基于改进多尺度采样算法的模糊图像识别方法研究

张瑾 苑颖

（银川能源学院 宁夏回族自治区银川市 750000）

在网络技术普及化的背景下，越来越多的网络信息以图像的方式传播。因此，可以认为图像在网络信息传播中占据了十分重要的地位。而信息在网络传播的过程中，图像清晰度将直接决定信息传达的准确性。但图像在网络中传输时，不可避免地会受到网络环境的干扰，出现图像失真的问题。大多数情况下，失真的图像表现为图像模糊、不清晰[1]。例如，前端在获取图像信息时，选择摄像机作为图像获取的载体，但摄像机拍摄时会受到环境影响或人为操作不当等因素的影响，出现整体图像模糊、曝光、虚化等问题。即便在拍摄过程中没有出现异常，也会在压缩或打包图像时，由于压缩过度出现图像表述异常。不同类型的图像的模糊程度是不同的，一幅图像的模糊程度越高，其中的细节信息越难以把握，甚至图像会由于过度模糊出现失去价值的问题。目前，相关模糊图像处理的现代化手段较多，包括基于LoG边缘检测的识别方法、基于Tetrolet的模糊图像与原始图像融合方法等，但现如今的大部分模糊图像处理与识别方法均是基于机器学习视域下处理的，尽管此种方式可以在一定程度上解决图像的模糊问题，但由于算法的应用过于复杂，导致大部分方法在使用中的价值性不高。因此，在本文的研究中，引进改进多尺度采样算法，根据模糊图像的多维度采样机理，针对此类的识别方法进行设计研究，以此解决失真图像在网络传输中失去价值的问题。

1 基于改进多尺度采样算法的模糊图像识别方法

1.1 基于改进多尺度采样算法的模糊图像纹理特征提取

多尺度采样是模糊图像识别中的一个关键处理环节，通过此种方式，可以实现对模糊图像多个特征的有效定位。为了进一步实现对模糊图像特征的获取，在此次研究中，对多尺度算法进行改进，参照改进后的算法设定一个识别符号模式，并以此为依据，对其进行模糊识别定义[2]。其中原始采样算法中的算子符号可以表示为下述计算公式：

公式（1）中：SP表示为原始采样算法中的算子符号；s表示为采样维度；xa表示为横向维度图像特征；xg表示为纵向维度图像特征。在原始算子中，可将s(x)近似作为一个函数表达符号，对应s(x)的取值如下：

从上述计算公式（1）与计算公式（2）中可知，给定图像中心的数值是一个为“1”的个数，尽管此种方式可以实现对模糊图像的取值描述，但由于此种描述方式过于单一，会使图像出现模糊问题[3]。为了使算子符号更加具体，可对原有的算子进行改进，根据改进的结果，进行模糊图像特征与纹理的细致化提取。其中改进后的算子可用下述计算公式表示：

公式（3）中：RSP表示为改进后的采样算子；p表示为改进后的采样维度；LBP表示为给定的模糊图像中心像素；U表示为图像能量；M表示为图像的非均匀表达模式；λ表示为图像模糊程度。通常情况下，λ的取值={1,2,3}，对应的1～3分别表示为轻度模糊图像、中度模糊图像、重度模糊图像。在完成对改进后算子的描述后，可将一幅完整的模糊图像进行空间投影，将其划分为RSP图像与MP图像。为了实现对图像多尺度特征的获取，将改进后的算子与滤波器进行匹配，得到一个针对MP投影的多尺度图像子带，其中一个单一维度的模糊图像被分解后形成的子带中含有1.0个图像水平方向细节子带、1.0个图像垂直方向细节子带、2.0个图像对角方向细节子带，子带中3.0个子带为细节子带，1.0个子带为近似子带[4]。按照此种方式，对空间映射得到的两种图像进行子带提取。

为了使不同子带模式下的图像特征系数描述得更加清晰，可选择RSP图像作为参照，对其进行降采样处理，以此种方式对模糊图像的特征进行匹配，得到一个呈现L分布的MP模式，其中RSP图像在尺度分解时，得到的第a个维度的特征分布表达式如下：

公式（4）中：Ta表示为在第a个维度下，模糊图像的特征分布；L表示为空间投影映射长度。按照上述计算公式，对L中涵盖a尺度的模糊图像进行依次分解处理，分解后得到一个Ta数据集，将数据集合作为模糊图像纹理特征集合，从而完成基于改进多尺度采样算法的特征采集。

1.2 模糊图像去噪处理

考虑到模糊图像具有一定的特殊性，前端需要在完成对图像特征的提取后，进行原始图像的压缩，而无论是机器处理或是人工处理，均会不可避免地使图像产生噪声。因此，可在完成纹理特征的提取后，对模糊图像的特征信息进行去噪处理，目的是使图像的表达更加清晰与真实。现有的模糊图像去噪处理方法为滤波处理法[5]，根据对现有模糊图像特征的分析可知，大部分图像噪声均为校验噪声，对于此种噪声最有效的处理方式是空间域滤波中值处理法。

为了保留在进行图像去噪处理过程中图像的真实性，可根据图像在空间映射后的维度，对其进行5×5的分解，并将对应的模糊特征与空间图像进行对接，得到一个针对图像的三维曲面图。处理过程中，可根据图像的中心像素值，对纹理与噪声区域进行灰度调整，使噪声呈现得更加清晰，并在此基础上，对模糊区域进行中值调节，得到一个含有“毛刺点（噪声点）”的曲面图像，使用滤波处理器，对图像中的毛刺点进行平滑处理，结合处理中的实际需求，对图像进行空缺位置的填补，直到终端显示三维曲面图像已十分平滑。

1.3 基于差影法的图像边缘映射与识别

在完成对模糊图像的去噪处理后，可以在前端得到一个具有低频分量特征的图像。为了确保在此种条件下对图像识别的准确性，引进差影法，对图像边缘进行融合，将融合后的结果进行空间映射，得到一个携带模糊图像特征的图像矩阵[6]。在此过程中，可以将差影法的处理过程近似作为一个特征识别的代数迭代运算，得到模糊图像的矢量值，具体步骤如下：获取模糊图像对应原始图像在空间中的初始位置，使用计算机量取模糊图像的长度与宽度→在映射空间中设定一个模糊图像清晰化的缓存区域，设定初始化数值为255.0→根据模糊图像的实际处理需求，将模糊图像与原始图像进行配准，并将匹配成功的像素点进行累加计算→当计算后得到的结果>255.0时，将此像素值的数值设定为255.0→当计算后得到的结果＜255.0时，保留此结果，对像素值赋予计算后得到的最大值→将保留的结果进行复制，将复制后的信息反馈给原始图像中的数据区。按照此种方式，完成基于差影法的模糊图像映射处理。

将识别到的空间估计值进行欧拉距离求解，得到一个可用于描述模糊图像的边界条件，将1.1中提取的图像边缘特征进行合成处理，得到多个尺度下的融合值。按照此种方式，对融合后的特征值进行匹配，匹配成功后，输出映射空间中对应的模糊图像，以此实现对模糊图像的有效识别。

2 对比实验

目前，对模糊图像方法的应用已广泛使用在市场内多个领域，为了实现对本文设计方法的推广，需要在投入市场使用前，对其进行实践检验。实验过程中，选择三种模糊程度不同的图像参与此次实验，为了确保实验的真实性，此次实验的图像均由CISQ与LIVE数据库实时得到，随机选择的图像中含有人物图、实景图、医学图像等，使用高斯模糊算子，对选择的图像进行模糊处理，处理后三种模糊图像的模糊程度如图1所示。

图1：图像模糊程度

图1中：（一）表示为原始图像；（二）表示为轻度模糊图像；（三）表示为中度模糊图像；（四）表示为重度模糊图像。其中（一）图像集合可在此次实验中作为训练图像集合，对应的（二）、（三）、（四）图像集合可在此次实验中作为测试集合。按照上述处理方式，对选定训练集合中的所有原始图像进行模糊化处理。完成处理后，对图像进行识别过程中，中心像素领域的选择。选择过程中，根据图像的类型，将其划分为12位领域与16位领域，对应的选择方式如图2所示。

图2：图像邻位选择方法

按照上述方法，对识别的模糊图像进行邻位选择。完成对图像邻位的选择后，将识别到的（二）、（三）、（四）图像集合与（一）类图像进行对接，以匹配成功率作为评估本文设计方法有效性的依据。此次实验中，（一）类图像共有100张，（二）、（三）、（四）图像在完成模糊处理后，共有300张。将图像集合进行混合处理。完成处理后，将基于LoG边缘检测的识别方法作为传统方法，按照两种方法对应的识别过程，对混合图像数据集合进行不同模糊程度图像的识别。为了确保得到的识别结果与真实结果之间的误差降至最低，在进行结果统计与导出时，调用集成方法的终端计算机内的核函数，进行识别准确率计算。计算公式如下：

公式（5）中：P表示为模糊图像识别准确率；τz表示为准确识别图像个数；τi表示为模糊图像识别迭代次数。按照此种方式，进行本文方法与传统方法对（二）、（三）、（四）图像集合的识别结果的导出，如图3所示。

图3：实验结果对比图

根据图3结果整理成表格，如表1所示。

表1：模糊图像识别结果

根据表1所示的实验结果可以看出，本文设计的模糊图像识别方法，在实际应用中，对图像识别的准确率>99.5%，可以认为在完成识别后，不同模糊程度的图像均可以与原始图像进行对接，识别效果良好。而在传统的模糊图像识别方法应用中发现，此方法仅在识别轻度模糊图像时准确率>99.5%，在进行中度模糊图像与重度模糊图像的识别时，准确率较低且较为随机，因此可以认为传统方法仅适用于对轻度模糊图像的识别，对于其他两种模糊程度的识别适用性较差。综上所述，得出此次对比实验的实验结论：相比传统的识别方法，本文设计的基于改进多尺度采样算法的识别方法，可实现对不同模糊程度图像的有效识别，识别率超过99.5%，具有较高的模糊图像识别能力与较强的适用性。

3 结束语

本文提出一种针对模糊图像的识别方法，为了提高识别结果的准确率，在此次研究中，引进了改进多尺度采样算法。在完成对此方法的设计后，选择CISQ与LIVE数据库内图像进行模糊化处理，使用本文设计的方法与传统方法，对其进行识别检验。经过检验后发现，相比传统的识别方法，本文设计的基于改进多尺度采样算法的识别方法，可实现对不同模糊程度图像的有效识别，识别率超过99.5%，具有较高的模糊图像识别能力与较强的适用性。因此，可尝试在后期的研究中，将本文方法在市场技术研究领域内进行推广，为多个产业的发展提供支持。