利用偏振信息的偏振圖像紋理特征提取

劉云清,姜曉嬌,段 錦,莫蘇新,張文學(xué)

(長春理工大學(xué) 電子與通信工程學(xué)院,長春 130012)

0 引言

偏振作為光橫波性質(zhì)的外在表現(xiàn),反映了當(dāng)電矢量的振蕩方向和傳播方向正交時(shí),電矢量的方向與傳播方向的不對稱性。偏振成像技術(shù)能夠增強(qiáng)物體特征的對比度,這為復(fù)雜背景下物體特征的提取帶來了很大的優(yōu)勢。偏振圖像中包含的偏振信息與傳統(tǒng)光強(qiáng)圖像包含的光強(qiáng)信息沒有相關(guān)性,能夠?qū)鹘y(tǒng)光學(xué)成像技術(shù)所獲得的光強(qiáng)信息給予較好的補(bǔ)充。自然界中存在各種偏振光源,實(shí)際上,光一旦經(jīng)過表面反射,就會發(fā)生偏振,偏振信息分析逐漸成為紋理特征提取的重要方面。本文認(rèn)為在偏振差分圖像像素中獲取的偏振信息可以完全表征其紋理特征,在此,本文將其定義為偏振紋理特征。

灰度共生矩陣(GLCM)是研究最多、使用范圍最廣泛的紋理特征提取算法之一。在過去的幾年中,灰度共生矩陣(GLCM)算法已經(jīng)成為學(xué)者的重點(diǎn)研究方向[1],其目的是發(fā)掘新的方法,從而從灰度共生矩陣中提取更多的紋理特征。Ding 等[2]針對現(xiàn)有紋理特征提取算法計(jì)算復(fù)雜度和準(zhǔn)確性問題,提出一種融合完全局部二進(jìn)制模式CLBP和灰度共生矩陣GLCM的紋理特征提取算法,在減少特征參數(shù)的同時(shí),也提高了紋理特征的描述能力。Dixit等[3]基于GLCM進(jìn)行人臉文檔檢索,以提取用于文檔檢索的人臉特征向量,將存儲的特征文檔與數(shù)據(jù)庫特征文檔進(jìn)行比較。Kwak等[4]為了提取圖像的紋理特征,使用了3×3、15×15和31×31三種不同核大小的灰度共生矩陣GLCM,實(shí)驗(yàn)結(jié)果表明,使用較大的核尺寸獲得的紋理特征在總體分類結(jié)果準(zhǔn)確度上提高了7.72%。Karanja等[5]提出了一種基于灰度共生矩陣GLCM和機(jī)器學(xué)習(xí)分類器(KNN、NB和RF)的物聯(lián)網(wǎng)惡意軟件分析和分類方法,實(shí)驗(yàn)證明,紋理特征的使用可以實(shí)現(xiàn)低計(jì)算量和高分類準(zhǔn)確率。Fauzi等[6]提出了一種結(jié)合灰度共生矩陣GLCM和局部二進(jìn)制模式LBP特征提取算法來提高紋理特征的魯棒性。Yang等[7]提出了一種基于Gabor-GLCM的火焰圖像紋理特征提取算法,可以在一定程度上對煤粉燃燒的化學(xué)反應(yīng)水平進(jìn)行可視化和分析。

偏振圖像中的物體在不同偏振方向上所呈現(xiàn)的偏振紋理特征是不同的,為了能夠最大程度地捕捉偏振圖像的紋理特征,本文中提出一種偏振灰度差異共生矩陣(PGLDCM)進(jìn)行圖像紋理特征的提取。偏振灰度差異共生矩陣(PGLDCM)結(jié)合偏振方向信息和不同偏振方向上相鄰像素點(diǎn)灰度值間對比差異程度信息來提取偏振差分圖像的偏振紋理特征。實(shí)驗(yàn)分別從均勻程度、離散程度、粗糙程度和相異程度角度進(jìn)行分析,發(fā)現(xiàn)4種偏振紋理特征參量圖像在不同偏振方向上展現(xiàn)出較大的差異性。

1 基本原理

1.1 偏振特征信息

偏振成像技術(shù)是通過對光波變化前后的偏振態(tài)進(jìn)行分析,提取出物體的偏振信息[8]。不同物體或者同一物體的不同部分,由于粗糙度、材質(zhì)、輪廓和觀察角度的不同,具有不同的偏振信息。相對于傳統(tǒng)光學(xué)成像技術(shù),偏振成像技術(shù)的優(yōu)勢在于物體的偏振信息只受其本身屬性影響,如粗糙度和輪廓,因此,偏振成像技術(shù)可以有效避免復(fù)雜環(huán)境的干擾,更容易凸顯物體。

光的偏振狀態(tài)常用斯托克斯矢量I、Q、U、V來描述,即S=(I,Q,U,V):

⑴

式中:Ex、Ey分別為光矢量在沿x軸和y軸的振幅分量;δ表示2個(gè)振動分量的相位差;I表示總光強(qiáng);Q表示水平方向上的偏振光分量;U表示45°方向上的偏振光分量;V表示圓偏振光分量,在自然界中偏振現(xiàn)象大多數(shù)為線偏振,而圓偏振分量極少,因此,V分量可以忽略[9]。

當(dāng)入射光照射在物體上發(fā)生起偏時(shí),出射光的斯托克斯矢量Sout等于穆勒矩陣乘以入射光的斯托克斯矢量Sin,可表示為:

(2)

Sout=M·Sin

(3)

式中:M為穆勒矩陣;θ為偏振方向。

由此,可以推出任意偏振方向θ的偏振光強(qiáng)圖像Iθ的計(jì)算公式[10]為:

Iθ=(I+Q*cos2θ+U*sin2θ)/2

(4)

1.2 灰度共生矩陣

灰度共生矩陣GLCM(gray level co-occurrence matrix,GLCM)是一種重要的紋理特征提取方法,其通過統(tǒng)計(jì)圖像中4種特定空間信息上兩像素點(diǎn)灰度值同時(shí)出現(xiàn)的頻率來精確提取圖像紋理特征[11]。由此,當(dāng)圖像I的灰度級大小為M時(shí),其灰度共生矩陣(GLCM)大小為M×M。為減少計(jì)算量,在紋理特征提取前將圖像I的灰度級量化至4、8、16等較低灰度級[12]。

灰度共生矩陣(GLCM)的元素(i,j)定義為圖像量化后某像素點(diǎn)灰度值i與其特定空間信息上某像素點(diǎn)灰度值j成對出現(xiàn)的情況,并將(i,j)簡稱為灰度對。該特定空間信息由2個(gè)參數(shù)確定,分別是圖像中兩像素點(diǎn)間的距離d和方向θ。

(5)

式中:P(i,j)表示灰度共生矩陣P第(i,j)個(gè)元素的值,即某像素點(diǎn)灰度值i與其特定空間信息上像素點(diǎn)灰度值j成對出現(xiàn)的頻率[13];(i,j)表示某像素點(diǎn)灰度值i與其特定空間信息上某像素點(diǎn)灰度值j成對出現(xiàn)的情況,簡稱為灰度對;I(x,y)為圖像I上某像素點(diǎn)(x,y)的灰度值;I(x,y,d,θ)為圖像I上某像素點(diǎn)(x,y)特定的θ方向上,θ=[0°,45°,90°,135°],距離為d處像素點(diǎn)的灰度值;S表示以圖像I上像素點(diǎn)(x,y)為中心的局部目標(biāo)區(qū)域中灰度對(i,j)的集合;count{[(x,y)∈S|i=I(x,y),j=I(x,y,d,θ)]}表示S集合中每種灰度對(i,j)出現(xiàn)的頻次,count{S}表示S集合中各種灰度對(i,j)出現(xiàn)的總頻次。

2 偏振圖像的紋理特征提取

圖1 算法流程圖

2.1 偏振差分圖像的構(gòu)建

(6)

2.2 偏振灰度差異共生矩陣提取偏振紋理特征

(7)

式中,?·」表示向下取整。

步驟2統(tǒng)計(jì)偏振灰度差異共生矩陣(PGLDCM)。

(8)

(9)

步驟3計(jì)算4種偏振紋理特征參量。

以每個(gè)5×5目標(biāo)區(qū)域中的偏振灰度差異共生矩陣特征為研究依據(jù),分別推導(dǎo)出均質(zhì)性IHOM、離散性IVAR、粗糙性IROU、相異性IDIS4種特征參量作為每個(gè)5×5目標(biāo)區(qū)域的偏振紋理特征參量[16],以計(jì)算得到的偏振紋理特征參量值更新每個(gè)5×5目標(biāo)區(qū)域的中心像素值,進(jìn)而獲得4種偏振紋理特征參量圖像。

(10)

(11)

(12)

(13)

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)通過旋轉(zhuǎn)偏振相機(jī)前面的偏振片來采集不同場景下4組不同偏振方向上的偏振光強(qiáng)圖像Iθ,θ=[0°,45°,90°,135°],如圖2所示。4個(gè)不同偏振方向上偏振光強(qiáng)圖像Iθ不能準(zhǔn)確描述出物體在不同偏振方向上具有的紋理特征差異。場景1為絲綢類紋理圖像,場景2為花崗巖石材類紋理圖像,場景3為木材和混凝土類紋理圖像,場景4為草地和塑料類紋理圖像,圖像大小均為256×256。其中,場景1和場景2用來驗(yàn)證同一物體的不同部分具有不同的偏振信息,場景3和場景4用來驗(yàn)證不同物體具有不同的偏振信息,物體的偏振信息只受其本身屬性影響。

圖2 4組不同偏振方向上的偏振光強(qiáng)圖像Iθ和普通光強(qiáng)圖像

圖3 4組不同偏振方向上的偏振差分圖像

表1 2種均質(zhì)性紋理特征提取結(jié)果的均值

圖4 4組不同偏振方向上的均質(zhì)性偏振紋理特征參量圖像

圖5 GLCM均質(zhì)性紋理特征提取結(jié)果

圖6 4組不同偏振方向上的離散性偏振紋理特征參量圖像

圖7為利用GLCM提取的普通光強(qiáng)圖像和4個(gè)不同偏振方向上的偏振差分圖像離散性紋理特征的提取結(jié)果圖。2種離散性紋理特征提取結(jié)果的均值如表2所示。

表2 2種離散性紋理特征提取結(jié)果的均值

圖8 4組不同偏振方向上的粗糙性偏振紋理特征參量圖像

圖9為利用GLCM提取的普通光強(qiáng)圖像和4個(gè)不同偏振方向上的偏振差分圖像粗糙性紋理特征的提取結(jié)果圖。2種粗糙性紋理特征提取結(jié)果的均值如表3所示。

表3 2種粗糙性紋理特征提取結(jié)果的均值

圖9 GLCM粗糙性紋理特征提取結(jié)果

圖10 4組不同偏振方向上的相異性偏振紋理特征參量圖像

圖11為利用GLCM提取并表示普通光強(qiáng)圖像和4個(gè)不同偏振方向上的偏振差分圖像相異性紋理特征的提取結(jié)果圖。2種相異性紋理特征提取結(jié)果的均值如表4所示。

表4 2種相異性紋理特征提取結(jié)果的均值

圖11 GLCM相異性紋理特征提取結(jié)果

4 結(jié)論

提出了一種偏振灰度差異共生矩陣(PGLDCM)進(jìn)行圖像紋理特征的提取,通過旋轉(zhuǎn)偏振相機(jī)前面的偏振片采集不同場景下4組0°、45°、90°、135°不同偏振方向上的偏振光強(qiáng)圖像;隨后進(jìn)行偏振正交差分運(yùn)算,消除自然光分量,獲得偏振差分圖像;再利用偏振灰度差異共生矩陣(PGLDCM)提取偏振差分圖像的偏振紋理特征,分別推導(dǎo)出均質(zhì)性、離散性、粗糙性、相異性4種特征參量作為圖像的偏振紋理特征參量,獲得4個(gè)不同偏振方向上各種偏振紋理特征參量圖像。本文提出的偏振灰度差異共生矩陣,針對傳統(tǒng)紋理特征分析方法中灰度共生矩陣(GLCM)存在的局限性,如忽略了一定空間信息下像素點(diǎn)間存在的灰度對比差異,難以從灰度對比差異角度對圖像的紋理特征進(jìn)行完整的描述,偏振灰度差異共生矩陣(PGLDCM)充分結(jié)合偏振信息并分析圖像上像素點(diǎn)灰度值和其偏振方向上相鄰像素點(diǎn)灰度值間的對比差異程度,使其同時(shí)具有豐富的偏振信息和空間信息。實(shí)驗(yàn)結(jié)果表明,偏振灰度差異共生矩陣(PGLDCM)能夠最大程度地捕捉偏振圖像的各種偏振紋理特征,使得物體的各種偏振紋理特征差異更加顯著,為紋理特征提取領(lǐng)域提供新思想。在未來的工作中,考慮除均質(zhì)性、離散性、粗糙性、相異性以外的偏振紋理特征參量,進(jìn)一步分析偏振圖像紋理特征,充分描述不同偏振方向?qū)ζ駡D像紋理特征的影響。