基于梯度纹理描绘子的雾图像判别方法

姜太平，魏宗斌，潘 祥，邰伟鹏

（安徽工业大学 计算机科学与技术学院，安徽 马鞍山243032）

基于梯度纹理描绘子的雾图像判别方法

姜太平，魏宗斌，潘 祥，邰伟鹏

（安徽工业大学 计算机科学与技术学院，安徽 马鞍山243032）

雾对图像的研究和分析都会产生影响，图像去雾技术是图像处理和计算机视觉领域共同关心的重要问题。目前图像去雾技术中很少有人对图像中是否有雾的判定方法进行研究。该文基于灰度-梯度共生矩阵对图像中雾的判别方法展开研究，提出一种雾图像判定新方法，该方法兼容大梯度优势和梯度均方差两个纹理描绘子的特性，能够有效地判定图像中是否有雾。仿真实验表明：文中提出的新型梯度纹理描绘子对图像中雾的判定具有较高的识别率。

灰度-梯度共生矩阵；纹理特征；大梯度优势；梯度均方差

随着计算机技术和图像处理技术的迅速发展[1]，图像应用于众多的科学和工程领域，人们越来越多的利用图像信息来认识和判定事物，其中在一些领域受到广泛应用，如户外监视系统、自动导航系统以及其他一些探测系统等视觉系统。然而，由于主客观条件的影响，如雾天、沙尘天，系统捕获到的图像质量下降，这将给户外图像采集和处理带来很大困难。因此，需要判断图像中是否有雾，然后再对含有雾的图像进行处理。

目前图像去雾方法有很多，主要分为两大类：第一类是基于图像增强的方法；第二类是基于物理模型的方法。文献[2]在单幅图像去雾算法中针对目前图像去雾研究大多忽略颜色失真的问题，特别是存在高亮度区域的图像复原，对如何同时保证图像细节与颜色信息问题，提出一种基于双边滤波的单幅图像去雾算法。文献[3]在一种基于SVM分类的雾图自动检测方法中，提出一种从室外自然图像中检测有雾图像的方法，把图像的RGB分量和亮度进行规范化处理，使得图像与外界光线强度关联最小，通过二维离散傅立叶变换获得图像频谱特征，再结合图像的灰度共生矩阵一起作为分类的特征。雾图像中灰度的变化不是很明显，而梯度变化相对明显。灰度-梯度共生矩阵一起作为分类的特征能提高识别率。

文中采用灰度-梯度共生矩阵方法提取图像的纹理特征，然后通过定义一个新型图像梯度纹理特征来识别图像中是否有雾，该新型梯度纹理特征对图像中是否有雾具有较高的识别率。

1 基于梯度纹理特征的雾图像判别

1.1 雾图像特征分析

雾是常见的一种自然现象，即使是晴朗的夏天，由于地面水汽的蒸发，观察远处的目标也会受到薄雾的影响。雾天能见度低，给户外的监测、监控、自动导航、目标跟踪等带来很大的困难。这对于航空、高速公路和水运造成严重影响。有薄雾的图像会有一块块朦胧、色调淡、无阴影的影像，图像里面的景物看的不是很清晰；有浓雾的图像模糊，图像里面的景物几乎看不清楚，有白茫茫的东西附着在景物表面。

图像纹理是图像区域内各像点空间结构关系的一种重要特征。应用纹理可对图像中的基于空间的信息进行一定程度的描述。纹理反映的是图像像素间的灰度重复或者变化，以及颜色在空间上的重复或者变化。由于雾在图像中表现为相对平滑的区域，灰度值差异性较小，从灰度角度提取雾的特征将会不明显，导致图像质量下降。虽然受到雾的影响，但是由于背景与雾的差异，整幅图像中梯度变化相对明显。梯度表达了图像——————————灰度的最大变化率，图像各点梯度的大小则表达了该点处等灰度线的密集程度，所以文中从梯度纹理特征角度对图像中雾的有无进行研究。

1.2 灰度-梯度共生矩阵

灰度-梯度共生矩阵[2]（Gray Gradient Co-occurrence Matrix）模型集中反映了图像中两种最基本的信息，即像素的灰度和梯度（或边缘）的相互关系。各像素的灰度是构成一幅图像的基础，而梯度则是构成图像边缘轮廓的要素。灰度-梯度空间可以很清晰地表现图像内像素灰度与梯度的分布规律，同时也体现了各像素与其邻域像素的空间关系，对图像的纹理能很好地描绘。

1.2.1 灰度-梯度共生矩阵原理 灰度-梯度共生矩阵纹理分析方法是利用图像的灰度和梯度的综合信息提取纹理特征。灰度-梯度共生矩阵的元素P（i，j）定义为在归一的灰度图像F（i，j）及其归一的梯度图像G（i，j）中具有灰度值 x 和梯度值 y 的像素数，即在集合{（i，j）｜F（i，j）=x∩G（i，j）=y，i，j=0，1，…，N-1}中元素的个数。 其中，F（i，j）∈[0，L-1]，G（i，j）∈[0，Lg-1]。

对灰度-梯度共生矩阵进行归一化处理，使其各元素之和为1。如下式

该灰度-梯度共生矩阵的原点在左上角，向右梯度值增加，向下灰度值增加。对于粗纹理的图像在灰度轴附近集中分布，仅少量边界点远离灰度轴分布。对于细纹理图像，离开灰度轴而沿梯度轴散开分布。

1.2.2 基于梯度纹理特征的雾图像判别 基于上述灰度-梯度共生矩阵可以定义诸如大梯度优势、惯性矩、梯度均方差、梯度平均等13个纹理特征参数[4-10]。

（1）大梯度优势

（2）梯度分布不均匀性

（3）梯度平均

（4）梯度均方差

因梯度表达了图像灰度的最大变化率，图像各点梯度的大小则表达了该点处等灰度线的密集程度，所以大梯度优势和小梯度优势可从一定程度上反映图像的灰度变化剧烈程度。角二阶矩和熵（灰度熵、梯度熵、混合熵）反映的是纹理均匀度，且是线性不变的，均反映的是灰度对的重复率，但角二阶矩的值范围更小，所以角二阶矩和熵相比，熵更有优势。其角二阶矩值测量的是纹理的均匀性。若纹理均匀，则角二阶矩值偏大，纹理不均匀的角二阶矩值偏小[11]。

灰度共生矩阵主对角线上的值是用来衡量纹理的平滑度。灰度对的值越接近主对角线值，纹理就越平滑。特征值惯性矩（也称对比度）反映的是灰度对的值与主对角线值之间的关系，因此，它可以表现纹理的平滑度。其中惯性矩值测量的是纹理变化的大小，变化越大，值越大；变化越小，值越小[11]。

从类别来看，反映纹理平滑度的特征值比反映纹理均匀度的特征值有更好的纹理分类效果。从单一特征值来看，角二阶矩和惯性矩对纹理辨别最有效[4]。

梯度平均：指图像的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。

由于雾图像受雾的影响，导致其背景与雾的差异，整幅图像中梯度变化相对明显。梯度表达了图像灰度的最大变化率，图像各点梯度的大小则表达了该点处等灰度线的密集程度，所以文中从梯度纹理特征角度研究图像中是否存在雾。梯度表达了图像灰度的最大变化率，图像各点梯度的大小则表达了该点处等灰度线的密集程度，所以在雾图像中梯度比灰度变化更显著，可以区分出图像中是否有雾。因此，基于梯度纹理特征的雾图像判别新方法兼容了大梯度优势和梯度均方差两个纹理特征的特性，即

图像中是否有雾判别方法：同一张图像中无雾图像的梯度雾度值是有雾图像梯度雾度值的2倍及以上。

2 仿真实验及结果

2.1 仿真实验

在对有雾图像和无雾图像采样中，一共采集了100组图像，每组包含两张图像，分别为同一物体在有雾和无雾状态下的图像。仿真实验中，对大梯度优势、梯度均方差、熵、惯性矩等13个纹理特征，使用MATLAB获得100组图像的纹理特征向量，并通过对比实验验证基于梯度纹理特征的雾图像判别新方法。

图1-图3为实际采集的样本图像，表1为3幅雾图的纹理特征向量。由表2知当判定条件为大梯度优势+梯度均方差时雾图像识别率最高，识别率为74%。

图1 铁塔

图2 保叔塔

图3 天津塔

表1 图像的特征向量

表2 不同判别方法下的图像识别

3 结语

文中针对图像中雾的有无判定进行了研究，采用基于灰度梯度共生矩阵方法提取图像的纹理特征，提出一个基于梯度纹理特征的雾图像判别新方法，即大梯度优势和梯度均方差相结合。通过仿真实验验证该方法具有比较高的识别率。

[1]吴迪，朱青松.图像去雾的最新研究进展[J].自动化学报，2015，41（2）：221-231.

[2]陈伟，范新南，李敏，等.单幅图像去雾算法[J].计算机与现代化，2015（5）：40-47.

[3]胡众义，刘清，郭建明，等.一种基于SVM 分类的雾图自动检测方法[J].计算机仿真，2015，32（2）：342-346.

[4]王龙.图像纹理特征提取及分类研究[D].青岛：中国海洋大学，2014.

[5]冯兵，李芝棠，花广路.基于灰度-梯度共生矩阵的图像型垃圾邮件识别方法[J].通信学报，2013（s2）：1-4.

[6]王秋燕，陈仁喜，顾芒.基于灰度共生矩阵的遥感影像纹理特征提取[D].南京：河海大学，2011.

[7]OU X，PAN W，XIAO P.In vivo skin capacitive imaging analysis by using grey level co-occurrence matrix[J].Computer Engineering Applications，2014，460（1/2）：28－32.

[8]NANNI L，BRAHNAM S，GHIDONI S，et al.A comparison of methods for extracting information from the co-occurrence matrix for subcellular classification[J].Expert Systems with Applications，2013，40（18）：7457-7467.

[9]洪继光.灰度-梯度共生矩阵纹理分析方法[J].自动化学报，1984，10（1）：22-25.

[10]谢菲.图像纹理特征的提取和图像分类系统研究及实现[D].成都：电子科技大学，2009.

[11]郭军，周晖，朱长仁，等.基于梯度方向二进制模式的空间金字塔模型方法[J].国防科技大学学报，2014（2）：129-133.

责任编辑：艾淑艳

Method for fog identification based on gradient texture descriptors

JIANG Taiping，WEI Zongbin， PAN Xiang，TAI Weipeng
（School of Computer Scienceamp;Technology，Anhui University of Technology，Ma’anshan 243032，China）

Fog has an impact on the research and analysis of the image.Image dehazing is an important issue in the field of image processing and computer vision,but few studies concern about the fog identification in the image.Based on the gray gradient co-occurrence matrix method,this paper proposed a new method for identifying the fog image,which was compatible with the characteristics of high gradient and gradient variance texture features.With this method,the fog in the image can be effectively identified.Simulation results show that the new gradient texture descriptors presented in this paper take high recognition rate for identifying the fog in the image.

gray-gradient co-occurrence matrix；texture feature；large gradient advantage；gradient mean square variance

TP391.4

A

2096－3289（2017）04－0081－04

2015－07－03

国家自然科学基金资助项目（61074161）

姜太平（1974－），男，江苏南京人，副教授，博士，研究方向：图像处理和立体显示。