一種結(jié)合Gabor濾波器與GLCM的盲道檢測(cè)方法

張 衛(wèi)，李振偉，楊曉利

(河南科技大學(xué) 醫(yī)學(xué)技術(shù)與工程學(xué)院，河南 洛陽(yáng) 471000)

0 引 言

根據(jù)國(guó)內(nèi)第七次人口普查的數(shù)據(jù)顯示，國(guó)內(nèi)總?cè)丝跀?shù)已經(jīng)達(dá)到了十四多億，這其中視障人士的數(shù)量已經(jīng)超過(guò)了1 730萬(wàn)，這是數(shù)量相當(dāng)巨大的一個(gè)弱勢(shì)群體。視覺(jué)的喪失給每一位視障人士在日常生活中帶來(lái)了很多的困難，嚴(yán)重影響了他們的正常生活。為了幫助盲人安全出行，人們研發(fā)出了一些導(dǎo)盲設(shè)備進(jìn)行輔助，比如基于超聲波的導(dǎo)盲拐杖、基于RFID原理的導(dǎo)盲儀器等，但是這些導(dǎo)盲設(shè)備存在比較突出的問(wèn)題，如采集的信息比較單一，這會(huì)導(dǎo)致錯(cuò)誤率較高，不能很好地保證盲人的出行安全。一部分人將工作重心放在了基于視覺(jué)的導(dǎo)盲輔助技術(shù)中，致力于實(shí)現(xiàn)利用計(jì)算機(jī)視覺(jué)來(lái)代替人眼輔助盲人外出[1-5]。基于計(jì)算機(jī)視覺(jué)的導(dǎo)盲設(shè)備的原理主要是通過(guò)視覺(jué)傳感器采集盲人前方道路上的圖像信息，然后運(yùn)用圖像處理技術(shù)對(duì)采集的原始圖像加以處理，從而獲得對(duì)輔助盲人安全行走有用的信息，利用這些信息能夠有效地幫助盲人在一定程度上實(shí)現(xiàn)獨(dú)立的行走。

在基于視覺(jué)的導(dǎo)盲技術(shù)研究中獲得的大多數(shù)技術(shù)都是借助已有的標(biāo)志性(盲道)物體完成的導(dǎo)盲任務(wù)。基于視覺(jué)的盲道檢測(cè)，是通過(guò)得到盲道圖像，之后在圖像中得到盲道區(qū)域，根據(jù)盲道與人行道的顏色紋理不同進(jìn)行檢測(cè)。例如，彭玉清、靖固等人提出將圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，得到圖像的H分量，通過(guò)H分量進(jìn)行圖像處理實(shí)現(xiàn)了對(duì)盲道的分割[6-7]。張晴晴等人使用最大類間方差法(OTSU)分割盲道圖像在Lab顏色空間中得到的b分量，從而實(shí)現(xiàn)對(duì)圖像中盲道區(qū)域的檢測(cè)[8]。柯劍光等人通過(guò)將圖像轉(zhuǎn)換到Lab顏色空間下，利用自適應(yīng)閾值分割算法對(duì)盲道圖像進(jìn)行盲道區(qū)域的分割[9]。上述所提出的盲道分割算法主要針對(duì)的是盲道區(qū)域與人行道的顏色有較大區(qū)別的情況，但是這些基于顏色空間的盲道檢測(cè)算法在對(duì)盲道與人行道顏色相似的盲道分割時(shí)就會(huì)由于顏色的差異不高，導(dǎo)致在分割盲道時(shí)容易分割出非盲道區(qū)域，造成分割準(zhǔn)確率的大幅度下降。為了解決這一問(wèn)題，一些研究人員提出利用盲道自身所具有的紋理特征來(lái)分割盲道，柯劍光等人提出采用基于特征值的紋理提取方法，利用梯度強(qiáng)度表述盲道的紋理特征，得到紋理特征矢量強(qiáng)度圖，再根據(jù)K-Means聚類分類得到盲道區(qū)域[9]。該方法提取的目標(biāo)紋理特征較少，易造成目標(biāo)區(qū)域分割效果降低、識(shí)別率降低、魯棒性差，并且手動(dòng)設(shè)定門限值使得該算法的引用局限性較大。彭玉青等人使用了基于統(tǒng)計(jì)的灰度共生矩陣算法進(jìn)行盲道紋理特征的提取，再使用模糊C均值聚類的圖像分割算法實(shí)現(xiàn)盲道區(qū)域的分割[6]。魏彤等人通過(guò)灰度共生矩陣(GLCM)提取整幅圖像內(nèi)的邊緣信息，結(jié)合Hough變換檢測(cè)所有的直線，然后根據(jù)長(zhǎng)度或平行關(guān)系進(jìn)行選擇，以此來(lái)確定盲道的輪廓[10]。但是魏彤在論文中所用的灰度共生矩陣在分割時(shí)易造成人工選取的閾值精度較低、繁瑣等問(wèn)題。而且灰度共生矩陣得到的主要是圖像的局部信息，這就會(huì)導(dǎo)致在圖像分割后獲得的效果不佳。此外，提取圖像灰度共生矩陣的方法和人類視覺(jué)模型脫節(jié)，圖像中的一些全局信息無(wú)法提取，也就導(dǎo)致不能得到各個(gè)尺度上相對(duì)應(yīng)像素之間的依賴和遺傳的聯(lián)系[11-12]，未考慮到人類視覺(jué)顯著性對(duì)紋理邊緣的敏感度。

針對(duì)上述問(wèn)題，該文設(shè)計(jì)了一種Gabor 濾波器組和灰度共生矩陣相結(jié)合的盲道分割算法，該算法有效地結(jié)合了Gabor濾波器對(duì)盲道區(qū)域的提取、灰度共生矩陣對(duì)目標(biāo)邊緣差異的提取，使用模糊C均值濾波分割出采集圖像中的盲道區(qū)域。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效地減弱光照或陰影對(duì)盲道分割的干擾，實(shí)現(xiàn)了對(duì)背景對(duì)比度低情況下盲道的分割，提高了盲道分割精度。

1 盲道檢測(cè)方法及原理

1.1 Gabor濾波器原理

Gabor濾波方法[13]是在Fourier變換的基礎(chǔ)上加入Gauss型的窗函數(shù)[14]得到的，因此Gabor濾波器有效地解決了Fourier變換缺乏時(shí)間和位置的局部信息的問(wèn)題。Gabor濾波器具有良好的獲得圖像空間和頻率的局部信息實(shí)現(xiàn)局部區(qū)域特征增強(qiáng)的特性，對(duì)圖像的邊緣敏感，能夠提供良好的方向選擇性[15-19]，可以在頻域不同尺度、不同方向上提取相關(guān)的特征。Gabor函數(shù)與哺乳動(dòng)物大腦視覺(jué)皮層中的簡(jiǎn)單細(xì)胞的作用非常相仿[20]，在紋理分析領(lǐng)域有獨(dú)特的優(yōu)勢(shì)。二維空間下Gabor濾波器的函數(shù)如公式(1)所示：

x'=xcosθ+ysinθ,y'=-xsinθ+ycosθ

(1)

式中，σx和σy分別為高斯包絡(luò)在x軸方向和y軸方向的標(biāo)準(zhǔn)差，參數(shù)σ可以控制Gabor濾波器的形狀大小；f0為正弦調(diào)諧函數(shù)的頻率；θ為高斯主軸沿逆時(shí)針旋轉(zhuǎn)的角度；(x',y')是由(x,y)經(jīng)過(guò)旋轉(zhuǎn)θ角得到。

Gabor的方向選擇可以表示為：

gl(x,y)=g(xcosθ+ysinθ,-xsinθ+ycosθ)

(2)

其中，Gabor中參數(shù)θ的選擇與圖像紋理的紋線提取直接相關(guān)，只有與θ對(duì)應(yīng)方向相垂直的紋線才能夠被Gabor濾波器完全地保留，其他方向的紋理紋線則會(huì)被參數(shù)θ已定的Gabor濾波器進(jìn)行濾除，這是Gabor濾波器的實(shí)現(xiàn)原理。

1.2 灰度共生矩陣

灰度共生矩陣[21-22](GLCM)是紋理特征提取中統(tǒng)計(jì)法的一種，描述的是統(tǒng)計(jì)空間上相隔一定距離的兩個(gè)元素的灰度值的相關(guān)關(guān)系，即是記錄一對(duì)灰度像素在某位置同時(shí)出現(xiàn)的聯(lián)合概率，通過(guò)灰度共生矩陣可以獲得圖像中方向、間隔、幅度變化大小及速度等的綜合信息。灰度共生矩陣的公式如下：

(3)

式中，d=(dr,dc)為位移向量，其中dr為行方向上的位移量，dc為列方向上的位移量；x,y為圖像中某一像素的坐標(biāo)值；i,j為像素點(diǎn)對(duì)的灰度級(jí)；參數(shù)θ為統(tǒng)計(jì)像元灰度對(duì)的方向。

1.3 模糊C均值聚類(FCM)

模糊C均值聚類[23-24]是一種柔性的聚類算法，與K-Means的硬聚類相比，提供了更加靈活的聚類結(jié)果。FCM的思想就是依照一定的規(guī)則來(lái)實(shí)現(xiàn)對(duì)圖像中的像素點(diǎn)進(jìn)行分簇聚類的操作，通過(guò)判斷當(dāng)前像素點(diǎn)所屬的簇區(qū)域，使得被劃分為同一簇的對(duì)象之間相似度是最大的，通過(guò)劃分不同的簇來(lái)實(shí)現(xiàn)圖像中不同目標(biāo)的分割。模糊聚類建立了樣本對(duì)類別的不確定描述，相比于硬聚類能夠更加客觀地反映現(xiàn)實(shí)世界，所以具有非常廣泛的應(yīng)用，是聚類分析算法方面的主流。

模糊C均值聚類中引入了隸屬度的概念，隸屬度函數(shù)表示為一個(gè)對(duì)象x隸屬于某一集合的程度的函數(shù)，隸屬度的取值范圍為[0,1]，引用隸屬度可以量化當(dāng)前特征的隸屬情況。對(duì)于給定的圖像數(shù)據(jù)集X={x1,x2,…,xN}每個(gè)像素點(diǎn)的灰度值，其目標(biāo)函數(shù)為：

(4)

(5)

(6)

(7)

公式(4)中，P為圖像的像素個(gè)數(shù)，c為聚類中心個(gè)數(shù)，m為模糊隸屬度系數(shù)，uik為第i個(gè)像素屬于第k個(gè)聚類的隸屬度。對(duì)隸屬度的約束公式如公式(5)所示，xi和vk分別為第i個(gè)像素灰度值和第k個(gè)聚類中心灰度值，利用歐氏距離來(lái)計(jì)算像素之間的相似度。在隸屬度uik的約束下，利用拉格朗日最小二乘法分別對(duì)聚類中心和隸屬度求導(dǎo)，可得FCM算法的聚類中心和隸屬度更新公式，如式(6)和式(7)所示。

2 盲道分割算法實(shí)現(xiàn)

圖1是所設(shè)計(jì)的盲道分割算法流程。從圖中可以看出，算法首先對(duì)得到的盲道圖像進(jìn)行預(yù)處理操作，然后通過(guò)設(shè)計(jì)的Gabor濾波器組與GLCM實(shí)現(xiàn)對(duì)圖像中盲道區(qū)域特征的提取，最后使用模糊C均值聚類，再經(jīng)過(guò)形態(tài)學(xué)處理后得到盲道分割結(jié)果。

圖1 盲道分割實(shí)現(xiàn)流程

2.1 圖像預(yù)處理

圖像預(yù)處理可以消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)盲道信息的可檢測(cè)性和最大限度地簡(jiǎn)化數(shù)據(jù)，提高盲道分割的可靠性。使用的預(yù)處理算法是將盲道圖像采用中值濾波算法進(jìn)行過(guò)濾，濾除圖像中可能存在的一些噪聲干擾，中值濾波可以在抑制隨機(jī)噪聲的同時(shí)有效地保護(hù)盲道區(qū)域的邊緣信息部分。經(jīng)過(guò)中值濾波處理后，對(duì)圖像使用灰度變換算法進(jìn)一步改善圖像的質(zhì)量，提高圖像的對(duì)比度。灰度變換算法使用的為非線性灰度變換-伽馬變換，算法公式如下：

s=crγ

(8)

其中，c為灰度縮放系數(shù)，通常取整為1；r為灰度圖像的輸入值，取值范圍為[0,1]；s為經(jīng)過(guò)伽馬變換后的灰度輸出值；γ為伽馬因子大小，控制著整個(gè)變換的縮放程度。

通過(guò)使用圖像處理技術(shù)中的伽馬變換等圖像預(yù)處理操作來(lái)提高原始圖像的質(zhì)量、對(duì)比度。

2.2 實(shí)現(xiàn)盲道區(qū)域提取

在盲道提取部分，采用Gabor濾波器組與灰度共生矩陣算法。從Gabor濾波器的原理可以得出，σ和θ參數(shù)的選擇是提取圖像中目標(biāo)紋理區(qū)域特征的關(guān)鍵。所設(shè)計(jì)算法的主要任務(wù)是針對(duì)城市中的盲道圖像進(jìn)行分割，考慮到盲道圖像中盲道的形狀、外觀是較為規(guī)則的紋理，其紋理的方向是確定的，因此可以通過(guò)設(shè)置固定的參數(shù)θ來(lái)確定Gabor濾波器的方向，然后將已定的θ用來(lái)對(duì)盲道圖像進(jìn)行Gabor濾波處理。

Gabor濾波器的尺度選擇策略是采用Jain提取的方法，將采樣波長(zhǎng)以2的冪次方遞增。圖2展示的是當(dāng)盲道在正前方的情況下給出的尺度為1時(shí)0°、45°兩個(gè)方向的Gabor核函數(shù)效果圖。從圖中可以看出，與θ對(duì)應(yīng)方向垂直的紋線才能夠被保留下來(lái)。

圖2 尺度為1；0°、90°方向的Gabor濾波器實(shí)部、虛部

將圖像經(jīng)過(guò)Gabor濾波器組得到的處理結(jié)果進(jìn)行多尺度、多方向的融合，得到Gabor濾波后的中間圖G1(x,y)。

在將盲道圖像使用灰度共生矩陣提取紋理特征時(shí)，需要先將盲道圖像灰度化，在得到灰度共生矩陣后再進(jìn)行歸一化操作；然后從得到的矩陣中在θ取0°、45°、90°、135°四個(gè)方向，距離d取1的同質(zhì)性(Homogeneity)、對(duì)比度(Contrast)、異同(Dissimilarity)和熵(Entropy)，如圖3所示。將得到的四個(gè)特征圖的參數(shù)進(jìn)行計(jì)算，得到參數(shù)的平均值和方差，使用處理后的參數(shù)進(jìn)行后續(xù)的計(jì)算，可獲得目標(biāo)圖像的紋理特征G2(x,y)。

圖3 灰度共生矩陣四個(gè)特征

將圖像經(jīng)過(guò)Gabor濾波組處理后得到的盲道紋理特征G1(x,y)與經(jīng)過(guò)灰度共生矩陣處理后得到的灰度特征G2(x,y)相融合，該文是對(duì)兩種提取的特征使用線性加權(quán)算法得到融合特征F(x,y)，所用到的融合公式如下：

F(x,y)=w1G1(x,y)+w2G2(x,y)

(9)

其中，w1、w2分別對(duì)應(yīng)特征融合中Gabor提取的特征G1(x,y)與灰度共生矩陣提取的G2(x,y)的權(quán)重，并且滿足w1+w2=1的條件。可以通過(guò)公式(9)中的權(quán)重來(lái)控制不同特征對(duì)分割結(jié)果的影響力度，在進(jìn)行盲道分割過(guò)程中，可以通過(guò)權(quán)重w1、w2及時(shí)對(duì)分割結(jié)果進(jìn)行調(diào)整，保證邊緣分割的精度。

2.3 模糊C均值聚類

將所有的融合特征值X={xi,i=1,2,…,n}構(gòu)成D維空間中的N個(gè)向量的集合，將N個(gè)向量劃分成M個(gè)模糊組，其中隸屬度矩陣UN×M表示各個(gè)對(duì)象屬于某個(gè)類別的隸屬度，如Uij表示i對(duì)象屬于第j類別的隸屬度，然后求得類內(nèi)之間的加權(quán)誤差平方和最小值，公式為：

‖xi-vj‖2

(10)

其中，vj表示聚類的中心，xi為第i個(gè)分割對(duì)象的特征，M為聚類的類別數(shù)量，l為加權(quán)指數(shù)且l∈(1,∞)，它是一個(gè)控制算法的柔性的參數(shù)，如果l過(guò)大，則聚類效果會(huì)很差，而如果過(guò)小，則算法會(huì)接近k均值聚類算法，一般取l=2。

經(jīng)聚類得到分割結(jié)果后，一般先使用中值濾波算法對(duì)一些椒鹽噪聲進(jìn)行過(guò)濾，然后使用閉運(yùn)算進(jìn)行進(jìn)一步處理，對(duì)邊緣區(qū)域斷裂部分，通過(guò)二值圖像的膨脹處理方式解決。對(duì)目標(biāo)區(qū)域的一些空洞進(jìn)行填充處理，得到最后的結(jié)果圖。

3 測(cè)量實(shí)驗(yàn)與結(jié)果

為了驗(yàn)證所設(shè)計(jì)算法的分割性能，通過(guò)實(shí)驗(yàn)進(jìn)行測(cè)試。對(duì)標(biāo)準(zhǔn)設(shè)計(jì)的盲道圖像進(jìn)行分割，得到的盲道分割結(jié)果如圖4所示。

圖4 標(biāo)準(zhǔn)盲道圖像分割

圖4中展示的是待分割盲道的原始圖像以及最終的盲道分割結(jié)果圖。從圖中可以看出，設(shè)計(jì)的算法對(duì)盲道區(qū)域的分割效果較好，很好地消除了盲道上樹的陰影對(duì)分割盲道時(shí)造成的干擾，能夠?qū)崿F(xiàn)對(duì)盲道區(qū)域較為準(zhǔn)確的分割，具有較強(qiáng)的魯棒性。而且該算法能夠很好地將圖像中的盲道區(qū)域與背景部分之間的邊緣細(xì)節(jié)處理的很精細(xì)。

然后，驗(yàn)證設(shè)計(jì)的算法在背景與分割目標(biāo)之間對(duì)比度相對(duì)較低情況下的盲道分割性能。通過(guò)對(duì)已有文獻(xiàn)中的分割盲道原始圖像(見圖5)使用該文設(shè)計(jì)的方法進(jìn)行盲道圖像區(qū)域的分割，得到最終分割結(jié)果圖，然后分別與文獻(xiàn)[5]、文獻(xiàn)[8]中采用的分割算法得到的盲道分割結(jié)果圖進(jìn)行比較。圖6分別為文獻(xiàn)[5]、文獻(xiàn)[8]中盲道圖像分割算法與該文設(shè)計(jì)的分割算法的實(shí)驗(yàn)結(jié)果。

圖5 目標(biāo)、背景相似盲道圖像

從圖6中的各個(gè)結(jié)果圖與標(biāo)準(zhǔn)圖對(duì)比可以看出，文中算法得到的分割結(jié)果優(yōu)于文獻(xiàn)[8]中基于梯度的特征提取算法得到的結(jié)果、文獻(xiàn)[5]中僅使用灰度共生矩陣算法得到的分割結(jié)果，其中文獻(xiàn)[8]所提算法的分割結(jié)果圖中誤分割區(qū)域更多一些；文獻(xiàn)[5]所提算法在提取盲道圖像的邊緣信息時(shí)性能較差一些，造成了盲道邊緣信息的缺失。與文獻(xiàn)[5]、文獻(xiàn)[8]提出的算法相比，該文利用多參數(shù)的Gabor濾波器與灰度共生矩陣設(shè)計(jì)的盲道分割算法對(duì)盲道區(qū)域邊緣的分割效果更佳，而且非常接近盲道區(qū)域的實(shí)際輪廓，從而可以得出該算法具有良好的分割效果。

圖6 盲道分割算法對(duì)比

為了使實(shí)驗(yàn)的結(jié)果更準(zhǔn)確、更具有說(shuō)服力，利用圖像分割評(píng)估指標(biāo)中的交并比(IoU)、假陽(yáng)性率兩個(gè)評(píng)估指標(biāo)對(duì)得到的最終分割結(jié)果進(jìn)行評(píng)估，獲得更加準(zhǔn)確的數(shù)據(jù)進(jìn)行性能分析。

表1 圖像分割評(píng)價(jià)指標(biāo)

所使用的評(píng)價(jià)指標(biāo)IoU、假陽(yáng)性率的公式如下所示：

(11)

其中，tar為標(biāo)準(zhǔn)分割區(qū)域；prediction為算法分割區(qū)域。

(12)

最終得到的計(jì)算結(jié)果如表1所示，IoU的數(shù)值越大表示分割的結(jié)果越精確，假陽(yáng)性率則是代表數(shù)據(jù)越小，錯(cuò)誤的像素點(diǎn)越小。從表1中可以得出，圖b的IoU數(shù)值最小，與圖c、圖d的IoU相差較大，分割效果相比于圖c、圖d是最差的，IoU數(shù)值最大的為文中算法得到的分割結(jié)果圖d，假陽(yáng)性率則是文中算法得到的結(jié)果圖的數(shù)值最小。因此，可以總結(jié)出：文中算法在盲道分割性能上優(yōu)于文獻(xiàn)[5]、文獻(xiàn)[8]中所提出的算法。

4 結(jié)束語(yǔ)

為了解決城市中部分環(huán)境下的盲道在一些現(xiàn)有的盲道檢測(cè)算法識(shí)別精度不高的問(wèn)題，設(shè)計(jì)了一種結(jié)合Gabor與灰度共生矩陣進(jìn)行盲道區(qū)域的特征提取，然后使用模糊C均值聚類算法進(jìn)行盲道分割的盲道識(shí)別算法。為驗(yàn)證該算法的分割性能，與已有盲道檢測(cè)算法進(jìn)行了比較。從實(shí)驗(yàn)結(jié)果可知，該算法對(duì)盲道分割的效果良好，能較準(zhǔn)確地將圖像中盲道區(qū)域分割出來(lái)，并且具有良好的抗光照、陰影等環(huán)境干擾的能力，具有較好的魯棒性。

接下來(lái)的工作重心可以從算法如何應(yīng)用在基于視覺(jué)的導(dǎo)盲儀器上著手，為導(dǎo)盲儀器的研究應(yīng)用和普及提供一些技術(shù)上的支持。要根據(jù)實(shí)際情況對(duì)算法進(jìn)行改進(jìn)，提高算法的魯棒性和適應(yīng)性，提高各大城市中盲道的利用率，為盲人出行提供必要的安全保障。