基于共生矩陣的紅外圖像檢索匹配算法

朱琪 趙飛 潘麗杰 徐本亮

摘要：圖像檢索匹配是在給定的圖庫中找出與查詢圖相匹配的圖像或者無匹配圖像。首先，對紅外圖像進(jìn)行預(yù)處理后用Sobel算子與圖像作卷積，得到圖像邊緣強度圖；然后提取圖像邊緣強度圖的灰度共生矩陣作為圖像的特征；最后用改進(jìn)的Manhattan距離方法計算圖像特征向量間的距離，并根據(jù)一定閾值找出相匹配的圖像或無匹配圖像。本文用變電站紅外圖像進(jìn)行的實驗結(jié)果表明，本文算法能準(zhǔn)確找出相匹配的圖像，具有可行性。

關(guān)鍵詞：圖像處理；匹配算法；紅外圖像；灰度共生矩陣

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2018）07-0129-03

1 引言

基于圖像內(nèi)容的圖像檢索（content-based image retrieval， CBIR）技術(shù)在國內(nèi)外已有很多研究與應(yīng)用[1]。CBIR通過圖像特征描述、特征提取以及相似性度量等過程實現(xiàn)圖像檢索，其中圖像特征主要有顏色、紋理、形狀等，相似性度量通過計算兩幅圖像特征向量之間的距離來完成，主要的距離度量有歐幾里德距離、Manhattan距離、Minkowsky距離、Mahalanobis距離等[2-4]。圖像匹配是將來自不同時間、不同傳感器或者不同視角的同一場景的兩幅或多幅圖像，通過一定的變換使之在空間上一致[5]。CBIR檢索目的是在圖庫中找出與查詢圖相似的圖像，查找能夠相互匹配的圖像的研究少。另外，已有研究主要針對可見光圖像[2，6-10]，針對紅外灰度圖像的研究少。本文研究對紅外灰度圖像進(jìn)行檢索匹配，即在圖庫中找出與查詢圖能相匹配的圖像。紅外圖像是目標(biāo)場景熱輻射分布的成像，其特點是紅外圖像只有灰度值，對比度較差，圖像邊緣較模糊等[11]。對此，本文通過用Sobel算子與圖像作卷積，突出圖像邊緣信息，然后提取圖像的灰度共生矩陣作為特征，最后用改進(jìn)的Manhattan距離方法計算圖像間的距離，通過設(shè)定距離閾值來判斷圖像是否匹配。本文實驗結(jié)果表明本算法具有可行性。

2 特征提取與檢索匹配算法

2.1 預(yù)處理

2.1.1 調(diào)整尺寸

為了提高運算效率，以及實現(xiàn)后面的匹配算法，兼顧考慮對圖像紋理和邊緣細(xì)節(jié)的要求，將圖像尺寸統(tǒng)一縮小到128×128像素。

2.1.2 去除背景

用紅外相機拍攝室外變電站圖像時，容易受到云層溫度影響，而云的溫度與變電站設(shè)備的溫度存在明顯差異，故可通過去除圖像背景方法減小云等環(huán)境因素的影響。這里采用最大類間方差[12，13]方法實現(xiàn)圖像背景去除。

2.2 Sobel計算

利用橫向和縱向Sobel算子與圖像（A）作卷積[14]：

由于G的取值范圍根據(jù)不同圖像變化會很大，不利于后續(xù)灰度共生矩陣的計算，故將其歸一化到圖像灰度值區(qū)間[0～255]：

其中Gmax、Gmin分別是G的最大值和最小值。

2.3 灰度共生矩陣

灰度共生矩陣是指從灰度值為i的點（x，y）到距離（Dx，Dy）的另一點灰度值為j的出現(xiàn)頻率[2，8]，即：

其中，i，j=1，2，…，L是圖像灰度值，灰度共生矩陣的大小為L×L；x，y=1，2，…，N是圖像像素點坐標(biāo)。實際應(yīng)用中，（Dx，Dy）一般取4中情況：（1，0）（0，1）（1，-1）（-1，-1），分別對應(yīng)0°（橫向）、90°（縱向）、45°和135°方向的共生矩陣。

用紋理特征分析檢索相似圖像時，往往在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，包括角二階距、對比度、相關(guān)、反差分矩陣等。為了查找匹配圖像，而不僅僅是相似圖像，本文直接采用灰度共生矩陣作為圖像特征向量。為了運行效率，需要控制灰度共生矩陣的大小，故將圖像灰度調(diào)整為16等，得到大小為256的特征向量；同時為了增強算法對圖像旋轉(zhuǎn)的魯棒性，對上述4個方向的灰度共生矩陣進(jìn)行相加運算。

2.4 檢索匹配算法

圖像間的相似性度量通過計算兩幅圖像特征向量的距離來完成，主要的距離度量有歐幾里德距離、Manhattan距離、Minkowsky距離、Mahalanobis距離等。其中Manhattan距離又叫街區(qū)距離，定義如下[3]：

2.4.1 加權(quán)距離

由灰度共生矩陣生成的特征向量P，其不同位置的數(shù)值差異很大，故在計算距離時不同位置對應(yīng)不同的權(quán)重，權(quán)重取值如下：

sum（P）是特征向量P的總和。計算時以圖庫圖像的特征向量為準(zhǔn)，取其權(quán)重參與計算，則改進(jìn)后的距離（加權(quán)距離）公式如下：

其中Pt是圖庫圖像的特征向量，Pc是查詢圖像的特征向量，W是圖庫圖像特征向量計算的權(quán)重系數(shù)，i是特征向量序數(shù)。

2.4.2 有效距離

本文計算灰度共生矩陣時（Dx，Dy）取4中情況：（0，1）（1，0）（1，1）（-1，1），即0°（橫向）、90°（縱向）、45°和135°方向的共生矩陣?；叶裙采仃嚨目偤团c圖像像素尺寸大?。╩×n）有關(guān)，如下：

本文圖像通過尺寸調(diào)整后像素為128×128，所以sum（P）= 64770。

由于預(yù)處理時去除背景，所以實際參與灰度共生矩陣計算的有效像素有所減少，導(dǎo)致實際計算灰度共生矩陣總和也相應(yīng)減小，則圖庫圖像去除背景后的灰度共生矩陣有效占比率：

3 實驗與結(jié)果

在變電站用紅外相機對不同設(shè)備目標(biāo)進(jìn)行拍攝，獲取清晰有效的48幅圖像，其中選取30幅不同設(shè)備或不同角度拍攝的紅外圖像為圖庫圖像，8幅為查詢圖像，查詢圖像中有4幅圖像能在圖庫圖像中找到匹配圖像，另外4幅不能找到匹配圖像，剩余10幅圖像為測試圖像。

本文在Matlab平臺上實現(xiàn)上述算法。通過分析得到查詢圖像與圖庫圖像的加權(quán)距離見表1。

從表1可以看出，能匹配的4幅圖與不能匹配的4幅圖的最小加權(quán)距離相比要小，但是較接近，兩類圖像不易區(qū)分，不適合作為判斷圖像是否匹配的標(biāo)準(zhǔn)；同時由上可知加權(quán)距離較大時，圖像多為不匹配。因此，可以設(shè)置一個加權(quán)距離閾值，如果大于該閾值則判斷兩圖像不匹配。本文根據(jù)以上實驗設(shè)定加權(quán)距離閾值為0.8，即當(dāng)加權(quán)距離大于0.8時，判斷圖像之間為不匹配。

如表2可以看出能匹配的4幅圖像與圖庫圖像的最小有效距離小于0.2，而不能匹配的4幅圖像的有效距離均大于0.2。我們設(shè)置有效距離閾值為0.2來判斷圖像間是否匹配，即當(dāng)有效距離大于等于0.2時，判斷兩幅圖像不匹配；當(dāng)小于0.2時，判斷兩幅圖像為匹配，如果查詢圖像與多幅圖庫圖像有效距離小于0.2，則取最小有效距離為最佳匹配。

用上述兩個閾值，對剩余10幅圖像進(jìn)行測試，其中9幅判斷正確，1幅判斷錯誤，準(zhǔn)確率為90%。如圖1為實例之一（其中藍(lán)色點劃線為距離0.2的標(biāo)線）。

4 結(jié)語

通過實驗測試可見本文所述算法具有可行性。因為實驗所用的紅外圖像數(shù)量有限，而且僅為變電站的紅外圖像，其他目標(biāo)的紅外圖像匹配準(zhǔn)確性如何，閾值參數(shù)如何調(diào)整，需要進(jìn)一步分析研究。

參考文獻(xiàn)

[1]李向陽，莊越挺，潘云鶴.基于內(nèi)容的圖像檢索技術(shù)與系統(tǒng)[J].計算機研究與發(fā)展，2001，（38）：344-354.

[2]張建東，蘇鴻根.基于內(nèi)容的圖像檢索關(guān)鍵技術(shù)研究[J].計算機工程，2004，30（14）：119-121.

[3]張李秋.一種基于紋理特征提取的圖像檢索方法[D].電子科技大學(xué)，2007.

[4]宋瀟毅.基于紋理和顏色特征的圖像檢索[D].電子科技大學(xué)，2009.

[5]王紅梅，張科，李言俊.圖像匹配研究進(jìn)展[J].計算機工程與應(yīng)用，2004，（19）：42-44.

[6]張恒博，歐宗瑛.一種基于色彩和灰度直方圖的圖像檢索方法[J].計算機工程，2004，30（10）：20-22.

[7]田小忱，楊東，杜春華.綜合顏色和Contourlet直方圖的圖像檢索方法[J].計算機工程，2010，36（1）：224-226.

[8]黃學(xué)軍，楊恒新，王偉.利用圖像紋理特征的圖像檢索[J].紅外與激光工程，2002，31（6）：495-498.

[9]安志勇，杜志強，趙珊，等.基于顏色和空間特征的圖像檢索[J].紅外技術(shù)，2007，29（6）：361-364.

[10]毋小省，孫君頂.改進(jìn)的基于直方圖和空間特征的圖像檢索[J].紅外技術(shù)，2007，29（11）：666-669.

[11]周妮，張湧，吳瀅躍.一種新的實時紅外圖像增強技術(shù)[J].紅外技術(shù)，2010，32（6）：324-327.

[12] Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Trans Systems，1979，SMC-9：62-66.

[13]杜奇，向健勇，袁勝春.一種改進(jìn)的最大類間方差法[J].紅外技術(shù)，2003，25（5）：33-36.

[14]袁春蘭，熊宗龍，周雪花，等.基于Sobel算子的圖像邊緣檢測研究[J].激光與紅外，2009，39（1）：85-87.