江玉杰 王世航

摘要：灰度共生矩陣（GrayLevel Co-occurrence Matrix，GLCM）在圖像紋理提取上應(yīng)用極其廣泛，但依舊存在不足。文章在GLCM紋理提取算法的基礎(chǔ)上，引入局部二值模式（Local Binary Patterns，LBP），以此來(lái)改變GLCM在不同方向上的不一致性，解決因選取GLCM方向的不同給研究帶來(lái)的誤差。經(jīng)實(shí)驗(yàn)，該文章提出的GLCM-LBP紋理特征改進(jìn)方法，有效解決了方向不同帶來(lái)的問(wèn)題，同時(shí)計(jì)算量大幅減少。

關(guān)鍵詞：灰度共生矩陣; 局部二值模式;遙感;圖像處理;紋理提取

中圖分類(lèi)號(hào)： TP237文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）31-0013-04

Abstract：Gray-level co-occurrence matrix （GLCM） is widely used in image texture extraction， but it still has deficiencies. Based on the GLCM texture extraction algorithm， Local Binary Patterns （LBP） to change the inconsistency of GLCM in different directions and solve the errors caused by the different GLCM directions were introducedin this paper. Through experiments， the GLCM-LBP texture feature improvement method proposed in this paper effectively solves the problems caused by different directions， and the calculation amount is greatly reduced.

Key words：gray-level co-occurrence matrix;local binary patterns; remote sensing; image processing; texture extraction

GLCM作為廣泛使用的紋理特征提取方法，在遙感圖像信息提取中也發(fā)揮著重要作用。1973年，Haralick[1]等人定義了包括角二階矩、對(duì)比度和熵等在內(nèi)的14個(gè)GLCM特征因子。GLCM在紋理分析中表現(xiàn)非常優(yōu)秀，廣泛運(yùn)用在圖像紋理特征提取上，與GLCM同時(shí)期的方法還包括灰度差分統(tǒng)計(jì)法[2]、灰度行程長(zhǎng)度法[3]等，這些方法在提取紋理時(shí)具有一定的效果，但是存在缺陷。經(jīng)灰度差分統(tǒng)計(jì)法計(jì)算的對(duì)比度與GLCM相同，灰度行程長(zhǎng)度法未被可以有效提取紋理特征，因此后續(xù)的研究和應(yīng)用比較少。針對(duì)GLCM在不同方向上有不同矩陣的情況，2007年，馮建輝[4]等在研究時(shí)分別計(jì)算四個(gè)不同方向的GLCM并取平均值，證明GLCM提取圖像紋理特征能在一定程度上提高分類(lèi)精度;2014年，劉天時(shí)[5]等在不同方向上引入權(quán)值因子將其與特征參數(shù)融合，所提取的結(jié)果具有更好的圖像識(shí)別能力;2016年，張?chǎng)蝃6]等引入“偽像素點(diǎn)”的概念，提高紋理特征的旋轉(zhuǎn)不變性，經(jīng)公共圖像庫(kù)的驗(yàn)證，具有更好的抗旋轉(zhuǎn)性。本文在GLCM的基礎(chǔ)上引入LBP，以期新的方法解決在不同方向上GLCM不一致的問(wèn)題。

1 灰度共生矩陣（GLCM）

GLCM是一種研究圖像灰度的空間相關(guān)性來(lái)描述紋理的方法，灰度分布在空間位置上反復(fù)出現(xiàn)形成紋理，在圖像中一定距離下的兩像元的灰度存在某種關(guān)系，即圖像中灰度的空間相關(guān)特性。以遙感影像為例，取影像（N×N）中的任意一點(diǎn)（x，y）及另一點(diǎn)（x+a，y+b），該點(diǎn)對(duì)的灰度值記為（g1，g2），移動(dòng)點(diǎn)（x，y）遍歷整幅影像，設(shè)灰度級(jí)為k，則有k2個(gè)點(diǎn)對(duì)灰度值（g1，g2），統(tǒng)計(jì)每種灰度值的出現(xiàn)次數(shù)并排列成方陣即為GLCM。

（a，b）的取值參考紋理特征，對(duì)于較細(xì)的紋理，?。?，1）、（1，0）等，當(dāng)?。?，0）時(shí)，像元對(duì)是水平的，稱(chēng)為0°掃描，如圖1;當(dāng)?。?，1）時(shí)，像元對(duì)是右對(duì)角線的，稱(chēng)為45°掃描;當(dāng)?。?，1）時(shí)，像元對(duì)是垂直的，稱(chēng)為90°掃描;當(dāng)?。?1，1）時(shí)，像元對(duì)是左對(duì)角線的，稱(chēng)為135°掃描。

COR反映了影像紋理的一致性，當(dāng)GLCM元素值均勻相等時(shí)，COR就大;相反則小。

2 局部二值模式（LBP）

LBP是一種灰度范圍內(nèi)的非參數(shù)描述子，具有對(duì)灰度變化不敏感且計(jì)算速度快等優(yōu)點(diǎn)[8]。由Ojala等[9]在1996年提出，普遍應(yīng)用于解決多分辨率、多旋轉(zhuǎn)情況下圖像的紋理分類(lèi)問(wèn)題。

2.1原始LBP算法

LBP算法應(yīng)用3×3的子窗口來(lái)遍歷整幅影像，周?chē)藗€(gè)像元的值大于或等于中間像元的值則賦為1，否則賦為0。將閾值化的值按順時(shí)針?lè)较颍ㄗ笊辖瞧穑┯涗浵聛?lái)形成的一串二進(jìn)制數(shù)，轉(zhuǎn)換為十進(jìn)制即中心像元的LBP值，如圖2。

2.2多尺度LBP算法

針對(duì)不同尺度下的紋理提取Ojala T等[7]在原始的LBP算法基礎(chǔ)上作出了改進(jìn)。引進(jìn)圓形鄰域（P，R），P表示該鄰域內(nèi)取樣的像元個(gè)數(shù)，R表示該圓形鄰域的半徑大小，結(jié)合插值法，該算子可靈活調(diào)整參數(shù)，適用于任意半徑和任意鄰域像元個(gè)數(shù)，不同尺度的紋理結(jié)構(gòu)如圖3。

由于采樣點(diǎn)在圓上，不一定會(huì)準(zhǔn)確的落在像元里，因此需要運(yùn)用插值法。多尺度LBP計(jì)算量極大，對(duì)一幅遙感影像進(jìn)行處理耗時(shí)耗力，不利于研究。

2.3旋轉(zhuǎn)不變LBP算法

多尺度LBP算法具有特定的二進(jìn)制序列選取順序，對(duì)于圖像發(fā)生旋轉(zhuǎn)的情況下，最終得到的LBP值將不同。為了得到固定不變的編碼模式，Ojala等[7]提出旋轉(zhuǎn)不變LBP算法，即在八個(gè)不同起點(diǎn)下的二進(jìn)制序列中，選擇最小的值作為該中心像元的LBP值。計(jì)算公式如下：