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

(長春理工大學 電子與通信工程學院,長春 130012)

0 引言

偏振作為光橫波性質的外在表現,反映了當電矢量的振蕩方向和傳播方向正交時,電矢量的方向與傳播方向的不對稱性。偏振成像技術能夠增強物體特征的對比度,這為復雜背景下物體特征的提取帶來了很大的優勢。偏振圖像中包含的偏振信息與傳統光強圖像包含的光強信息沒有相關性,能夠對傳統光學成像技術所獲得的光強信息給予較好的補充。自然界中存在各種偏振光源,實際上,光一旦經過表面反射,就會發生偏振,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)算法已經成為學者的重點研究方向[1],其目的是發掘新的方法,從而從灰度共生矩陣中提取更多的紋理特征。Ding 等[2]針對現有紋理特征提取算法計算復雜度和準確性問題,提出一種融合完全局部二進制模式CLBP和灰度共生矩陣GLCM的紋理特征提取算法,在減少特征參數的同時,也提高了紋理特征的描述能力。Dixit等[3]基于GLCM進行人臉文檔檢索,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據庫特征文檔進行比較。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,實驗結果表明,使用較大的核尺寸獲得的紋理特征在總體分類結果準確度上提高了7.72%。Karanja等[5]提出了一種基于灰度共生矩陣GLCM和機器學習分類器(KNN、NB和RF)的物聯網惡意軟件分析和分類方法,實驗證明,紋理特征的使用可以實現低計算量和高分類準確率。Fauzi等[6]提出了一種結合灰度共生矩陣GLCM和局部二進制模式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反應水平進行可視化和分析。

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)進行圖像紋理特征的提取。偏振灰度差異共生矩陣(PGLDCM)結合偏振方向信息和不同偏振方向上相鄰像素點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。實驗分別從均勻程度、離散程度、粗糙程度和相異程度角度進行分析,發現4種偏振紋理特征參量圖像在不同偏振方向上展現出較大的差異性。

1 基本原理

1.1 偏振特征信息

偏振成像技術是通過對光波變化前后的偏振態進行分析,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、輪廓和觀察角度的不同,具有不同的偏振信息。相對于傳統光學成像技術,偏振成像技術的優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,偏振成像技術可以有效避免復雜環境的干擾,更容易凸顯物體。

光的偏振狀態常用斯托克斯矢量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個振動分量的相位差;I表示總光強;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,在自然界中偏振現象大多數為線偏振,而圓偏振分量極少,因此,V分量可以忽略[9]。

當入射光照射在物體上發生起偏時,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的偏振光強圖像Iθ的計算公式[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,其通過統計圖像中4種特定空間信息上兩像素點灰度值同時出現的頻率來精確提取圖像紋理特征[11]。由此,當圖像I的灰度級大小為M時,其灰度共生矩陣(GLCM)大小為M×M。為減少計算量,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灰度值i與其特定空間信息上某像素點灰度值j成對出現的情況,并將(i,j)簡稱為灰度對。該特定空間信息由2個參數確定,分別是圖像中兩像素點間的距離d和方向θ。

(5)

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

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統計偏振灰度差異共生矩陣(PGLDCM)。

(8)

(9)

步驟3計算4種偏振紋理特征參量。

以每個5×5目標區域中的偏振灰度差異共生矩陣特征為研究依據,分別推導出均質性IHOM、離散性IVAR、粗糙性IROU、相異性IDIS4種特征參量作為每個5×5目標區域的偏振紋理特征參量[16],以計算得到的偏振紋理特征參量值更新每個5×5目標區域的中心像素值,進而獲得4種偏振紋理特征參量圖像。

(10)

(11)

(12)

(13)

3 實驗結果與分析

本文實驗通過旋轉偏振相機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圖像Iθ,θ=[0°,45°,90°,135°],如圖2所示。4個不同偏振方向上偏振光強圖像Iθ不能準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圖像Iθ和普通光強圖像

圖3 4組不同偏振方向上的偏振差分圖像

表1 2種均質性紋理特征提取結果的均值

圖4 4組不同偏振方向上的均質性偏振紋理特征參量圖像

圖5 GLCM均質性紋理特征提取結果

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提取的普通光強圖像和4個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果圖。2種離散性紋理特征提取結果的均值如表2所示。

表2 2種離散性紋理特征提取結果的均值

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提取的普通光強圖像和4個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果圖。2種粗糙性紋理特征提取結果的均值如表3所示。

表3 2種粗糙性紋理特征提取結果的均值

圖9 GLCM粗糙性紋理特征提取結果

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圖像和4個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果圖。2種相異性紋理特征提取結果的均值如表4所示。

表4 2種相異性紋理特征提取結果的均值

圖11 GLCM相異性紋理特征提取結果

4 結論

提出了一種偏振灰度差異共生矩陣(PGLDCM)進行圖像紋理特征的提取,通過旋轉偏振相機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圖像;隨后進行偏振正交差分運算,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,分別推導出均質性、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行完整的描述,偏振灰度差異共生矩陣(PGLDCM)充分結合偏振信息并分析圖像上像素點灰度值和其偏振方向上相鄰像素點灰度值間的對比差異程度,使其同時具有豐富的偏振信息和空間信息。實驗結果表明,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,為紋理特征提取領域提供新思想。在未來的工作中,考慮除均質性、離散性、粗糙性、相異性以外的偏振紋理特征參量,進一步分析偏振圖像紋理特征,充分描述不同偏振方向對偏振圖像紋理特征的影響。