图像聚焦程度对特征提取的影响

郝争辉，王 高，原东方,褚星明，蔚 旋，李咸静



图像聚焦程度对特征提取的影响

郝争辉，王 高，原东方,褚星明，蔚 旋，李咸静

（中北大学 仪器科学与动态测试教育部重点实验室，电子测试技术国家重点实验室，山西 太原 030051）

纹理性分析是关于图像中局部区域内定量计算像素间关系的。形状是直观描述物体的特征之一，这一特征可以直接用于目标物体的区别中。本文主要以提取红外聚焦图像特征为前提，分析其纹理、面积及周长等特征随聚焦程度变化的趋势。通过实验得出随聚焦程度正相关变化的特征为图像纹理特性中的相关与面积特征，而与之变化负相关的为纹理特征中的二阶矩、熵、对比度。形状特征中的周长与聚焦程度的变化关系较小。在不同的聚焦程度下提取出图像的纹理、形状特征都会有所差异。

聚焦程度；纹理特征；轮廓线

0 引言

从图像中提取的特征包括形状、纹理和颜色等[1-2]。纹理特征广泛存在于图像中，但是这种特征在图像中又难以描述。在图像处理及图像分析等研究领域关于纹理性的分析一直都是活跃的方向。提取纹理特征对图像进行分类、检索、分割等，这些方面的分析都依赖于对特征的有效提取[3]。纹理性分析是关于部分区域内图像像素之间的定量计算。形状是关于检测目标物体的特征，形状特征可以直接用于区别物体中[4]。

形状、纹理特征在图像的处理、分析中都有特殊意义。本文主要通过对聚焦过程中的图像提取出纹理、形状特征，以此分析对提取特征带来的影响。采用改进的轮廓线提取方法对图像中目标物进行轮廓检测，采用灰度共生矩阵的方法提取图像中的纹理特征。通过实验结果，分析随聚焦情况的不同，对形状特征与纹理特征的影响趋势。

1 图像目标物轮廓检测

1.1 图像目标物分割阈值选取

图像中单一目标物体所在的区域里灰度值方差较小，通过这一点可以顺利找出确定的目标物体。首先，对红外图像进行直方图统计：

式中：,表示像素的横纵坐标；为,位置上的灰度级。利用式(1)、式(2)对图像（图1(a)）中的灰度级进行统计所得结果如图1(b)。

图1 红外图像与直方图分布

图1为红外图像的灰度直方图，将灰度级进行排序。从左起依次比较各灰度级像素数的多少，找出第一个像素数比较多的灰度级。经过第一个峰值之后直方图呈下降趋势。从峰值所处的灰度级开始往右依次找出峰值之后的第一个谷点，该点灰度级与峰值灰度级之差即为灰度距离阈值。

将图1(b)进行局部放大后得到图2，图2从左到右像素数量最多的为0灰度级，从该峰值依次往右找到第一个谷点其灰度级为4，所以其值为4。

图2 分割阈值选取

1.2 图像的水平集演化

在校准红外热像仪的实验过程中，采用一个可以恒定温度工作的黑体来校准热像仪。黑体通过红外热像仪拍摄后，可将黑体所产生的红外光在上位机上转化为红外图像，随着聚焦程度的改变，黑体在图像中的面积和轮廓也会随着变化。将Laplace算子融入-模型当中，以能量泛函的最小化为目标，通过变分水平集理论来求解最终使曲线停留在目标物轮廓线处，从而将黑体在图像中的像分割出来。在分割模型中[4-5]，水平集曲线在目标区域上进行演化，能量函数方程如下：

()和()是近似规整化的Heaviside函数和Dirac函数，如下式：

利用变分法极小化该能量函数得：

对应的最快梯度下降流为：

运用表示水平集函数的零水平集从而将嵌入到中，对按式(9)推演，直到迭代条件终止（收缩曲线所围区域在一个确定的迭代次数下最少一次维持原样不变）。轮廓线收缩停止，取得零水平集即是图像中所需提取出的目标物体边缘线。

结合Laplace算子对式(9)作了改进：

式中：Laplace为四邻域拉普拉斯算子。为了使分割出的目标物轮廓线较为光滑，采用四邻域拉普拉斯算子使得各邻域间差值都小于等于。

1.3 形状特征提取

其中为红外图像，(,)为结构单元，Q为腐蚀运算符号。目标物轮廓线长度为：

目标物的轮廓线用表示，面积是分割出图像中目标物的像素个数，即轮廓线内总的像素个数[6]。

2 图像纹理特征检测

Haralick等人通过灰度共生矩阵来定义14个特征参数来描述纹理特征。通过后续研究发现：14个纹理特征参数，具有不相关特性的只有4个特征参数，并且4个特征参数既能通过灰度共生矩阵方便地给出，又可以提高后续的分类精度，因此采用这4个线性无关的纹理特征来进行特征提取[7]。

二阶矩为：

二阶距特征由该图像所产生的灰度共生矩阵各个元素平方和所构成，同时它可以反映出图像的纹理粗细、灰度像素的分布均匀程度。

对比度为：

对比度特征是用来刻画沟纹的深浅程度。图像中所包含的沟纹越深，所求出的对比度就越大。像素间灰度差值越大，所得的对比度也会越大。

相关为：

式中：1，2，1与2定义为：

图像相关特征可以定量描述灰度共生矩阵行、列方向上的相似程度。灰度共生矩阵中各个元素值均匀分布，则其相关较大；如果其中元素之间差值较大时，相关性较小。

熵为：

熵可以用来作为图像具有的信息量多少的指标，也可以用来描述所检测由像素构成图像排布的非均匀程度。如果所检测图像中不包含纹理特征，则所求出的灰度共生矩阵中元素大部分等于零。当构成图像的纹理特性比较复杂时，则熵值较大。

3 实验结果与分析

实验采用红外图像作为处理的对象，对其图像中的目标物进行轮廓、面积特征的提取，并对其进行纹理特征检测。采用不同聚焦情况下的图像分别进行特征提取。作出在聚焦程度不断变化的条件下，对提取出各个特征量的影响。实验平台为MATLAB2014，实验参数选择如下：1＝1，2＝1，＝0.01×2552，＝4，＝1。

采用Robert函数来进行聚焦程度检测[8]，利用Robert算子作为卷积模板进行判断：

下面通过仿真实验来分析聚焦程度对于特征量的影响关系。图3为热像仪所采集的从离焦到聚焦再到离焦的红外图像，所提取出的图像特征如表1所示。

从表1中可以看出随着聚焦程度的不同，从图像中所提取出的面积、周长及纹理特性都会随着聚焦程度而变化。所以聚焦程度的不同会对图像中的这些特征的提取带来一定的影响，进而会导致得出不同的实验结果。为了进一步显示出图像特征随聚焦程度的变化趋势，对各行数据进行归一化并作出各个特征随聚焦程度变化的曲线，如图4，从而可以直观地得出各个图像特征参数随聚焦程度的变化趋势。

图3 红外聚焦图像

Fig.3 Focused infrared image

表1 红外聚焦图像与对应的特征提取值

图4 各个特征随聚焦程度的变化趋势

Fig.4 The changing tendency of each feature with the degree of focusing

从图4中可以看出对每个特征进行归一化后得出的曲线可以清楚的描绘出随着聚焦程度的不同，各特征随之变化的趋势。图4(a)表示随着图像聚焦程度的从离焦向聚焦变化的过程中，二阶矩的变化趋势却是由高降低。当图像聚焦程时，二阶矩值降到最低。图4(b)是聚焦程度与相关的曲线，相关与聚焦程度呈正相关性。当聚焦程度达到最好时相关值也达到最大值，相关的变化趋势与聚焦程度变化趋势基本一致。图4(c)中熵与聚焦程度的曲线下降较为平缓，整体变化缓慢。随着聚焦程度的从离焦向聚焦变化的过程中，熵的变化趋势也是由高降低。图4(d)中在靠近聚焦程度较大的时候对比度较低，且越靠近聚焦状态时变化差值越大。整体趋势随聚焦程度的变化呈负相关性。图4(e)中图像目标物提取出的面积随聚焦程度变化平缓，且随着聚焦程度的从离焦向聚焦变化的过程中目标物面积逐渐增大。当聚焦程度达到最大时，目标物提取面积也达到最大。从表1中可以看出提取出的目标物周长基本保持不变。

4 结论

纹理特征分析是关于图像区域内度量像素间关系的，形状特征可以直观描述物体。本文主要以提取红外聚焦图像特征为前提，分析其纹理、面积及周长等特征随聚焦程度变化的趋势。从而得出随聚焦程度正相关变化的特征为图像纹理特性中的相关与面积特征，而与之变化负相关为纹理特征中的二阶矩、熵、对比度。形状特征中的周长与聚焦程度的变化关系较小。图像聚焦时，图像中像素较为均匀分布所以纹理复杂度较低。这就使得纹理特征中一些特征与图像聚焦程度呈负相关变化。通过实验可知在对图像进行特征提取时，应在相同的聚焦程度下进行，这样可以减小因为聚焦程度的不同，导致提取的图像特征存在差异。

[1] 刘丽, 匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报, 2009(4): 622-635.

LIU Li, KUANG Gangyao. A survey of image texture feature extraction methods [J]., 2009 (4): 622-635.

[2] 阿卜杜如苏力·奥斯曼, 吐尔洪江·阿布都克力木, 马丽亚木·阿布来孜. 综合颜色特征与形状特征的图像检索算法[J]. 计算机工程与应用, 2013(7): 167-170.

Abdulu Su Li • Osman, Tu Erhong Jiang • Abu Ducu Li Mu, Maria • Abu Lizi. Image retrieval algorithm based on integrated color features and shape features[J]., 2013(7): 167-170.

[3] 刘舒, 姜琦刚, 邵永社, 等. 应用灰度共生矩阵的纹理特征描述的研究[J]. 科学技术与工程, 2012, 33: 8909-8914.

LIU Shu, JIANG Qigang, SHAO Yongshe, et al. Study on texture feature description of gray level co-occurrence matrix[J]., 2012, 33: 8909-8914.

[4] 郭靖, 江洁, 曹世翔. 水平集分层分割遥感图像中的建筑物[J]. 红外与激光工程, 2014(4): 1332-1337.

GUO Jing, JIANG Jie, CAO Shixiang. Horizontal set layered segmentation of buildings in remote sensing images[J]., 2014(4): 1332-1337.

[5] 王兴梅, 印桂生, 门志国, 等. 基于水平集改进的水下目标轮廓提取方法[J]. 哈尔滨工业大学学报, 2010(4): 660-664.

WANG Xingmei, YIN Guisheng, MENG Zhiguo, et al. Underwater target contour extraction based on level set improvement[J]., 2010(4): 660-664.

[6] 王沛, 周鑫, 彭荣鲲, 等. 结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取[J]. 中国图象图形学报, 2014(7): 1095-1103.

WANG Pei, ZHOU Xin, PENG Rongkun, et al. Target contour extraction of SAR image with active contour model combined with edge and region[J]., 2014(7): 1095-1103.

[7] 高程程, 惠晓威. 基于灰度共生矩阵的纹理特征提取[J]. 计算机系统应用, 2010(6): 195-198.

GAO Chengcheng, HUI Xiaowei. Texture feature extraction based on gray level co-occurrence matrix[J]., 2010(6): 195-198.

[8] 张艳超, 赵建, 韩希珍, 等. SUSAN清晰度评价函数在自动对焦中的应用[J]. 中国光学, 2014(2): 240-244.

ZHANG Yanchao, ZHAO Jian, HAN Xizhen, et al. Application of SUSAN sharpness evaluation function in autofocus[J]., 2014(2): 240-244.

Influence of Degree of Image Focusing on Feature Extraction

HAO Zhenghui，WANG Gao，YUAN Dongfang，CHU Xngming，WEI Xuan，LI Xianjing

(,,030051,)

Texture analysis includes the quantitative calculation of the relationship among pixels in a local area of an image. “Shape” is one of the characteristics of the intuition is tic description of an object, which can be directly used to distinguish the target object. In this paper, the characteristics of “texture,”“area,” and “perimeter” of the infrared focus image are analyzed. The results show positive correlations of image area and image texture with the degree of focusing, while negative correlations exist with regard to the statistical second-order moment, entropy, and contrast of the texture. The relationship between the perimeter of the shape and the degree of focusing is weak. The texture and shape features of the extracted images vary at different degrees of image focus.

degree of focus，texture feature，contour line

TP391

A

1001-8891(2017)09-0824-05

2016-11-02；

2016-12-27.

郝争辉（1989-），男，山西吕梁人，硕士研究生，主要研究方向：红外测温与图像处理。

国家安全重点基础研究计划项目。