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域，并提取出感興趣目標的技術和過程。它是數字圖像處理中的關鍵技術之一，是進一步進行圖像識別、分析和理解的基礎。目前圖像分割方面現有的算法非常多，將它們進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；(3)區域提取。但還沒有一種方法能普遍適用于各種圖像。因此，對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之一。隨著科技的發展進步，圖像處理在軍事中的運用也越來越廣泛，這主要集中在迷彩設計這方面。而現在軍事上的偽裝迷彩是現代高技術戰爭中隱藏武器裝備、保存自我的重要手段，也是消滅敵人的需要。因此對于迷彩的設計研究也一直都是各國的熱門話題。文中主要以某山地航拍圖為研究對像，對其進行背景分析然后再實現圖像分割，為后期迷彩設計做準備。由于該山地背景紋理特征明顯，故利用紋理分析對其進行背景分析，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該圖像進行分割研究。

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在空間上的分布特性，是紋理分析領域中最經常采用的特征之一。灰度共生矩陣是圖像灰度變化的二階統計度量，也是描述紋理結構性質特征的基本函數，它統計了兩個像素點位置的聯合概率分布。設S為目標區域R中具有特定空間聯系的像素對的集合，則共生矩陣P可定義為

式(1)等號右邊的分子是具有某種空間關系、灰度值分別為i，j的像素對的個數，分母為像素對的總和個數(#代表數量)，這樣得到的P是歸一化的。
對于一幅圖像Gf(i，j)，大小N×N，包含像素(動態范圍為G)的灰度級為{0，1，…，G-1}，它的灰度共生矩陣是一個二維矩陣C(i，J)，每個矩陣元素表示在某一距離d和角度θ強度i和j聯合出現的概率。因此，根據不同的d和θ值，這里可能存在多個共生矩陣。但在實際應用中，往往適當的選取d，而θ一般取O°，45°，90°，135，如圖1所示。

2 實驗設計及分析
2．1 灰度共生矩陣的常用參量
實際應用中，作為圖像紋理分析的特征量是由灰度共生矩陣計算出的一些參量。Haralick曾提出14種由灰度共生矩陣計算出的參量。但在本實驗中主要用到的參量有以下4種：
(1)角二階矩(Angular Second Moment，簡記為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度。如果共生矩陣的所有值均相等，則ASM值小；相反，如果其中一些值大而其它值小，則ASM值大。當共生矩陣中元素集中分布時，ASM值大。ASM值大表明一種較均一和規則變化的紋理模式；
(2)對比度(Contrast，簡記為CON)。

對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，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊。灰度差即對比度大的像素對越多，這個值越大。灰度公生矩陣中遠離對角線的元素值越大，CON越大；