專利名稱：一種融合視覺顯著性和灰度共生矩的紋理特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機視覺方法領(lǐng)域，涉及一種融合視覺顯著性和灰度共生矩的紋理特征提取方法。
背景技術(shù)：
目標檢測是計算機視覺研究中的一個重要課題，它是目標行為理解的基礎(chǔ)，是圖像系統(tǒng)連續(xù)準確工作的重要部分，視覺目標檢測通常是指在圖像或者連續(xù)變化的視頻序列中對感興趣區(qū)域或者目標對象進行精確定位。計算機視覺目標檢測在機器人定位與導(dǎo)航、智能交通工具、視頻監(jiān)控、視頻編解碼壓縮技術(shù)、虛擬現(xiàn)實的人機交互等應(yīng)用中具有非常重要的價值和意義。如何有效提高目標檢測算法在復(fù)雜環(huán)境下的準確性，以及如何增加算法在多變場景下的魯棒性，一直是目標檢測的兩個關(guān)鍵問題。
基于表觀特征的圖像目標檢測是主要方法之一。表觀特征，又被定義成圖像特征空間(也叫做描述算子)，基于表觀特征的圖像目標檢測方法可以分為整體法、局部法、特征點對法。不管是整體、局部還是特征點對法，一個核心的問題是如何有效表示目標的整體特征、部位特征或者局部塊特征，方向梯度直方圖特征是目前廣泛使用的目標特征表示。典型的如梯度方向直方圖特征(Histogram of Oriented Gradient,簡稱HOG), HOG基于梯度信息并允許塊間相互重疊，因此，對光照變化和偏移不敏感，能較好地刻畫目標的邊緣特征，但HOG也有其缺點特征維度高，大量的重疊和直方圖統(tǒng)計，使得特征的計算速度慢，影響實時性；遮擋處理能力較差；未利用顏色、形狀和紋理等特征。針對這些缺點，近年來一些研究者提出了更多的特征如C0V、Integral Channel Feature、ACF、GGP、SIFT等。但是方向梯度無法刻畫人眼視覺敏感度，信息冗余度大，實時性、準確性和魯棒性都較差。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，本發(fā)明提供的模擬人眼觀察事物的發(fā)散性及顯著性特點的紋理特征提取方法，計算簡單，冗余度低，實時性好。發(fā)明的技術(shù)解決方案如下一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，包括以下步驟步驟I、初始化步驟對某一圖像，確定檢測窗口、基本塊和超級塊大小；步驟2、以基本塊為單位計算顯著性因子和圖像的紋理結(jié)構(gòu)特征向量顯著性因子的計算過程對圖像中的每一個像素，先計算所有鄰域像素與中心像素灰度值的差值總和，再計算局部顯著因子；進一步確定當前像素點的顯著性因子；紋理結(jié)構(gòu)特征向量的計算方法用發(fā)散灰度共生矩陣提取圖像的局部紋理結(jié)構(gòu)；用一維向量即紋理結(jié)構(gòu)特征向量表示局部紋理結(jié)構(gòu)；步驟3、以超級塊為單位，通過二維直方圖結(jié)合顯著性因子和紋理結(jié)構(gòu)特征向量生成顯著性紋理結(jié)構(gòu)特征描述算子；根據(jù)顯著性因子算子、檢測窗口大小、基本塊大小、超級塊大小，為每個超級塊中提取一個顯著性紋理結(jié)構(gòu)特征描述算子，并以一維特征向量表述。在檢測窗口中按基本塊的尺寸大小為步進滑動提取每個超級塊的特征子，然后按順序連結(jié)起來，從而形成最終的顯著性紋理結(jié)構(gòu)特征描述算子。步驟I中，將檢測窗口分成n*m個基本塊，將任何相鄰的2*2個基本塊組成一個超級塊。步驟2中，局部顯著因子為鄰域像素和中心像素灰度值差的總和與中心像素灰度值的比值，即(; :'.)= + J7-1P-I其中，V= [(M) = [(-Yi—即八鄰域；
!=U<=o，p=8,其中，xc是中心像素點灰度值，Xi是中心像素點對應(yīng)的鄰域像素點灰度值，P是鄰域像素個數(shù)，V是差值總和，G(x。)是局部顯著因子；當前像素點X。的顯著性因子ξ (xc)為ξ (xc) =arctan [G (Xc)],其中辦·>[- ],將ξ (xc)劃分為R個區(qū)間lr，r=0, 1，…，R-l。步驟2中，紋理結(jié)構(gòu)特征向量的具體計算方法為由NgXNg*形顯著性因子算子，元素值是像素的灰度值d=(dx，dy)是一個位移矢量，其模值等于IdI=A^X)，形成一個NgXNg大小的特征向量,再取該特征向量的邊緣概
率值作為紋理結(jié)構(gòu)特征向量；邊緣概率公式如下
T-IT-I/:'(/) = Σ/'/(/,/),/·；(/) = X/V(/,./)，PJ (i，j)指描述紋理結(jié)構(gòu)的概率；
J=OI-Q連結(jié)E⑴、E(j)得到紋理結(jié)構(gòu) E(et)，t=0，1，· · ·，2T-1，式中 T = 8。步驟3中，根據(jù)每一個算子的顯著性因子ξ (xc)和紋理結(jié)構(gòu)特征向量，構(gòu)造二維直方圖，得到顯著性紋理結(jié)構(gòu)特征描述算子。首先計算出每個算子的顯著因子ξ (xc)和紋理結(jié)構(gòu)E(et)，從而可以得到兩幅新的圖像顯著性因子圖像和紋理結(jié)構(gòu)圖像，根據(jù)這兩幅圖像計算二維直方圖{STh(lr，et)}，(r=0, l，..，R-l，t = O, 1，...，21'-1)，其大小為辟(21')。R是ξ的區(qū)間數(shù)，R可以取值為8 ;T是邊緣概率E的個數(shù)。換句話說，在二維直方圖里，每列對應(yīng)的是一個顯著因子區(qū)間，每一行對應(yīng)的是一個紋理結(jié)構(gòu)特征。因此，每一小塊STh(Uet)對應(yīng)的值是一個確定的顯著因子區(qū)間L和紋理結(jié)構(gòu)特征et的頻率。根據(jù)圖像大小和待檢測目標的大小確定檢測窗口大小,將檢測窗口分成n*m個基本塊,將任何相鄰的2*2個基本塊組成一個超級塊，如圖2所示.顯著因子的意義在于對局部特征的顯著性表述，在發(fā)散的局部特征中，局部顯著性不能由差別閥限的絕對值來進行比較，而應(yīng)由其相對值進行劃定，而這種現(xiàn)象可以由韋伯定律解釋。韋伯定律用公式表示為二 k，其中△ I是差別閥限，I是標準刺激強度，k
為常數(shù)。根據(jù)韋伯定理，定義局部顯著因子為鄰域像素和中心像素灰度值差的總和與中心
像素的比例關(guān)系，公式如下
權(quán)利要求
1.一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，其特征在于，包括以下步驟 步驟I、初始化步驟 對某一圖像，確定檢測窗口、基本塊和超級塊大?。? 步驟2、以基本塊為單位計算顯著性因子和圖像的紋理結(jié)構(gòu)特征向量 顯著性因子的計算過程 對圖像中的每一個像素，先計算所有鄰域像素與中心像素灰度值的差值總和，再計算局部顯著因子；進一步確定當前像素點的顯著性因子； 紋理結(jié)構(gòu)特征向量的計算方法 用發(fā)散灰度共生矩陣提取圖像的局部紋理結(jié)構(gòu)；用一維向量即紋理結(jié)構(gòu)特征向量表示局部紋理結(jié)構(gòu)； 步驟3、以超級塊為單位，通過二維直方圖結(jié)合顯著性因子和紋理結(jié)構(gòu)特征向量生成顯著性紋理結(jié)構(gòu)特征描述算子；根據(jù)顯著性因子算子、檢測窗口大小、基本塊大小、超級塊大小，為每個超級塊中提取一個顯著性紋理結(jié)構(gòu)特征描述算子，并以一維特征向量表述。
2.根據(jù)權(quán)利要求I所述的融合視覺顯著性和灰度共生矩的紋理特征提取方法，其特征在于，步驟I中，將檢測窗口分成n*m個基本塊，將任何相鄰的2*2個基本塊組成一個超級塊。
3.根據(jù)權(quán)利要求I所述的融合視覺顯著性和灰度共生矩的紋理特征提取方法，其特征在于，步驟2中， 局部顯著因子為鄰域像素和中心像素灰度值差的總和與中心像素灰度值的比值，即
4.根據(jù)權(quán)利要求I所述的融合視覺顯著性和灰度共生矩的紋理特征提取方法，其特征在于，步驟2中，紋理結(jié)構(gòu)特征向量的具體計算方法為 由NgXNg*形顯著性因子算子，元素值是像素的灰度值d=(dx，dy)是一個位移矢量，其模值等于網(wǎng)= 心，形成一個NgXNg大小的特征向量，再取該特征向量的邊緣概率值作為紋理結(jié)構(gòu)特征向量； 邊緣概率公式如下
5.根據(jù)權(quán)利要求1-4任一項所述的融合視覺顯著性和灰度共生矩的紋理特征提取方法，其特征在于，步驟3中，根據(jù)每一個算子的顯著性因子ξ (xc)和紋理結(jié)構(gòu)特征向量，構(gòu)造二維直方圖，得到顯著性紋理結(jié)構(gòu)特征描述算子。
全文摘要
本發(fā)明公開了一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，包括以下步驟步驟1、初始化步驟對某一圖像，確定檢測窗口、基本塊和超級塊大小；步驟2、以基本塊為單位計算顯著性因子和圖像的紋理結(jié)構(gòu)特征向量步驟3、以超級塊為單位，通過二維直方圖結(jié)合顯著性因子和紋理結(jié)構(gòu)特征向量生成一定維數(shù)的顯著性紋理結(jié)構(gòu)特征描述算子；根據(jù)顯著性因子算子、檢測窗口大小、基本塊大小、超級塊大小，為每個超級塊中提取一個顯著性紋理結(jié)構(gòu)特征描述算子，并以一維特征向量表述。本發(fā)明提供的模擬人眼觀察事物的發(fā)散性及顯著性特點的紋理特征提取方法，計算簡單，冗余度低，實時性好。
文檔編號G06T7/00GK102831427SQ20121032782
公開日2012年12月19日 申請日期2012年9月6日 優(yōu)先權(quán)日2012年9月6日
發(fā)明者肖德貴, 辛晨, 曾凡仔 申請人:湖南致尚科技有限公司