基于局部最大熵的图像自适应标记方法

安远英 段永平

摘要：针对传统图像标记方法图像特征标记时间长，特征识别率低的问题，提出基于局部最大熵的图像自适应标记方法，构建图像局部特征最大熵矩阵，运用并行算法对图像样本数据中的像素特征参数进行计算，获取图像标记参数的局部最大熵值，根据计算结果来设定图像特征二阶矩、熵、对比度以等多种特征自适应参数归一化处理，并据此求出图像自适应标记点。实验结果证明，与传统方法比较，所提方法图像标记耗时保持在40s以下，标记出的特征识别率约为99%左右，性能均优于传统方法，能够实现图像的自适应标记。

关键词：局部最大熵;并行算法;特征识别;图像标记

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2020）26-0196-03

图像标记技术主要包括图像局部特征预处理、像素标记、图像标签等[1]。把扫描设备转化为图像。受人为因素和硬件设备的影响，扫描得到的图像不可避免地存在一定程度的缺陷，从而导致图中特征自适应识别错误[2]。

针对传统方法的不足，提出一种基于局部最大熵的图像特征自适应标记方法。通过测试结果验证了所提特征自适应标记方法在图像特征标记时间与特征识别率等方面均具有优越性能。

1 图像特征自适应标记方法

1.1 图像局部特征最大熵矩阵构建

为提高局部特征最大熵矩阵的计算效率，利用并行算法计算元素间的关联规则，设计多个标记参数对每个像素进行并行标记[3]。其具体过程如下：

局部特征最大熵矩阵设定为从局部特征级[i]的点移动按照特定位置关系[d，θ]达到局部特征级为[j]的概率，其中[d]代表两个图像像素间的距离;[θ]代表两个图像像素间的方向角;可表示为[d=1，2，3，4]，[θ=0?，45?，90?，135?]。

从识别各个图像像素的值[Pix_ref]与[d，θ]给出的距离及方向角识别邻近像素值[Pix_associate]，到由[Pix_ref]与[Pix_associate]组成的Simple DPRAM像素坐标中进行加1的计算，各个像素都独立运行的，所以可以设计多个PEs对多个像素进行计算。

Simple DPRAM的识别顺序为串行的，每次仅能从Simple DPRAM识别一个图像像素值，假设每次识别完[Pix_ref]后再识别[Pix_associate]会影响整个系统的运行效率，针对此弊端，设计了2个Simple DPRAM，每个Simple DPRAM中存储了同样的图像数据，2个Simple DPRAM分别识别[Pix_ref]与[Pix_associate]，计算2个Simple DPRAM的像素坐标映射关系。

假设2个Simple DPRAM能实现[Pix_ref]与[Pix_associate]同时识别，并將识别的图像像素值分类到相应的FIFO中，完成图像数据分类进一步提高局部特征最大熵矩阵的计算效率。

因为[PTi，j：d，θ]与[Pi，j：d，θ]的计算过程相同，将[Pix_ref]与[Pix_associate]位置交换组成一个新的图像矩阵元素位置坐标，若等[Pi，j：d，θ]计算结束后再计算[PTi，j：d，θ]，会增加整个流程的执行时间，所以在各个PE完成一次像素识别的时候，不要立即进行下一个像素的识别，要对[Pix_ref]与[Pix_associate]进行转换，组成一个新的像素坐标Simple DPRAM，再继续进行余下的工作，当结束了全部像素识别工作后的值为[Pi，j：d，θ]+[PTi，j：d，θ]的值。

1.2 自适应标记

通过1.1得到的局部特征最大熵矩阵，根据局部特征最大熵矩阵对图像的特征二阶矩、熵、对比度与特征标记点等特征自适应参数通过四种自适应进行计算，对其计算结果进行分析。结合分析结果对局部最大熵的图像局部特征最大熵矩阵的局部特征集进行自适应标记[4-5]。

将1.1节描述的局部特征最大熵矩阵设定为图像中相距为[δ=Δx，Δy]的两个局部特征像素同时一起出现的联合概率分布，假设图像的局部特征级为[N]，最大熵矩阵可表示为[Pδi，j]，其中处于[i，j]位置的元素[Pi，j]值可描述为局部特征[i]与[j]之间距离为[δ=Δx，Δy]的像素对出现的概率。在实际应用中，为了减少计算，[Δx，Δy]一般取四种情况：

图像特征结构不同，相应的局部特征最大熵矩阵也不同，其中特征尺度较大的图像其相应的局部特征较为平滑，像素之间差异不大，这种特征尺度下的局部特征最大熵矩阵局部特征值[Pi，j]会集中在对角线临近区域。图像特征尺度较小的局部特征值分布分散，[Pi，j]随意分布，通过上述分析可知，局部特征最大熵矩阵能够反映不同局部特征像素所处位置的空间信息。

通过上述描述的局部特征最大熵矩阵可设定图像特征二阶矩、熵、对比度以及特征标记点等多种特征自适应参数，为了简化分析，仅选用图像特征二阶矩、熵、对比度以及特征标记点这四种自适应进行分析，具体过程如下。

上述给出的自适应参数中，对比度可描述图像的清晰度，图像特征沟纹越深，对比度越大，视觉效果就越清晰，对于粗特征，CON值较小;细特征，CON值较大，角二阶矩是衡量图像局部特征分布平均性的指标，当图像局部特征分布较均匀时，ASM值较大，反之，ASM值较小。

2 测试证明

为了验证所提出图像特征自适应标记方法的自适应特性，需要对其进行仿真测试，测试环境为：Windows Server2012R2Intel（R） Xeon（TM）CPU 2.30GHz with 32.0GB of RAM，MATLAB2014a编程实现，实验结果如下。

将所提方法、文献[3]方法以及文献[4]方法的实验法输入到仿真软件中，并在软件中设置样本参数，进行自适应标记所需时间（ms）对比，对比结果如表1所示。表1中，N表示样本数量，单位为个，用g表示;SJ表示自适应标记所需要的时间，单位为秒;用s表示，T代表文献[3]方法;P代表文献[4]方法;Q代表所提方法。

根据表1所示，伴随样本数量的不断增加，三种方法的图像特征标记时间也在不断改变，当样本数量为200个时，文献[3]方法比文献[4]方法标记节省了13s，与所提方法相比标记所需要的时间长了2s，文献[3]方法标记所需要的时间为最少;当样本数量增加到300个时，文献[3]方法比文献[4]方法标记所需时间节省了7s，与所提方法相比标记时间长4s。由上述实验数据可知，伴随样本数量的进一步增加，文献[3]方法标记所需时间不断增加，逐渐与其他两种方法逐渐拉开差距，因此文献[3]方法只适用于样本数量较少的情况下使用，而所提方法图像特征标记时间始终保持在40s以下，整体变化趋势较为平缓，说明所提方法进行图像特征自适应标记具有稳定性。

分别利用所提方法与文献[3]方法、文献[4]方法进行图像特征自适应图像特征标记时间对比之后，为了进一步验证所提方法的有效性，对比了三种方法的特征识别率。

分析图1可知，伴随样本数量的变化，三种方法的特征识别率出现了明显的差异。文献[3]、文献[4]方法标记出的特征识别率呈现出逐步下降的变化曲线;当样本数量达到40个时，文献[3]方法、文献[4]方法标记出的特征识别率约为71%、72%左右，而所提方法的特征识别率为96%左右，此时三种方法的特征识别率为最接近状态;伴随样本数量的增加，文献[3]方法与文献[4]方法的特征识别率趋于接近，当样本数量为200个时，所提方法标记出的特征识别率约为99%左右，比文献[4]方法高出40%左右，比文献[3]方法高出35%左右，此時所提方法与文献[4]方法、文献[3]方法标记出的特征识别率相差最大。由此可以看出，虽然样本数量的增加会影响特征识别率，但所提方法仍保持在稳定的水平。

经过上述实验分析可知，将所提方法用于图像标记领域具有一定的自适应性。

3 结束语

针对传统的图像特征自适应标记方法所需要的时间较长、特征识别率较低等问题，提出一种基于局部最大熵的图像自适应标记方法，对图像特征自适应进行标记，对图像特征标记时间以及图像辨识率进行仿真测试。实验仿真结果表明，所提方法与传统方法相比，图像特征自适应标记所需要的时间较短，特征识别率较高。未来阶段将研究重点转向面对复杂背景下，如何更高效、准确标记图像特征方面。

参考文献：

[1] 卞仕雅， 叶兵， 吴丙芳， 等. 荧光内窥镜的肿瘤明场图像标记实现方法[J]. 半导体光电， 2019， 40（5）： 749-754

[2] 于宁，宋海玉，孙东洋，等.基于深度学习中间层卷积特征的图像标注[J].图学学报，2019，40（5）：872-877.

[3] 韩征， 粟滨， 李艳鸽， 等. 基于蒙特卡洛模拟的图像二值化增强算法[J]. 中南大学学报：英文版， 2019（6）：1661-1671.

[4] 余田椿， 孙先松. FPGA的图像识别与目标跟踪系统设计[J]. 单片机与嵌入式系统应用， 2019（9）：30-34.

[5] 赵明富， 陈海军， 宋涛， 等. 改进RANSAC-SIFT算法在图像匹配中的研究[J]. 激光杂志， 2018（1）：114-118.

【通联编辑：张薇】