一种基于纹理特征匹配的快速目标分割算法

杨永全

(西安工程大学 计算机科学学院,陕西 西安 710048)

一种基于纹理特征匹配的快速目标分割算法

杨永全

(西安工程大学 计算机科学学院,陕西 西安 710048)

虽然固定尺度变化分解窗口的目标分割算法分割效果好,但时间效率不高。针对这一缺陷,提出一种依据查询窗口和被查询子窗口的纹理特征距离信息,分等级尺度变化分解窗口的算法思想。在当前循环层中,如果查询窗口和被查询子窗口的纹理特征距离比设定的阈值λ越大,分解窗口在下一次循环中减小的尺度d就越大,反之则越小。经实验验证,该算法能有效提高基于纹理特征匹配的目标分割算法效率,在分割精度上基本保持不变。

固定尺度变化分解窗口；分等级尺度变化分解窗口；纹理特征匹配；目标分割

0 引言

虽然人们对纹理的研究已有几十年,但至今难以对纹理给出一个统一、准确的定义。一般来说,现实世界中的物体图像并不呈现区域的均匀性,图像的纹理由重复的模式组成,这种重复模式的纹理元素按某种规则排列。目前较系统的纹理特征描述方法分为4类[1]：基于统计的方法、基于结构的方法、基于信号处理的方法和基于模型的方法。图像处理中纹理分析是一个非常基础而关键的问题,在许多图像内容分析应用中起重要作用。

经典的基于纹理特征匹配的目标分割方法中,多数算法都是基于分解框架的。这些方法将图像分解成大小为16×16、32×32像素或其它大小像素的子窗口,然后提取每个子窗口的纹理特征。此后将每个子窗口和查询图像的纹理特征进行匹配。如果距离在设定的阈值范围内,则该子窗口被认为是相关的。这种方法难点是如何确定分解窗口大小,如果窗口太大,那么一个窗口中可能包含多种纹理；如果窗口太小,则被查询的纹理又不能被识别出来,因此该方法会出现窗口漏检及边界范围等问题。

为此,提出了变化分解窗口的目标分割算法[2],其基本思想是：①先确定一个主窗口大小；②以该主窗口大小将图像分解成若干个子窗口并提取每个子窗口的纹理特征；③将每个子窗口和查询图像的纹理特征进行匹配,并标记相关子窗口；④将主窗口减小固定的d个像素,重复前3个步骤直到主窗口大小小于设定的主窗口阈值。变化分解窗口方法很好地克服了经典方法中的窗口漏检及边界范围等问题,其最大的优点是提出了变化分解窗口的分割算法,使得目标匹配更为灵活。

即便如此,其仍然存在以下缺点：

首先变化分解窗口的纹理特征匹配分割算法在特征匹配过程中会产生许多子窗口,相比经典的特征匹配分割算法,其算法时间效率明显不具备优势。该算法的主要目的是使目标匹配更为灵活,然而主窗口大小以固定像素变化,这是造成算法时间效率不高的主要原因。而且该算法还忽略了一个重要信息,就是查询窗口和被查询子窗口的纹理特征距离。综上分析,本文提出根据查询窗口和被查询子窗口的纹理特征距离信息,分等级变化主窗口大小的算法思想。实验验证表明,该方法能有效提高变化分解窗口的基于纹理特征匹配的目标分割算法效率,且不影响分割精度。

1 快速目标分割算法

分等级变化主窗口大小算法主要思想是：当距离小于设定阈值时具有最高等级；当距离大于设定阈值时,差异越大等级越低；等级越低,变化尺度d越大；变化主窗口时优先选择高等级下的像素尺度d对主窗口大小进行变化。窗口纹理特征提取方法选用[3]纹理特征描述算子。该算子是Ojala等人提出的,以后持续改进[4-7]。该方法计算复杂度小,具有多尺度特性和旋转不变等特性。

算法描述如下：

(1)选择坐标点α。

(2)确定主窗口(MW)(从α到图像的右下角)。

(3)用相同大小的MW生成尽可能多的窗口(Window)。

(4)For each Window：①计算窗口纹理特征直方图；②计算窗口纹理特征直方图和查询纹理特征直方图的距离Dis；③如果Dis小于设定的阈值λ,则保存该窗口的坐标和其特征直方图到一个向量V中,MW变化等级最高；如果Dis大于等于设定的阈值λ,差异越大，MW变化等级越低；MW变化等级越低,MW减小的尺度d就越大。

(5) 优先考虑使用较高等级的尺度d减小MW。

(6) 如果MW的大小小于设定的最小窗口大小μ,标记保存的那些窗口后退出程序。

(7)否则跳转到(3)。

主窗口是从坐标点α到图像的右下角,例如如果选择α(0,0),则整个图像作为主分析窗口,如图1所示。

图1 主窗口特征提取

算法在外层循环中会重复更新主窗口大小,然后生成尽可能多的窗口，与主窗口同样大小。对于每个窗口都会计算其特征直方图,然后计算窗口纹理特征直方图与查询纹理特征直方图的距离Dis。Dis采用Minkowski计算距离。 如果Dis小于设定的阈值λ,则认为该窗口相关并把它归为查询纹理的一类。将该窗口的坐标和特征直方图保存到向量Vi=[X,Y,Height,Width,Hist]。其中X,Y,Height,Width分别是窗口左上角坐标(X,Y)窗口的高Height及宽Width,Hist则是窗口的特征直方图。

算法的匹配分割如图2所示,其中(a)为查询目标图像,(b)为测试图像,(c)为目标分割结果。

图2 算法的匹配分割

图3描述了外层循环流程,每一步骤中,主窗口的大小减小d并生成了和主窗口大小更新后相同的一些窗口,对于每个窗口都会计算其特征向量V。循环结束的条件是主窗口大小达到了设定的主窗口大小阈值μ。每个步骤主窗口减小的尺度d是由当前循环层中确定的MW变化等级决定的。

该算法的优点是在保留变化分解窗口的同时实现了对目标的快速定位,从而提高了算法效率,且对于图像中存在多个目标或目标位置较边缘的情况均有较强的适应性能。该算法对特征的提取没有任何限制,因此不同的纹理特征提取方法都可以应用到该算法中。

图3 算法外层循环流程

2 实验结果分析及性能评价

为了评价分等级变化窗口算法结果,使用了4幅由不同纹理组合而成的图像作为测试图像,如图4所示。从上到下、从左到右每幅图像所包含的纹理数分别是5、5、4和2。

图4 测试图像

分别对图4中的4幅测试图像进行目标分割。传统的基于纹理特征匹配的目标分割算法结果如图5所示,变化分解窗口基于纹理特征匹配的目标分割算法结果如图6所示,本文算法的分割结果如图7所示。其中,传统的基于纹理特征匹配的分割算法分解窗口尺度为32×32像素,图6和图7中tc表示算法时耗,单位为毫秒。

图5 固定分解窗口的基于纹理特征匹配的目标分割算法分割结果

图6 变化分解窗口的基于纹理特征匹配的目标分割算法分割结果

图7 本文算法的分割结果

从图5可以看出,传统基于纹理特征匹配的目标分割算法存在一些纹理未被识别,有些图像在边界检测上而另一些则在范围上存在问题。因此固定大小为32的窗口可能不是最好的方法。

对比图5、图6及图7可以看出,相比传统的基于纹理特征匹配的目标分割算法,变化分解窗口算法取得了非常好的效果。传统算法的弱点(边界问题、范围问题),在变化分解窗口的算法中都得到了很好的解决。

本文算法和变化分解窗口的基于纹理特征匹配的目标分割算法时间效率对比见表1,表1中A1代表变化分解窗口的基于纹理特征的匹配目标分割算法,A2代表本文算法,IR(Improvement Ratio)表示A2算法时间效率的提高比例。

表1 算法时间效率对比

从图6、图7及表1可以看出,与变化分解窗口的基于纹理特征匹配的目标分割算法相比,本文算法在分割精度上几乎保持一致,在时间效率上具有明显优势,时间效率平均提高了51.6%。

3 结语

针对变化分解窗口的基于纹理特征匹配的目标分割算法分割效果好,但时间效率不高的缺点,本文提出了依据查询窗口和被查询子窗口的纹理特征距离信息,分等级变化分解窗口的算法思想。经实验验证,该算法能有效提高变化分解窗口的基于纹理特征匹配的目标分割算法时间效率,且能够在分割精度上基本保持不变。将本文算法应用到视觉目标跟踪过程中,用于去除复杂背景将是后续的研究方向。

[1] TUCERYAN M,JAIN A K.Texture analysis[J].Singapore:World Scientific,1999(2):207-248.

[2] IZEM HAMOUCHENE.A new segmentation architecture for texture matchingusing the LBP method[C].Science and Information Conference 2013,London,UK,2013：411-415.

[3] OJALA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[4] 宋克臣,颜云辉,陈文辉,等.局部二值方法研究与展望[J].自动化学报,2013(6)：3-6.

[5] GUO Z H.A completed modeling of local binary pattern operator for texture classification[J].IEEE Transactions on Image Processing,2010,6(19):1657-1663.

[6] 贺永刚.基于局部二值模式的纹理表达研究[D].武汉：华中科技大学,2012:27-58.

[7] 刘豪,杨永全,郭仙草,等.用于纹理特征提取的改进的LBP算法[J].计算机工程与应用,2014,50(6)：156-161.

(责任编辑：杜能钢)

杨永全(1986-),男,四川南充人,西安工程大学计算机科学学院硕士研究生,研究方向为图像处理及模式识别。

10.11907/rjdk.162375

TP312

A

1672-7800(2017)003-0051-03