本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其是一種適用于復(fù)雜光照下的圖像描述方法。

背景技術(shù)：

圖像特征描述在計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域一直是至關(guān)重要的環(huán)節(jié)之一，圖像的局部特征提取方法已經(jīng)取得了重要發(fā)展。然而，受樣本數(shù)目限制、復(fù)雜光照環(huán)境及嚴(yán)重部分遮擋的影響，特別是復(fù)雜光照環(huán)境涉及到的多角度光源，過(guò)曝光和欠曝光等，圖像描述面臨新的挑戰(zhàn)。經(jīng)過(guò)不斷研究，目前已經(jīng)取得了豐富的成果，具有代表性的圖像描述方法主要包括三類(lèi)：第一類(lèi)是圖像預(yù)處理，比較著名的算法有直方圖均衡、同態(tài)濾波等；第二類(lèi)是傳統(tǒng)方法改進(jìn)，主要包括主成分分析、獨(dú)立分量分析、小波變換、局部二進(jìn)制模式以及相關(guān)的多種改進(jìn)算法；第三類(lèi)算法主要集中在人類(lèi)視覺(jué)模型方面，主要包括Retinex變換、韋伯局部描述、韋伯二進(jìn)制模式等。綜合考慮以上三種方法，基于人類(lèi)視覺(jué)感知的方法是以后重點(diǎn)研究的方向。

韋伯局部描述充分考慮了中心像素的刺激激勵(lì)及背景像素的相對(duì)關(guān)系，在復(fù)雜光照情況下能夠獲得良好效果，但在進(jìn)行刺激激勵(lì)計(jì)算時(shí)，沒(méi)有充分考慮距離中心像素較遠(yuǎn)的像素對(duì)中心激勵(lì)的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種適用于復(fù)雜光照下的圖像描述方法，能夠有效提取復(fù)雜光照環(huán)境下的目標(biāo)圖像特征，適用于復(fù)雜光照環(huán)境下的圖像識(shí)別領(lǐng)域應(yīng)用。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：

這種適用于復(fù)雜光照下的圖像描述方法，包括如下步驟：

步驟一：獲得待描述的圖像為f(x,y)；

步驟二：通過(guò)韋伯局部描述算子中的多級(jí)不同激勵(lì)模式和韋伯局部描述算子中的多級(jí)不同方向模式對(duì)圖像f(x,y)進(jìn)行處理，得到多級(jí)不同激勵(lì)模式圖像ξ_multi(x,y)和多級(jí)不同方向模式圖像ψ_multi(x,y)；

步驟三：對(duì)步驟二中得到的圖像函數(shù)ξ_multi(x,y)和ψ_multi(x,y)的值域進(jìn)行分割，得到函數(shù)ξ′_multi(x,y)和函數(shù)ψ′_multi(x,y)；

步驟四：計(jì)算步驟三中得到的函數(shù)ξ'_multi(x,y)和函數(shù)ψ'_multi(x,y)的直方圖，得到函數(shù)和

步驟五：將函數(shù)和連接起來(lái)得到最終的圖像描述

進(jìn)一步，上述步驟二中韋伯局部描述算子中的多級(jí)不同激勵(lì)模式具體過(guò)程為：

步驟1)：韋伯準(zhǔn)則定義為：

$\frac{\mathrm{\Δ}I}{I}=K---\left(1\right)$

其中，ΔI表示不同刺激的激勵(lì)變化值，I表示背景值，K是一個(gè)比例常數(shù)；

步驟2)：根據(jù)步驟1)定義韋伯局部描述算子中的不同激勵(lì)模式ξ(m₀)：

$\mathrm{\ξ}\left(m_0\right)=arctan\left(\underset{i=1}{\overset{P}{\Σ}}\frac{{\mathrm{\ΔI}}_i}{I_0}\right)=arctan\left(\frac{\mathrm{\Δ}I}{I_0}\right)---\left(2\right)$

其中，P代表中心像素m₀的鄰域像素個(gè)數(shù)，arctan()為反余切函數(shù)，ΔI_i表示中心像素m₀和其周邊P個(gè)鄰域像素m_i的差值，且i＝1,2,...,P，定義為：

ΔI_i＝m_i-m₀ (3)

步驟3)：根據(jù)公式(2)和公式(3)得到多級(jí)不同激勵(lì)模式：

${\mathrm{\ξ}}_{multi}\left(m_0\right)=arctan\left(\underset{i=1}{\overset{P}{\Σ}}\frac{{\mathrm{\ΔI}}_i^{inner}+{\mathrm{\ΔI}}_i^{outer}}{I_0}\right)=arctan\left(\frac{\mathrm{\Δ}I}{I_0}\right)---\left(4\right)$

其中，和分別代表中心像素與其周邊內(nèi)層像素及外層像素的差值，具體定義如下：

${\mathrm{\ΔI}}_i^{inner}=(m_i-m_0)---\left(5\right)$

${\mathrm{\ΔI}}_i^{outer}=(n_i-m_i)---\left(6\right)$

其中，m_i和n_i分別代表內(nèi)層像素和外層像素；

步驟4)：將圖像f(x,y)帶入公式(4)中得到多級(jí)不同激勵(lì)模式圖像ξ_multi(x,y)。

進(jìn)一步，上述步驟二中局部韋伯描述算子中的多級(jí)不同方向模式具體過(guò)程為：

步驟1)：定義韋伯局部描述算子中的不同方向模式ψ(m₀)為：

$\mathrm{\ψ}\left(m_0\right)=arctan\left(\frac{m_1-m_5}{m_3-m_7}\right)---\left(7\right)$

其中，m₁-m₅和m₃-m₇分別表示橫軸和縱軸方向的刺激差異；

步驟2)將ψ(m₀)擴(kuò)展為多級(jí)不同方向模式ψ_multi(m₀)，定義為：

${\mathrm{\ψ}}_{multi}\left(m_0\right)=arctan\left(\frac{(m_1-m_5)+(n_1-n_5)}{(m_3-m_7)+(n_3-n_7)}\right)---\left(8\right)$

其中，m₁-m₅和m₃-m₇分別表示內(nèi)層橫軸和縱軸方向的刺激差異，n₁-n₅和n₃-n₇分別表示外層橫軸和縱軸方向的刺激差異；

步驟3)：將圖像f(x,y)帶入公式(8)中得到多級(jí)不同方向模式圖像ψ_multi(x,y)。

進(jìn)一步，上述步驟三中對(duì)圖像函數(shù)ξ_multi(x,y)和ψ_multi(x,y)的值域進(jìn)行分割的具體方法為：

圖像函數(shù)ξ_multi(x,y)和ψ_multi(x,y)的值域均為[-π/2,π/2]，為使用直方圖降維并描述相關(guān)模式，將值域分割成N個(gè)等間隔子區(qū)間l_n，其中，n＝0,1,2,...,N-1，具體定義如下：

$l_n=\[{\mathrm{\η}}_n^l,{\mathrm{\η}}_n^u\]---\left(9\right)$

${\mathrm{\η}}_n^l=(\frac{n}{N}-\frac{1}{2})\mathrm{\π}---\left(10\right)$

${\mathrm{\η}}_n^u=(\frac{n+1}{N}-\frac{1}{2})\mathrm{\π}---\left(11\right)$

$n=\mathrm{mod}(\frac{\mathrm{\ξ}\left(x_c\right)+\mathrm{\π}/2}{\mathrm{\π}/N},N)---\left(12\right)$

其中，和分別為子區(qū)間l_n的上下限，mod()為求余運(yùn)算。

進(jìn)一步，上述步驟四中計(jì)算函數(shù)ξ′_multi(x,y)和函數(shù)ψ′_multi(x,y)直方圖的具體方法為：

定義多級(jí)不同激勵(lì)模式圖像ξ_multi(x,y)的直方圖為：

$H_n^{ME}=\underset{x,y}{\Σ}I\left({\mathrm{\ξ}}_{multi}\right(x,y)\∈l_n),n=0,1,...,N---\left(13\right)$

定義多級(jí)不同方向模式圖像ψ_multi(x,y)的直方圖為：

$H_n^{MD}=\underset{x,y}{\Σ}I\left({\mathrm{\ψ}}_{multi}\right(x,y)\∈l_n),n=0,1,...,N---\left(14\right)$

其中，公式(13)和公式(14)中的函數(shù)I()定義為：

公式(13)和公式(14)均為統(tǒng)計(jì)落在所有子區(qū)間l_n(n＝0,1,2,...,N-1)上值的總數(shù)。

進(jìn)一步，上述中心像素m₀的鄰域像素個(gè)數(shù)P取值為8。

相對(duì)于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點(diǎn)及效果為：

本發(fā)明基于對(duì)視覺(jué)感知模型和韋伯法則的分析，提出一種復(fù)雜光照下基于視覺(jué)感知的圖像描述算子，該算子主要包括兩個(gè)部分：多級(jí)激勵(lì)模式和多級(jí)方向模式。多級(jí)激勵(lì)模式主要提取中心像素多鄰域內(nèi)圖像的光照不變性相對(duì)激勵(lì)特征，多級(jí)方向模式主要提取中心像素多鄰域內(nèi)圖像的光照不變性方向特征。該算子避免了光照模型估計(jì)并考慮了人的視覺(jué)感知原理，具有計(jì)算簡(jiǎn)單、目標(biāo)圖像提取效果好等特點(diǎn)。通過(guò)在復(fù)雜光照紋理庫(kù)上進(jìn)行相關(guān)實(shí)驗(yàn)，驗(yàn)證了算法有效性。

附圖說(shuō)明

圖1a為鄰域像素位置分布示意圖；

圖1b為與圖1a領(lǐng)域像素相對(duì)應(yīng)的方向示意圖；

圖2為本發(fā)明采用的PhoTex數(shù)據(jù)庫(kù)部分圖像；

圖3本發(fā)明各種方法識(shí)別率對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)描述：

如圖1至圖3所述，本發(fā)明公開(kāi)了一種適用于復(fù)雜光照下的圖像描述方法，包括如下步驟：

步驟一：獲得待描述的圖像為f(x,y)；

步驟二：通過(guò)韋伯局部描述算子中的多級(jí)不同激勵(lì)模式和韋伯局部描述算子中的多級(jí)不同方向模式對(duì)圖像f(x,y)進(jìn)行處理，得到多級(jí)不同激勵(lì)模式圖像ξ_multi(x,y)和多級(jí)不同方向模式圖像ψ_multi(x,y)；

步驟三：對(duì)步驟二中得到的圖像函數(shù)ξ_multi(x,y)和ψ_multi(x,y)的值域進(jìn)行分割，得到函數(shù)ξ′_multi(x,y)和函數(shù)ψ′_multi(x,y)；

步驟四：計(jì)算步驟三中得到的函數(shù)ξ'_multi(x,y)和函數(shù)ψ'_multi(x,y)的直方圖，得到函數(shù)和

步驟五：將函數(shù)和連接起來(lái)得到最終的圖像描述

本發(fā)明在前人研究基礎(chǔ)上，基于韋伯準(zhǔn)則和視覺(jué)感知模型，提出一種復(fù)雜光照下基于視覺(jué)感知的圖像描述算子，可在實(shí)驗(yàn)中取得良好效果。該算子能夠有效提取復(fù)雜光照環(huán)境下的目標(biāo)圖像特征，適用于復(fù)雜光照環(huán)境下的圖像識(shí)別領(lǐng)域應(yīng)用。

韋伯是較早進(jìn)行人類(lèi)對(duì)物理刺激反應(yīng)機(jī)制研究的科學(xué)家，他提出了非常著名的韋伯準(zhǔn)則，該準(zhǔn)則揭示了刺激變化的量和背景值之間的比例是一個(gè)常數(shù)。如果不同的兩種背景值進(jìn)行了相同的刺激變化，人們感受到的刺激是不同的，韋伯準(zhǔn)則定義如下：

$\frac{\mathrm{\Δ}I}{I}=K---\left(1\right)$

其中ΔI表示不同的刺激的激勵(lì)變化值，I表示背景值，K是一個(gè)比例常數(shù)，(1)式即為非常著名的韋伯準(zhǔn)則。

根據(jù)細(xì)胞的協(xié)作式中心環(huán)繞接收模型，每個(gè)中心的細(xì)胞的刺激反應(yīng)是由水平的細(xì)胞網(wǎng)格組成，每個(gè)水平細(xì)胞模擬組成一個(gè)體細(xì)胞，它與周?chē)鷺?shù)狀場(chǎng)中的其他錐狀細(xì)胞相連，水平細(xì)胞與其最臨近的細(xì)胞通過(guò)抗性間隙相連接。通過(guò)這個(gè)模型的啟發(fā)，對(duì)韋伯局部描述算子進(jìn)行改進(jìn)，使其進(jìn)一步符合人的視覺(jué)感知模型。

本發(fā)明韋伯局部描述算子中的不同激勵(lì)模式ξ(m₀)被定義為：

$\mathrm{\ξ}\left(m_0\right)=arctan\left(\underset{i=1}{\overset{P}{\Σ}}\frac{{\mathrm{\ΔI}}_i}{I_0}\right)=arctan\left(\frac{\mathrm{\Δ}I}{I_0}\right)---\left(2\right)$

其中，P代表中心像素m₀的鄰域像素個(gè)數(shù)，一般取8，arctan()為反余切函數(shù)，ΔI_i表示中心像素m₀和其周邊P個(gè)鄰域像素m_i的差值，且i＝1,2,...,P，定義為：

ΔI_i＝m_i-m₀ (3)

根據(jù)中心環(huán)繞接收模型，設(shè)定每個(gè)細(xì)胞體反應(yīng)在圖像上為一個(gè)像素，則中心像素的刺激結(jié)果不僅僅與其周邊一層鄰域的像素值有關(guān)，而且和距它較遠(yuǎn)的層的像素有關(guān)，因此，將局部韋伯算子中的不同激勵(lì)模式改進(jìn)為多級(jí)不同激勵(lì)模式，則公式(2)可進(jìn)一步改進(jìn)為：

${\mathrm{\ξ}}_{multi}\left(m_0\right)=arctan\left(\underset{i=1}{\overset{P}{\Σ}}\frac{{\mathrm{\ΔI}}_i^{inner}+{\mathrm{\ΔI}}_i^{outer}}{I_0}\right)=arctan\left(\frac{\mathrm{\Δ}I}{I_0}\right)---\left(4\right)$

其中，和分別代表中心像素與其周邊內(nèi)層像素及外層像素的差值，具體定義如下：

${\mathrm{\ΔI}}_i^{inner}=(m_i-m_0)---\left(5\right)$

${\mathrm{\ΔI}}_i^{outer}=(n_i-m_i)---\left(6\right)$

其中，m_i和n_i分別代表內(nèi)層像素和外層像素，所處位置如圖1所示，其中圖1a為鄰域像素位置分布示意圖；圖1b為與圖1a領(lǐng)域像素相對(duì)應(yīng)的方向示意圖。

局部韋伯描述算子中的多級(jí)不同方向模式具體ψ(m₀)為：

$\mathrm{\ψ}\left(m_0\right)=arctan\left(\frac{m_1-m_5}{m_3-m_7}\right)---\left(7\right)$

其中，m₁-m₅和m₃-m₇分別表示橫軸和縱軸方向的刺激差異，它僅僅利用了最近的鄰域信息。根據(jù)中心環(huán)繞接收模型，將ψ(m₀)擴(kuò)展為多級(jí)不同方向模式ψ_multi(m₀)，定義如下：

${\mathrm{\ψ}}_{multi}\left(m_0\right)=arctan\left(\frac{(m_1-m_5)+(n_1-n_5)}{(m_3-m_7)+(n_3-n_7)}\right)---\left(8\right)$

其中，m₁-m₅和m₃-m₇分別表示內(nèi)層橫軸和縱軸方向的刺激差異，同時(shí)，n₁-n₅和n₃-n₇分別表示外層橫軸和縱軸方向的刺激差異。

假定輸入圖像為f(x,y)，根據(jù)公式(4)和(8)可以得到多級(jí)不同激勵(lì)模式圖像和多級(jí)不同方向模式圖像，分別設(shè)為ξ_multi(x,y)和ψ_multi(x,y)。

根據(jù)公式(4)和(8)可以看出，ξ_multi(x,y)和ψ_multi(x,y)的值域?yàn)閇-π/2,π/2]。為了使用直方圖來(lái)降維并描述相關(guān)模式，需對(duì)值域進(jìn)行分割，可將其分割成N個(gè)等間隔子區(qū)間l_n，且滿(mǎn)足n＝0,1,2,...,N-1，其定義如下：

$l_n=\[{\mathrm{\η}}_n^l,{\mathrm{\η}}_n^u\]---\left(9\right)$

${\mathrm{\η}}_n^l=(\frac{n}{N}-\frac{1}{2})\mathrm{\π}---\left(10\right)$

${\mathrm{\η}}_n^u=(\frac{n+1}{N}-\frac{1}{2})\mathrm{\π}---\left(11\right)$

$n=\mathrm{mod}(\frac{\mathrm{\ξ}\left(x_c\right)+\mathrm{\π}/2}{\mathrm{\π}/N},N)---\left(12\right)$

其中，和分別為子區(qū)間l_n的上下限，mod()為求余運(yùn)算。

計(jì)算直方圖在這種模式中至關(guān)重要，多級(jí)不同激勵(lì)模式圖像ξ_multi(x,y)的直方圖可定義為：

$H_n^{ME}=\underset{x,y}{\Σ}I\left({\mathrm{\ξ}}_{multi}\right(x,y)\∈l_n),n=0,1,...,N---\left(13\right)$

多級(jí)不同方向模式圖像ψ_multi(x,y)的直方圖可定義為：

$H_n^{MD}=\underset{x,y}{\Σ}I\left({\mathrm{\ψ}}_{multi}\right(x,y)\∈l_n),n=0,1,...,N---\left(14\right)$

其中，(13)式和(14)式中的函數(shù)I()定義為：

公式(13)和公式(14)均為統(tǒng)計(jì)落在所有子區(qū)間l_n(n＝0,1,2,...,N-1)上值的總數(shù)。和分別表示ξ_multi(x,y)和ψ_multi(x,y)的直方圖。最終，將和連接起來(lái)作為最終的圖像描述，可定義為：

$H=\[H_n^{ME},H_n^{MD}\]---\left(16\right)$

本發(fā)明的實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證算法有效性，選用PhoTex數(shù)據(jù)庫(kù)<http://www.macs.hw.ac.uk/texturelab/resources/databases/>，該數(shù)據(jù)包括各種方向的紋理圖像，這些圖像是在不同光照環(huán)境下拍攝的，可以很好地驗(yàn)證光照復(fù)雜性目標(biāo)圖像的描述性能。實(shí)驗(yàn)中，選取18種紋理，每種對(duì)應(yīng)20種不同光照環(huán)境，部分圖像如圖2所示。

為更好驗(yàn)證建議算法的有效性，選擇直方圖均衡、同態(tài)濾波、Retinex變換、韋伯局部描述算子和韋伯局部二進(jìn)制模式進(jìn)行對(duì)比。實(shí)驗(yàn)中，選取徑向基神經(jīng)網(wǎng)絡(luò)(MATLAB工具箱)進(jìn)行分類(lèi)識(shí)別算法比較，比較結(jié)果如圖3所示。由圖3可知，隨著訓(xùn)練樣本數(shù)的增加，各種算法的識(shí)別率都在增加。此外，可以看出Retinex變換、韋伯局部描述算子和韋伯局部二進(jìn)制模式識(shí)別率高于直方圖均衡、同態(tài)濾波和局部二進(jìn)制模式的方法，說(shuō)明基于人視覺(jué)感知的方法效果優(yōu)勝一些。同時(shí)可以看出，本發(fā)明提出的方法取得了最佳識(shí)別效果，驗(yàn)證了方法的有效性。