姜太平，魏宗斌，潘 祥，邰偉鵬

（安徽工業(yè)大學 計算機科學與技術學院，安徽 馬鞍山243032）

基于梯度紋理描繪子的霧圖像判別方法

姜太平，魏宗斌，潘 祥，邰偉鵬

（安徽工業(yè)大學 計算機科學與技術學院，安徽 馬鞍山243032）

霧對圖像的研究和分析都會產(chǎn)生影響，圖像去霧技術是圖像處理和計算機視覺領域共同關心的重要問題。目前圖像去霧技術中很少有人對圖像中是否有霧的判定方法進行研究。該文基于灰度-梯度共生矩陣對圖像中霧的判別方法展開研究，提出一種霧圖像判定新方法，該方法兼容大梯度優(yōu)勢和梯度均方差兩個紋理描繪子的特性，能夠有效地判定圖像中是否有霧。仿真實驗表明：文中提出的新型梯度紋理描繪子對圖像中霧的判定具有較高的識別率。

灰度-梯度共生矩陣；紋理特征；大梯度優(yōu)勢；梯度均方差

隨著計算機技術和圖像處理技術的迅速發(fā)展[1]，圖像應用于眾多的科學和工程領域，人們越來越多的利用圖像信息來認識和判定事物，其中在一些領域受到廣泛應用，如戶外監(jiān)視系統(tǒng)、自動導航系統(tǒng)以及其他一些探測系統(tǒng)等視覺系統(tǒng)。然而，由于主客觀條件的影響，如霧天、沙塵天，系統(tǒng)捕獲到的圖像質量下降，這將給戶外圖像采集和處理帶來很大困難。因此，需要判斷圖像中是否有霧，然后再對含有霧的圖像進行處理。

目前圖像去霧方法有很多，主要分為兩大類：第一類是基于圖像增強的方法；第二類是基于物理模型的方法。文獻[2]在單幅圖像去霧算法中針對目前圖像去霧研究大多忽略顏色失真的問題，特別是存在高亮度區(qū)域的圖像復原，對如何同時保證圖像細節(jié)與顏色信息問題，提出一種基于雙邊濾波的單幅圖像去霧算法。文獻[3]在一種基于SVM分類的霧圖自動檢測方法中，提出一種從室外自然圖像中檢測有霧圖像的方法，把圖像的RGB分量和亮度進行規(guī)范化處理，使得圖像與外界光線強度關聯(lián)最小，通過二維離散傅立葉變換獲得圖像頻譜特征，再結合圖像的灰度共生矩陣一起作為分類的特征。霧圖像中灰度的變化不是很明顯，而梯度變化相對明顯?；叶?梯度共生矩陣一起作為分類的特征能提高識別率。

文中采用灰度-梯度共生矩陣方法提取圖像的紋理特征，然后通過定義一個新型圖像梯度紋理特征來識別圖像中是否有霧，該新型梯度紋理特征對圖像中是否有霧具有較高的識別率。

1 基于梯度紋理特征的霧圖像判別

1.1 霧圖像特征分析

霧是常見的一種自然現(xiàn)象，即使是晴朗的夏天，由于地面水汽的蒸發(fā)，觀察遠處的目標也會受到薄霧的影響。霧天能見度低，給戶外的監(jiān)測、監(jiān)控、自動導航、目標跟蹤等帶來很大的困難。這對于航空、高速公路和水運造成嚴重影響。有薄霧的圖像會有一塊塊朦朧、色調淡、無陰影的影像，圖像里面的景物看的不是很清晰；有濃霧的圖像模糊，圖像里面的景物幾乎看不清楚，有白茫茫的東西附著在景物表面。

圖像紋理是圖像區(qū)域內各像點空間結構關系的一種重要特征。應用紋理可對圖像中的基于空間的信息進行一定程度的描述。紋理反映的是圖像像素間的灰度重復或者變化，以及顏色在空間上的重復或者變化。由于霧在圖像中表現(xiàn)為相對平滑的區(qū)域，灰度值差異性較小，從灰度角度提取霧的特征將會不明顯，導致圖像質量下降。雖然受到霧的影響，但是由于背景與霧的差異，整幅圖像中梯度變化相對明顯。梯度表達了圖像——————————灰度的最大變化率，圖像各點梯度的大小則表達了該點處等灰度線的密集程度，所以文中從梯度紋理特征角度對圖像中霧的有無進行研究。

1.2 灰度-梯度共生矩陣

灰度-梯度共生矩陣[2]（Gray Gradient Co-occurrence Matrix）模型集中反映了圖像中兩種最基本的信息，即像素的灰度和梯度（或邊緣）的相互關系。各像素的灰度是構成一幅圖像的基礎，而梯度則是構成圖像邊緣輪廓的要素?；叶?梯度空間可以很清晰地表現(xiàn)圖像內像素灰度與梯度的分布規(guī)律，同時也體現(xiàn)了各像素與其鄰域像素的空間關系，對圖像的紋理能很好地描繪。

1.2.1 灰度-梯度共生矩陣原理 灰度-梯度共生矩陣紋理分析方法是利用圖像的灰度和梯度的綜合信息提取紋理特征。灰度-梯度共生矩陣的元素P（i，j）定義為在歸一的灰度圖像F（i，j）及其歸一的梯度圖像G（i，j）中具有灰度值 x 和梯度值 y 的像素數(shù)，即在集合{（i，j）｜F（i，j）=x∩G（i，j）=y，i，j=0，1，…，N-1}中元素的個數(shù)。 其中，F(xiàn)（i，j）∈[0，L-1]，G（i，j）∈[0，Lg-1]。

對灰度-梯度共生矩陣進行歸一化處理，使其各元素之和為1。如下式

該灰度-梯度共生矩陣的原點在左上角，向右梯度值增加，向下灰度值增加。對于粗紋理的圖像在灰度軸附近集中分布，僅少量邊界點遠離灰度軸分布。對于細紋理圖像，離開灰度軸而沿梯度軸散開分布。

1.2.2 基于梯度紋理特征的霧圖像判別 基于上述灰度-梯度共生矩陣可以定義諸如大梯度優(yōu)勢、慣性矩、梯度均方差、梯度平均等13個紋理特征參數(shù)[4-10]。

（1）大梯度優(yōu)勢

（2）梯度分布不均勻性

（3）梯度平均

（4）梯度均方差

因梯度表達了圖像灰度的最大變化率，圖像各點梯度的大小則表達了該點處等灰度線的密集程度，所以大梯度優(yōu)勢和小梯度優(yōu)勢可從一定程度上反映圖像的灰度變化劇烈程度。角二階矩和熵（灰度熵、梯度熵、混合熵）反映的是紋理均勻度，且是線性不變的，均反映的是灰度對的重復率，但角二階矩的值范圍更小，所以角二階矩和熵相比，熵更有優(yōu)勢。其角二階矩值測量的是紋理的均勻性。若紋理均勻，則角二階矩值偏大，紋理不均勻的角二階矩值偏小[11]。

灰度共生矩陣主對角線上的值是用來衡量紋理的平滑度?；叶葘Φ闹翟浇咏鲗蔷€值，紋理就越平滑。特征值慣性矩（也稱對比度）反映的是灰度對的值與主對角線值之間的關系，因此，它可以表現(xiàn)紋理的平滑度。其中慣性矩值測量的是紋理變化的大小，變化越大，值越大；變化越小，值越小[11]。

從類別來看，反映紋理平滑度的特征值比反映紋理均勻度的特征值有更好的紋理分類效果。從單一特征值來看，角二階矩和慣性矩對紋理辨別最有效[4]。

梯度平均：指圖像的邊界或影線兩側附近灰度有明顯差異，即灰度變化率大，這種變化率的大小可用來表示圖像清晰度。它反映了圖像微小細節(jié)反差變化的速率，即圖像多維方向上密度變化的速率，表征圖像的相對清晰程度。

由于霧圖像受霧的影響，導致其背景與霧的差異，整幅圖像中梯度變化相對明顯。梯度表達了圖像灰度的最大變化率，圖像各點梯度的大小則表達了該點處等灰度線的密集程度，所以文中從梯度紋理特征角度研究圖像中是否存在霧。梯度表達了圖像灰度的最大變化率，圖像各點梯度的大小則表達了該點處等灰度線的密集程度，所以在霧圖像中梯度比灰度變化更顯著，可以區(qū)分出圖像中是否有霧。因此，基于梯度紋理特征的霧圖像判別新方法兼容了大梯度優(yōu)勢和梯度均方差兩個紋理特征的特性，即

圖像中是否有霧判別方法：同一張圖像中無霧圖像的梯度霧度值是有霧圖像梯度霧度值的2倍及以上。

2 仿真實驗及結果

2.1 仿真實驗

在對有霧圖像和無霧圖像采樣中，一共采集了100組圖像，每組包含兩張圖像，分別為同一物體在有霧和無霧狀態(tài)下的圖像。仿真實驗中，對大梯度優(yōu)勢、梯度均方差、熵、慣性矩等13個紋理特征，使用MATLAB獲得100組圖像的紋理特征向量，并通過對比實驗驗證基于梯度紋理特征的霧圖像判別新方法。

圖1-圖3為實際采集的樣本圖像，表1為3幅霧圖的紋理特征向量。由表2知當判定條件為大梯度優(yōu)勢+梯度均方差時霧圖像識別率最高，識別率為74%。

圖1 鐵塔

圖2 保叔塔

圖3 天津塔

表1 圖像的特征向量

表2 不同判別方法下的圖像識別

3 結語

文中針對圖像中霧的有無判定進行了研究，采用基于灰度梯度共生矩陣方法提取圖像的紋理特征，提出一個基于梯度紋理特征的霧圖像判別新方法，即大梯度優(yōu)勢和梯度均方差相結合。通過仿真實驗驗證該方法具有比較高的識別率。

[1]吳迪，朱青松.圖像去霧的最新研究進展[J].自動化學報，2015，41（2）：221-231.

[2]陳偉，范新南，李敏，等.單幅圖像去霧算法[J].計算機與現(xiàn)代化，2015（5）：40-47.

[3]胡眾義，劉清，郭建明，等.一種基于SVM 分類的霧圖自動檢測方法[J].計算機仿真，2015，32（2）：342-346.

[4]王龍.圖像紋理特征提取及分類研究[D].青島：中國海洋大學，2014.

[5]馮兵，李芝棠，花廣路.基于灰度-梯度共生矩陣的圖像型垃圾郵件識別方法[J].通信學報，2013（s2）：1-4.

[6]王秋燕，陳仁喜，顧芒.基于灰度共生矩陣的遙感影像紋理特征提取[D].南京：河海大學，2011.

[7]OU X，PAN W，XIAO P.In vivo skin capacitive imaging analysis by using grey level co-occurrence matrix[J].Computer Engineering Applications，2014，460（1/2）：28－32.

[8]NANNI L，BRAHNAM S，GHIDONI S，et al.A comparison of methods for extracting information from the co-occurrence matrix for subcellular classification[J].Expert Systems with Applications，2013，40（18）：7457-7467.

[9]洪繼光.灰度-梯度共生矩陣紋理分析方法[J].自動化學報，1984，10（1）：22-25.

[10]謝菲.圖像紋理特征的提取和圖像分類系統(tǒng)研究及實現(xiàn)[D].成都：電子科技大學，2009.

[11]郭軍，周暉，朱長仁，等.基于梯度方向二進制模式的空間金字塔模型方法[J].國防科技大學學報，2014（2）：129-133.

責任編輯：艾淑艷

Method for fog identification based on gradient texture descriptors

JIANG Taiping，WEI Zongbin， PAN Xiang，TAI Weipeng
（School of Computer Scienceamp;Technology，Anhui University of Technology，Ma’anshan 243032，China）

Fog has an impact on the research and analysis of the image.Image dehazing is an important issue in the field of image processing and computer vision,but few studies concern about the fog identification in the image.Based on the gray gradient co-occurrence matrix method,this paper proposed a new method for identifying the fog image,which was compatible with the characteristics of high gradient and gradient variance texture features.With this method,the fog in the image can be effectively identified.Simulation results show that the new gradient texture descriptors presented in this paper take high recognition rate for identifying the fog in the image.

gray-gradient co-occurrence matrix；texture feature；large gradient advantage；gradient mean square variance

TP391.4

A

2096－3289（2017）04－0081－04

2015－07－03

國家自然科學基金資助項目（61074161）

姜太平（1974－），男，江蘇南京人，副教授，博士，研究方向：圖像處理和立體顯示。