|
所謂圖像分割就是指把圖像分成各具特性的區域，并提取出感興趣目標的技術和過程。它是數字圖像處理中的關鍵技術之一，是進一步進行圖像識別、分析和理解的基礎。目前圖像分割方面現有的算法非常多，將它們進行分類的方法也提出了不少。一般分為3類： (1)閾值分割； (2)邊緣檢測； (3)區域提取。 但還沒有一種方法能普遍適用于各種圖像。因此，對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之一。隨著科技的發展進步，圖像處理在軍事中的運用也越來越廣泛，這主要集中在迷彩設計這方面。而現在軍事上的偽裝迷彩是現代高技術戰爭中隱藏武器裝備、保存自我的重要手段，也是消滅敵人的需要。因此對于迷彩的設計研究也一直都是各國的熱門話題。文中主要以某山地航拍圖為研究對像，對其進行背景分析然后再實現圖像分割，為后期迷彩設計做準備。由于該山地背景紋理特征明顯，故利用紋理分析對其進行背景分析，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該圖像進行分割研究。 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在空間上的分布特性，是紋理分析領域中最經常采用的特征之一。灰度共生矩陣是圖像灰度變化的二階統計度量，也是描述紋理結構性質特征的基本函數，它統計了兩個像素點位置的聯合概率分布。設S為目標區域R中具有特定空間聯系的像素對的集合，則共生矩陣P可定義為 式(1)等號右邊的分子是具有某種空間關系、灰度值分別為i，j的像素對的個數，分母為像素對的總和個數(#代表數量)，這樣得到的P是歸一化的。 對于一幅圖像Gf(i，j)，大小N×N，包含像素(動態范圍為G)的灰度級為{0，1，…，G-1}，它的灰度共生矩陣是一個二維矩陣C(i，J)，每個矩陣元素表示在某一距離d和角度θ強度i和j聯合出現的概率。因此，根據不同的d和θ值，這里可能存在多個共生矩陣。但在實際應用中，往往適當的選取d，而θ一般取O°，45°，90°，135，如圖1所示。 2 實驗設計及分析 2．1 灰度共生矩陣的常用參量 實際應用中，作為圖像紋理分析的特征量是由灰度共生矩陣計算出的一些參量。Haralick曾提出14種由灰度共生矩陣計算出的參量。但在本實驗中主要用到的參量有以下4種： (1)角二階矩(Angular Second Moment，簡記為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度。如果共生矩陣的所有值均相等，則ASM值小；相反，如果其中一些值大而其它值小，則ASM值大。當共生矩陣中元素集中分布時，ASM值大。ASM值大表明一種較均一和規則變化的紋理模式； (2)對比度(Contrast，簡記為CON)。 對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，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊。灰度差即對比度大的像素對越多，這個值越大。灰度公生矩陣中遠離對角線的元素值越大，CON越大； (3)相關性(Correlation，簡記為COR)。 相關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，相關值大小反映了圖像中局部灰度相關性。當矩陣元素值均勻相等時，相關值就大；相反，如果矩陣像元值相差很大則相關值小。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；若圖像充滿著細紋理，P(i，j)的數值近似相等，則該圖像的熵值最大；若圖像中分布著較少的紋理，P(i，j)的數值差別較大，則該圖像的熵值較小。 2．2 圖像預處理 即對圖像進行過濾，以便于提高圖像識別的速度和準確率。圖像預處理過程是對圖像的一個過濾過程，要排除干擾，保留需要處理的部分，并過濾掉不需要的部分。以某山地照片為例，首先選取一定大小的圖片作為研究對像，如圖2(a)所示，然后將該圖片掃描輸入電腦，并對其進行編號。接著對其進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。然而在計算共生矩陣時，由于計算量大，再將圖像的灰度分成16個灰度級。 2．3 試驗設計 關于紋理圖像識別與分類的具體應用實例很多。一般的做法是通過紋理特征的度量方法對每張圖像抽取一組紋理特征，由這些特征構成該樣本的特征向量，然后在特征空間里應用統計模式識別方法對眾多的圖像樣本進行識別與分類。在本實驗中，樣本圖像經數字化處理后的像元數為109×116，將圖像分成大小為16×16像素的非重疊窗口，共49個子圖像，Ng=16(將0~255灰度分成16級)。每個小塊都從4個方向(0°，45°，90°和135°)來提取特征，具體設計步驟如下： (1)利用前述灰度共生矩陣計算出4個最主要的特征值(角二階矩，對比度，相對性和熵值)，然后取這4個方向的均值和方差表示該特征值，于是，4個方向值就變成2個。為此共可提供8個紋理特征值。將提取的特征值保存到紋理特征庫中作為訓練樣本； (2)計算出其他小塊的紋理特征值作為未知樣本，并對其進行編號； (3)利用最小歐氏距離分類法將從未知樣本中提取的特征值與紋理特征庫中訓練樣本的特征值進行比對，當且僅當未知樣本的特征向量與訓練樣本的歐氏加權距離最小時輸出匹配成功的未知樣本的編號，否則不輸出。輸出成功后將匹配成功的未知樣本編號與訓練樣本編號進行統一調整； (4)以另一未知樣本的紋理特征值作為訓練樣本保存在紋理特征庫中，利用上述類似方法進行模式匹配。重復步驟(2)和步驟(3)，直至每個未知樣本被輸出。 以上步驟全部運行完畢后，將得出相似紋理區域的小塊具有相同編號，這樣就實現了紋理分類，然后根據編號的不同實施區域整合劃分，這樣就可以實現紋理圖像分割。具體實驗設計過程，如圖3所示。 2．4 實驗結果分析 根據前述步驟，利用Matlab和VC++工具對圖像進行分析處理，然后利用聚類分析等方法實現的實驗效果，如圖4所示。 由圖4可以看出，對于紋理特征明顯的圖像進行二值化后，再根據紋理特征值結合加權歐式距離進行圖像特征處理，最終得到的效果圖實現了較好的區域融合和劃分，達到了圖像分割的目的。 3 結束語 文中利用灰度共生矩陣方法對圖像進行紋理特征提取，然后根據加權歐氏距離對每個紋理區域進行模式匹配，將圖像按不同紋理區域進行整合劃分。最后利用聚類等方法實現了圖像分割。經過多次試驗表明，對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現對圖像的分割具有一定的準確性和實用性，并能較好的實現圖像分割效果。 |
