基于灰度共生矩陣的圖像分割方法研究

所謂圖像分割就是指把圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過程。它是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一，是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。目前圖像分割方面現(xiàn)有的算法非常多，將它們進(jìn)行分類的方法也提出了不少。一般分為3類：(1)閾值分割；(2)邊緣檢測(cè)；(3)區(qū)域提取。但還沒有一種方法能普遍適用于各種圖像。因此，對(duì)于圖像分割的研究還在不斷深人之中，也是目前圖像處理中研究的熱點(diǎn)之一。隨著科技的發(fā)展進(jìn)步，圖像處理在軍事中的運(yùn)用也越來越廣泛，這主要集中在迷彩設(shè)計(jì)這方面。而現(xiàn)在軍事上的偽裝迷彩是現(xiàn)代高技術(shù)戰(zhàn)爭(zhēng)中隱藏武器裝備、保存自我的重要手段，也是消滅敵人的需要。因此對(duì)于迷彩的設(shè)計(jì)研究也一直都是各國(guó)的熱門話題。文中主要以某山地航拍圖為研究對(duì)像，對(duì)其進(jìn)行背景分析然后再實(shí)現(xiàn)圖像分割，為后期迷彩設(shè)計(jì)做準(zhǔn)備。由于該山地背景紋理特征明顯，故利用紋理分析對(duì)其進(jìn)行背景分析，而灰度共生矩陣是紋理分析方法中最常用的一種方法。文中采用灰度共生矩陣方法對(duì)該圖像進(jìn)行分割研究。

1 灰度共生矩陣
灰度共生矩陣(Gray Level Co-occurrence Ma-trix，GLCM)是圖像紋理分析方法中的一種，它反映不同像素相對(duì)位置的空間信息，在一定程度上反映了紋理圖像中各灰度級(jí)在空間上的分布特性，是紋理分析領(lǐng)域中最經(jīng)常采用的特征之一?；叶裙采仃囀菆D像灰度變化的二階統(tǒng)計(jì)度量，也是描述紋理結(jié)構(gòu)性質(zhì)特征的基本函數(shù)，它統(tǒng)計(jì)了兩個(gè)像素點(diǎn)位置的聯(lián)合概率分布。設(shè)S為目標(biāo)區(qū)域R中具有特定空間聯(lián)系的像素對(duì)的集合，則共生矩陣P可定義為

式(1)等號(hào)右邊的分子是具有某種空間關(guān)系、灰度值分別為i，j的像素對(duì)的個(gè)數(shù)，分母為像素對(duì)的總和個(gè)數(shù)(#代表數(shù)量)，這樣得到的P是歸一化的。
對(duì)于一幅圖像Gf(i，j)，大小N×N，包含像素(動(dòng)態(tài)范圍為G)的灰度級(jí)為{0，1，…，G-1}，它的灰度共生矩陣是一個(gè)二維矩陣C(i，J)，每個(gè)矩陣元素表示在某一距離d和角度θ強(qiáng)度i和j聯(lián)合出現(xiàn)的概率。因此，根據(jù)不同的d和θ值，這里可能存在多個(gè)共生矩陣。但在實(shí)際應(yīng)用中，往往適當(dāng)?shù)倪x取d，而θ一般取O°，45°，90°，135，如圖1所示。

2 實(shí)驗(yàn)設(shè)計(jì)及分析
2．1 灰度共生矩陣的常用參量
實(shí)際應(yīng)用中，作為圖像紋理分析的特征量是由灰度共生矩陣計(jì)算出的一些參量。Haralick曾提出14種由灰度共生矩陣計(jì)算出的參量。但在本實(shí)驗(yàn)中主要用到的參量有以下4種：
(1)角二階矩(Angular Second Moment，簡(jiǎn)記為ASM)。

角二階矩是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值?。幌喾?，如果其中一些值大而其它值小，則ASM值大。當(dāng)共生矩陣中元素集中分布時(shí)，ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式；
(2)對(duì)比度(Contrast，簡(jiǎn)記為CON)。

對(duì)比度反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對(duì)比度越大，視覺效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊?；叶炔罴磳?duì)比度大的像素對(duì)越多，這個(gè)值越大?；叶裙仃囍羞h(yuǎn)離對(duì)角線的元素值越大，CON越大；