周華平， 張曉宇， 姚尚軍， 丁金虎

(1.安徽理工大學(xué)計算機科學(xué)與工程學(xué)院，安徽 淮南 232001；2.淮北礦業(yè)集團，安徽 淮北 235000)

0 引 言

人工智能以及大數(shù)據(jù)時代的來臨，使得網(wǎng)絡(luò)上的圖片數(shù)量和類型處于爆炸式的增長。與此同時，對于圖片的處理技術(shù)也是在不斷地更新與優(yōu)化，來滿足圖片處理的需求。圖片的處理在生活中占據(jù)著不可或缺的一面，比如說醫(yī)學(xué)上的CT掃描，呈現(xiàn)的圖片可以用來檢測腫塊的大小及其分布或者其他病狀的具體信息。

目前有許多的算法對圖片進行著各個方面的檢測以及使用。在早期也是存在很多的問題，比如光照，遮擋物，相片像素等因素,隨著計算機技術(shù)的成熟以及硬件等多方面的支撐，解決了不少的難題，圖片識別的精度也隨之不斷上升，但是現(xiàn)如今在對圖片進行識別或者邊緣輪廓的提取等方面也依然還有提升的空間。

Yuan[1]提出對于提高圖片中文字的檢索效率，提出使用基于角點的筆畫轉(zhuǎn)化算法，分布投影等算法，來增強圖片的抗噪性。Yao[2]則提出將改進的HOG與LBP算法相結(jié)合，確實提升了對人臉識別的精度，驗證了算法與算法之間的結(jié)合確實可以提高某一研究方向的實驗水準(zhǔn)。Pang[3]提出將模糊數(shù)學(xué)加入到傳統(tǒng)的LBP算法中，以隸屬度來判定局部二值編碼，可以在很大程度上改善局部結(jié)構(gòu)特征無法區(qū)分的問題。

基于上述論文的理論研究與支撐，提出將Gabor小波與FLBP算法結(jié)合，Gabor小波是一個用于邊緣提取的線性濾波器，可以很好地提供方向選擇和尺度選擇特性，對光照變化的銘感度較低。LBP作為紋理描述的一種特征提取的方法，能夠有效體現(xiàn)圖片的局部特征，F(xiàn)LBP是為了解決LBP在局部細(xì)節(jié)的區(qū)分能力上偏弱的問題，將模糊數(shù)學(xué)理論加入LBP中，用來強化局部信息的特征表現(xiàn)的一種方法。將模糊LBP融入到Gabor小波則會具有如下的優(yōu)點：

(1)可以對圖片進行減噪，降低外界因素對實驗數(shù)據(jù)產(chǎn)生的誤差；

(2)可以改善圖片結(jié)構(gòu)無法區(qū)分的問題；

(3)算法與算法之間的結(jié)合具有不錯的容錯性，可以在一定程度上提高實驗結(jié)果準(zhǔn)確率。

結(jié)合上述優(yōu)點，本文提出了一種可以對圖片進行減噪且可以改善局部結(jié)構(gòu)特征的融合FLBP和Gabor小波的圖像輪廓提取算法。

1 Gabor小波

Gabor小波對目標(biāo)圖片的邊緣比較敏感，因為Gabor小波其實和人類的視覺細(xì)胞對外界的刺激做出應(yīng)激反應(yīng)十分相似，而且Gabor小波同時也具有較好的方向選擇和尺度選擇性，而且Gabor小波對于光照的敏感度較低，因此可以說對光照有很好的適應(yīng)性，可以容忍圖片一定程度上由于旋轉(zhuǎn)和變形而造成的誤差，故將Gabor小波與模糊LBP算法結(jié)合在一起，可以在一定程度上提高對圖片特征提取的魯棒性，提高圖片的邊緣提取率。Gabor變換具有很好的空間局部性和方向選擇性，可以提取出目標(biāo)區(qū)域中各個方向的空間頻率，以及這區(qū)域的局部特征。同時，二維的Gabor函數(shù)可以增強邊緣以及峰、谷、脊輪廓等底層圖像特征，所以可以被用來增強圖片關(guān)鍵部位的局部特征，提高邊緣輪廓的清晰度。

二維Gabor小波的函數(shù)表達式為：

Ψν，μ(Z)=

‖kv,μ‖2e-(‖kv,μ‖2‖z‖2)/2σ2(eikv,μz,-e-σ2/2)/σ2

(1)

其中，

kv,μ=(kvcosφμ,kvsinφμ)

(2)

2 模糊局部二值模式FLBP

傳統(tǒng)的LBP是指定義在3×3像素的窗口中，以窗口中心的像素的灰度值為閾值，然后周邊的像素依次與中心的像素進行比較，如果該像素的灰度值低于中心像素的灰度值，那么該位置的LBP二值編碼則被定義為0，反之，該像素的灰度值大于中心像素的灰度值該位置的LBP二值編碼則被定義為1。如此進行下去，該3×3的像素窗口會得到8個0或1的數(shù)字，將這8個數(shù)字按照順時針排序會得到一個8位的二進制數(shù)，這個二進制數(shù)就是該窗口的LBP值(一般轉(zhuǎn)化為10進制數(shù)),如圖1所示。

圖1 傳統(tǒng)LBP的結(jié)果

模糊數(shù)學(xué)又稱Fuzzy數(shù)學(xué)，是Zedeh在1965年提出來的，是研究和處理模糊性現(xiàn)象的一種數(shù)學(xué)理論和方法。模糊數(shù)學(xué)的含義為：U為元素的集合，u為集合里面的元素。模糊集A={(μ,μA(μ),φA(μ)|μ∈U)}，U代表隸屬度函數(shù)表征，如果μA(μ)：U→[0,1],U→μA(μ)并且φA(μ)=1-μA(μ)。其中μA(μ)表示μ的隸屬度，μA(μ)滿足0≤μA(μ)≤1，那么μA(μ)則屬于[0,1]。

為了增強傳統(tǒng)的LBP對圖片局部邊緣特征的鑒別程度，論文[2]將模糊數(shù)學(xué)放入到傳統(tǒng)的LBP算法中。模糊數(shù)學(xué)加入到LBP中對于轉(zhuǎn)換二值編碼時，起初是周邊的像素值與中心的像素值進行對比，現(xiàn)在則是結(jié)合模糊數(shù)學(xué)的隸屬度作為判定依據(jù)。 當(dāng)某一像素到隸屬度高于0.5的時候，局部二值編碼則確定為1，反之則確定為0。在這兩種理念結(jié)合的情況之下，很大程度改善局部特征結(jié)構(gòu)的無法區(qū)分的問題。結(jié)合模糊數(shù)學(xué)之下的FLBP公式可以寫成：

(3)

局部二值編碼S′可以定義為：

(4)

μA(u)*是結(jié)合模糊數(shù)學(xué)之后領(lǐng)域像素對中心像素的隸屬度。

μA(u)*=1-(Gi-Gc)/(Gmax-Gmin)

(5)

其中Gi表示的是中心像素的像素值，Gc表示的是某一位置的像素值，Gmax和Gmin則代表該區(qū)域內(nèi)像素最大值與最小值，如圖2所示。

3 融合模糊FLBP和Gabor小波的圖像識別

Gabor小波的原理與人類視覺系統(tǒng)中細(xì)胞對外界的刺激應(yīng)對十分相似，Gabor小波對某一圖片的邊緣十分敏感，在運用Gabor小波對圖片進行特征提取的時候可以提供很好的方向選擇和尺度選擇性，而且Gabor小波對光照的變化不敏感，所以它對光照也具有不錯的適應(yīng)性，結(jié)合這兩不錯的優(yōu)點Gabor小波經(jīng)常被廣泛使用在圖片識別中特征提取方向研究上。雖說Gabor小波的具有很好的優(yōu)點，但是在對其運用實際的境況之下并不代表可以做的較好，因此將模糊局部二值模式與Gabor小波進行結(jié)合，在運用Gabor小波算法的情況之下，對于特征提取的圖片再運用模糊局部二值法對其分析，得到更加清晰且連貫的圖片。融合模糊FLBP和Gabor小波結(jié)合的算法步驟如下：

(1)首先從圖片數(shù)據(jù)庫當(dāng)中取出定量的圖片，對這些圖片運用Gabor小波算法對其進行特征提取。這一步主要是將數(shù)據(jù)圖片中的因為角度或者光照等原因造成數(shù)據(jù)被污染的情況，經(jīng)過Gabor小波處理后的圖片在一定程度上更加清晰和完整。

(2)再將FLBP算法與經(jīng)過Gabor小波處理的圖片結(jié)合，該算法是通過相似度函數(shù)獲取標(biāo)準(zhǔn)的輪廓，當(dāng)該照片目標(biāo)輪廓存在不連續(xù)的情況，那么該目標(biāo)區(qū)域的相似度則低于0.5，由上文所知，則此處的FLBP值為0，反之則為1。后將該特征提取后的信息存放到矩陣當(dāng)中，可以用來判別邊緣的連續(xù)狀況。

圖2 改進的模糊LBP結(jié)果

(a)Crowman原圖像 (b)Canny算法 (c)自適應(yīng)閾值算法 (d)本文算法

(a)原圖像 (b)Canny算法 (c)自適應(yīng)閾值算法 (d) 本文算法

(a)原圖像 (b)Canny算法 (c)自適應(yīng)閾值算法 (d) 本文算法

(3)明確區(qū)域輪廓出現(xiàn)較大差異之后，選擇該處區(qū)域任意端點視為8領(lǐng)域中心像素，后將該處的中心點及其領(lǐng)域8個像素的灰度值轉(zhuǎn)化為二進制編碼，算出該中心點FLBP的數(shù)值。對比其他區(qū)域的FLBP的值，若FLBP值出現(xiàn)最明顯的差別的時候，那么這個端點則視為最新的標(biāo)記端點，連接上一端點完成輪廓的部分連接。

(4)將(2)(3)這幾步遍歷的過程實現(xiàn)在整幅圖片上，將這幅圖片輪廓完整的連接，直至遍歷的端點出現(xiàn)重復(fù)，則意味著整幅圖片的輪廓被提取出來。

4 實驗結(jié)果及其分析

圖像輪廓提取結(jié)果對比分析

實驗一，實驗數(shù)據(jù)使用的是Crowman圖像以及某一人臉圖像作為測試圖像。同時結(jié)合其它關(guān)于提取邊緣輪廓的論文方法及其結(jié)果進行相應(yīng)的對比，本文采用如下幾種檢測算法進行對比：Canny檢測、自適應(yīng)閾值、FLBP-Gabor小波檢測。上述3種方法均可將目標(biāo)圖像的輪廓提取出來，Canny檢測算法可以大致的將圖片提取出，但是局部容易出現(xiàn)模糊不清以及出現(xiàn)斷點等情況，無法詳細(xì)的將圖片的特征提取。自適應(yīng)閾值檢測算法對本來的標(biāo)準(zhǔn)算法進行了改進，確實優(yōu)于標(biāo)準(zhǔn)檢測算法，但是欠缺局部細(xì)節(jié)信息。

通過上述三種類型的圖片作為對比，本文算法的優(yōu)勢是比較明顯的。圖3可以看出在邊緣提取上效果確實更加清晰，但是細(xì)節(jié)處理有些欠缺。圖4是可以明顯的看出本文算法的優(yōu)勢，輪廓清晰，而且圖片顯示的是比較明顯的，同時圖片的內(nèi)部細(xì)節(jié)也是比Canny算法和自適應(yīng)閾值算法要多。

實驗二，本文算法主要集中在將圖片的邊緣提取進行細(xì)節(jié)化，使其輪廓的表征更為明顯，將其效果具體實現(xiàn)在某一領(lǐng)域，醫(yī)學(xué)更為適合。故在進行實驗時將實驗中的數(shù)據(jù)圖片拓展到醫(yī)學(xué)圖片，在有關(guān)醫(yī)學(xué)的數(shù)據(jù)庫選取CT圖片，對其進行算法檢測。

圖5采用的是MIAS數(shù)據(jù)庫的醫(yī)學(xué)圖片，可以看到Canny算法可能在對于該種類型的圖片處理效果并不佳，自適應(yīng)閾值算法可以將輪廓提取出，但是細(xì)節(jié)卻無法看出，該幅圖片在經(jīng)過本文算法之后的圖片將最為關(guān)鍵部分的輪廓提取出來，其他兩種算法，均無法像本文算法較為精準(zhǔn)的提取輪廓。

5 結(jié) 語

針對圖像邊緣提取算法對于局部區(qū)域特征提取效果不佳不清晰的現(xiàn)狀，本文提出一種模糊局部二值模式與Gabor融合的邊緣檢測算法,Gabor小波由于自身較好的方向選擇和尺度選擇性和對光照有很好的適應(yīng)性，利用該方法對圖像進行第一次處理，用來降低圖像中由于光照變化和噪聲對圖像產(chǎn)生的影響，再用模糊局部二值算法將處理過的特征圖片進行第二次處理得到相應(yīng)的輪廓提取特征圖。

本文從網(wǎng)上采集多組數(shù)據(jù)，同時也收集多個不同算法對圖片邊緣采集的效果，結(jié)果驗證本文算法確實增強了對圖片的輪廓和邊緣的提取能力。