融合視覺感知和等周理論的數(shù)碼迷彩紋理提取

初苗，田少輝，余隋懷，周憲

1.西北工業(yè)大學(xué)機(jī)電學(xué)院，西安 710072

2.中國人民解放軍總后勤部建筑工程研究所，西安 710032

融合視覺感知和等周理論的數(shù)碼迷彩紋理提取

初苗1，田少輝2，余隋懷1，周憲1

1.西北工業(yè)大學(xué)機(jī)電學(xué)院，西安 710072

2.中國人民解放軍總后勤部建筑工程研究所，西安 710032

現(xiàn)階段數(shù)碼迷彩紋理的提取方法缺乏主觀視覺感知，針對其提取效果和質(zhì)量欠佳的問題，提出一種融合視覺感知和等周理論的數(shù)碼迷彩紋理提取方法。此方法先利用人的視覺感知特性構(gòu)造邊權(quán)值函數(shù)，將等周率作為選擇分割閾值的準(zhǔn)則選取最小等周率所對應(yīng)的候選閾值作為最終分割閾值，完成數(shù)碼迷彩紋理的提取。在一系列自然紋理圖像上的實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的幾種經(jīng)典多閾值分割方法相比，此方法的分割效果更好。

數(shù)碼迷彩；等周理論；多級閾值；圖像分割

1 引言

偽裝是作戰(zhàn)保障的一種重要技術(shù)手段，科學(xué)合理的偽裝應(yīng)用能夠提高目標(biāo)的生存能力，而迷彩紋理設(shè)計(jì)是光學(xué)和紅外偽裝的重要研究內(nèi)容之一?，F(xiàn)階段，國內(nèi)的數(shù)碼迷彩紋理的提取方法大多基于背景圖像的統(tǒng)計(jì)分析，缺乏對人的視覺感知特性的研究[1]。提取數(shù)碼迷彩紋理方法的實(shí)質(zhì)就是對自然紋理圖像進(jìn)行多閾值分割，用較少的色階和大小適中的斑塊來模擬自然紋理，已達(dá)到最佳的視覺效果，因此，研究人眼視覺的感知特性對數(shù)碼迷彩紋理的提取是十分必要的。優(yōu)良的數(shù)碼迷彩紋理在生成馬賽克圖案之前應(yīng)該具有明暗層次豐富，斑塊大小適中，斑塊邊界相對清晰，圖像細(xì)節(jié)刻畫完整等特點(diǎn)[2]。而常用的一些圖像分割方法，比如STA，Otsu等方法所提取的數(shù)碼迷彩紋理均適合生成馬賽克圖案。

針對上述情況，本文試圖結(jié)合人類視覺感知特性和等周理論[3]，提出一種數(shù)碼迷彩紋理提取的新方法。該方法不僅對紋理圖像像素的灰度信息進(jìn)行統(tǒng)計(jì)，并且考慮到像素之間的位置關(guān)系以及相鄰像素之間的亮度差異是否能夠被人眼識別等因素，利用人眼對亮度差的敏感度對圖像的灰度級進(jìn)行分割與合并[4]，使生成的紋理斑塊更接近人眼視覺觀察效果，從而提高數(shù)碼迷彩紋理的提取質(zhì)量。與現(xiàn)有的幾種經(jīng)典閾值分割方法的比較實(shí)驗(yàn)表明，本文方法進(jìn)行數(shù)碼迷彩紋理提取，可以獲得到較為豐富的迷彩紋理細(xì)節(jié)及大小適中的斑塊，并且斑塊具有較清晰的邊界，更適合生成馬賽克圖案。分割質(zhì)量評定指標(biāo)的定量評價(jià)也證實(shí)了本文方法的有效性[5]。

2 等周理論簡介

2.1 等周率

Leogrady首次將基于圖論的等周算法應(yīng)用到圖像分割領(lǐng)域[6]，該方法是以圖論為基礎(chǔ)的一種圖像處理方法。用于圖像分割時(shí)，等周算法認(rèn)為圖像的一個(gè)區(qū)域如果同時(shí)具有大的體積和小的邊界面積，那么就是一個(gè)好的分割。圖論方法是將圖像映射為帶權(quán)的無向圖，表示為G=(V，E)，其中V表示整個(gè)圖中的所有節(jié)點(diǎn)的集合，圖像像素視作節(jié)點(diǎn)，E表示整個(gè)圖中所有邊的集合，節(jié)點(diǎn)v∈V，邊e∈E?V×V。

連接節(jié)點(diǎn)vi和vj的邊表示為eij，帶權(quán)無向圖G的每條連接邊具有一個(gè)邊權(quán)值，可定義為w(eij)或wij，反映兩個(gè)端點(diǎn)之間的差異或相似度，圖中節(jié)點(diǎn)vi的度數(shù)記為di=∑w(eij)=∑wij，?eij∈E。

對于任一幅有N個(gè)像素的自然紋理灰度圖像，都可以按照圖論將其映射為一個(gè)具有一定拓?fù)浣Y(jié)構(gòu)的帶權(quán)無向圖G=(V，E)。則圖G的等周率hG[7]定義如下：

其中，S為圖G中任意的有限節(jié)點(diǎn)集，Volv表示集合G的體積，S?V；Vols≤VolV/2，|?S|為集合S的邊界所包含的面積。對于一個(gè)由有限個(gè)節(jié)點(diǎn)構(gòu)成的圖而言，下確界（inf）等價(jià)于最小值（min）。給定圖G的節(jié)點(diǎn)子集S，定義?S={eij|vi∈S，vj∈ˉ}，ˉ表示S的補(bǔ)集。

公式（2）中體積Vols的定義[8]如下：

此定義傾向于分割出具有相似灰度的區(qū)域。

對于圖G的節(jié)點(diǎn)子集S，其等周率可定義如下：

其中，Vols≤VolV/2，結(jié)合等式（1）～（3），可將等周率hG重寫為：

2.2 等周率計(jì)算的推導(dǎo)

任意給定一幅具有256個(gè)灰度級的圖像，每個(gè)灰度級對應(yīng)等周率的具體計(jì)算過程如下：

（1）令V={(x，y):x=0，1，…，nh-1;y=0，1，…，nw-1}}表示像素點(diǎn)的集合，其中，nh和nw分別為圖像的高度和寬度。假定0≤f(x，y)≤255為圖像在像素點(diǎn)(x，y)處的灰度級。V滿足如下條件：

（2）定義邊權(quán)值函數(shù)。賦予圖G中每條連接邊一個(gè)邊權(quán)值，連接邊euv（連接相鄰節(jié)點(diǎn)u和v）的權(quán)值wuv反映了兩個(gè)節(jié)點(diǎn)是否屬于同一個(gè)分割區(qū)域的可能性。邊權(quán)值函數(shù)wuv可定義為：

其中，γ用于控制兩節(jié)點(diǎn)間的邊權(quán)對灰度差異的敏感程度，f(u)和f(v)表示兩節(jié)點(diǎn)u和v的灰度級。

（3）對任意一個(gè)灰度級t(0≤t≤255)，能夠得到圖像對應(yīng)的圖G=(V，E)的一個(gè)二劃分V={S，ˉ}，其中S和Sˉ分別為：

則公式（2）的分子可轉(zhuǎn)換為：

為Vi中所有節(jié)點(diǎn)與Vj中所有節(jié)點(diǎn)間邊權(quán)的總和。則有：

因此，公式（2）的等周率推導(dǎo)為：

（4）根據(jù)邊權(quán)值函數(shù)，構(gòu)建基于灰度級的權(quán)值矩陣M。M為256×256的對稱矩陣，Mij=Mji=cut(Vi，Vj)。根據(jù)構(gòu)建的權(quán)值矩陣M，計(jì)算出每個(gè)灰度級t(0≤t≤255)對應(yīng)的cut(S，Sˉ)、assoc(S，S)和assoc(Sˉ，Sˉ)，由此，可快速地計(jì)算出t對應(yīng)的等周率。

3 基于視覺感知和等周理論的紋理提取方法

3.1 基于視覺感知的權(quán)重函數(shù)改進(jìn)

3.1.1 人類視覺模型

人類的眼睛有兩大類視覺細(xì)胞分別是視桿體（rods）和視錐體（cones）。視桿體細(xì)胞的光靈敏度很強(qiáng)，可以提供暗視；而視錐體細(xì)胞在亮光下靈敏度很強(qiáng)，可以提供明視。實(shí)驗(yàn)表明，人眼對亮度的感覺與進(jìn)入眼睛的光的強(qiáng)度成對數(shù)關(guān)系。由于人眼的視覺亮度感知閾值并不完全取決于物體本身的亮度，物體周圍的背景亮度影響了人眼對物體本身亮度的感知[9]。文獻(xiàn)[9]表明：人眼對亮度差的敏感程度與背景亮度呈非線性變化。假設(shè)周圍背景亮度值為I，背景中的目標(biāo)亮度值為I+ΔI，根據(jù)人眼視覺感知特性，設(shè)定某個(gè)閾值T，只有當(dāng)ΔI＞T時(shí)，人眼才能夠感知到目標(biāo)亮度與周圍背景亮度的差異，才能把目標(biāo)從背景中分離出來。由于周圍背景的亮度會影響該閾值T的值，于是定義ΔI/I為閾值亮度比函數(shù)，如圖1所示。當(dāng)周圍背景亮度小于某個(gè)值時(shí)，閾值亮度比函數(shù)近似為常函數(shù)；當(dāng)周圍背景亮度大于某個(gè)值時(shí)，閾值亮度比函數(shù)曲線近似為一條垂直線，即由于周圍背景亮度的影響導(dǎo)致很難將目標(biāo)分離出來；而當(dāng)周圍背景亮度處于低亮度和高亮度之間時(shí)，閾值亮度比函數(shù)ΔI/I的值近似于常數(shù)，即滿足韋伯定律。

圖1 閾值亮度比函數(shù)曲線

根據(jù)文獻(xiàn)[7]提出的方法，ΔI為：

式中α，β和C為參數(shù)，α為韋伯常數(shù)，α∈[0.01，0.3]，a∈[45，81]，β∈[180，210]，本文取α=0.06，a=55，p= 210；確定α、a和p的值之后，根據(jù)函數(shù)的連續(xù)性求C和β的值。

3.1.2 權(quán)重函數(shù)的分析與改進(jìn)

將等周算法應(yīng)用到數(shù)碼迷彩紋理提取的領(lǐng)域中，首先需要將紋理圖像中的像素點(diǎn)映射為圖中的節(jié)點(diǎn)，像素點(diǎn)間亮度值的差異通過圖中對應(yīng)節(jié)點(diǎn)間的邊權(quán)值來體現(xiàn)，而邊權(quán)值則由邊權(quán)值函數(shù)實(shí)現(xiàn)。設(shè)圖像中相鄰兩個(gè)像素的灰度值分別為f(u)和f(v)，euv表示節(jié)點(diǎn)u與節(jié)點(diǎn)v之間的邊，那么它們的相似度即邊權(quán)值函數(shù)可以定義如下：

其中，γ用于控制兩節(jié)點(diǎn)間的邊權(quán)值對灰度差異的敏感程度。邊權(quán)值函數(shù)wuv的功能是將紋理圖像中兩個(gè)像素點(diǎn)間的亮度差值映射到紋理圖中對應(yīng)節(jié)點(diǎn)相連的邊上。

但用于提取數(shù)碼迷彩紋理方法中，該權(quán)重函數(shù)存在一些不足，在實(shí)際情況中，人眼對亮度的敏感程度并不完全由物體本身的亮度決定，物體的背景亮度和復(fù)雜度影響人眼對物體亮度的感覺，因此需要根據(jù)人眼視覺感知特性構(gòu)建權(quán)重函數(shù)。

根據(jù)視覺感知亮度特性，ΔI如公式（17）所示，對邊權(quán)值計(jì)算的改進(jìn)如下式：

其中ΔI為每一個(gè)灰度級I(I=1，2，…，255)的剛可分辨亮度差。圖中邊的權(quán)值wuv反映對應(yīng)端節(jié)點(diǎn)的相似性，邊權(quán)越大，兩個(gè)端節(jié)點(diǎn)越相似，屬于同一分割區(qū)域的可能性也越大。此定義傾向于分割出視覺可感知的具有相似灰度的區(qū)域。本文中取γ=165。

3.2 基于等周理論的多級閾值分割

基于等周理論的二級閾值分割方法只能將圖像分成目標(biāo)和背景兩個(gè)部分，而在數(shù)碼迷彩的實(shí)際應(yīng)用中，待分割的自然紋理包含多個(gè)具有不同灰度級的目標(biāo)，且需要將不同的灰度級的區(qū)域分割開來。因此，需要將基于等周圖割的二級閾值方法擴(kuò)展到多級閾值分割中，通過有效的迭代策略依次選擇多個(gè)閾值將圖像分割成幾個(gè)部分。

3.2.1 多級閾值的選擇

基于等周理論的多級閾值分割算法流程如圖2所示。假設(shè)D為最終的閾值分割個(gè)數(shù)，根據(jù)D個(gè)分割閾值將原紋理圖像的灰度級分成D+1個(gè)子區(qū)間，同時(shí)將灰度區(qū)間[0，255]分成D+1個(gè)子區(qū)間?；诘戎芾碚摰亩嗉夐撝捣指钏惴ㄈ鐖D2所示。

具體的流程如下：

（1）計(jì)算每個(gè)灰度級t(0≤t≤255)所對應(yīng)的等周率。

（2）選擇當(dāng)前計(jì)算出的最小等周率，將其對應(yīng)的灰度級t作為候選閾值。

圖2 基于等周理論的多級閾值分割算法流程

（3）根據(jù)計(jì)算出的候選閾值t將候選閾值區(qū)間擴(kuò)展為[t-k×hw，t+k×hw]，重設(shè)區(qū)間內(nèi)所有灰度級的等周率值為無窮大。其中k為整數(shù)，hw為最佳的直方圖最佳區(qū)間寬度[10]：

在公式（18）中，σ為圖像的標(biāo)注偏差，N為圖像的像素總數(shù)。

3.2.2 閾值個(gè)數(shù)的自動確定

為了能夠自動確定紋理圖像的閾值個(gè)數(shù)，采用節(jié)點(diǎn)聚類數(shù)準(zhǔn)則Q[11]來確定閾值個(gè)數(shù)。對于一幅具有N個(gè)節(jié)點(diǎn)的圖G=(V，E)，假定W為圖鄰接矩陣，節(jié)點(diǎn)聚類準(zhǔn)則Q如下：

其中，PK是圖G的一個(gè)K劃分，A(V1,V2)=∑vi∈V1,vj∈V2wij。A(Vc，Vc)為第c類所有節(jié)點(diǎn)的邊權(quán)值之和，A(Vc，V)為與第c類中節(jié)點(diǎn)有關(guān)連的所有的邊的權(quán)值之和。在圖中任意挑選一條邊，A(Vc，Vc)/A(V，V)為該邊的兩個(gè)節(jié)點(diǎn)至少有一個(gè)在第c類的經(jīng)驗(yàn)概率pc。Q可以理解為一種表示pc.c與p2c之間偏離程度的測度。

給定一幅圖G，A(V，V)是一個(gè)常數(shù)，準(zhǔn)則Q可簡化為：

針對上述K劃分PK，定義一個(gè)賦值矩陣X=[x1，x2，…，xK]，維數(shù)為N×K。當(dāng)vi∈Vc時(shí)，xic=1，否則xic=0，1≤c≤K。由于圖中的節(jié)點(diǎn)只能屬于某一個(gè)類，因此有X1K=1N，其中，1K=1N分別為由K和N個(gè)1構(gòu)成的列向量。這樣，根據(jù)矩陣X將Q重新改寫為：

其中，volG代表A(V，V)，d∈Rn×1是節(jié)點(diǎn)度向量。

本文采用簡化后的準(zhǔn)則函數(shù)Q來確定圖像的閾值個(gè)數(shù)，假定候選閾值的個(gè)數(shù)為C，確定閾值個(gè)數(shù)的流程圖如圖3所示。

圖3 閾值個(gè)數(shù)的自動確定算法流程圖

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證融合視覺感知和等周理論的多級閾值分割方法在數(shù)碼迷彩紋理提取效果中的有效性，在一系列圖像上進(jìn)行了實(shí)驗(yàn)，并與幾種經(jīng)典的閾值分割方法，包括Otsu[10]，STA[12]作對比實(shí)驗(yàn)，如圖4～6所示。本文方法采用的圖拓?fù)浣Y(jié)構(gòu)為4連接，所有實(shí)驗(yàn)均在2.5 GHz英特爾酷睿雙核CPU、4 GB內(nèi)存的notebook PC機(jī)上執(zhí)行，程序采用Matlab7.0編寫。所有測試圖像的分辨率大小均為512×512。

圖4 草地紋理的閾值分割結(jié)果

圖5 荒漠紋理的閾值分割結(jié)果

圖6 叢林紋理的閾值分割結(jié)果

為了量化各種方法分割質(zhì)量的差異，本文采用了兩種分割質(zhì)量評價(jià)準(zhǔn)則：平均結(jié)構(gòu)相似性MSSIM（Mean Structural Similarity）[13]以及均勻性U（Uniformity）[14-15]，如表1所示。

表1 測試圖像閾值分割結(jié)果的定量比較

圖4～6分別給出了三種多級閾值方法分割3幅不同自然紋理圖像的結(jié)果，由于數(shù)碼迷彩紋理多由4色構(gòu)成，因此選擇分類數(shù)為4，實(shí)驗(yàn)數(shù)據(jù)如表1所示。從紋理分割效果可以看出，本文的方法分割效果最好，也最能滿足數(shù)碼迷彩對紋理分割的要求，分割后圖像質(zhì)量的評價(jià)數(shù)據(jù)也證實(shí)了本文方法的有效性。如表1所示，本文方法所得的MSSIM值最高，說明本文的分割結(jié)果與原紋理圖像最相似，分割質(zhì)量更佳。此外，本文方法所得的U值較高，略低于Otsu，說明每個(gè)分割類的均勻性比較好。值得注意的是，表1中Otsu對應(yīng)的U值最高，其原因在于均勻性（U）準(zhǔn)則與Otsu的準(zhǔn)則函數(shù)相似[16-17]。在用于比較的三種方法中，STA的分割法獲得的迷彩紋理通常最糟糕，迷彩紋理細(xì)節(jié)損失較大；Otsu的分割法得到的迷彩紋理細(xì)節(jié)最為豐富，但是過于破碎的紋理圖案不利于最終數(shù)碼迷彩的生成；本文分割方法獲得的迷彩紋理細(xì)節(jié)較為豐富，斑塊大小適中，同時(shí)具有較清晰的斑塊邊界，最適合生成數(shù)碼迷彩的馬賽克圖案。

5 結(jié)束語

迷彩偽裝效果的最終評價(jià)是由“人”來進(jìn)行判讀的，然而傳統(tǒng)的數(shù)碼迷彩紋理提取方法在計(jì)算過程中未考慮人類視覺感知特性，為此提出一種融合視覺感知和等周理論的數(shù)碼迷彩紋理提取方法。此方法先利用人的視覺感知特性構(gòu)造邊權(quán)值函數(shù)，再將等周率作為選擇分割閾值的準(zhǔn)則選取最小等周率所對應(yīng)的候選閾值作為最終分割閾值，完成數(shù)碼迷彩紋理的提取。為了驗(yàn)證本文方法的有效性，在一系列的自然紋理圖像進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，相對于現(xiàn)有的幾種經(jīng)典多級閾值分割方法，本文方法的分割效果更適合數(shù)碼迷彩紋理的提取。圖像分割質(zhì)量評定指標(biāo)的評測結(jié)果也證實(shí)了本文方法的有效性。

[1]顧述娟.基于區(qū)域分割的迷彩設(shè)計(jì)研究[D].西安：西安工業(yè)大學(xué)，2010：2-3.

[2]雙曉.基于雙重紋理的數(shù)碼迷彩研究與設(shè)計(jì)[D].西安：西安工業(yè)大學(xué)，2012：5-8.

[3]李佐勇，劉傳才.融合視覺感知和等周理論的圖像閾值分割[J].中國圖象圖形學(xué)報(bào)，2011（3）：372-376.

[4]王磊，段會川.Otsu方法在多閾值圖像分割中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，6（11）：2482-2486.

[5]Mazumder R，Hastie T，Tibshirani R.Spectral regularization algorithms for learning large incomplete matrices[J]. The Journal of Machine Learning Research，2010，11：2287-2322.

[6]Grady L.Space-variant machine vision-a graph theoretic approach[D].Boston：University of Vermont，2004.

[7]Seott D W.On optimal and data-based histograms[J]. Biometrika，1979，66（3）：605-610.

[8]陳健，印鑒.基于影響集的協(xié)作過濾推薦算法[J].軟件學(xué)報(bào)，2007，18（7）：1685-1694.

[9]李佐勇.基于統(tǒng)計(jì)和譜圖的圖像閾值分割方法研究[D].南京：南京理工大學(xué)，2010：56-58.

[10]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Trans on Systems Man and Cybernetics，1979，9.

[11]胡錦美，李佐勇，張祖昌.基于等周理論的自動多級閾值分割方法[J].系統(tǒng)仿真學(xué)報(bào)，2013，25（1）：151-155.

[12]Arora S，Acharya J，Verma A，et al.Multilevel thresholding for image segmentation through a fast statistical recursive algorithm[J].Pattern Recognition Letters，2008，29（2）：119-125.

[13]Wang Z，Bovik A C，Sheikh H R，et al.Image quality assessment：from error visibility to structural similarity[J]. IEEE Transactions on Image Proeessing，2004，13（4）：600-612.

[14]Yin P Y，Chen L H.A fast iterative scheme for multilevel thresholding methods[J].Signal Processing，1997，60（3）：305-313.

[15]Hammouche K，Diaf M，Siarry P.A multilevel automatic thresholding method based on a genetic algorithm for a fast image segmentation[J].Computer Vision and Image Understanding，2008，109（2）：163-175.

[16]Chiao Chuan-Chin，Chubb C，Hanlon R T.Interactive effects of size，contrast，intensity and configuration of background objects in evoking disruptive camouflage in cuttlefish[J].Vision Research，2007，47（16）：2223-2235.

[17]Friskovec M，Gabrijelcic H.Design and ebaluation of a camouflage pattern for the Slovenian urban environment[J].Journal of Imaging Science and Technology，2010，54（2）：227-230.

CHU Miao1,TIAN Shaohui2,YU Suihuai1,ZHOU Xian1

1.School of Mechanical Engineering,Northwestern Polytechnical University,Xi’an 710072,China
2.Chinese People’s Liberation Army Construction Engineering Research Institute,Xi’an 710032,China

The extraction methods of present digital camouflage texture are lack of subjective visual perception.With the poor effect and quality of extraction,a novel extraction arithmetic for digital camouflage texture image based on human visual perception and isoperimetric theory is presented.The proposed method first utilizes characteristics of human visual perception to build constructor of edge weight,then uses isoperimetric ratio in isoperimetric theory based on human visual perception as a criterion to determine the optimal threshold from the candidates.Experimental results on a series of natural texture images show that authors’method outperforms several existing classic thresholding methods in segmentation quality. Key words：digital camouflage;isoperimetric theory;multilevel thresholding;image segmentation

A

TP391

10.3778/j.issn.1002-8331.1309-0229

CHU Miao,TIAN Shaohui,YU Suihuai,et al.Extraction algorithm for digital camouflage texture fused of human visual perception and isoperimetric theory.Computer Engineering and Applications,2014,50（6）：148-152.

2013年度國家社會科學(xué)基金（No.13BG068）。

初苗（1982—），女，博士研究生，研究領(lǐng)域?yàn)閭窝b設(shè)備及偽裝效果檢測；余隋懷（1964—），男，博士生導(dǎo)師，研究領(lǐng)域?yàn)閳D形圖像學(xué)。

2013-09-16

2013-11-19

1002-8331（2014）06-0148-05