一種複雜光照下圖像特徵提取方法與流程
2023-09-12 18:54:00 4
本發明屬於圖像處理技術領域,涉及一種圖像特徵提取方法,尤其是一種複雜光照下圖像特徵提取方法。
背景技術:
近年來,隨著科技的不斷發展,圖像特徵提取技術逐漸成為計算機視覺領域最熱門的研究課題之一,吸引了大量學者的研究和關注。該技術的普及順應了時代的發展,也給人們的工作和生活帶來方便。但由於提取到的圖像特徵容易受到光照變化的影響,因此即便發展到今天,圖像特徵提取技術依舊存在著一定的局限性。
現有技術中,典型的圖像特徵提取技術有wld、lgs等,這些算法都存在一些缺陷,具體如下所述:
一、wld算法:
(1)wld算子在計算像素點xc的差分激勵ξ(xc)時採用的是各向同性的濾波器,即二階拉普拉斯算子,而這就造成了像素點之間的差值互相抵消,從而沒有將局部灰度信息充分展現出來;
(2)wld算子僅對像素點xc水平方向和垂直方向上的灰度變化情況進行了表述,並沒有完全表述出xc所有鄰接像素點的灰度變化情況,因此在對紋理的內在變化進行描述時存在著一些問題。
二、lgs算法
局部圖結構(lgs)算子雖然擁有計算簡單、紋理區分能力強、灰度不變性等諸多顯著優點,然而,lgs算子亦有一定的局限性:
(1)它包含了鄰域像素之間的冗餘信息;
(2)由於這種局部紋理描述子在結構上是不對稱的,它並沒有從像素的左右鄰域內獲取數量一致的信息,其右側鄰域相比於左側包含了更多的像素(左側擁有2個像素,而右側則擁有3個像素)。因此,在表示像素的局部紋理特徵時,從其鄰域計算得出的lgs值包含了更多的右側空間信息。
技術實現要素:
本發明的目的在於克服上述現有技術的缺點,提供一種複雜光照下圖像特徵提取方法。
本發明的目的是通過以下技術方案來實現的:
這種複雜光照下圖像特徵提取方法為:
(1)首先計算wld各向異性差分激勵,得到圖像的差分激勵特徵;
(2)計算對稱性lgs算子,得到圖像的對稱性lgs特徵;
(3)使用各向異性的wld差分激勵特徵和對稱性lgs特徵分別替代wld算子中的差分激勵特徵和梯度方向特徵,融合成wlgs特徵;
(4)將步驟(3)中的二維wlgs特徵直方圖進一步映射成一維wlgs特徵直方圖,以增強特徵的區分性能和描述能力。
進一步,以上步驟(1)中,計算wld各向異性差分激勵方法為:
log算子的函數形式如下:
通過對σ在x和y方向上分別取不同的值,從而使得σ對x和y產生具有差別的影響;
對於一個標準的橢圓,其數學表達式為:
x2/a2+y2/b2=1(a≠b)(3)
將這個橢圓逆時針方向轉α角度後,得出新的坐標關係:
將式(4)帶入式(3)中,可得到此時該橢圓方程為:
(xcosα+ysinα)2/a2+(ycosα-xsinα)2/b2=1(5)
再將式(5)帶入式(2)中,可得到各向異性的log算子:
式中各參數的取值分別為:a=xcos2α+ysinαcosα,b=xsin2α-ysinαcosα,c=xsinαcosα+ysin2α,d=-xsinαcosα+ycos2α,e=xcosα+ysinα,f=ycosα-xsinα;
尺度參量σx的計算公式如下:
其中i(x,y)代表像素點(x,y)的灰度值,i(x,y)的值歸一化為[0,1]區間;
尺度參量σy的計算公式如下:
式中,k取固定值,表示m×n窗口內的灰度均方差,代表鄰域灰度的均值,和i(i,j)的取值範圍均為[0,255];
針對各向異性log算子中的角度參量α,採用kirsch算子來進行確定;通過對圖像中各點的每個方向模板進行計算,並將其中取得最大值的模板對應的方向作為該點的角度參量值,即可實現α根據每個像素點的最大方向值自適應確定角度的目的;
將得到的尺度參量σx,σy,角度參量α代入式6,就能夠形成各向異性的log算子,然後再通過以下公式(9)得到圖像f的各向異性wld差分激勵算子:
進一步,以上步驟(2)中,計算對稱性lgs算子:
對於目標像素點(xd,yd),其對稱性lgs編碼計算公式如式(10)所示:
其中,p=7,6,…,0表示二項式加權值,gd-gn表示後一個像素點與前一個像素點之間的像素差值,並且
進一步,以上步驟(4)中:
wlgs由兩部分組成:差分激勵和ilgs;對於給定的一副圖像,首先利用圖計算出每個像素點的ilgs編碼值,然後計算出每個像素點的各向異性差分激勵,從而得到ilgs圖像和差分激勵圖像;根據ilgs圖像和差分激勵圖像,構造二維直方圖來描述圖像的特徵wlgshistogram(m,t):
wlgshistogram(m,t)={ξ,ilgs}
其中m=0,1,…,m-1,t=0,1,…,t-1,wlgshistogram(m,t)的大小為t×m,m是ξ的區間數,t是ilgs值的總數。進一步,所述t的最優值設為256。
進一步,以上二維直方圖中的每一列對應的是一個ilgs值,每一行則對應著一個差分激勵區間,因此,每一小塊wlgshistogram(m,t)對應的是一個確定的差勵區間m和ilgs值t的頻率。
進一步,對以上二維直方圖wlgshistogram(m,t)按行進行展開,並形成一個一維直方圖h;其中,每一個子直方圖h(m)對應的是差勵區間m;把m個子直方圖按照一定的順序連接起來就形成了最終的一維直方圖h=[h(0),h(1),…h(m-1)]。
與現有技術相比,本發明具有以下有益效果:
本發明複雜光照下圖像特徵提取方法結合了韋伯局部描述符和局部圖結構的優點,提出基於局部圖結構的特徵提取方法(wlgs),其通過使用各向異性的wld差分激勵和對稱性lgs算子分別替代原始wld算子中的差分激勵和梯度方向而產生的。利用wlgs算子進行圖像特徵提取時,首先計算出該圖像的各向異性差分激勵圖像和對稱性lgs圖像,然後將其融合形成二維wlgs直方圖,並進而轉化為一維直方圖,以用其對圖像特徵進行表示。實驗結果表明,與現有技術中經典的圖像特徵提取方法相比,本文算法在進行圖像特徵提取時對光照變化更具魯棒性。
附圖說明
圖1為ilgs算子結構圖;
圖2為ilgs算子計算示意圖;
圖3為韋伯局部圖結構(wlgs)算子示意圖;
圖4為wlgs直方圖計算示意圖;
圖5為差分激勵計算示意圖;
圖6為lgs算子結構圖;
圖7為lgs算子;
圖8為photex資料庫部分圖像;
圖9為photex資料庫對比實驗結果圖;
圖10為rawfoot資料庫部分圖像;
圖11為rawfoot資料庫對比實驗結果圖。
具體實施方式
本發明的複雜光照下圖像特徵提取方法,具體包括以下步驟:
步驟一、首先計算wld各向異性差分激勵,得到圖像的差分激勵特徵;具體為:
log算子的函數形式如下:
可以通過對σ在x和y方向上分別取不同的值,從而使得σ對x和y產生具有差別的影響。
對於一個標準的橢圓,其數學表達式為:
x2/a2+y2/b2=1(a≠b)(3)
如果將這個橢圓逆時針方向轉α角度後,可得出其新的坐標關係:
將式(4)帶入式(3)中,可得到此時該橢圓方程為:
(xcosα+ysinα)2/a2+(ycosα-xsinα)2/b2=1(5)
再將式(5)帶入式(2)中,可得到各向異性的log算子:
式中各參數的取值分別為:a=xcos2α+ysinαcosα,b=xsin2α-ysinαcosα,c=xsinαcosα+ysin2α,d=-xsinαcosα+ycos2α,e=xcosα+ysinα,f=ycosα-xsinα。
尺度參量σx的計算公式如下:
其中i(x,y)代表像素點(x,y)的灰度值,i(x,y)的值歸一化為[0,1]區間。
尺度參量σy的計算公式如下:
式中,k取固定值,表示m×n窗口內的灰度均方差,代表鄰域灰度的均值,和i(i,j)的取值範圍均為[0,255]。
針對各向異性log算子中的角度參量α,採用kirsch算子來進行確定。通過對圖像中各點的每個方向模板進行計算,並將其中取得最大值的模板對應的方向作為該點的角度參量值,即可實現α根據每個像素點的最大方向值自適應確定角度的目的。
將得到的尺度參量σx,σy,角度參量α代入式(6),就能夠形成各向異性的log算子。然後再通過公式(9)就能夠得到圖像f的各向異性wld差分激勵算子。
步驟二、計算對稱性lgs算子,得到圖像的對稱性lgs特徵;具體計算對稱性lgs算子(ilgs):
對於目標像素點(xd,yd),其對稱性lgs編碼計算公式如式(10)所示:
其中,p=7,6,…,0表示二項式加權值,gd-gn表示後一個像素點與前一個像素點之間的像素差值,並且
其計算過程示意圖如圖1所示。
圖2給出了一個ilgs的計算實例,其計算過程與lgs類似。
步驟三、使用各向異性的wld差分激勵特徵和對稱性lgs特徵分別替代wld算子中的差分激勵特徵和梯度方向特徵,融合成wlgs特徵。
步驟四、將步驟三中的二維wlgs特徵直方圖進一步映射成一維wlgs特徵直方圖,以增強特徵的區分性能和描述能力,具體如下:
wlgs由兩部分組成:差分激勵和ilgs。對於給定的一副圖像,首先利用圖計算出每個像素點的ilgs編碼值,然後計算出每個像素點的各向異性差分激勵,從而得到ilgs圖像和差分激勵圖像。如圖3所示。根據這兩幅圖像,構造二維直方圖來描述圖像的特徵:
wlgshistogram(m,t)={ξ,ilgs}
其中m=0,1,…,m-1,t=0,1,…,t-1,wlgshistogram(m,t)的大小為t×m,m是ξ的區間數,t是ilgs值的總數,在本文中,t的值設為256。
簡而言之,二維直方圖中的每一列對應的是一個ilgs值,每一行則對應著一個差分激勵區間。因此,每一小塊wlgshistogram(m,t)對應的是一個確定的差勵區間m和ilgs值t的頻率。
出於增強特徵的區分性和描述能力的目的,需要對二維直方圖wlgshistogram(m,t)按行進行展開,並形成一個一維直方圖h。其中,每一個子直方圖h(m)對應的是差勵區間m。把m個子直方圖按照一定的順序連接起來就形成了最終的一維直方圖h=[h(0),h(1),…h(m-1)]。如圖4所示。
下面結合附圖對本發明做進一步詳細描述:
本發明基於韋伯算子(wld)和局部圖結構(lgs)算子展開。針對wld算子各向同性的特點,提出了一種各向異性的wld算子,以解決其在具有方向性差異的場合中局部紋理區分能力不足的問題。同時,針對lgs算子結構上的不對稱且包含了冗餘信息的問題,提出了一種對稱性的lgs算子,從而構建了一種更為均衡的用來提取像素鄰域間紋理信息的方式。並在此基礎上結合韋伯局部描述符和局部圖結構的優點,提出了一種基於韋伯局部圖結構的人臉特徵提取方法(wlgs),它是通過用各向異性wld差分激勵和對稱性lgs算子分別替代原始wld算子中的差分激勵和梯度方向而產生的,能夠提取更多的紋理細節和多個方向梯度信息,所以能更好地提取出圖像的細節信息。
項異性wld算子
wld差分激勵通過中心像素和鄰域像素的灰度值來計算,它用來描述圖像的顯著變化,反映了局部窗內灰度變化的強度信息,其目的是尋找一幅圖像在人眼視覺感知中變化比較明顯的區域。設當前像素點為xc,該像素點的差分激勵為ξ(xc)。則各向同性wld差分激勵計算過程如下圖5所示。其中:表示當前像素點xc與其p個鄰接像素點之間的像素差值,表示當前像素點xc的像素值。
由於wld算子在計算像素點xc的差分激勵ξ(xc)時採用的是各向同性的二階拉普拉斯算子來作為濾波器,而這就造成了像素點之間的差值互相抵消,從而沒有將局部灰度信息充分展現出來。因此本發明的改進算法將從此入手,將高斯濾波和拉普拉斯算子結合在一起並對其進行改進,形成各向異性log(laplacianofgaussian)算子。然後通過式2.1對圖像f與log算子進行卷積來對δi進行計算,即得各向異性的wld差分激勵算子。
δi=log*f(x,y)(2.1)
根據上述理論基礎,通過推導出改進型的log算子就可以實現對原始wld算子差分激勵分量的改進。
傳統的log算子的函數形式如下:
可以通過對σ在x和y方向上分別取不同的值,從而使得σ對x和y產生具有差別的影響。
對於一個標準的橢圓,其數學表達式為:
x2/a2+y2/b2=1(a≠b)(2.4)
如果將這個橢圓逆時針方向轉α角度後,可得出其新的坐標關係:
將式2.5帶入式2.4中,可得到此時該橢圓方程為:
(xcosα+ysinα)2/a2+(ycosα-xsinα)2/b2=1(2.6)
再將式2.6帶入式2.3中,可得到各向異性的log算子:
式中各參數的取值分別為:a=xcos2α+ysinαcosα,b=xsin2α-ysinαcosα,c=xsinαcosα+ysin2α,d=-xsinαcosα+ycos2α,e=xcosα+ysinα,f=ycosα-xsinα。
尺度參量σx的計算公式如下:
其中i(x,y)代表像素點(x,y)的灰度值,i(x,y)的值歸一化為[0,1]區間。
尺度參量σy的計算公式如下:
式中,k取固定值,表示m×n窗口內的灰度均方差,代表鄰域灰度的均值,和i(i,j)的取值範圍均為[0,255]。
針對各向異性log算子中的角度參量α,本文採用kirsch算子來對其進行確定。kirsch算子含有8個方向模板,並且每個模板分別代表一種特定方向,通過對圖像中各點的每個方向模板進行計算,並將其中取得最大值的模板對應的方向作為該點的角度參量值,即可實現α根據每個像素點的最大方向值自適應確定角度的目的。
將得到的尺度參量σx,σy,角度參量α代入式2.7,就能夠形成各向異性的log算子。然後再通過公式2.1即可得到各向異性的wld差分激勵算子。
對稱性lgs算子
lgs算子定義在一個3×4的矩形窗口內,如圖6所示,針對目標像素點(圖中用灰色圓點表示),局部圖結構首先按逆時針方向沿著該像素左邊區域移動。如果後一個像素點的值大於或者等於前一個像素點的值,那麼將會標記一個二進位值1用於連接兩個像素點,否則將會其標記為0。在完成目標像素點左邊區域的比較後,水平移動至該像素點的右側鄰接像素點進行比較,然後再按順時針方向對右邊區域應用相同的過程,直到回到目標像素點為止。因此當比較完所有的像素點之後,在3×4的矩形窗口內將會獲得一個八比特的二進位數,然後再按照位置分別賦予不一樣的權重值,並對其進行求和,就可以將該二進位數轉換為一個十進位的整數,這個整數就作為這個矩形窗口中目標像素點的lgs編碼值,然後就能夠用這個編碼值來反映這個區域的紋理特徵信息。
局部圖結構(lgs)算子雖然擁有計算簡單、紋理區分能力強、灰度不變性等諸多顯著優點,然而,lgs算子亦有一定的局限性。它包含了鄰域像素之間的冗餘信息,例如圖7中像素分別為30和33的像素點,並且由於這種局部紋理描述子在結構上是不對稱的,它並沒有從像素的左右鄰域內獲取數量一致的信息,其右側鄰域相比於左側包含了更多的像素(左側擁有2個像素,而右側則擁有3個像素)。因此,在表示像素的局部紋理特徵時,從其鄰域計算得出的lgs值包含了更多的右側空間信息。
針對上述問題,本發明提出一種改進型的lgs算子,稱為ilgs算子,用以提高lgs算子的性能。ilgs算子是一個對稱性的局部圖結構,如圖4所示,其對稱性主要是通過修改普通lgs左右鄰域內不相等的像素數量得到的,ilgs在其左右鄰域內擁有相同的像素數量(左右鄰域內均有3個像素的值被加以利用)。與普通lgs算子相比,該算子能提取到更多關於圖像紋理的空間信息,並且可以以一種更加平衡的方式提取像素左右鄰域的紋理信息,使得每一個像素的局部特徵有一個更好的表示。
韋伯局部圖結構(wlgs)
wlgs由兩部分組成:差分激勵和ilgs。對於給定的一副圖像,首先利用圖計算出每個像素點的ilgs編碼值,然後計算出每個像素點的各向異性差分激勵,從而得到ilgs圖像和差分激勵圖像。
根據這兩幅圖像,構造二維直方圖來描述圖像的特徵:
wlgshistogram(m,t)={ξ,ilgs}
其中m=0,1,…,m-1,t=0,1,…,t-1,wlgshistogram(m,t)的大小為t×m,m是ξ的區間數,t是ilgs值的總數,在本文中,t的值設為256。
簡而言之,二維直方圖中的每一列對應的是一個ilgs值,每一行則對應著一個差分激勵區間。因此,每一小塊wlgshistogram(m,t)對應的是一個確定的差勵區間m和ilgs值t的頻率。
出於增強特徵的區分性和描述能力的目的,需要對二維直方圖wlgshistogram(m,t)按行進行展開,並形成一個一維直方圖h。其中,每一個子直方圖h(m)對應的是差勵區間m。把m個子直方圖按照一定的順序連接起來就形成了最終的一維直方圖h=[h(0),h(1),…h(m-1)]。
實驗結果與對比分析
為了驗證算法的有效性,本發明選用了photex資料庫,該數據中包括了各種方向的紋理圖像,這些圖像是從不同光照環境下拍攝的各種圖像,可以很好的驗證光照複雜性目標圖像的描述性能。在試驗中,本發明選取了18種紋理,每種有20種不同光照的環境,部分圖像圖8所示。
為了更好的表示算法的有效性,本發明選擇經典的去光照特徵提取方法局部二進位模式,韋伯二進位模式韋、伯局部描述算子和本發明方法進行對比,在試驗中,分類識別算法選取徑向基神經網絡(取matlab工具箱),實驗的結果如圖9所示,從圖9可以看出,隨著訓練樣本數的增加,各種方法的識別率都在增加。此外,我們可以看出,我們提出的方法取得了最好的識別效果,驗證了方法的有效性。
為了進一步驗證算法的有效性,選取了rawfoot(rawfoodtexturedatabase)紋理資料庫,該庫包括了46種不同光照的68種紋理圖像,可以很好的驗證算法對複雜光照的魯棒性,部分圖像如圖10所示。
為了更好的表示算法的有效性,選擇經典的去光照特徵提取方法局部二進位模式,韋伯二進位模式韋、伯局部描述算子和本發明方法進行對比,在試驗中,分類識別算法我們選取徑向基神經網絡(取matlab工具箱),實驗的結果如圖11所示,從圖11可以看出,隨著訓練樣本數的增加,各種方法的識別率都在增加。此外可以看出,本發明提出的方法取得了最好的識別效果,進一步驗證了方法的有效性。