-8914.

[4] 郭靖, 江潔, 曹世翔. 水平集分層分割遙感圖像中的建筑物[J]. 紅外與激光工程, 2014(4): 1332-1337.

GUO Jing, JIANG Jie, CAO Shixiang. Horizontal set layered segmentation of buildings in remote sensing images[J]., 2014(4): 1332-1337.

[5] 王興梅, 印桂生, 門志國, 等. 基于水平集改進(jìn)的水下目標(biāo)輪廓提取方法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報, 2010(4): 660-664.

WANG Xingmei, YIN Guisheng, MENG Zhiguo, et al. Underwater target contour extraction based on level set improvement[J]., 2010(4): 660-664.

[6] 王沛, 周鑫, 彭榮鯤, 等. 結(jié)合邊緣和區(qū)域的活動輪廓模型SAR圖像目標(biāo)輪廓提取[J]. 中國圖象圖形學(xué)報, 2014(7): 1095-1103.

WANG Pei, ZHOU Xin, PENG Rongkun, et al. Target contour extraction of SAR image with active contour model combined with edge and region[J]., 2014(7): 1095-1103.

[7] 高程程, 惠曉威. 基于灰度共生矩陣的紋理特征提取[J]. 計算機(jī)系統(tǒng)應(yīng)用, 2010(6): 195-198.

GAO Chengcheng, HUI Xiaowei. Texture feature extraction based on gray level co-occurrence matrix[J]., 2010(6): 195-198.

[8] 張艷超, 趙建, 韓希珍, 等. SUSAN清晰度評價函數(shù)在自動對焦中的應(yīng)用[J]. 中國光學(xué), 2014(2): 240-244.

ZHANG Yanchao, ZHAO Jian, HAN Xizhen, et al. Application of SUSAN sharpness evaluation function in autofocus[J]., 2014(2): 240-244.

Influence of Degree of Image Focusing on Feature Extraction

HAO Zhenghui，WANG Gao，YUAN Dongfang，CHU Xngming，WEI Xuan，LI Xianjing

(,,030051,)

Texture analysis includes the quantitative calculation of the relationship among pixels in a local area of an image. “Shape” is one of the characteristics of the intuition is tic description of an object, which can be directly used to distinguish the target object. In this paper, the characteristics of “texture,”“area,” and “perimeter” of the infrared focus image are analyzed. The results show positive correlations of image area and image texture with the degree of focusing, while negative correlations exist with regard to the statistical second-order moment, entropy, and contrast of the texture. The relationship between the perimeter of the shape and the degree of focusing is weak. The texture and shape features of the extracted images vary at different degrees of image focus.

degree of focus，texture feature，contour line

TP391

A

1001-8891(2017)09-0824-05

2016-11-02；

2016-12-27.

郝爭輝（1989-），男，山西呂梁人，碩士研究生，主要研究方向：紅外測溫與圖像處理。

國家安全重點(diǎn)基礎(chǔ)研究計劃項目。