一种基于灰度共生矩阵的面部图像特征提取方法与流程

本发明涉及一种基于灰度共生矩阵的面部图像特征提取方法，属于图像处理技术领域。

背景技术：

纹理特征是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理作为物体表面的一种基本属性广泛存在自然界中，是描述和识别物体的一种极为重要的特征。图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律，图像可以看成是不同纹理区域的组合，纹理是对局部区域像素之间关系的一种度量。纹理特征可用于定量描述图像中的信息。纹理分析技术一直是计算机视觉、图像处理、图像分析、图像检索等的活跃研究领域。

灰度直方图的矩方法比较简单，也是较早提出的一种描述纹理的方法，但其描述的纹理特征过于单一，因此现在应用较少。1976年,weszka等人比较了灰度共生矩阵法、灰度差分统计法和灰度行程统计法,认为灰度共生矩阵法性能最优；1998年,carr和miranda比较了半方差图方法和灰度共生矩阵方法用于遥感图像分类,得出灰度共生矩阵方法对于光学图像分类效果较好。可见灰度共生矩阵方法在统计方法中占主导地位，应用比较广泛。边缘频率法和空间自相关函数法由于其自身的局限性，一般只用在某些特定领域。gabor滤波器变换窗口的大小固定,很难获得纹理在频率和方向上微小的变化信息,难以满足实际应用的需求。另外,由于纹理特征提取时通常借助由多个gabor滤波器组成的滤波器组,加上需要很多参数的确定,并且gabor滤波在实现上还没有行之有效的快速算法,所以它们都需要大量的计算。

技术实现要素：

针对现有技术的不足，本发明提供了一种基于灰度共生矩阵的面部图像特征提取方法；

通过matlab仿真实验对人脸纹理的图像进行特征提取，使其更容易识别面部特征，从而获得比原始图像更好的视觉效果，其在分类精度提高方面有效性显著。

术语解释：

1、灰度共生矩阵，glcm，是指一种通过研究灰度的空间相关特性来描述纹理的常用方法。1973年由haralick等人提出了用灰度共生矩阵来描述纹理特征。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。其具体涉及到某些函数中的不同参数，比如灰度共生矩阵的窗口大小，步长和方向等等。

2、对比度，是指像素和相对位置为δ的像素间的相对密度对比度；

3、同质性，比较的是glcm对角线上值的分布和离对角线较远的值.glcm的对角线代表几乎都是相邻像素出现的频率,这是关键的空间相似度矩,描述了一幅图像中两个相邻像素是否相近。

4、相关性，是指整幅图像中某像素与相对它δ方向和间距的像素间的相关指数；

5、能量，是一个标准矩,等于glcm矩的平方，返回glcm中元素的平方和，取值范围为[01]。

本发明的技术方案为：

一种基于灰度共生矩阵的面部图像特征提取方法，面部图像特征包括对比度、同质性、相关性及能量，包括步骤如下：

(1)使用相机或其他设备获取面部图像；所用到的图片可以从公开的cacd等数据库下载。

(2)对面部图像进行预处理操作，即将面部图像转换为灰度图像；

(3)处理灰度图像，获取面部图像的纹理特征，包括对比度、同质性、相关性及能量。

根据本发明优选的，所述步骤(3)，包括：

a、掩膜处理，获取感兴趣区域：

例如，采用5*5的滑动窗口遍历250*250的像素点的面部图像，在最外围的像素点不能够做成5*5的滑动窗口，掩膜的作用是把不能做窗口遍历的图片去除，感兴趣区域即是剩下的区域。

掩膜处理是指用选定的图像、图形或物体，对待处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。用于覆盖的选定的图像、图形或物体称为掩模或模板。光学图像处理中,掩模可以足胶片、滤光片等。数字图像处理中，掩模为二维矩阵数组，有时也用多值图像。

掩膜在程序中的作用为提取感兴趣区域，用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0。

掩膜滤掉了部分信息，只选取了掩膜“感兴趣”的区域，然后将需要的区域突显出来，利用这个特点，在灰度共生矩阵处理特征的基础上添加了适应于面部特征的数据集的掩膜，也就使得所要识别的五官区域和人脸其他区域对比更明显。

b、选择以下参数，包括：尺寸为n×n的滑动窗口，n＝5；步距d，d＝1；步距d用来实现中心像素直接与其相邻像素点做比较运算；灰度共生矩阵的方向包括0°、45°、90°、135°四个方向；

c、在感兴趣区域内一个滑动窗口内计算灰度共生矩阵和纹理特征值；包括：

①分别采用如下方法，求取在a＝1，b＝0时，即0°方向，像素对是水平的，即0°扫描；a＝0，b＝1时，即45°方向，像素对是垂直的，即90°扫描；当a＝1，b＝1时，即90°方向，像素对是右对角线的，即45°扫描；a＝-1，b＝1时，即135°方向这四种情况下对应的灰度共生矩阵g1、g2、g3、g4：像素对是左对角线，即135°扫描。

取滑动窗口中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)，令点(x，y)在整个滑动窗口上移动，则得到若干个点对的灰度值(g1，g2)，设灰度值的级数为k，则点对的灰度值(g1，g2)的组合共有k²种；对于整个滑动窗口，统计出每一个点对的灰度值(g1，g2)出现的次数，排列成一个方阵，再用点对的灰度值(g1，g2)出现的总次数将其归一化为出现的概率p(g1，g2)，即得到灰度共生矩阵；

假设：d＝1，方向矩阵为a，求0°方向矩阵a的共生矩阵：则按照0°方向(即水平方向从左向右，从右向左两个方向)，统计矩阵值(a,b)，满足水平方向从左向右，从右向左两个方向且矩阵值为(a,b)的个数。

距离差分值(a，b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)、(1，1)、(2，0)等小的差分值。

②求出四个方向矩阵的特征值后，可以通过计算四个特征值作为最终特征值共生矩阵。计算的每个特征都是基于像素点的，每个像素点的特征是用它所在的滑动窗口里的那些像素点的灰度值计算出来的，都是为每个像素点去计算特征。

求取每个灰度共生矩阵包括g1、g2、g3、g4下分别对应的对比度、同质性、相关性及能量，每个灰度共生矩阵对应了四个纹理特征值，总共求取了16个纹理特征值；

d、滑动窗口移动1个像素点，形成新的滑动窗口图像，在新的滑动窗口图像上重复进行步骤c的计算，生成该滑动窗口图像的灰度共生矩阵和纹理特征值，直至遍历完整个感兴趣区域；

e、步骤d执行完毕后形成一个由纹理特征值构成的一个纹理特征值矩阵，将该纹理特征值矩阵转换成纹理特征图像。

计算的每个特征都是基于像素点的，每个像素点的特征是用它所在的滑动窗口里的那些像素点的灰度值计算出来的，都是为每个像素点去计算特征。

根据本发明优选的，对于n*m的图像i，设定偏移量为(δa,δb)时，其对应的灰度共生矩阵c(i,j)的求取公式如式(ⅰ)所示：灰度共生矩阵(glcm)是由一副图像给定某个偏移量后得到的不同灰度对的数目；

式(ⅰ)，p,q是增量，p:1-n,q:1-m，i,j为灰度分别为i和j的两个像素；

灰度共生矩阵的参数选择如下：对于8位灰度级的图像，像素的灰度取值范围为0-255，灰度共生矩阵的偏移参数δx和δy均被设为0或1；本发明采用的方法只考虑间距为1的像素。选择0°,45°,90°和135°四个角度分别通过公式(ⅰ)得到四个灰度共生矩阵g1,g2,g3,g4。原则上方向可以为0°到360°间任意值,但通常取0°,45°,90°和135°四个方向就可以有代表性地表达纹理了。

根据本发明优选的，对比度contrast的求取公式如式(ⅱ)所示：

contrast＝∑i,j|i-j|²pδ(i,j)(ⅱ)

式(ⅱ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

像素的空间位置关系是指：对于较细的纹理分析可以取像素间距为1，δ＝(±1,0)是水平扫描；，δ＝(0，±1)是垂直扫描；δ＝(1，-1)，δ＝(-1，1)是45度扫描；δ＝(1，1)，δ＝(-1，-1)是135度扫描。一旦位置空间确定，就可以生成灰度共生矩阵。

对比度的范围是[0,q2]，q2表示灰度共生矩阵的长度。对于一个只有非零元素的glcm,对比度图像的值为0。

根据本发明优选的，同质性homogeneity的求取公式如式(ⅲ)所示：

式(ⅲ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

同质性的取值范围是[0,1]，1表示对角线矩，即给定方向和间距的值相等的像素对；因为同质性使用的权值与到glcm对角线的距离相关,它和对比度会有些相似。

根据本发明优选的，相关性是指整幅图像中某像素与相对它δ方向和间距的像素间的相关指数，相关性correlation的求取公式如式(iv)所示：

式(iv)中，

i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

相关性是一个描述性统计,取值范围是[-1,1]。

根据本发明优选的，能量是一个标准矩，能量energy的求取公式如式(ⅴ)所示：

energy＝∑i,jpδ(i,j)²(ⅴ)

式(ⅴ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

能量的取值范围是[0,1],其中1表示的是一个不变的图像。能量描述的是图像的有序性。

根据本发明优选的，所述步骤(1)，从数据库cacd下载获取面部图像。

cacd收集了2000个名人的163,446张图片，年龄跨度为16到62。

本发明的有益效果为：

本发明采用灰度共生矩阵方法，通过matlab仿真实验对人脸纹理的图像进行特征提取，使其更容易识别面部特征，从而获得比原始图像更好的视觉效果，其在分类精度提高方面效果显著。可以通过这些图看到以上纹理特征可以将面部的不同区域区别出来。从图2(c)中可以清楚的看到人脸的轮廓、眼部、嘴部等五官区域被识别出来。

附图说明

图1为获取的灰度图像示意图；

图2(a)为对比度矩形图；

图2(b)为对比度折线图；

图2(c)为对比度均值图；

图3(a)为同质性特征矩形图；

图3(b)为同质性特征折线图；

图3(c)为同质性图；

图4(a)为相关性矩形图；

图4(b)为相关性折线图；

图4(c)为相关性图；

图5(a)为能量矩形图；

图5(b)为能量折线图；

图5(c)为能量图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种基于灰度共生矩阵的面部图像特征提取方法，面部图像特征包括对比度、同质性、相关性及能量，包括步骤如下：

(1)使用相机或其他设备获取面部图像；所用到的图片可以从公开的cacd等数据库下载。

(2)对面部图像进行预处理操作，即将面部图像转换为灰度图像；获取的灰度图像如图1所示。

(3)处理灰度图像，获取面部图像的纹理特征，包括对比度、同质性、相关性及能量。

实施例2

根据实施例1所述的一种基于灰度共生矩阵的面部图像特征提取方法，其区别在于：

步骤(3)，处理灰度图像，获取面部图像的纹理特征，包括对比度、同质性、相关性及能量，包括：

a、掩膜处理，获取感兴趣区域：

例如，采用5*5的滑动窗口遍历250*250的像素点的面部图像，在最外围的像素点不能够做成5*5的滑动窗口，掩膜的作用是把不能做窗口遍历的图片去除，感兴趣区域即是剩下的区域。

掩膜处理是指用选定的图像、图形或物体，对待处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。用于覆盖的选定的图像、图形或物体称为掩模或模板。光学图像处理中,掩模可以足胶片、滤光片等。数字图像处理中，掩模为二维矩阵数组，有时也用多值图像。

掩膜在程序中的作用为提取感兴趣区域，用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0。

掩膜滤掉了部分信息，只选取了掩膜“感兴趣”的区域，然后将需要的区域突显出来，利用这个特点，在灰度共生矩阵处理特征的基础上添加了适应于面部特征的数据集的掩膜，也就使得所要识别的五官区域和人脸其他区域对比更明显。

b、选择以下参数，包括：尺寸为n×n的滑动窗口，n＝5；步距d，d＝1；步距d用来实现中心像素直接与其相邻像素点做比较运算；灰度共生矩阵的方向包括0°、45°、90°、135°四个方向；

c、在感兴趣区域内一个滑动窗口内计算灰度共生矩阵和纹理特征值；包括：

①分别采用如下方法，求取在a＝1，b＝0时，即0°方向，像素对是水平的，即0°扫描；a＝0，b＝1时，即45°方向，像素对是垂直的，即90°扫描；当a＝1，b＝1时，即90°方向，像素对是右对角线的，即45°扫描；a＝-1，b＝1时，即135°方向这四种情况下对应的灰度共生矩阵g1、g2、g3、g4：像素对是左对角线，即135°扫描。

取滑动窗口中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)，令点(x，y)在整个滑动窗口上移动，则得到若干个点对的灰度值(g1，g2)，设灰度值的级数为k，则点对的灰度值(g1，g2)的组合共有k²种；对于整个滑动窗口，统计出每一个点对的灰度值(g1，g2)出现的次数，排列成一个方阵，再用点对的灰度值(g1，g2)出现的总次数将其归一化为出现的概率p(g1，g2)，即得到灰度共生矩阵；

假设：d＝1，方向矩阵为a，求0°方向矩阵a的共生矩阵：则按照0°方向(即水平方向从左向右，从右向左两个方向)，统计矩阵值(a,b)，满足水平方向从左向右，从右向左两个方向且矩阵值为(a,b)的个数。

距离差分值(a，b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)、(1，1)、(2，0)等小的差分值。

②求出四个方向矩阵的特征值后，可以通过计算四个特征值作为最终特征值共生矩阵。计算的每个特征都是基于像素点的，每个像素点的特征是用它所在的滑动窗口里的那些像素点的灰度值计算出来的，都是为每个像素点去计算特征。

求取每个灰度共生矩阵包括g1、g2、g3、g4下分别对应的对比度、同质性、相关性及能量，每个灰度共生矩阵对应了四个纹理特征值，总共求取了16个纹理特征值；

d、滑动窗口移动1个像素点，形成新的滑动窗口图像，在新的滑动窗口图像上重复进行步骤c的计算，生成该滑动窗口图像的灰度共生矩阵和纹理特征值，直至遍历完整个感兴趣区域；

e、步骤d执行完毕后形成一个由纹理特征值构成的一个纹理特征值矩阵，将该纹理特征值矩阵转换成纹理特征图像。

计算的每个特征都是基于像素点的，每个像素点的特征是用它所在的滑动窗口里的那些像素点的灰度值计算出来的，都是为每个像素点去计算特征。

对于n*m的图像i，设定偏移量为(δa,δb)时，其对应的灰度共生矩阵c(i,j)的求取公式如式(ⅰ)所示：灰度共生矩阵(glcm)是由一副图像给定某个偏移量后得到的不同灰度对的数目；

式(ⅰ)，p,q是增量，p:1-n,q:1-m，i,j为灰度分别为i和j的两个像素；

灰度共生矩阵的参数选择如下：对于8位灰度级的图像，像素的灰度取值范围为0-255，灰度共生矩阵的偏移参数δx和δy均被设为0或1；本发明采用的方法只考虑间距为1的像素。选择0°,45°,90°和135°四个角度分别通过公式(ⅰ)得到四个灰度共生矩阵g1,g2,g3,g4。原则上方向可以为0°到360°间任意值,但通常取0°,45°,90°和135°四个方向就可以有代表性地表达纹理了。

对比度contrast的求取公式如式(ⅱ)所示：

contrast＝∑i,j|i-j|²pδ(i,j)(ⅱ)

式(ⅱ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

对比度矩形图如图2(a)所示，图2(a)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；对比度折线图如图2(b)所示，图2(b)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；对比度均值图如图2(c)所示。可以通过这些图看到以上纹理特征可以将面部的不同区域区别出来。从图2(c)中可以清楚的看到人脸的轮廓、眼部、嘴部等五官区域被识别出来。

像素的空间位置关系是指：对于较细的纹理分析可以取像素间距为1，δ＝(±1,0)是水平扫描；，δ＝(0，±1)是垂直扫描；δ＝(1，-1)，δ＝(-1，1)是45度扫描；δ＝(1，1)，δ＝(-1，-1)是135度扫描。一旦位置空间确定，就可以生成灰度共生矩阵。

对比度的范围是[0,q2]，q2表示灰度共生矩阵的长度。对于一个只有非零元素的glcm,对比度图像的值为0。

同质性homogeneity的求取公式如式(ⅲ)所示：

式(ⅲ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

同质性的取值范围是[0,1]，1表示对角线矩，即给定方向和间距的值相等的像素对；因为同质性使用的权值与到glcm对角线的距离相关,它和对比度会有些相似。

同质性矩形图如图3(a)所示，图3(a)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；同质性折线图如图3(b)所示，图3(b)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；同质性图如图3(c)所示。

相关性是指整幅图像中某像素与相对它δ方向和间距的像素间的相关指数，相关性correlation的求取公式如式(iv)所示：

式(iv)中，

i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

相关性是一个描述性统计,取值范围是[-1,1]。

相关性矩形图如图4(a)所示，图4(a)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；相关性折线图如图4(b)所示，图4(b)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；相关性图如图4(c)所示。

能量是一个标准矩，能量energy的求取公式如式(ⅴ)所示：

energy＝∑i,jpδ(i,j)²(ⅴ)

式(ⅴ)中，i,j为灰度分别为i和j的两个像素；pδ(i,j)是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率。

能量的取值范围是[0,1],其中1表示的是一个不变的图像。能量描述的是图像的有序性。

能量矩形图如图5(a)所示，图5(a)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；能量折线图如图5(b)所示，图5(b)中，横坐标为对比度特征值区间份数，纵坐标是对比度特征值在此区间数量；能量图如图5(c)所示。