基于灰度共生矩阵的遥感图像抗旋转性研究

来源:用户上传      作者:江玉杰 王世航

　　摘要：灰度共生矩阵（GrayLevel Co-occurrence Matrix，GLCM）在图像纹理提取上应用极其广泛，但依旧存在不足。文章在GLCM纹理提取算法的基础上，引入局部二值模式（Local Binary Patterns，LBP），以此來改变GLCM在不同方向上的不一致性，解决因选取GLCM方向的不同给研究带来的误差。经实验，该文章提出的GLCM-LBP纹理特征改进方法，有效解决了方向不同带来的问题，同时计算量大幅减少。
　　关键词：灰度共生矩阵; 局部二值模式;遥感;图像处理;纹理提取
　　中图分类号： TP237文献标识码：A
　　文章编号：1009-3044（2019）31-0013-04
　　Abstract：Gray-level co-occurrence matrix （GLCM） is widely used in image texture extraction， but it still has deficiencies. Based on the GLCM texture extraction algorithm， Local Binary Patterns （LBP） to change the inconsistency of GLCM in different directions and solve the errors caused by the different GLCM directions were introducedin this paper. Through experiments， the GLCM-LBP texture feature improvement method proposed in this paper effectively solves the problems caused by different directions， and the calculation amount is greatly reduced.
　　Key words：gray-level co-occurrence matrix;local binary patterns; remote sensing; image processing; texture extraction
　　GLCM作为广泛使用的纹理特征提取方法，在遥感图像信息提取中也发挥着重要作用。1973年，Haralick[1]等人定义了包括角二阶矩、对比度和熵等在内的14个GLCM特征因子。GLCM在纹理分析中表现非常优秀，广泛运用在图像纹理特征提取上，与GLCM同时期的方法还包括灰度差分统计法[2]、灰度行程长度法[3]等，这些方法在提取纹理时具有一定的效果，但是存在缺陷。经灰度差分统计法计算的对比度与GLCM相同，灰度行程长度法未被可以有效提取纹理特征，因此后续的研究和应用比较少。针对GLCM在不同方向上有不同矩阵的情况，2007年，冯建辉[4]等在研究时分别计算四个不同方向的GLCM并取平均值，证明GLCM提取图像纹理特征能在一定程度上提高分类精度;2014年，刘天时[5]等在不同方向上引入权值因子将其与特征参数融合，所提取的结果具有更好的图像识别能力;2016年，张鑫[6]等引入“伪像素点”的概念，提高纹理特征的旋转不变性，经公共图像库的验证，具有更好的抗旋转性。本文在GLCM的基础上引入LBP，以期新的方法解决在不同方向上GLCM不一致的问题。
　　1 灰度共生矩阵（GLCM）
　　GLCM是一种研究图像灰度的空间相关性来描述纹理的方法，灰度分布在空间位置上反复出现形成纹理，在图像中一定距离下的两像元的灰度存在某种关系，即图像中灰度的空间相关特性。以遥感影像为例，取影像（N×N）中的任意一点（x，y）及另一点（x+a，y+b），该点对的灰度值记为（g1，g2），移动点（x，y）遍历整幅影像，设灰度级为k，则有k2个点对灰度值（g1，g2），统计每种灰度值的出现次数并排列成方阵即为GLCM。
　　（a，b）的取值参考纹理特征，对于较细的纹理，取（1，1）、（1，0）等，当取（1，0）时，像元对是水平的，称为0°扫描，如图1;当取（1，1）时，像元对是右对角线的，称为45°扫描;当取（0，1）时，像元对是垂直的，称为90°扫描;当取（-1，1）时，像元对是左对角线的，称为135°扫描。
　　COR反映了影像纹理的一致性，当GLCM元素值均匀相等时，COR就大;相反则小。
　　2 局部二值模式（LBP）
　　LBP是一种灰度范围内的非参数描述子，具有对灰度变化不敏感且计算速度快等优点[8]。由Ojala等[9]在1996年提出，普遍应用于解决多分辨率、多旋转情况下图像的纹理分类问题。
　　2.1原始LBP算法
　　LBP算法应用3×3的子窗口来遍历整幅影像，周围八个像元的值大于或等于中间像元的值则赋为1，否则赋为0。将阈值化的值按顺时针方向（左上角起）记录下来形成的一串二进制数，转换为十进制即中心像元的LBP值，如图2。
　　2.2多尺度LBP算法
　　针对不同尺度下的纹理提取Ojala T等[7]在原始的LBP算法基础上作出了改进。引进圆形邻域（P，R），P表示该邻域内取样的像元个数，R表示该圆形邻域的半径大小，结合插值法，该算子可灵活调整参数，适用于任意半径和任意邻域像元个数，不同尺度的纹理结构如图3。
　　由于采样点在圆上，不一定会准确的落在像元里，因此需要运用插值法。多尺度LBP计算量极大，对一幅遥感影像进行处理耗时耗力，不利于研究。
　　2.3旋转不变LBP算法
　　多尺度LBP算法具有特定的二进制序列选取顺序，对于图像发生旋转的情况下，最终得到的LBP值将不同。为了得到固定不变的编码模式，Ojala等[7]提出旋转不变LBP算法，即在八个不同起点下的二进制序列中，选择最小的值作为该中心像元的LBP值。计算公式如下： 　　对于P=8的LBP，共有256种组合，经过旋转之后剩下36种不同的组合。然而36种组合对于遥感影像的处理研究来说，仍然显得臃肿。
　　2.4 Uniform模式
　　在原始LBP算法中，不同起始点和方向的选取会得到不同的结果，二进制序列有2P种，对应的LBPP，R有2P种模式。經研究发现，各模式出现的概率是不同的，统计结果表明，部分模式出现的次数占所有模式的90%以上，Ojala等[5]将高频出现的模式定义为Uniform模式。连接二进制序列的起始点终止点形成圆环，一个圆环中如果“0→1“和”1→0”出现次数不超过两次，称该序列为Uniform模式。例“00000011”是Uniform模式，“11000110”不是Uniform模式。使用LBP算法分析影像纹理时，一般只关注Uniform模式，而将其他的模式统一归为一类，称为混合模式。计算公式如下：
　　其中：U表示判断该模式是否为Uniform模式。
　　Uniform-旋转不变算法保证旋转不变性的同时还简化了模式数量，吸收Uniform模式和旋转LBP两种算法的优势，大大提高了研究效率，节省研究时间。
　　3 实验与分析
　　4.1 实验设计
　　本文使用LandSat5卫星影像进行研究。对LandSat5影像作预处理，针对四种不同地物剪裁相同栅格数的待研究影像。将四幅待研究影像分别用Uniform-旋转不变LBP算子处理。计算灰度共生矩阵，选用角二阶矩、对比度、熵、自相关特征因子表述纹理特征，比较GLCM和GLCM-LBP两种方法。本文研究路线如图4。
　　在相关网站上下载质量较好的LandSat5影像做预处理，LandSat5影像数据采用8位即影像的灰度值在0～255之间。对实验影像作直方图均衡化处理，使灰度值均匀分布（纹理是一种像元之间的相对关系，均衡化对此影响较小）。选用红光波段，对照真彩色合成影像剪裁出主要地物为水体、植被和建筑三种不同的兴趣区，保证三个兴趣区具有相同的栅格大小，栅格方阵为200×200，均衡化后的兴趣区如图5。本文所用到的算法皆通过Python语言实现。
　　3.2 LBP-GLCM纹理特征提取抗旋转实验
　　分别计算三幅影像的灰度共生矩阵及不同旋转角度下的特征因子，结果如表1、表2和表3。
　　对比分析表1、表2和表3，经过Uniform-旋转不变算子处理后的影像，同种地物在不同方向上其ASM、CON、ENT和COR的值非常接近，因此本文提出的纹理特征提取方法具有比较好的抗旋转能力。
　　对比三种地物，其中水体的ASM值不同方向上都处于0.06上下，因为水体的分布比建筑和植被要均匀，其纹理要更为细致，所以水体的ASM值最小，其次是植被，最后是建筑;对于CON值，水体要高于建筑和植被，从卫星影像来说，单一的地物其视觉效果会显得更加清晰，纹理沟纹也更大，视觉上最模糊的是建筑，因此建筑的CON值也最低;三种地物的ENT依次是植被>水体>建筑，原因可能是研究区域山体较多，导致本次研究中植被分布最复杂最不均匀，能量最大;建筑相比于植被和水体具有更高的纹理一致性。
　　4 结束语
　　研究中所用数据为LandSat5，相比于LandSat7和LandSat8，不需要压缩灰度级。避免大量信息损失和杂糅两种数据降维方式带来的误差。研究区域选择为安徽省安庆市部分地区。研究区域内山地较多，对本次研究中的熵值有一定的影响。
　　本文提出的GLCM-LBP纹理特征提取方法，较GLCM纹理特征提取相比，抗旋转性优秀。GLCM纹理提取方法通过压缩灰度级来减少计算量，往往会丢失原图像蕴含的信息，此方法通过摒弃大量重复的信息实现数据降维，更高效。此方法可以结合支持向量机，分割纹理图像。
　　后续研究可以综合不同的抗旋转方法，对相同区域的遥感影像进行纹理提取分类，比较精度。
　　参考文献：
　　[1] Haralick R M，Shanmugam K，DinsteinI.Textural features for image classification[J].IEEE Transactionson Systems，Man，and Cybernetics，1973，SMC-3（6）：610-621.
　　[2] Weszka J S，Dyer C R，Rosenfeld A.A comparative study of texture measures for terrain classification[J].IEEE Transactions on Systems，Man，and Cybernetics，1976，SMC-6（4）：269-285.
　　[3] Galloway M M.Texture analysis using gray level Run lengths[J].Computer Graphics and Image Processing，1975，4（2）：172-179.
　　[4] 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007（3）：19-22.
　　[5] 刘天时，肖敏敏，李湘眷.融合方向测度和灰度共生矩阵的纹理特征提取算法研究[J].科学技术与工程，2014，14（32）：271-275.
　　[6] 张鑫，魏海坤.基于灰度共生矩阵的旋转不变性改进算法[J].工业控制计算机，2016，29（6）：115-117.
　　[7] 郭德军，宋蛰存.基于灰度共生矩阵的纹理图像分类研究[J].林业机械与木工设备，2005，33（7）：21-23.
　　[8] Ojala T，Pietik?inen M，Harwood D.A comparative study of texture measures with classification based on featured distributions[J].Pattern Recognition，1996，29（1）：51-59.
　　[9] Ojala T，Pietikainen M，Maenpaa T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactionson Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.
　　[10] 任国贞，江涛.基于灰度共生矩阵的纹理提取方法研究[J].计算机应用与软件，2014，31（11）：190-192，325.
　　[11] 赵磊，朱永利，贾亚飞，等.基于GLCM和LBP的局部放电灰度图像特征提取[J].电测与仪表，2017，54（1）：77-82.
　　[12] 李玥灵，吴国平，耿秀秀，等.基于LBP-GLCM纹理特征提取的服装图像检索[J].电视技术，2015，39（12）：99-103.
　　[13] 杨龙飞.基于局部二值模式和灰度共生矩阵的纹理特征提取技术研究[D].兰州：兰州大学，2016.
　　[14]陆付祥.基于特征提取的健美操分解动作图像自适应识别方法[J].科学技术与工程，2019，19（7）：148-153.
　　【通联编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-15377152.htm