基于多特征盒计数图像子块的道路图像的缩小

刘晟

摘要

本文提出了一种多特征盒计数图像子块的道路图像高-低精度变换方法，针对道路图像检测的特点，着重感兴趣区域的细节特征，首先判断的图像子块灰度的分布，根据灰度分布判断图像子块的特征，最终将不同大小的图像子块按照其特征进行加权平均，代替原图像的像素点。实验证明，本文提出的图像算法克服了现有算法的不足，有效的减少图像信息，并能准确的提取出目标，抗干扰性强，具有一定的实际工程意义。

【关键词】道路图像 缩小 多特征盒计数

1 引言

图像缩放包含很多种具体方法，常见的有图像的几何变换、图像的尺度变换、图像分辨率的转换以及图像的重采样。在图像预处理中，图像缩放也有着重要的作用，例如减少无用信息量，验证算法的可行性等。目前应用于数字灰度图像缩小的方法有许多种，例如，基于小波的图像缩放技术。智能交通系统需要依靠信息采集技术提供的图像、视频等交通信息，来判别某些交通事件、进行后续的工作，但往往得到的原始数据不能够完全满足于需求，比如检测出某些感兴趣的区域等，高一低精度图像变换即图像缩小技术就显得尤为重要。

2 图像缩小的原理

2.1 经典的图像缩小方法

经典的图像缩小方法通常使用插值算法，常用的插值算法有最近邻域法（Nearest）、双线性插值法（Bilinear）和双三次插值法（Bicubic）。插值法的原理基本相同，即通过原图像点附近邻域的像素集合的加权平均值来确定缩小后新图像的对应点的灰度值，不同的地方在于邻域周围像素的计算方法不同。

3 基于多特征盒计数图像子块的道路图像的缩小

在对图像进行变换时，如何有效地减少信息的丢失是算法的关键。上节所论述的插值算法虽然有效，但当缩小的倍数增大时图像会出现锯齿状边缘，文献[3]提出一种基于映射图像子块的图像缩小加权平均算法，首先根据缩小图像中每点映射计算得到原始图像中的子块，然后采用加权平均方法计算出缩小图像的像素值，最终得到缩小图像。文献[4]中提出了利用图像缩小算子的构造，通过平均聚合函数在不同条件的设定，有效的缩小了图像。

在本文中，提出了一种多特征盒计数图像子块的道路图像高一低精度变换方法，针对道路图像检测的特点，着重感兴趣区域的细节特征，首先判断的图像子块灰度的分布，根据灰度分布判断图像子块的特征，最终将不同大小的图像子块按照其特征进行加权平均，代替原图像的像素点。

具体的步骤如下：

（1）假定输入图像为f（x，Y），其中x∈[1，2…m]，Y∈[1，2…n]，缩小后的图像为f'（x，y'），其中x'∈[1，2…m'}，y'∈[1，2…n']，根据该比例确定图像子块B的大小;

式中B指图像子块的尺寸，对于不为整数的，可按取整操作。另外B的大小也可根据实际情况设置。根据图像块的设置，找出缩小后图像的像素点在原图像上的映射点（x，y）

（2）利用盒计数法思想，计算图像子块中中心像素点的灰度分布。用c（c=1，2，3…）个盒子顺序表示图像子块中各个像素点的灰度值，按照灰度值的分布情况依次存放于各个盒子中，将c个盒子分为三部分，分别是[1，2…int（c/3）]、[int（c/3）+1，2…int（2c/3）]、[int（2c/3）+1，2…c]，记录中心像素点（x，y）的位置c_i。根据c_i所在的位置判定该图像块的灰度值分布情况。

（3）通过与其相近的盒区域的棋盘格距离来计算对应的原图像子块中心像素点与其他邻域像素间相关性。如式（2）、（3）所示。

式中，D;表示图像子块邻域像素点与中心像素点间的距离。（x_i，y_j）代表图像子块中对应于三个盒区域中中心像素点所在区域的每个像素点以及相邻的中间盒区域的像素点。C_i表示盒图中原中心像素点与相邻象素点之间的距离。c_i表示图像子块中心像素点在盒图中的位置，c_j表示图像子块其他像素点在盒图中的位置。

（4）如果满足条件（2），则按照各点的加权平均系数，确定缩小后的像素点灰度值。

式中，表示图像子块中各像素的灰度值，为缩小后的图像的像素值。

4 图像缩小实验结果与分析

本实验中选取航拍道路图像和道路裂缝图像进行缩小，运行环境为matlab7，所选图像的分辨率为道路图像为4096*2048。图像由于信息丰富，选取红框中一段道路图像为对比图像，比较多特征子块算法与流行算法的缩小结果。如图1所示。

在图像中灰度均匀的区域，绝大多数的图像缩小算法都可以获得接近的视觉效果。但是在图像的高频信息处，由于灰度变化较大，所以不同算法会得到不同的效果。

5 结论

本文中选取所做实验中两幅图的结果通过相似性测度对不同算法进行比较。图像缩小后，待检测区域应该保持尽量不变。如果丢失重要内容会严重降低图像的质量，影响最终检测结果。因此，图像缩放的效果评价中位置以及像素所占面积的变化评价算法的好坏，面积变化越小，则图像质量越好，面积变化越大，则缩小后图像质量越差。构造图像面积变化函数，如下式：

式中，A表示原图像中待检测区域的面积，A_i表示缩小后图像的待检测区域的面积。这里我们通过像素数来表示检测区域的面积。通过计算后得到。

分别通过上述评价公式对图像进行分析，可得如表1所示。

从视觉效果来看，3种方法的效果区别不大，只有颜色的微小改变，但是这种改变对于后续的道路提取会产生不同程度的误差。尤其对于现阶段我国正在进行的各种道路规划项目来讲，这种误差会产生一定的經济后果。本文中，通过相似性测度方式将缩小后图像的效果呈现出来，结果分析如表1所示，本文算法缩小后所得的结果尽可能的保留了图像待检测区域的信息，效果优于其他两种算法。

参考文献

[1]杨洋.基于分形维数的路面裂缝图像分割方法研究[D].长安大学，2014.

[2]朱婷婷.图像插值超分辫率重建算法研究[D].西南交通大学，2013.

[3]冯慧君，陶素娟，李隆.基于双线性插值算法的图像放缩技术与实现[J].计算机应用与软件，2004，21：117-119.

[4]张锦明.DEM插值算法适应性研究[D].解放军信息工程大学，2012.

[5]高健，茅时群，周宇玫等.一种基于映射图像子块的图像缩小加权平均算法[J].中国图象图形学报，2006，10：1460-1463.

[6]刘彬旭.基于相似性测量的图像配准研究[D].中南大学，2014.