海量小差异图像高精度挖掘算法设计

石丽怡+唐普霞

摘 要： 针对传统的图像挖掘算法对小差异性图像特征挖掘精度不高的难题，提出一种基于不变矩特征提取的海量小差异图像高精度挖掘算法，通过构建图像的边缘检测和种子点分割模型，再采用小波降噪进行抗干扰处理，通过曲面约束进行相似图像的解释散点特征提取，根据海量小差异图像的旋转平移和尺度的不变性，实现对小差异图像的特征分辨和高精度挖掘。实验测试结果表明该算法能提高海量小差异图像挖掘的精度。

关键词： 图像挖掘； 不变矩； 特征提取； 图像降噪

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）01?0053?04

Abstract： Since the traditional image mining algorithm has low feature mining precision for the small?difference images， the massive small?difference images high?precision mining algorithm based on moment invariant feature extraction is proposed. The edge detection and seed point segmentation model was constructed for the image， and performed for anti?interference processing with the wavelet denoising. The similar image splashes feature is extracted by means of surface constraint to realize the small?difference images feature distinguishing and high?precision mining according to the rotation translation and scaling inva?riance of the massive small?difference images. The test results show that the algorithm can improve the mining accuracy of the massive small difference images.

Keywords： image mining； invariant moment； feature extraction； image denoising

0 引 言

随着数字图像处理技术的发展，图像作为一种主要的信息载体，可提供很多潜在信息。图像数据挖掘技术在军事目标识别、故障诊断、人脸识别等领域具有较高的应用价值[1]。在图像挖掘过程中，海量的小差异图像会产生大量的相似挖掘目标，对于这类图像的挖掘，需要分辨出小差异图像之间的特征差异性，这给准确挖掘带来较大困难。图像数据挖掘等相关技术在故障分析、目标识别等军事和民用领域中应用意义重大，相关的算法研究受到人们的重视[2?3]。

对海量小差异图像挖掘的原理主要通过对图像的规则重构和信息特征提取，进行图像特征关联，根据训练样本集进行训练，实现图像的分类识别。当前较多方法中对图像特征提取和挖掘主要采用的是图像角点特征匹配算法、图像高阶谱特征提取算法和图像纹理分割算法等[4?5]，通过对图像的纹理信息、角点信息和谱信息进行提取和分割，利用知识库进行图像的挖掘识别，取得了一定的研究成果。但还存在较大不足，需要进行进一步研究。

针对上述问题，本文提出一种基于不变矩特征提取的海量小差异图像高精度挖掘算法，最后通过仿真实验进行性能测试，展示了该算法的优越性能，得出有效性结论。

1 小差异图像的边缘检测与分割

1.1 海量小差异图像的边缘检测

为了实现图像数据库中的海量小差异图像高精度挖掘，需要构建图像的边缘检测和种子点分割模型。

采用正方形网格立体建模对海量小差异图像进行网格内三角剖分[6]，假设为小差异图像的已知特征点集合，其中为第个成像区域特征点大小为的灰度像素，为训练样本中的图像个数。首先将每张小差异图像分成块不重叠的大小为的纹理特征序列子样，按照三维成像数据的特征规则集顺序排列得到个特征值，是向量量化参数对应的特征向量，为不规则三角网中像素差异值的中心距离，采用确定，而是的投影矩阵。在图像数据库中，海量小差异图像在正方形网格立体建模中的第个投影矩阵可以描述为。构建种子点采用连续边缘分割的方法对海量小差异图像进行边缘检测，这一过程描述如图1所示[7]。

对于海量小差异图像，如果矩形图像块为矢量相交，即可以视为常数，那么，海量小差异图像中像素邻域与二维投影面上的真实图像中的层面空间拓扑关系具有异质同構性。采用几何不变矩特征分析方法，得到输入数据的特征点为包含边缘、丰富纹理的异质性区域，海量小差异图像层位待插值点的取值由决定，从而使得对图像的边缘检测过程转化为取图像不变矩特征的局部平均过程。

1.2 图像种子点分割模型设计

假设海量小差异图像的轮廓点为个子图样本的训练样本集，其中，为第个小差异图像的种子点，用表示，。种子点分割模型的目标就是寻找个特征矩阵训练海量小差异图像的样本集，并通过匹配滤波投影到个图像像素的种子点散点特征空间中。种子点附近的边缘规则信息可以被最大化，其中和分别表示原始的图像通过种子点分割后投影到低维子空间的维数。因此，在种子点数据分析和边缘检测模型基础上，得到海量小差异图像种子点分割模型如图2所示。

通过以上方法可以完成图像的解释散点特征提取，利用种子数据提取海量小差异图像的几何矩进行图像特征挖掘。

2 图像小波降噪及挖掘算法改进实现

2.1 小差异图像小波降噪预处理

在分割模型设计完毕后，需要进行降噪处理。通过对图像噪声分析得出：当前的挖掘算法采用匹配投影检测和差异性特征点提取方法，需要大量的先验规则信息实现图像挖掘，当先验特征不足时挖掘性能不好。为了克服此弊端，引入不变矩特征，过程如下：

海量小差异图像在数据存储空间中的致密信息特征的分块匹配无向图为，其中是的非空子集。经过归一化分割得到海量小差异图像的仿射不变区域，在多媒体数据库中，构建仿射不变区域，通过小波尺度分解，得到海量小差异图像的噪点大于的二阶矩和高阶矩不变特征，分别记为和，用表示海量小差异图像在成像仿射不变区域的候选特征，为了更好地实现对海量小差异图像的特征提取，采用小波尺度分解得到图像的降噪输出模型为：

2.2 小差异特征的挖掘算法实现

在图像降噪的基础上进行特征提取，通过曲面约束进行图像的解释散点特征提取，可以最大程度地降低相似性的影响。利用种子数据提取海量小差异图像的几何矩[8?10]可完成挖掘优化。给出海量小差异图像的一个测试样本首先将海量小差异图像的解释散点分成块进行区域匹配，然后将这些小块建模为流形，把小差异图像的几何矩分别标记为块特征：

式中：和分别表示海量小差异图像的梯度水平幅值和竖直幅值；表示缩放因子；表示差异性旋转角度。

通过上述算法设计，基于不变矩特征提取实现海量小差异图像的高精度挖掘。

3 结果与分析

为了测试挖掘精度，设计仿真实验，仿真实验的硬件环境为：Intel 2.3 GHz CPU，2 GB内存，32位Windows 7系统的PC机。仿真实验建立在开发环境为Matlab R2009a的仿真软件之上，小差异图像通过图像采集设备进行连续图像采集获得，其中小差异图像的成像大小为500×500像元，海量小差异图像的集合不变矩的分辨率为0.4 m，种子点分割控制参数为相邻帧点的小波尺度分解系数=0.53，块匹配邻域大小为8，图像受到的干扰强度为-12 dB。

根据上述仿真环境和参数设定，进行海量小差异图像的处理和挖掘仿真，以某大型工件设备图像采集为研究对象，得到原始的小差异图像采样结果如图3所示。

以图3中的小差异图像为研究对象，对图像采用小波降噪进行抗干扰处理，通过曲面约束进行图像的解释散点特征提取，利用种子数据提取海量小差异图像的几何矩，得到特征提取结果如图4所示。

从图4可见，根据海量小差异图像的旋转平移和尺度的不变性，得到图像的不变几何矩特征，实现对小差异图像的特征分辨，提高了图像挖掘性能。为了定量分析本文算法的性能，采用本文方法和传统方法，以图像挖掘的目标模板中心位置匹配误差为测试指标，得到对比结果如图5所示。

从图5可见，采用本文算法进行海量小差异图像的特征提取和挖掘，提高了挖掘精度，误差的振荡较低，性能较好，最后，以图像挖掘的均值误差和执行时间为测试指标，得到的对比结果见表1。

从表1的结果可见，采用本文算法进行海量小差异图像挖掘，匹配精度较高，均值误差较低，执行时间最短，展示了本文算法的优越性能。

4 结 语

海量小差异图像存储于图像数据库中，对这类图像的高精度挖掘，分辨出小差异图像之间的特征差异性，将在故障诊断和图像识别等领域中具有较好的应用前景。本文提出一种基于不变矩特征提取的海量小差异图像高精度挖掘算法，构建海量小差异图像的边缘检测和种子点分割模型对图像采用小波降噪进行抗干扰处理，通过曲面约束进行图像的解释散点特征提取，利用种子数据提取海量小差异图像的几何矩，根据海量小差异图像的旋转平移和尺度的不变性得到图像的不变矩特征，实现对小差异图像的特征分辨，实现小差异图像的高精度挖掘，最后通过仿真实验进行性能测试。研究结果表明，采用本文算法进行海量小差异图像的挖掘和特征提取，误差较低，性能较好，提高了图像挖掘和特征匹配的精度，计算开销较小，提高了图像识别的实时性，性能优于传统方法。

参考文献

[1] 陆兴华，张晓军.人员图像跟踪过程中多人交叉区域防丢失方法[J].计算机仿真，2014，31（9）：243?246.

[2] 周勇，甘新年，胡光波，等.鱼雷制导控制系统多通道控制加权算法设计[J].现代电子技术，2014，37（19）：14?17.

[3] LIU Zhi， ZHANG Xiang， LUO Shuhua， et al. Superpixel?based spatiotemporal saliency detection [J]. IEEE transactions on circuits and systems for video technology， 2014， 24（9）： 1522?1540.

[4] ACHANTA R， SHAJI A， SMITH K， et al. SLIC superpixels compared to state?of?the?art super pixel methods [J]. IEEE transactions on pattern analysis and machine intelligence， 2012， 34（11）： 2274?2281.

[5] KARLSSON J， ROWE W， XU L， et al. Fast missing?data IAA with application to notched spectrum SAR [J]. IEEE transactions on aerospace electronic systems， 2014， 50（2）： 959?971.

[6] PARK H R， LI J. Sparse covariance?based high resolution time delay estimation for spread spectrum signals [J]. Electronics letters， 2015， 51（2）： 155?157.

[7] 马俊涛，高梅国，董健.基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法[J].电子与信息学报，2016，38（6）：1431?1437.

[8] 余淮，杨文.一种无人机航拍影像快速特征提取与匹配算法[J].电子与信息学报，2016，38（3）：509?516.

[9] 郭复胜，高伟.基于辅助信息的无人机图像批处理三维重建方法[J].自动化学报，2013，39（6）：834?845.

[10] 李德仁，李明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报（信息科学版），2014，39（5）：505?513.