楊永全

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,陜西 西安 710048)

一種基于紋理特征匹配的快速目標(biāo)分割算法

楊永全

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,陜西 西安 710048)

雖然固定尺度變化分解窗口的目標(biāo)分割算法分割效果好,但時(shí)間效率不高。針對(duì)這一缺陷,提出一種依據(jù)查詢窗口和被查詢子窗口的紋理特征距離信息,分等級(jí)尺度變化分解窗口的算法思想。在當(dāng)前循環(huán)層中,如果查詢窗口和被查詢子窗口的紋理特征距離比設(shè)定的閾值λ越大,分解窗口在下一次循環(huán)中減小的尺度d就越大,反之則越小。經(jīng)實(shí)驗(yàn)驗(yàn)證,該算法能有效提高基于紋理特征匹配的目標(biāo)分割算法效率,在分割精度上基本保持不變。

固定尺度變化分解窗口；分等級(jí)尺度變化分解窗口；紋理特征匹配；目標(biāo)分割

0 引言

雖然人們對(duì)紋理的研究已有幾十年,但至今難以對(duì)紋理給出一個(gè)統(tǒng)一、準(zhǔn)確的定義。一般來(lái)說(shuō),現(xiàn)實(shí)世界中的物體圖像并不呈現(xiàn)區(qū)域的均勻性,圖像的紋理由重復(fù)的模式組成,這種重復(fù)模式的紋理元素按某種規(guī)則排列。目前較系統(tǒng)的紋理特征描述方法分為4類[1]：基于統(tǒng)計(jì)的方法、基于結(jié)構(gòu)的方法、基于信號(hào)處理的方法和基于模型的方法。圖像處理中紋理分析是一個(gè)非常基礎(chǔ)而關(guān)鍵的問(wèn)題,在許多圖像內(nèi)容分析應(yīng)用中起重要作用。

經(jīng)典的基于紋理特征匹配的目標(biāo)分割方法中,多數(shù)算法都是基于分解框架的。這些方法將圖像分解成大小為16×16、32×32像素或其它大小像素的子窗口,然后提取每個(gè)子窗口的紋理特征。此后將每個(gè)子窗口和查詢圖像的紋理特征進(jìn)行匹配。如果距離在設(shè)定的閾值范圍內(nèi),則該子窗口被認(rèn)為是相關(guān)的。這種方法難點(diǎn)是如何確定分解窗口大小,如果窗口太大,那么一個(gè)窗口中可能包含多種紋理；如果窗口太小,則被查詢的紋理又不能被識(shí)別出來(lái),因此該方法會(huì)出現(xiàn)窗口漏檢及邊界范圍等問(wèn)題。

為此,提出了變化分解窗口的目標(biāo)分割算法[2],其基本思想是：①先確定一個(gè)主窗口大??；②以該主窗口大小將圖像分解成若干個(gè)子窗口并提取每個(gè)子窗口的紋理特征；③將每個(gè)子窗口和查詢圖像的紋理特征進(jìn)行匹配,并標(biāo)記相關(guān)子窗口；④將主窗口減小固定的d個(gè)像素,重復(fù)前3個(gè)步驟直到主窗口大小小于設(shè)定的主窗口閾值。變化分解窗口方法很好地克服了經(jīng)典方法中的窗口漏檢及邊界范圍等問(wèn)題,其最大的優(yōu)點(diǎn)是提出了變化分解窗口的分割算法,使得目標(biāo)匹配更為靈活。

即便如此,其仍然存在以下缺點(diǎn)：

首先變化分解窗口的紋理特征匹配分割算法在特征匹配過(guò)程中會(huì)產(chǎn)生許多子窗口,相比經(jīng)典的特征匹配分割算法,其算法時(shí)間效率明顯不具備優(yōu)勢(shì)。該算法的主要目的是使目標(biāo)匹配更為靈活,然而主窗口大小以固定像素變化,這是造成算法時(shí)間效率不高的主要原因。而且該算法還忽略了一個(gè)重要信息,就是查詢窗口和被查詢子窗口的紋理特征距離。綜上分析,本文提出根據(jù)查詢窗口和被查詢子窗口的紋理特征距離信息,分等級(jí)變化主窗口大小的算法思想。實(shí)驗(yàn)驗(yàn)證表明,該方法能有效提高變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法效率,且不影響分割精度。

1 快速目標(biāo)分割算法

分等級(jí)變化主窗口大小算法主要思想是：當(dāng)距離小于設(shè)定閾值時(shí)具有最高等級(jí)；當(dāng)距離大于設(shè)定閾值時(shí),差異越大等級(jí)越低；等級(jí)越低,變化尺度d越大；變化主窗口時(shí)優(yōu)先選擇高等級(jí)下的像素尺度d對(duì)主窗口大小進(jìn)行變化。窗口紋理特征提取方法選用[3]紋理特征描述算子。該算子是Ojala等人提出的,以后持續(xù)改進(jìn)[4-7]。該方法計(jì)算復(fù)雜度小,具有多尺度特性和旋轉(zhuǎn)不變等特性。

算法描述如下：

(1)選擇坐標(biāo)點(diǎn)α。

(2)確定主窗口(MW)(從α到圖像的右下角)。

(3)用相同大小的MW生成盡可能多的窗口(Window)。

(4)For each Window：①計(jì)算窗口紋理特征直方圖；②計(jì)算窗口紋理特征直方圖和查詢紋理特征直方圖的距離Dis；③如果Dis小于設(shè)定的閾值λ,則保存該窗口的坐標(biāo)和其特征直方圖到一個(gè)向量V中,MW變化等級(jí)最高；如果Dis大于等于設(shè)定的閾值λ,差異越大，MW變化等級(jí)越低；MW變化等級(jí)越低,MW減小的尺度d就越大。

(5) 優(yōu)先考慮使用較高等級(jí)的尺度d減小MW。

(6) 如果MW的大小小于設(shè)定的最小窗口大小μ,標(biāo)記保存的那些窗口后退出程序。

(7)否則跳轉(zhuǎn)到(3)。

主窗口是從坐標(biāo)點(diǎn)α到圖像的右下角,例如如果選擇α(0,0),則整個(gè)圖像作為主分析窗口,如圖1所示。

圖1 主窗口特征提取

算法在外層循環(huán)中會(huì)重復(fù)更新主窗口大小,然后生成盡可能多的窗口，與主窗口同樣大小。對(duì)于每個(gè)窗口都會(huì)計(jì)算其特征直方圖,然后計(jì)算窗口紋理特征直方圖與查詢紋理特征直方圖的距離Dis。Dis采用Minkowski計(jì)算距離。 如果Dis小于設(shè)定的閾值λ,則認(rèn)為該窗口相關(guān)并把它歸為查詢紋理的一類。將該窗口的坐標(biāo)和特征直方圖保存到向量Vi=[X,Y,Height,Width,Hist]。其中X,Y,Height,Width分別是窗口左上角坐標(biāo)(X,Y)窗口的高Height及寬Width,Hist則是窗口的特征直方圖。

算法的匹配分割如圖2所示,其中(a)為查詢目標(biāo)圖像,(b)為測(cè)試圖像,(c)為目標(biāo)分割結(jié)果。

圖2 算法的匹配分割

圖3描述了外層循環(huán)流程,每一步驟中,主窗口的大小減小d并生成了和主窗口大小更新后相同的一些窗口,對(duì)于每個(gè)窗口都會(huì)計(jì)算其特征向量V。循環(huán)結(jié)束的條件是主窗口大小達(dá)到了設(shè)定的主窗口大小閾值μ。每個(gè)步驟主窗口減小的尺度d是由當(dāng)前循環(huán)層中確定的MW變化等級(jí)決定的。

該算法的優(yōu)點(diǎn)是在保留變化分解窗口的同時(shí)實(shí)現(xiàn)了對(duì)目標(biāo)的快速定位,從而提高了算法效率,且對(duì)于圖像中存在多個(gè)目標(biāo)或目標(biāo)位置較邊緣的情況均有較強(qiáng)的適應(yīng)性能。該算法對(duì)特征的提取沒(méi)有任何限制,因此不同的紋理特征提取方法都可以應(yīng)用到該算法中。

圖3 算法外層循環(huán)流程

2 實(shí)驗(yàn)結(jié)果分析及性能評(píng)價(jià)

為了評(píng)價(jià)分等級(jí)變化窗口算法結(jié)果,使用了4幅由不同紋理組合而成的圖像作為測(cè)試圖像,如圖4所示。從上到下、從左到右每幅圖像所包含的紋理數(shù)分別是5、5、4和2。

圖4 測(cè)試圖像

分別對(duì)圖4中的4幅測(cè)試圖像進(jìn)行目標(biāo)分割。傳統(tǒng)的基于紋理特征匹配的目標(biāo)分割算法結(jié)果如圖5所示,變化分解窗口基于紋理特征匹配的目標(biāo)分割算法結(jié)果如圖6所示,本文算法的分割結(jié)果如圖7所示。其中,傳統(tǒng)的基于紋理特征匹配的分割算法分解窗口尺度為32×32像素,圖6和圖7中tc表示算法時(shí)耗,單位為毫秒。

圖5 固定分解窗口的基于紋理特征匹配的目標(biāo)分割算法分割結(jié)果

圖6 變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法分割結(jié)果

圖7 本文算法的分割結(jié)果

從圖5可以看出,傳統(tǒng)基于紋理特征匹配的目標(biāo)分割算法存在一些紋理未被識(shí)別,有些圖像在邊界檢測(cè)上而另一些則在范圍上存在問(wèn)題。因此固定大小為32的窗口可能不是最好的方法。

對(duì)比圖5、圖6及圖7可以看出,相比傳統(tǒng)的基于紋理特征匹配的目標(biāo)分割算法,變化分解窗口算法取得了非常好的效果。傳統(tǒng)算法的弱點(diǎn)(邊界問(wèn)題、范圍問(wèn)題),在變化分解窗口的算法中都得到了很好的解決。

本文算法和變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法時(shí)間效率對(duì)比見表1,表1中A1代表變化分解窗口的基于紋理特征的匹配目標(biāo)分割算法,A2代表本文算法,IR(Improvement Ratio)表示A2算法時(shí)間效率的提高比例。

表1 算法時(shí)間效率對(duì)比

從圖6、圖7及表1可以看出,與變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法相比,本文算法在分割精度上幾乎保持一致,在時(shí)間效率上具有明顯優(yōu)勢(shì),時(shí)間效率平均提高了51.6%。

3 結(jié)語(yǔ)

針對(duì)變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法分割效果好,但時(shí)間效率不高的缺點(diǎn),本文提出了依據(jù)查詢窗口和被查詢子窗口的紋理特征距離信息,分等級(jí)變化分解窗口的算法思想。經(jīng)實(shí)驗(yàn)驗(yàn)證,該算法能有效提高變化分解窗口的基于紋理特征匹配的目標(biāo)分割算法時(shí)間效率,且能夠在分割精度上基本保持不變。將本文算法應(yīng)用到視覺(jué)目標(biāo)跟蹤過(guò)程中,用于去除復(fù)雜背景將是后續(xù)的研究方向。

[1] TUCERYAN M,JAIN A K.Texture analysis[J].Singapore:World Scientific,1999(2):207-248.

[2] IZEM HAMOUCHENE.A new segmentation architecture for texture matchingusing the LBP method[C].Science and Information Conference 2013,London,UK,2013：411-415.

[3] OJALA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[4] 宋克臣,顏云輝,陳文輝,等.局部二值方法研究與展望[J].自動(dòng)化學(xué)報(bào),2013(6)：3-6.

[5] GUO Z H.A completed modeling of local binary pattern operator for texture classification[J].IEEE Transactions on Image Processing,2010,6(19):1657-1663.

[6] 賀永剛.基于局部二值模式的紋理表達(dá)研究[D].武漢：華中科技大學(xué),2012:27-58.

[7] 劉豪,楊永全,郭仙草,等.用于紋理特征提取的改進(jìn)的LBP算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(6)：156-161.

(責(zé)任編輯：杜能鋼)

楊永全(1986-),男,四川南充人,西安工程大學(xué)計(jì)算機(jī)科學(xué)學(xué)院碩士研究生,研究方向?yàn)閳D像處理及模式識(shí)別。

10.11907/rjdk.162375

TP312

A

1672-7800(2017)003-0051-03