郭 松，范存群

(1.呼倫貝爾學(xué)院 傳媒學(xué)院，內(nèi)蒙古 呼倫貝爾 021008; 2.中國氣象局 國家衛(wèi)星氣象中心，北京 100081)

0 引言

圖像識別主要通過強(qiáng)大的計算能力，對多源、大量圖數(shù)據(jù)進(jìn)行自動化地分析和理解，涉及統(tǒng)計、計算機(jī)技術(shù)、神經(jīng)生物等學(xué)科。圖像識別技術(shù)已廣泛應(yīng)用于醫(yī)療、遙感、鐵路、交通等各大領(lǐng)域，有效的圖像識別可以極大地提高生產(chǎn)效率。在圖像識別實際應(yīng)用中，往往需要對大量圖像進(jìn)行識別，其算法的運(yùn)行效率以及穩(wěn)定和有效性已經(jīng)成為該領(lǐng)域亟需提高的方向。當(dāng)前，圖像識別技術(shù)主要圍繞圖像多種特征屬性建立相關(guān)識別算法。

HARZALLAH等[1]提出一種圖像分類和對象定位相組合方法,該方法通過上下文組合的方式闡述圖像分類對于檢測的優(yōu)化，并在此基礎(chǔ)上定義了非線性分類器。HUANG等[2]在特征編碼的基礎(chǔ)上給出一種演變式圖像識別方法。CHEN 等[3]指出傳統(tǒng)的圖像分類系統(tǒng)存在的問題，在忽略多種色彩的情況下僅考慮圖片亮度信息，這可能導(dǎo)致分類出現(xiàn)誤差。劉巖等[4]提出一種基于支持向量機(jī)的復(fù)雜混合零件姿態(tài)圖像識別方法。劉萬軍等[5]提出一種圖像識別算法，該算法基于雙重優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)，在構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)時，建立了特征提取和回歸分類的雙重優(yōu)化模型，實現(xiàn)了卷積過程和全連接過程的集成優(yōu)化。在圖像識別領(lǐng)域，魏濤等[6]提出一種自標(biāo)注在線順序極速學(xué)習(xí)機(jī)算法，以充分利用未標(biāo)號數(shù)據(jù)，在目標(biāo)域的數(shù)據(jù)較少、未標(biāo)號數(shù)據(jù)較多的情況下提高模型識別能力。KATSAGGELOS等[7]通過最大似然估計方法找出未知參數(shù)，并引入點(diǎn)擴(kuò)散函數(shù)描述模糊過程，提出一種基于模糊識別和噪聲模糊圖像恢復(fù)的算法。董素鴿等[8]提出一種基于改進(jìn)證據(jù)理論的顯示圖像復(fù)雜目標(biāo)識別方法。王烈等[9]構(gòu)造了一個基于Faster R-CNN的多任務(wù)網(wǎng)絡(luò)模型，可以同時完成目標(biāo)圖像識別、鑒別和分類。白帆等[10]設(shè)計了一種以溫度為矢量的雙通道圖像識別算法。

一般情況下，圖像的識別主要通過特定的主題、灰度、顏色、紋理和內(nèi)容等特征進(jìn)行識別，但是上述識別方法并沒有考慮到各個特征對圖像識別效果的影響程度。因此，本文提出一種基于重要度理論的圖像識別方法(Image Recognition based on Importance,IRI)，首先給出重要度理論的相關(guān)定義和定理，然后根據(jù)圖像特征的映射建立圖像特征知識域，并在此基礎(chǔ)上計算得到圖像特征知識的重要度，最后將圖像特征知識的重要度作為權(quán)值進(jìn)行圖像特征向量的加權(quán)模計算，從而對圖像進(jìn)行識別?；谥匾鹊膱D像識別方法可以更好地反映出不同圖像特征對圖像識別的影響程度，并且通過不同方式的切分方法可以根據(jù)實際要求進(jìn)行不同復(fù)雜程度的計算，從而更為準(zhǔn)確地進(jìn)行圖像識別。

1 基于重要度理論的圖像識別方法

1.1 重要度理論

在粗糙集理論中，有一種新的計算方法，即基于重要度進(jìn)行計算，重要度能夠反映事物屬性對一個領(lǐng)域的影響程度。在圖像識別中，準(zhǔn)確地描述特征屬性對于圖像域的影響程度可以更為準(zhǔn)確地進(jìn)行圖像識別。因此，本文在圖像識別屬性特征計算上引入重要度理論來構(gòu)建識別算法，從而更為準(zhǔn)確地表現(xiàn)出圖像特征，提高圖像識別準(zhǔn)確度。下面先給出有關(guān)重要度理論的介紹。

設(shè)K=(V,R)為一知識庫，知識r∈R為等價關(guān)系，如圖1所示，有r?V×V。

定義1若知識r∈R的粒度可記為GD(r)，則定義GD(r)=|r|/|V2|=|r|/|V|2(其中|r|表示r?V×V的基數(shù))[11-12]。當(dāng)r為論域關(guān)系，即r=δ時，r的粒度達(dá)到最大值|V2|/|V|2=1;而當(dāng)r為相等關(guān)系時，即r=ω，r的粒度達(dá)到最小值|V|/|V|2=1/|V|。

當(dāng)存在GD(r)∈[1/|V|,1]，GD(r)的大小可以表示成知識(u,v)的區(qū)分能力，當(dāng)知識粒度值較小時，該知識區(qū)分能力較強(qiáng)。當(dāng)(u,v)?R時，則對象(u,v)與該知識域不具備等價關(guān)系，可以認(rèn)為對象在知識域下具備區(qū)分能力；反之，對象在知識域下不具備區(qū)分能力。因此，GD(r)表示在V中隨機(jī)選擇對象(x，y)且對象r-不可區(qū)分的概率[12]。粒度可能性越小，則GD(r)越小，說明r的區(qū)分能力越強(qiáng)，反之說明r的區(qū)分能力越弱。綜上所述，可以得出以下區(qū)分度的定義。

定義2將Dis(r)定義為知識r的區(qū)分度，其中Dis(r)=1-GD(r)。同時有Dis(r)∈[0,1-1/|V|][11]。

定理1在知識域K=(V,R)中，V/R={X1,X2,…,Xn}，則

(1)

定義3假設(shè)X?A為一屬性子集，而x∈A為一屬性，則x對于X的重要度可記為SigX(x)，定義為SigX(x)=1-|X∪{x}|/|X|，其中|X|表示不可區(qū)分關(guān)系|ND(X)|[12-13]。

定理2屬性x的重要度與它的區(qū)分度相等，即Sig(x)=Dis(x)[13]。

1.2 圖像特征知識域的重要度

圖像的特征包含多個方面(如明暗、顏色、灰度等)，將這些特征轉(zhuǎn)化為量化計算后可以將其很直觀地表示為具體的特征值。在圖像識別中，一般采用圖像均勻切塊的方法對圖像進(jìn)行精細(xì)化處理，本文將圖像分為n×n塊，每一塊子圖像對應(yīng)的特征向量為(w1,w2,…,wN)，其中N為分量數(shù)。通過引入重要度理論，圖像特征可以映射為一個知識域K=(V,W)。通過定理1可以得到特征知識域的粒度：

(2)

根據(jù)定義2可以得到知識W的的區(qū)分度為：

Dis(W)=1-GD(W);

(3)

根據(jù)定理2可以得到知識W的重要度為：

Sig(W)=1-GD(W);

(4)

圖像特征知識W的重要度則可以表示為：

(5)

1.3 基于重要度理論的圖像識別

為有效識別圖像，上文引入了圖像特征知識域的重要度概念，通過對圖像特征域進(jìn)行重要度計算，進(jìn)而將重要度作為權(quán)值賦予圖像特征向量，最后計算得到加權(quán)向量模進(jìn)行圖像識別。圖像特征向量的加權(quán)模則可以表示為：

(6)

由式(6)得到的圖像特征向量的加權(quán)模值可以有效衡量圖像子塊的特征，當(dāng)圖像整體加權(quán)模值與一類圖像加權(quán)模值近似時，則可以認(rèn)為該類圖像屬于同一類型。

2 實驗分析

本文所提方法主要針對大量圖像的識別，由于圖像特征是圖像識別的關(guān)鍵性因素，而重要度方法可以有效地對圖像特征進(jìn)行度量，因此本文主要針對基于重要度的圖像識別方法展開相應(yīng)研究。首先，給出了重要度理論的定義和相關(guān)定理，然后得到圖像特征知識域的重要度，最后通過基于重要度的圖像特征知識域計算并確定圖像分類。

2.1 仿真實驗建立

本文通過仿真實驗來驗證算法的實時性和準(zhǔn)確性。實驗環(huán)境的硬件配置如下：操作系統(tǒng)為Windows 7，計算機(jī)CPU為Core i7-4790 3.60 GHz處理器, RAM為8 GB。本次實驗在圖片類別和特征分量均已知的情況下，使用800張圖像進(jìn)行測試。實驗中對圖像進(jìn)行3種不同的切分方式，分別為：50×50，80×80和100×100。并與基于絕對差分的圖像識別和基于灰度差分的圖像識別兩種方法對比，分析了準(zhǔn)確率。

2.2 實驗結(jié)果分析

仿真實驗結(jié)果分析如下：

(1)算法實時性

當(dāng)圖像識別算法處理大量圖像時，往往會降低算法的效率，為驗證本文所提算法的時效性，實驗中分別給出3種不同的圖像切分方式的算法處理時間的分析，如圖2所示。

如圖2所示，算法在50×50切分方式時，算法整體的運(yùn)行時間約為400 ms，在80×80切分方式時，算法整體運(yùn)行時間約為450 ms，在100×100切分方式時，算法整體的運(yùn)行時間約為500 ms。上述3種圖像分割方法的算法運(yùn)行時間都較短，說明本文提出的基于重要度的圖像識別方法計算復(fù)雜度低，有較好的時效性。

(2)算法準(zhǔn)確性

為驗證本文提出的基于重要度理論的圖像識別方法(IRI)的準(zhǔn)確性，在仿真實驗中分別與基于絕對差的圖像識別方法(Image recognition based on Absolute Difference ,IAD)和基于灰度差的圖像識別方法(Image recognition based on Gray Difference ,IGD)進(jìn)行圖像識別準(zhǔn)確性的對比分析，不同切分方式的圖像識別算法準(zhǔn)確率如圖3～圖5所示。

以上結(jié)果是在模擬環(huán)境中通過10次獨(dú)立實驗得到的。圖3～圖5的實驗結(jié)果表明，本文提出的基于重要度的IRI算法在圖像識別精度上比基于絕對差分的圖像識別方法(IAD)和基于灰度差分的圖像識別方法(IGD)有更明顯的優(yōu)勢。圖像分割越細(xì)，識別精度也隨之增加，原因在于隨著圖像分割的詳細(xì)程度的增大，圖像特征顯示也隨之越來越詳細(xì)，從而使識別結(jié)果更準(zhǔn)確。但是，圖像切分的增加并不能無限度地提高圖像識別的準(zhǔn)確性。一方面過多的圖像切分使得算法計算效率下降，另一方面圖像識別的準(zhǔn)確性并不能無限地接近100%。在實際應(yīng)用中，可以根據(jù)實際精度需求和計算能力選擇圖像切分的幅度。

由圖3～圖5的結(jié)果可以看出，與基于絕對差分的圖像識別和基于灰度差分的圖像識別兩種方法相比，本文研究的基于重要度的圖像識別方法可以明顯地提高識別精度，特別是當(dāng)圖像分割為100×100時，該算法可以達(dá)到95%以上的準(zhǔn)確率，從而可以有效地滿足圖像識別的精度要求。

3 結(jié)束語

為保證圖像識別算法計算的及時性，并有效地提高圖像識別的準(zhǔn)確性，本文在仿真實驗的基礎(chǔ)上提出一種基于重要度理論的圖像識別方法。首先表述了重要度理論相關(guān)的定義和定理，然后通過圖像特征的映射構(gòu)建圖像特征知識域，并由此計算出圖像特征知識的重要度，最后將圖像特征知識的重要度作為權(quán)值進(jìn)行圖像特征向量的加權(quán)模計算，從而對圖像進(jìn)行識別。下一步工作中，筆者將優(yōu)化圖像特征向量的構(gòu)造，以期更好地提高圖像識別的準(zhǔn)確性。