周华平， 张晓宇， 姚尚军， 丁金虎

(1.安徽理工大学计算机科学与工程学院，安徽 淮南 232001；2.淮北矿业集团，安徽 淮北 235000)

0 引 言

人工智能以及大数据时代的来临，使得网络上的图片数量和类型处于爆炸式的增长。与此同时，对于图片的处理技术也是在不断地更新与优化，来满足图片处理的需求。图片的处理在生活中占据着不可或缺的一面，比如说医学上的CT扫描，呈现的图片可以用来检测肿块的大小及其分布或者其他病状的具体信息。

目前有许多的算法对图片进行着各个方面的检测以及使用。在早期也是存在很多的问题，比如光照，遮挡物，相片像素等因素,随着计算机技术的成熟以及硬件等多方面的支撑，解决了不少的难题，图片识别的精度也随之不断上升，但是现如今在对图片进行识别或者边缘轮廓的提取等方面也依然还有提升的空间。

Yuan[1]提出对于提高图片中文字的检索效率，提出使用基于角点的笔画转化算法，分布投影等算法，来增强图片的抗噪性。Yao[2]则提出将改进的HOG与LBP算法相结合，确实提升了对人脸识别的精度，验证了算法与算法之间的结合确实可以提高某一研究方向的实验水准。Pang[3]提出将模糊数学加入到传统的LBP算法中，以隶属度来判定局部二值编码，可以在很大程度上改善局部结构特征无法区分的问题。

基于上述论文的理论研究与支撑，提出将Gabor小波与FLBP算法结合，Gabor小波是一个用于边缘提取的线性滤波器，可以很好地提供方向选择和尺度选择特性，对光照变化的铭感度较低。LBP作为纹理描述的一种特征提取的方法，能够有效体现图片的局部特征，FLBP是为了解决LBP在局部细节的区分能力上偏弱的问题，将模糊数学理论加入LBP中，用来强化局部信息的特征表现的一种方法。将模糊LBP融入到Gabor小波则会具有如下的优点：

(1)可以对图片进行减噪，降低外界因素对实验数据产生的误差；

(2)可以改善图片结构无法区分的问题；

(3)算法与算法之间的结合具有不错的容错性，可以在一定程度上提高实验结果准确率。

结合上述优点，本文提出了一种可以对图片进行减噪且可以改善局部结构特征的融合FLBP和Gabor小波的图像轮廓提取算法。

1 Gabor小波

Gabor小波对目标图片的边缘比较敏感，因为Gabor小波其实和人类的视觉细胞对外界的刺激做出应激反应十分相似，而且Gabor小波同时也具有较好的方向选择和尺度选择性，而且Gabor小波对于光照的敏感度较低，因此可以说对光照有很好的适应性，可以容忍图片一定程度上由于旋转和变形而造成的误差，故将Gabor小波与模糊LBP算法结合在一起，可以在一定程度上提高对图片特征提取的鲁棒性，提高图片的边缘提取率。Gabor变换具有很好的空间局部性和方向选择性，可以提取出目标区域中各个方向的空间频率，以及这区域的局部特征。同时，二维的Gabor函数可以增强边缘以及峰、谷、脊轮廓等底层图像特征，所以可以被用来增强图片关键部位的局部特征，提高边缘轮廓的清晰度。

二维Gabor小波的函数表达式为：

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

传统的LBP是指定义在3×3像素的窗口中，以窗口中心的像素的灰度值为阈值，然后周边的像素依次与中心的像素进行比较，如果该像素的灰度值低于中心像素的灰度值，那么该位置的LBP二值编码则被定义为0，反之，该像素的灰度值大于中心像素的灰度值该位置的LBP二值编码则被定义为1。如此进行下去，该3×3的像素窗口会得到8个0或1的数字，将这8个数字按照顺时针排序会得到一个8位的二进制数，这个二进制数就是该窗口的LBP值(一般转化为10进制数),如图1所示。

图1 传统LBP的结果

模糊数学又称Fuzzy数学，是Zedeh在1965年提出来的，是研究和处理模糊性现象的一种数学理论和方法。模糊数学的含义为：U为元素的集合，u为集合里面的元素。模糊集A={(μ,μA(μ),φA(μ)|μ∈U)}，U代表隶属度函数表征，如果μA(μ)：U→[0,1],U→μA(μ)并且φA(μ)=1-μA(μ)。其中μA(μ)表示μ的隶属度，μA(μ)满足0≤μA(μ)≤1，那么μA(μ)则属于[0,1]。

为了增强传统的LBP对图片局部边缘特征的鉴别程度，论文[2]将模糊数学放入到传统的LBP算法中。模糊数学加入到LBP中对于转换二值编码时，起初是周边的像素值与中心的像素值进行对比，现在则是结合模糊数学的隶属度作为判定依据。 当某一像素到隶属度高于0.5的时候，局部二值编码则确定为1，反之则确定为0。在这两种理念结合的情况之下，很大程度改善局部特征结构的无法区分的问题。结合模糊数学之下的FLBP公式可以写成：

(3)

局部二值编码S′可以定义为：

(4)

μA(u)*是结合模糊数学之后领域像素对中心像素的隶属度。

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则代表该区域内像素最大值与最小值，如图2所示。

3 融合模糊FLBP和Gabor小波的图像识别

Gabor小波的原理与人类视觉系统中细胞对外界的刺激应对十分相似，Gabor小波对某一图片的边缘十分敏感，在运用Gabor小波对图片进行特征提取的时候可以提供很好的方向选择和尺度选择性，而且Gabor小波对光照的变化不敏感，所以它对光照也具有不错的适应性，结合这两不错的优点Gabor小波经常被广泛使用在图片识别中特征提取方向研究上。虽说Gabor小波的具有很好的优点，但是在对其运用实际的境况之下并不代表可以做的较好，因此将模糊局部二值模式与Gabor小波进行结合，在运用Gabor小波算法的情况之下，对于特征提取的图片再运用模糊局部二值法对其分析，得到更加清晰且连贯的图片。融合模糊FLBP和Gabor小波结合的算法步骤如下：

(1)首先从图片数据库当中取出定量的图片，对这些图片运用Gabor小波算法对其进行特征提取。这一步主要是将数据图片中的因为角度或者光照等原因造成数据被污染的情况，经过Gabor小波处理后的图片在一定程度上更加清晰和完整。

(2)再将FLBP算法与经过Gabor小波处理的图片结合，该算法是通过相似度函数获取标准的轮廓，当该照片目标轮廓存在不连续的情况，那么该目标区域的相似度则低于0.5，由上文所知，则此处的FLBP值为0，反之则为1。后将该特征提取后的信息存放到矩阵当中，可以用来判别边缘的连续状况。

图2 改进的模糊LBP结果

(a)Crowman原图像 (b)Canny算法 (c)自适应阈值算法 (d)本文算法

(a)原图像 (b)Canny算法 (c)自适应阈值算法 (d) 本文算法

(a)原图像 (b)Canny算法 (c)自适应阈值算法 (d) 本文算法

(3)明确区域轮廓出现较大差异之后，选择该处区域任意端点视为8领域中心像素，后将该处的中心点及其领域8个像素的灰度值转化为二进制编码，算出该中心点FLBP的数值。对比其他区域的FLBP的值，若FLBP值出现最明显的差别的时候，那么这个端点则视为最新的标记端点，连接上一端点完成轮廓的部分连接。

(4)将(2)(3)这几步遍历的过程实现在整幅图片上，将这幅图片轮廓完整的连接，直至遍历的端点出现重复，则意味着整幅图片的轮廓被提取出来。

4 实验结果及其分析

图像轮廓提取结果对比分析

实验一，实验数据使用的是Crowman图像以及某一人脸图像作为测试图像。同时结合其它关于提取边缘轮廓的论文方法及其结果进行相应的对比，本文采用如下几种检测算法进行对比：Canny检测、自适应阈值、FLBP-Gabor小波检测。上述3种方法均可将目标图像的轮廓提取出来，Canny检测算法可以大致的将图片提取出，但是局部容易出现模糊不清以及出现断点等情况，无法详细的将图片的特征提取。自适应阈值检测算法对本来的标准算法进行了改进，确实优于标准检测算法，但是欠缺局部细节信息。

通过上述三种类型的图片作为对比，本文算法的优势是比较明显的。图3可以看出在边缘提取上效果确实更加清晰，但是细节处理有些欠缺。图4是可以明显的看出本文算法的优势，轮廓清晰，而且图片显示的是比较明显的，同时图片的内部细节也是比Canny算法和自适应阈值算法要多。

实验二，本文算法主要集中在将图片的边缘提取进行细节化，使其轮廓的表征更为明显，将其效果具体实现在某一领域，医学更为适合。故在进行实验时将实验中的数据图片拓展到医学图片，在有关医学的数据库选取CT图片，对其进行算法检测。

图5采用的是MIAS数据库的医学图片，可以看到Canny算法可能在对于该种类型的图片处理效果并不佳，自适应阈值算法可以将轮廓提取出，但是细节却无法看出，该幅图片在经过本文算法之后的图片将最为关键部分的轮廓提取出来，其他两种算法，均无法像本文算法较为精准的提取轮廓。

5 结 语

针对图像边缘提取算法对于局部区域特征提取效果不佳不清晰的现状，本文提出一种模糊局部二值模式与Gabor融合的边缘检测算法,Gabor小波由于自身较好的方向选择和尺度选择性和对光照有很好的适应性，利用该方法对图像进行第一次处理，用来降低图像中由于光照变化和噪声对图像产生的影响，再用模糊局部二值算法将处理过的特征图片进行第二次处理得到相应的轮廓提取特征图。

本文从网上采集多组数据，同时也收集多个不同算法对图片边缘采集的效果，结果验证本文算法确实增强了对图片的轮廓和边缘的提取能力。