利用偏振信息的偏振图像纹理特征提取

刘云清,姜晓娇,段 锦,莫苏新,张文学

(长春理工大学 电子与通信工程学院,长春 130012)

0 引言

偏振作为光横波性质的外在表现,反映了当电矢量的振荡方向和传播方向正交时,电矢量的方向与传播方向的不对称性。偏振成像技术能够增强物体特征的对比度,这为复杂背景下物体特征的提取带来了很大的优势。偏振图像中包含的偏振信息与传统光强图像包含的光强信息没有相关性,能够对传统光学成像技术所获得的光强信息给予较好的补充。自然界中存在各种偏振光源,实际上,光一旦经过表面反射,就会发生偏振,偏振信息分析逐渐成为纹理特征提取的重要方面。本文认为在偏振差分图像像素中获取的偏振信息可以完全表征其纹理特征,在此,本文将其定义为偏振纹理特征。

灰度共生矩阵(GLCM)是研究最多、使用范围最广泛的纹理特征提取算法之一。在过去的几年中,灰度共生矩阵(GLCM)算法已经成为学者的重点研究方向[1],其目的是发掘新的方法,从而从灰度共生矩阵中提取更多的纹理特征。Ding 等[2]针对现有纹理特征提取算法计算复杂度和准确性问题,提出一种融合完全局部二进制模式CLBP和灰度共生矩阵GLCM的纹理特征提取算法,在减少特征参数的同时,也提高了纹理特征的描述能力。Dixit等[3]基于GLCM进行人脸文档检索,以提取用于文档检索的人脸特征向量,将存储的特征文档与数据库特征文档进行比较。Kwak等[4]为了提取图像的纹理特征,使用了3×3、15×15和31×31三种不同核大小的灰度共生矩阵GLCM,实验结果表明,使用较大的核尺寸获得的纹理特征在总体分类结果准确度上提高了7.72%。Karanja等[5]提出了一种基于灰度共生矩阵GLCM和机器学习分类器(KNN、NB和RF)的物联网恶意软件分析和分类方法,实验证明,纹理特征的使用可以实现低计算量和高分类准确率。Fauzi等[6]提出了一种结合灰度共生矩阵GLCM和局部二进制模式LBP特征提取算法来提高纹理特征的鲁棒性。Yang等[7]提出了一种基于Gabor-GLCM的火焰图像纹理特征提取算法,可以在一定程度上对煤粉燃烧的化学反应水平进行可视化和分析。

偏振图像中的物体在不同偏振方向上所呈现的偏振纹理特征是不同的,为了能够最大程度地捕捉偏振图像的纹理特征,本文中提出一种偏振灰度差异共生矩阵(PGLDCM)进行图像纹理特征的提取。偏振灰度差异共生矩阵(PGLDCM)结合偏振方向信息和不同偏振方向上相邻像素点灰度值间对比差异程度信息来提取偏振差分图像的偏振纹理特征。实验分别从均匀程度、离散程度、粗糙程度和相异程度角度进行分析,发现4种偏振纹理特征参量图像在不同偏振方向上展现出较大的差异性。

1 基本原理

1.1 偏振特征信息

偏振成像技术是通过对光波变化前后的偏振态进行分析,提取出物体的偏振信息[8]。不同物体或者同一物体的不同部分,由于粗糙度、材质、轮廓和观察角度的不同,具有不同的偏振信息。相对于传统光学成像技术,偏振成像技术的优势在于物体的偏振信息只受其本身属性影响,如粗糙度和轮廓,因此,偏振成像技术可以有效避免复杂环境的干扰,更容易凸显物体。

光的偏振状态常用斯托克斯矢量I、Q、U、V来描述,即S=(I,Q,U,V):

⑴

式中:Ex、Ey分别为光矢量在沿x轴和y轴的振幅分量;δ表示2个振动分量的相位差;I表示总光强;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表示圆偏振光分量,在自然界中偏振现象大多数为线偏振,而圆偏振分量极少,因此,V分量可以忽略[9]。

当入射光照射在物体上发生起偏时,出射光的斯托克斯矢量Sout等于穆勒矩阵乘以入射光的斯托克斯矢量Sin,可表示为:

(2)

Sout=M·Sin

(3)

式中:M为穆勒矩阵;θ为偏振方向。

由此,可以推出任意偏振方向θ的偏振光强图像Iθ的计算公式[10]为:

Iθ=(I+Q*cos2θ+U*sin2θ)/2

(4)

1.2 灰度共生矩阵

灰度共生矩阵GLCM(gray level co-occurrence matrix,GLCM)是一种重要的纹理特征提取方法,其通过统计图像中4种特定空间信息上两像素点灰度值同时出现的频率来精确提取图像纹理特征[11]。由此,当图像I的灰度级大小为M时,其灰度共生矩阵(GLCM)大小为M×M。为减少计算量,在纹理特征提取前将图像I的灰度级量化至4、8、16等较低灰度级[12]。

灰度共生矩阵(GLCM)的元素(i,j)定义为图像量化后某像素点灰度值i与其特定空间信息上某像素点灰度值j成对出现的情况,并将(i,j)简称为灰度对。该特定空间信息由2个参数确定,分别是图像中两像素点间的距离d和方向θ。

(5)

式中:P(i,j)表示灰度共生矩阵P第(i,j)个元素的值,即某像素点灰度值i与其特定空间信息上像素点灰度值j成对出现的频率[13];(i,j)表示某像素点灰度值i与其特定空间信息上某像素点灰度值j成对出现的情况,简称为灰度对;I(x,y)为图像I上某像素点(x,y)的灰度值;I(x,y,d,θ)为图像I上某像素点(x,y)特定的θ方向上,θ=[0°,45°,90°,135°],距离为d处像素点的灰度值;S表示以图像I上像素点(x,y)为中心的局部目标区域中灰度对(i,j)的集合;count{[(x,y)∈S|i=I(x,y),j=I(x,y,d,θ)]}表示S集合中每种灰度对(i,j)出现的频次,count{S}表示S集合中各种灰度对(i,j)出现的总频次。

2 偏振图像的纹理特征提取

图1 算法流程图

2.1 偏振差分图像的构建

(6)

2.2 偏振灰度差异共生矩阵提取偏振纹理特征

(7)

式中,⎣·」表示向下取整。

步骤2统计偏振灰度差异共生矩阵(PGLDCM)。

(8)

(9)

步骤3计算4种偏振纹理特征参量。

以每个5×5目标区域中的偏振灰度差异共生矩阵特征为研究依据,分别推导出均质性IHOM、离散性IVAR、粗糙性IROU、相异性IDIS4种特征参量作为每个5×5目标区域的偏振纹理特征参量[16],以计算得到的偏振纹理特征参量值更新每个5×5目标区域的中心像素值,进而获得4种偏振纹理特征参量图像。

(10)

(11)

(12)

(13)

3 实验结果与分析

本文实验通过旋转偏振相机前面的偏振片来采集不同场景下4组不同偏振方向上的偏振光强图像Iθ,θ=[0°,45°,90°,135°],如图2所示。4个不同偏振方向上偏振光强图像Iθ不能准确描述出物体在不同偏振方向上具有的纹理特征差异。场景1为丝绸类纹理图像,场景2为花岗岩石材类纹理图像,场景3为木材和混凝土类纹理图像,场景4为草地和塑料类纹理图像,图像大小均为256×256。其中,场景1和场景2用来验证同一物体的不同部分具有不同的偏振信息,场景3和场景4用来验证不同物体具有不同的偏振信息,物体的偏振信息只受其本身属性影响。

图2 4组不同偏振方向上的偏振光强图像Iθ和普通光强图像

图3 4组不同偏振方向上的偏振差分图像

表1 2种均质性纹理特征提取结果的均值

图4 4组不同偏振方向上的均质性偏振纹理特征参量图像

图5 GLCM均质性纹理特征提取结果

图6 4组不同偏振方向上的离散性偏振纹理特征参量图像

图7为利用GLCM提取的普通光强图像和4个不同偏振方向上的偏振差分图像离散性纹理特征的提取结果图。2种离散性纹理特征提取结果的均值如表2所示。

表2 2种离散性纹理特征提取结果的均值

图8 4组不同偏振方向上的粗糙性偏振纹理特征参量图像

图9为利用GLCM提取的普通光强图像和4个不同偏振方向上的偏振差分图像粗糙性纹理特征的提取结果图。2种粗糙性纹理特征提取结果的均值如表3所示。

表3 2种粗糙性纹理特征提取结果的均值

图9 GLCM粗糙性纹理特征提取结果

图10 4组不同偏振方向上的相异性偏振纹理特征参量图像

图11为利用GLCM提取并表示普通光强图像和4个不同偏振方向上的偏振差分图像相异性纹理特征的提取结果图。2种相异性纹理特征提取结果的均值如表4所示。

表4 2种相异性纹理特征提取结果的均值

图11 GLCM相异性纹理特征提取结果

4 结论

提出了一种偏振灰度差异共生矩阵(PGLDCM)进行图像纹理特征的提取,通过旋转偏振相机前面的偏振片采集不同场景下4组0°、45°、90°、135°不同偏振方向上的偏振光强图像;随后进行偏振正交差分运算,消除自然光分量,获得偏振差分图像;再利用偏振灰度差异共生矩阵(PGLDCM)提取偏振差分图像的偏振纹理特征,分别推导出均质性、离散性、粗糙性、相异性4种特征参量作为图像的偏振纹理特征参量,获得4个不同偏振方向上各种偏振纹理特征参量图像。本文提出的偏振灰度差异共生矩阵,针对传统纹理特征分析方法中灰度共生矩阵(GLCM)存在的局限性,如忽略了一定空间信息下像素点间存在的灰度对比差异,难以从灰度对比差异角度对图像的纹理特征进行完整的描述,偏振灰度差异共生矩阵(PGLDCM)充分结合偏振信息并分析图像上像素点灰度值和其偏振方向上相邻像素点灰度值间的对比差异程度,使其同时具有丰富的偏振信息和空间信息。实验结果表明,偏振灰度差异共生矩阵(PGLDCM)能够最大程度地捕捉偏振图像的各种偏振纹理特征,使得物体的各种偏振纹理特征差异更加显著,为纹理特征提取领域提供新思想。在未来的工作中,考虑除均质性、离散性、粗糙性、相异性以外的偏振纹理特征参量,进一步分析偏振图像纹理特征,充分描述不同偏振方向对偏振图像纹理特征的影响。