本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種提取文物表面紋理特征的方法，具體涉及一種基于元胞自動機的文物表面紋理特征提取方法。

背景技術(shù)：

大量文物在出土?xí)r已經(jīng)破碎成堆，這些來自不同文物或不同部位的碎塊混在一起，對文物的復(fù)原工作造成諸多不便。對于表面具有浮雕或者印記且這種凸起或者凹陷的結(jié)構(gòu)具有一定規(guī)律性和重復(fù)性的碎片，提取其表面的規(guī)律性顯著特征不僅可用于碎片的分類和識別，對碎片后期的自動拼接起到指導(dǎo)性作用；同時還可以用于文物碎片修復(fù)，從而整體提高工作效率。

目前國內(nèi)外已有許多學(xué)者在紋理特征提取方面做了廣泛的研究，其中較為著名的有灰度共生矩陣(graylevelco-occurrencematrix，glcm)算法、馬爾科夫隨機場(markovrandomfield，mrf)模型算法、小波變換(discretewavelettransform，dwt)算法等，這些方法在圖像分類和模式識別應(yīng)用領(lǐng)域內(nèi)取得了較好的結(jié)果。但是這些方法共同的突出問題是計算復(fù)雜度較大，同時對于背景干擾或者光照不均的問題圖片，它們的處理效果往往欠佳。因此，t.ojala等人于1996年提出了局部二值模式算法(localbinarypatterns，lbp)，用于紋理特征的描述。由于lbp計算復(fù)雜度小，并且具有灰度不變性和旋轉(zhuǎn)不變性，因此在紋理分析的相關(guān)領(lǐng)域受到高度關(guān)注。但是lbp算法對紋理特征進行描述時僅依賴中心點和其鄰域點的灰度差異，對于相鄰點之間的灰度值變化規(guī)律關(guān)注度過低，導(dǎo)致本身像素灰度值分布不同的中心像素卻有相同的位置關(guān)系，由于丟掉圖像自身所獨有的紋理特征而在一定程度上造成信息的浪費，使檢索結(jié)果出現(xiàn)較大的偏差。

技術(shù)實現(xiàn)要素：

針對上述現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種基于元胞自動機的紋理特征提取方法，它具有并行高速處理的能力，可以通過鄰居間的相互交流在共同的演化規(guī)則下來探索圖像所具有的特征信息，并且提取出的紋理特征較為顯著。

為解決上述技術(shù)問題，本發(fā)明采用了以下技術(shù)方案：

基于元胞自動機的文物表面紋理特征提取方法，首先拍取文物表面圖像，還包括以下步驟：

步驟一：將拍取的文物表面圖像轉(zhuǎn)換為灰度值圖像，對灰度值圖像進行增強處理；

步驟二：采用slic算法將增強處理后的灰度值圖像分割成n個超像素點，將每個像素點作為一個元胞；

步驟三：通過公式(1)來提取初步紋理特征，得到初步紋理特征圖像；

其中，

其中，i表示中心元胞，i＝1,2,…,n，ii表示中心元胞的灰度值，ij表示i的四鄰域元胞的灰度值，n＝1000；δ表示相關(guān)性的篩選閾值，δ＝0.03～0.09；表示演化前中心元胞及其四領(lǐng)域元胞的灰度值，表示演化后中心元胞的灰度值；

步驟四：通過公式(3)對步驟三獲得的初步紋理特征圖像進行優(yōu)化處理，得到紋理特征圖；

其中,fi,j表示優(yōu)化后的中心元胞的灰度值，β＝2*ptexture，ptexture表示紋理特征的概率，取值范圍0～95。

本發(fā)明的有益效果：

(1)本發(fā)明的方法提取特征時高效、快速，且紋理較為清晰；由于元胞自動機固有的并行高速處理的能力，使得本算法在運行時快速高效。

(2)本發(fā)明通過元胞自動機的演化規(guī)則，通過設(shè)定一定的閾值，可以有效的將灰度值差異較大(即紋理特征處)提取出來。再通過一定的優(yōu)化函數(shù)，使得紋理特征處更加清晰，非紋理特征處相應(yīng)的被弱化。

附圖說明

圖1是本發(fā)明方法的流程圖。

圖2是本發(fā)明與現(xiàn)有其它方法是實驗對比圖，其中：(a)原圖，(b)本發(fā)明方法，(c)bsca算法，(d)hog算法，(e)lbp算法。

圖3是本發(fā)明不同閾值選擇的實驗結(jié)果圖，其中：(a)碎片原圖，(b)δ＝0.03，(c)δ＝0.052，(d)δ＝0.09。

以下結(jié)合附圖與具體實施方式對本發(fā)明進一步解釋說明。

具體實施方式

基于元胞自動機的文物表面紋理特征提取方法，首先拍取文物表面圖像，還包括以下步驟：

步驟一：將拍取的文物表面圖像轉(zhuǎn)換為灰度值圖像，對灰度值圖像進行增強處理，以突出灰度值圖像中有用信息，抑制灰度值圖像中的無用信息；

步驟二：采用slic算法將增強處理后的灰度值圖像分割成n個超像素點，將每個像素點作為一個元胞；

步驟三：通過觀察碎片的紋理特征可以發(fā)現(xiàn),如果一個像素即元胞落在紋理處,那么它的附近將是一個灰度級過渡的區(qū)域,即紋理特征處即是灰度值發(fā)生劇烈變化的地方。因此通過每個元胞與其四鄰域元胞之間灰度值的相關(guān)性來判斷該元胞是否處在紋理特征處，來提取初步紋理特征；

相關(guān)性f(ii,ij)計算公式為：

其中，i表示中心元胞，i＝1,2,…,n，ii表示中心元胞的灰度值，ij表示i的四鄰域元胞的灰度值，n＝1000；

當(dāng)元胞相關(guān)性小于f(ii,ij)時，為非紋理特征處；當(dāng)元胞相關(guān)性大于f(ii,ij)時為紋理特征處，即灰度值突變處，此時將中心元胞及其四鄰域元胞中的灰度最大值作為作為下一時刻的中心元胞的灰度值，相應(yīng)的演化規(guī)則為：

其中，δ表示相關(guān)性的篩選閾值，δ＝0.03～0.09；表示當(dāng)前時刻(即演化前)中心元胞及其四領(lǐng)域元胞的灰度值，的值總共有五個，然后將這五個值中的最大值作為下一時刻(即演化后)中心元胞的灰度值，即更新結(jié)束。

公式(1)中取極大值操作是為了盡可能加強紋理特征的凸顯性，而對于其他不相關(guān)的細(xì)節(jié)，使其效果盡量淡化。

步驟四：在經(jīng)過上述處理后,仍然會存在一些非紋理特征處被提取出來的情況,因此需要進一步修改規(guī)則,此時對步驟三獲得的初步紋理特征圖像進行優(yōu)化處理，使得紋理特征處更加清晰,而非紋理特征處相應(yīng)的弱化；

優(yōu)化函數(shù)為：

其中,fi,j表示優(yōu)化后的中心元胞的灰度值，β＝2*ptexture，ptexture表示紋理特征的概率，取值范圍0～95；

最終，得到優(yōu)化后的每個元胞的灰度值，即紋理特征圖。通過上述優(yōu)化規(guī)則之后，提取出的碎片紋理特征圖中紋理特征將被進一步強化，非紋理特征處也相應(yīng)的被弱化。

通常情況下,對于一幅紋理圖像來說，β的值是一個常數(shù)。而這個常數(shù)會使得紋理特征處的像素值更加清晰,而非紋理特征處的像素更加弱化。關(guān)于常數(shù)β的取值,本發(fā)明使用隨機元胞自動機來進行選擇。在該方法中,隨機元胞自動機會觀察每個元胞的像素情況,通過觀察每個元胞屬于紋理特征處的像素概率,使用隨機元胞自動機來確定合適的β取值。

在確定規(guī)則之前,假定變量similarity_count保存在vonneumann鄰域中每個鄰居元胞像素與中心元胞像素有相似灰度值的數(shù)量。相應(yīng)的規(guī)則如表1所示。

表1隨機元胞自動機規(guī)則

以下給出本發(fā)明的具體實施例，需要說明的是本發(fā)明并不局限于以下具體實施例，凡在本申請技術(shù)方案基礎(chǔ)上做的等同變換均落入本發(fā)明的保護范圍。

實施例1

本實施例給出一種基于元胞自動機的文物表面紋理特征提取方法，選用g10-18號部分兵馬俑鎧甲碎片為實驗數(shù)據(jù)，分別對本發(fā)明方法、bsca算法、hog算法和lbp算法進行實驗，實驗結(jié)果如圖2所示；從圖中可以看出，bsca算法對于碎片的整體輪廓提取效果較好，但細(xì)節(jié)部分沒有得到提取。hog算法和lbp算法可以提取出碎片的紋理特征，但是提取效果并不明顯，不能只將紋理特征單獨提取出來。而本發(fā)明可以將紋理特征提取出來，而且提取的紋理特征處更加清晰。

針對閾值δ的選取，分別給出了δ＝0.03、δ＝0.052、δ＝0.09不同閾值選取的實驗結(jié)果圖，如圖3所示，結(jié)果表明δ取0.052，即圖2(c)，本方法的紋理特征提取效果最佳。