徐自遠(yuǎn)，蔡妍娜

(南京大學(xué)(蘇州)高新技術(shù)研究院，江蘇蘇州 215000)

1 引言

圖像模式識(shí)別在圖像處理相關(guān)領(lǐng)域與計(jì)算機(jī)視覺領(lǐng)域具有十分重要的地位，通過該操作可以有效獲取真實(shí)世界的信息。傳統(tǒng)圖像模式識(shí)別方法普遍通過圖像的紋理與顏色等特征，對(duì)圖像進(jìn)行劃分，然后再進(jìn)行模式識(shí)別，但是圖像中相似度較高的區(qū)域可能會(huì)存在相同的特征，會(huì)影響圖像模式識(shí)別的準(zhǔn)確性。因此，能否準(zhǔn)確識(shí)別圖像的特殊模式是當(dāng)前研究的重點(diǎn)內(nèi)容。

相關(guān)專家針對(duì)圖像模式識(shí)別方面的內(nèi)容進(jìn)行了大量的研究，例如劉嘉政將5種常見的樹皮圖像作為研究對(duì)象，對(duì)原始圖像進(jìn)行增強(qiáng)處理，增加數(shù)據(jù)集的數(shù)量。同時(shí)，對(duì)全部數(shù)據(jù)進(jìn)行白化處理，刪除冗余數(shù)據(jù)。最終利用softmax分類器對(duì)圖像模式進(jìn)行分類，達(dá)到圖像模式識(shí)別的目的。張浩等人優(yōu)先獲取水下懸浮微粒圖像，提取圖像中的單一氣泡作為測(cè)試樣本。對(duì)氣泡圖像的邊緣特征進(jìn)行增強(qiáng)處理，構(gòu)建氣泡特征庫(kù)。利用Zernike矩陣計(jì)算不同懸浮微粒的相似特征，準(zhǔn)確識(shí)別不同類型的水下氣泡。以上兩種圖像識(shí)別方法在實(shí)際應(yīng)用過程中，并沒有考慮對(duì)實(shí)體圖像進(jìn)行融合去噪，導(dǎo)致識(shí)別結(jié)果不理想，識(shí)別時(shí)間增加。為此，本文提出一種復(fù)雜外形實(shí)體圖像的模式識(shí)別方法。測(cè)試結(jié)果表明，所提方法能夠以較短的時(shí)間完成圖像模式識(shí)別，獲取高識(shí)別率和召回率的識(shí)別結(jié)果。

2 復(fù)雜外形實(shí)體圖像模式識(shí)別方法

2.1 復(fù)雜外形實(shí)體圖像去噪

對(duì)復(fù)雜外形實(shí)體圖像進(jìn)行多融合去噪，具體的操作流程如圖1所示。

圖1 復(fù)雜外形實(shí)體圖像去噪流程圖

1)在圖像信息采集階段，樣本會(huì)緩慢且連續(xù)移動(dòng)，所以，采集到的視頻幀和相鄰幀之間存在位移。為了有效避免上述情況的發(fā)生，對(duì)圖像的輸入幀和關(guān)鍵幀兩者進(jìn)行匹配，以便更好地完成圖像配準(zhǔn)。

2)圖像去噪包含在圖像融合過程中，需要選擇合適的融合規(guī)格，對(duì)圖像幀流中各個(gè)坐標(biāo)系的像素位置進(jìn)行加權(quán)求和，得到不同尺度下的去噪圖像。

3)沿著尺度方向，將獲取的去噪圖像通過融合規(guī)格進(jìn)行圖像融合，獲取最終的去噪圖像。

多尺度方法被廣泛應(yīng)用于圖像增強(qiáng)處理領(lǐng)域中，將圖像去噪方法與多尺度方法進(jìn)行有效結(jié)合，能夠獲取更加理想的去噪效果。采用下采樣方法對(duì)圖像進(jìn)行處理，獲取對(duì)應(yīng)尺度的圖像序列，然后借助金字塔結(jié)構(gòu)描述得到的尺度圖像。為了更好地實(shí)現(xiàn)多幀圖像對(duì)齊，需要優(yōu)先對(duì)金字塔頂層尺度圖像對(duì)應(yīng)的特征點(diǎn)進(jìn)行提取，并將提取結(jié)果劃分為不同的網(wǎng)格，經(jīng)過優(yōu)化得到圖像中各個(gè)頂點(diǎn)的偏移量，通過偏移量共同組建局部網(wǎng)格流。

以下給出相似像素算法的具體實(shí)現(xiàn)步驟：

1)圖像顏色空間轉(zhuǎn)換：

選擇參考圖像

f

，通過網(wǎng)格優(yōu)化獲取變換矩陣

H

，(

t

)，其中，

i

和

j

代表矩陣坐標(biāo)，

t

代表幀數(shù)。由于在實(shí)際場(chǎng)景中，圖像幀無法完整對(duì)齊。對(duì)于顏色分量而言，明度能夠更快被發(fā)現(xiàn)，所以借助明度

Y

分量實(shí)現(xiàn)相似像素估計(jì)。

2)明度圖像約束：

一般情況下，由于采集信息的區(qū)域和光線等不同，會(huì)造成圖像實(shí)體圖像中含有的明度信息也存在比較明顯的差異。經(jīng)過相關(guān)理論分析可知，圖像暗部區(qū)域噪聲高于亮度區(qū)域。因此，需要對(duì)圖像的亮度等級(jí)進(jìn)行劃分。

3)相似像素算法：

根據(jù)非參考圖像的差分信息和序列中值圖像能夠得到相似像素信息，從而獲取相似度更高的像素。主要通過式(1)和式(2)獲取非參考圖像的差分信息：

f

=

L

|?|

f

|-?|

f

||

(1)

f

=

L

|?|

f

|-?|

f

||

(2)

式中，

f

代表非參考圖像；

f

代表序列中值圖像；

L

代表圖像亮度約束條件；?代表高斯濾波；

f

代表參考圖像中的相似像素?cái)?shù)量；

f

代表中值圖像中的相似像素?cái)?shù)量。

(3)

式中，

α

代表權(quán)重因子；

f

代表相似像素計(jì)算結(jié)果平均值。以下分別給出

α

和

f

對(duì)應(yīng)的計(jì)算公式

(4)

(5)

式中，

z

代表坐標(biāo)位置。

(6)

計(jì)算

f

對(duì)應(yīng)的閾值，得到圖像中的平坦區(qū)域

f

和紋理邊緣區(qū)域

f

，以此為依據(jù)，獲取估計(jì)圖像，具體的計(jì)算公式為：

(7)

式中，

c

和

c

分別代表不同的常數(shù)。

經(jīng)過上述分析，通過尺度圖像間的映射關(guān)系對(duì)復(fù)雜外形實(shí)體圖像進(jìn)行融合去噪。

2.2 復(fù)雜外形實(shí)體圖像的模式識(shí)別

復(fù)雜外形實(shí)體圖像經(jīng)過去噪后，需要借助人工免疫克隆算法設(shè)計(jì)一種全新的分類器，有效克服傳統(tǒng)識(shí)別方法存在的弊端，更好地完成圖像的模式識(shí)別。其中，克隆選擇理論是免疫系統(tǒng)的重要理論之一，重點(diǎn)描述不同抗體的形成過程。利用圖2給出人工免疫克隆選擇算法的具體操作流程圖。

圖2 人工克隆免疫選擇算法操作流程圖

在測(cè)試系統(tǒng)中，需要對(duì)識(shí)別系統(tǒng)中的各個(gè)攝像頭所采集的圖像建模，同時(shí)分別計(jì)算不同圖像的角度等相關(guān)參數(shù)，將其設(shè)定為特征向量，構(gòu)建特征空間，如式(8)所示

Angle

=[

A

，

A

，

A

，

A

]

(8)

式中，

A

、

A

、

A

和

A

分別代表復(fù)雜外形實(shí)體圖像中的長(zhǎng)度、截距、長(zhǎng)度和橫線。在復(fù)雜外形實(shí)體圖像分類器中，主要通過不同的特征向量構(gòu)建免疫細(xì)胞。結(jié)合邊緣特征統(tǒng)計(jì)結(jié)果，獲取圖像經(jīng)過歸一化處理后的橫縱坐標(biāo)頻數(shù)值

angle

-和int

ercpet

-

(9)

式中，

angle

和int

ercpet

分別代表橫縱坐標(biāo)中的樣本總數(shù)。

為了有效降低計(jì)算量，結(jié)合空間聚類算法對(duì)圖像統(tǒng)計(jì)結(jié)果進(jìn)行分析和處理，得到抗體和抗原。

優(yōu)先對(duì)圖像的邊緣特征進(jìn)行處理，得到對(duì)應(yīng)的抗原和抗體，主要通過類區(qū)間進(jìn)行描述，具體的計(jì)算式如下

(10)

式中，

Range

代表抗原的起始范圍；

Range

代表抗體的起始范圍；

x

min和

x

max分別代表抗原的最小和最大取值范圍；

x

min和

x

max分別代表抗體的最小和最大取值范圍。

其中，抗體和抗原之間的樣本數(shù)量可以通過式(11)進(jìn)行計(jì)算

(11)

式中，

Num

和

Num

分別代表抗原和抗體的樣本數(shù)量；

e

(

x

)和

p

(

x

)分別代表抗原和抗體的邊緣特征。全面分析抗體中心和抗原中心之間的距離，其中，抗體中心和抗原中心兩者之間的距離

d

計(jì)算公式為

d

=|

mid

(

Range

)-

mid

(

Range

)|

(12)

利用式(13)給出抗原和抗體的親和度計(jì)算公式

f

=

d

+

δ

+

δ

(13)

式中，

δ

代表抗原和抗原之間的距離；

δ

代表抗體和抗體之間的距離，對(duì)應(yīng)的計(jì)算式如下所示

(14)

(15)

式中，

λ

和

λ

分別代表抗原和抗體的可分性。其中，兩個(gè)抗體之間的相似程度主要通過抗體距離中心對(duì)應(yīng)的倒數(shù)

sim

表示，如公式(16)所示

(16)

結(jié)合克隆選擇的相關(guān)理論可知，如果在機(jī)體內(nèi)出現(xiàn)一個(gè)全新的抗原，需要利用初始抗體完成抗原識(shí)別。優(yōu)先通過空間聚類方法構(gòu)建初始抗體群，同時(shí)借助人工免疫克隆算法對(duì)圖像中的免疫特征進(jìn)行描述，對(duì)抗體進(jìn)行變異等相關(guān)操作，獲取全局最優(yōu)解，完成圖像的模式識(shí)別。以下給出詳細(xì)的操作步驟：

1)通過空間聚類算法獲取初始抗體群和輸入抗原；

2)設(shè)定循環(huán)控制參數(shù)；

3)計(jì)算抗體和抗原的親和度以及抗體和抗體之間的相似度，將最優(yōu)抗體設(shè)定為記憶細(xì)胞；

4)將全新的抗體和抗原輸入到系統(tǒng)中，計(jì)算兩者之間的親和度；

5)當(dāng)全部抗體經(jīng)過變異操作之后，將和抗原親和度取值較大的抗體設(shè)定為記憶細(xì)胞；

6)判斷算法是否滿足約束條件，如果滿足，則終止計(jì)算；反之，則跳轉(zhuǎn)至步驟4)。

3 仿真研究

為了驗(yàn)證所提復(fù)雜外形實(shí)體圖像的模式識(shí)別方法的有效性，進(jìn)行仿真。仿真數(shù)據(jù)來自CUFS數(shù)據(jù)庫(kù)，在數(shù)據(jù)庫(kù)中隨機(jī)選取兩幅復(fù)雜外形實(shí)體圖像作為測(cè)試對(duì)象。

對(duì)所提方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的識(shí)別性能進(jìn)行分析研究，分別對(duì)兩個(gè)不同的測(cè)試對(duì)象進(jìn)行識(shí)別分析，具體實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同方法對(duì)復(fù)雜外形實(shí)體圖像的模式識(shí)別結(jié)果對(duì)比分析

分析圖3可知，所提方法能夠準(zhǔn)確識(shí)別復(fù)雜實(shí)體圖像，而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法只能夠識(shí)別局部實(shí)體圖像。由此可見，所提方法能夠獲取比較滿意的識(shí)別結(jié)果。

結(jié)合三種不同方法的識(shí)別結(jié)果，以下實(shí)驗(yàn)測(cè)試針對(duì)不同的圖像組合進(jìn)行識(shí)別測(cè)試，獲取的平均識(shí)別率結(jié)果如表1所示。

表1 不同方法的平均識(shí)別率對(duì)比結(jié)果

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知，相比文獻(xiàn)[3]和文獻(xiàn)[4]方法，所提方法的平均識(shí)別率明顯更高一些，其平均識(shí)別率最高值達(dá)到了98.63%。主要是因?yàn)樗岱椒ㄔ趯?shí)際應(yīng)用過程中，對(duì)實(shí)體圖像進(jìn)行去噪處理，以更好實(shí)現(xiàn)圖像模式識(shí)別。

對(duì)比不同方法的召回率，結(jié)果如圖4所示：

圖4 不同圖像模式識(shí)別方法的召回率對(duì)比結(jié)果

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法的召回率一直處于較高的狀態(tài)，且明顯優(yōu)于另外兩種方法。

以下實(shí)驗(yàn)測(cè)試對(duì)比不同方法的平均識(shí)別時(shí)間，利用圖5給出詳細(xì)的實(shí)驗(yàn)對(duì)比結(jié)果：

圖5 不同方法的平均識(shí)別時(shí)間對(duì)比結(jié)果分析

由圖5中的實(shí)驗(yàn)數(shù)據(jù)可知，當(dāng)測(cè)試圖像的數(shù)量持續(xù)增加，各個(gè)方法的平均識(shí)別時(shí)間也隨之增加。相比另外兩種方法，所提方法的平均識(shí)別時(shí)間更低一些，說明所提方法能夠以較快的速度完成圖像模式識(shí)別。

4 結(jié)束語

針對(duì)傳統(tǒng)方法存在的不足，提出一種復(fù)雜外形實(shí)體圖像的模式識(shí)別方法。經(jīng)實(shí)驗(yàn)測(cè)試證明，所提方法具有較高的平均識(shí)別率和召回率，能夠以較快的速度完成圖像模式識(shí)別，獲取理想的識(shí)別結(jié)果。

由于所提方法仍然處于基本研發(fā)階段，仍然存在不足，后續(xù)將重點(diǎn)針對(duì)以下幾方面的內(nèi)容展開研究：

1)對(duì)組建的分類器記憶細(xì)胞進(jìn)行進(jìn)一步完善。

2)在方法中加入圖像增強(qiáng)技術(shù)，促使噪聲和光線的影響降至最低。