連和謬

（閩南理工學(xué)院實(shí)踐教學(xué)中心，福建石獅362700）

0 引言

采用超分辨成像技術(shù)進(jìn)行圖像成像，能夠有效提高圖像的輸出分辨能力。在超分辨圖像檢索過(guò)程中，需要進(jìn)行超分辨圖像細(xì)粒度分類優(yōu)化處理，構(gòu)建超分辨圖像細(xì)粒度融合模型，結(jié)合人工智能方法進(jìn)行圖像的優(yōu)化分類，提高超分辨圖像細(xì)粒度的檢索和信息提取能力。研究超分辨圖像細(xì)粒度分類方法，在圖像數(shù)據(jù)庫(kù)構(gòu)建和優(yōu)化檢索中具有很好的應(yīng)用價(jià)值[1]。

超分辨圖像細(xì)粒度分類建立在圖像的特征提取基礎(chǔ)上，通過(guò)提取超分辨圖像細(xì)粒度特征量，根據(jù)超分辨圖像細(xì)粒度特征量的分布屬性作圖像分類處理。傳統(tǒng)方法中，超分辨圖像細(xì)粒度分類方法主要有小波檢測(cè)方法、BP神經(jīng)網(wǎng)絡(luò)分類方法[2-3]，以及Harris角點(diǎn)檢測(cè)的圖像分類算法[4]，但上述方法進(jìn)行超分辨圖像細(xì)粒度分類的精度較低，實(shí)際運(yùn)用中需要不斷改進(jìn)。

鑒此，本文提出基于SVM多分類的超分辨圖像細(xì)粒度分類算法。SVM多分類是對(duì)一種類型信息進(jìn)行多指標(biāo)分類的方法，通過(guò)提取目標(biāo)信息的多特征，利用不同分析方法獲取其特征量，根據(jù)特征量實(shí)現(xiàn)塊稀疏多特征匹配，并將匹配結(jié)果輸入到支持向量機(jī)中進(jìn)行細(xì)粒度分類，實(shí)現(xiàn)SVM多分類下的圖像細(xì)粒度分類。仿真實(shí)驗(yàn)分析展示了本文方法在提高超分辨圖像細(xì)粒度分類能力方面的優(yōu)越性能。

1 超分辨圖像融合濾波和細(xì)粒度特征提取

1.1 超分辨圖像融合濾波

為實(shí)現(xiàn)基于SVM多分類的超分辨圖像細(xì)粒度分類，提高超分辨圖像細(xì)粒度可識(shí)別性，首先對(duì)采集的超分辨圖像進(jìn)行融合濾波處理，實(shí)現(xiàn)圖像的預(yù)處理。假設(shè)待分類的模糊超分辨圖像為F，相似性較高的圖像背景分量為GF，根據(jù)兩幅圖像的內(nèi)容相似度進(jìn)行特征匹配，對(duì)GF進(jìn)行模板融合處理，采用模板配準(zhǔn)方法進(jìn)行超分辨圖像的自適應(yīng)融合濾波，將待分類的超分辨圖像分成3×3拓?fù)浣Y(jié)構(gòu)，設(shè)置4個(gè)超分辨圖像檢測(cè)窗口，結(jié)合超分辨像素特征重構(gòu)方法，進(jìn)行超分辨圖像的紋理特征匹配[5]。超分辨圖像的模糊度為ηF，每個(gè)子帶圖像的灰階像素為

采用擴(kuò)展Kalman濾波方法，對(duì)超分辨圖像的中心像素點(diǎn)進(jìn)行區(qū)域性融合，構(gòu)建超分辨圖像的空間融合模型。根據(jù)圖像的相似度進(jìn)行空間分布重建，得到超分辨圖像的信息熵為H，H信息越多，表示超分辨圖像中的細(xì)粒度越多。對(duì)超分辨圖像的細(xì)粒度進(jìn)行模糊特征檢測(cè)和識(shí)別，提取超分辨圖像中的相似度成分，設(shè)每個(gè)子帶圖像的灰階像素f?F為主成分特征，圖像的相似度越大，則越接近F。在小波域中對(duì)超分辨圖像進(jìn)行二值化處理，得到每個(gè)超分辨子帶圖像中的細(xì)粒度特征量為

其中，h、f分別代表圖像的顏色、紋理分布。給出批量超分辨圖像細(xì)粒度的向量量化值為Dg=βSi+(1-β)ml，其中為超分辨圖像的局部方差，為模板配準(zhǔn)的殘差分量；Si表示超分辨圖像細(xì)粒度分布的高階特征量，其計(jì)算公式為

按照16：4：4比例進(jìn)行圖像的灰度像素特征匹配，輸出特征匹配值

若超分辨圖像的細(xì)粒度的量化特征分布集滿足L(r)∈{-1,0,1}，則圖像編碼特征量為

其中，r為超分辨圖像的中心點(diǎn)相似度特征量，0≤r≤1。根據(jù)圖像編碼特征量及輸出特征匹配值的計(jì)算，進(jìn)行圖像的融合濾波處理。本文將采用Atanassov擴(kuò)展方法對(duì)超分辨圖像進(jìn)行融合濾波，圖像融合濾波

式中，c為超分辨圖像細(xì)粒度的中心像素點(diǎn)分布矩陣的列數(shù)。根據(jù)式（6）得到融合濾波結(jié)果，為準(zhǔn)確進(jìn)行超分辨圖像細(xì)粒度分類，需對(duì)濾波結(jié)果進(jìn)行特征提取。

1.2 圖像的細(xì)粒度多特征提取

在上述進(jìn)行了超分辨圖像融合濾波的基礎(chǔ)上，進(jìn)行圖像的多特征提取[6]。在Markov鏈模型中得到圖像的灰度-梯度不變矩為

考慮圖像的仿射區(qū)域不變性，采用Harris角點(diǎn)檢測(cè)算法實(shí)現(xiàn)超分辨圖像細(xì)粒度檢測(cè)[7]，在近鄰相位點(diǎn)處，得到超分辨圖像細(xì)粒度重構(gòu)輸出為

式中，σ表示為超分辨圖像細(xì)粒度融合的樣本系數(shù)，Δx表示超分辨圖像細(xì)粒度的視覺(jué)差。采用LGB向量量化方法，進(jìn)行超分辨圖像細(xì)粒度多特征匹配，令細(xì)粒度差異性分布函數(shù)t(x)=e-βd(x)，其中0＜t(x)＜1，采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，進(jìn)行超分辨圖像細(xì)粒度像素值計(jì)算，輸出結(jié)果表示為

根據(jù)紋理多特征匹配方法，進(jìn)行超分辨圖像的最大灰度多特征量檢測(cè)，采用邊緣多特征檢測(cè)方法，對(duì)圖像的輪廓點(diǎn)進(jìn)行深度學(xué)習(xí)，得到最大灰度多特征量值為

在圖像的細(xì)粒度分類過(guò)程中，進(jìn)行圖像多特征聚類處理，采用SVM方法進(jìn)行圖像檢測(cè)過(guò)程中的自適應(yīng)尋優(yōu)，得到細(xì)粒度多特征提取輸出為

其中，f0表示梯度方向的圖像像素樣本分布集，由此實(shí)現(xiàn)對(duì)待分類的超分辨圖像細(xì)粒度多特征提取[8]。

2 圖像細(xì)粒度分類算法優(yōu)化

2.1 基于SVM模型的塊稀疏多特征匹配

在上述采用邊緣輪廓多特征提取方法進(jìn)行超分辨圖像細(xì)粒度提取的基礎(chǔ)上，進(jìn)行圖像細(xì)粒度分類算法優(yōu)化設(shè)計(jì)，本文提出基于SVM多分類的超分辨圖像細(xì)粒度分類算法，得到超分辨圖像細(xì)粒度自適應(yīng)調(diào)節(jié)系數(shù)描述如下：

對(duì)于CHi(i∈C1)，超分辨圖像細(xì)粒度分布的空間位置信息標(biāo)定為

式中

對(duì)批量超分辨圖像細(xì)粒度進(jìn)行融合處理[9]，得到多特征分辨率為

采用圖像增強(qiáng)方法進(jìn)行超分辨圖像細(xì)粒度成像分辨率增強(qiáng)處理，將聯(lián)合稀疏問(wèn)題轉(zhuǎn)換為塊稀疏多特征匹配問(wèn)題，則圖像分類的塊稀疏多特征匹配公式為

將提取的超分辨圖像細(xì)粒度多特征輸入到支持向量機(jī)中實(shí)現(xiàn)超分辨圖像細(xì)粒度分類，提高圖像的細(xì)粒度檢測(cè)能力[10]。

2.2 支持向量機(jī)多分類模型

采用粗糙集多特征分布式挖掘方法進(jìn)行圖像的細(xì)粒度多特征重構(gòu)，構(gòu)建改進(jìn)的SVM模型，SVM進(jìn)行圖像細(xì)粒度分類的系統(tǒng)結(jié)構(gòu)函數(shù)描述為

在分類器中采用自適應(yīng)的加權(quán)學(xué)習(xí)方法進(jìn)行自動(dòng)分類，構(gòu)建超分辨圖像細(xì)粒度深度學(xué)習(xí)模型，得到SVM分類模型如圖1所示。

圖1 SVM圖像分類模型

根據(jù)圖1所示的分類器模型，加入深度學(xué)習(xí)算法構(gòu)建圖像細(xì)粒度分類的學(xué)習(xí)迭代式

將提取的超分辨圖像細(xì)粒度多特征輸入到支持向量機(jī)中，得到圖像分類的量化編碼為

以圖像分類的量化編碼為指標(biāo)，作為圖像細(xì)粒度分類依據(jù)，進(jìn)行SVM多分類。該分類過(guò)程是一種全局收斂的過(guò)程，當(dāng)獲取到收斂最優(yōu)解時(shí)，完成圖像細(xì)粒度分類，其中最優(yōu)解計(jì)算公式為：

通過(guò)上述處理，實(shí)現(xiàn)了基于SVM多分類的超分辨圖像細(xì)粒度分類。為檢驗(yàn)本文方法的有效性及可靠性，需對(duì)其進(jìn)行仿真實(shí)驗(yàn)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 樣本圖像的選擇

為了測(cè)試本文方法在實(shí)現(xiàn)超分辨圖像細(xì)粒度分類中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用Mat?lab 7設(shè)計(jì)，超分辨圖像細(xì)粒度多特征采樣集來(lái)自于Corel標(biāo)準(zhǔn)圖像庫(kù)，樣本庫(kù)中的訓(xùn)練集圖像為4000組圖像，分類屬性類別為4，超分辨重組的系數(shù)為1.24。該圖像庫(kù)中包含多個(gè)主題，例如有動(dòng)物、海灘、汽車等。本文將從中選取9幅圖案用于仿真實(shí)驗(yàn)。以其中一組主體對(duì)象為例，進(jìn)行圖像分類，得到測(cè)試圖像對(duì)象如圖2所示。

圖2 測(cè)試超分辨圖像

3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

式中，R代表最大置信度，M表示細(xì)粒度類別，k表示分類回歸系數(shù)。

本文針對(duì)Corel圖像樣本庫(kù)中選取任意超分辨圖像進(jìn)行細(xì)粒度分類。由于超分辨圖像類別間差異極小，因此置信值差別小。為更好進(jìn)行評(píng)價(jià)，則有

式中，Ni為預(yù)測(cè)類別，T為訓(xùn)練總數(shù)，Nj為圖像實(shí)際類別。式（22）中，當(dāng)k=1時(shí)，取置信度評(píng)分最高的預(yù)測(cè)結(jié)果進(jìn)行判斷；當(dāng)k=2時(shí)，取置信度評(píng)分最高的兩個(gè)預(yù)測(cè)結(jié)果進(jìn)行判斷，只要其中一個(gè)預(yù)測(cè)結(jié)果預(yù)測(cè)正確，則判定為正確，以此類推。

3.3 實(shí)驗(yàn)參數(shù)的選擇

訓(xùn)練實(shí)驗(yàn)參數(shù)見(jiàn)表1。

表1 訓(xùn)練實(shí)驗(yàn)參數(shù)

根據(jù)上述參數(shù)，進(jìn)行圖像細(xì)粒度分類。

3.4 對(duì)比實(shí)驗(yàn)

3.4.1 圖像分類有效性

以圖2類型為研究對(duì)象，進(jìn)行圖像細(xì)粒度分類，得到分類輸出如圖3所示。

圖3 圖像分類輸出

采用本文方法可根據(jù)圖像中待識(shí)別物體的方向、顏色進(jìn)行分類。如圖3（a）～（c）所示，本文方法在選取的樣本圖案中，根據(jù)其細(xì)粒度組合多特征進(jìn)行選取、排序，以大象頭部朝向?yàn)橹笜?biāo)獲取分類結(jié)果。同樣的，本文方法采用RGB顏色分量重組方法進(jìn)行超分辨圖像細(xì)粒度分類，以背景顏色為指標(biāo)，獲取分類結(jié)果。通過(guò)分析圖3可知，基于SVM多分類的超分辨圖像細(xì)粒度分類方法能夠有效將圖像以不同指標(biāo)進(jìn)行分類。

3.4.2 分類結(jié)果的置信度及準(zhǔn)確性

根據(jù)不同方法的訓(xùn)練驗(yàn)證結(jié)果置信度繪制準(zhǔn)確率性能對(duì)比圖（圖4）。

圖4 圖像分類準(zhǔn)確率對(duì)比

分析圖4得知，采用本文方法進(jìn)行超分辨圖像細(xì)粒度分類的準(zhǔn)確性較高，誤分率較低，提高了圖像的優(yōu)化檢索能力。這是由于本文方法采用了融合濾波方法對(duì)超分辨圖像進(jìn)行處理，在一定程度上減少了其他信息的干擾，提取了有效信息，為后續(xù)圖像細(xì)粒度分類提高了準(zhǔn)確率。

4 結(jié)語(yǔ)

進(jìn)行超分辨圖像細(xì)粒度分類優(yōu)化處理，構(gòu)建超分辨圖像細(xì)粒度融合模型，結(jié)合人工智能方法進(jìn)行圖像的優(yōu)化分類，提高超分辨圖像細(xì)粒度的檢索和信息提取能力，本文提出了基于SVM多分類的超分辨圖像細(xì)粒度分類算法。通過(guò)超分辨圖像融合濾波對(duì)圖像進(jìn)行預(yù)處理，采用SVM方法進(jìn)行圖像檢測(cè)過(guò)程中的自適應(yīng)尋優(yōu)，得到細(xì)粒度多特征提取輸出，根據(jù)提出輸出值進(jìn)行塊稀疏多特征匹配，最終實(shí)現(xiàn)了基于支持向量機(jī)多分類模型的超分辨圖像細(xì)粒度分類。分析得知，采用該方法進(jìn)行超分辨圖像細(xì)粒度分類的準(zhǔn)確性較高，提高了超分辨圖像的檢索能力，具有很好的應(yīng)用價(jià)值。