基于改进多尺度采样算法的灰度图像识别算法

李雪娇

（三峡大学科技学院机械电气学部 湖北省宜昌市 443000）

在技术单位开展无损检测方法研究的数年中，技术人员已针对灰度图像特征设计了多种有效的识别方法。但灰度图像的形成仍受到成像环境的影响，会存在边界条件模糊、灰度区间狭窄、噪声多等显著缺陷。这些图像缺陷会在不同程度上对图像识别造成干预，而目前大部分针对灰度图像的识别方法计算机识别，尽管基于计算机的识别方法智能性较强，但却很难精准地识别到灰度图像的边界条件[1]。此次研究将结合上述理论，对识别算法展开实践研究，希望通过此次的研究，为提出的假设提供可靠数据作为支撑。

1 灰度图像识别算法

1.1 基于改进多尺度采样算法的灰度图像纹理特征提取

为了满足灰度图像识别需求，需要在设计算法前，结合改进多尺度采样算法的设计，进行灰度图像纹理特征的有效提取。在此过程中，应明确灰度图像经过空间映射投影后，形成了RSP映射图像与MP映射图像，因此，要实现对灰度图像的纹理特征提取，应同步进行其映射图像特征的提取[2]。

为了确保在多尺度采样下获取的图像具有投影分布的特征，可在截取图像时，每间隔一行子带，进行一次降样处理[3]。此时，对应在第i个尺度下，获取的子带第k个区间可以表示为下述计算公式：

1.2 灰度图像三维空间映射处理

引进常规的图像处理技术，将图像的灰度值使用0～256内任意一个数值进行描述。其中256.0表示图像呈现黑色、0表示图像呈现白色，假设将灰度值作为图像在空间内映射的质量（对应三维空间内的Z坐标轴），那么可以认为灰度值较高的三维映射区域图像质量较高，对应灰度值较低的三维映射区域图像质量较低[4]。倘若图像的像素值位于图像的边缘区域，则图像一侧势必存在一个高质量图像区域区域。如果将图像切割为一个矩形图片，则区域的重心点可以作为图像高质量映射点，而当灰度图像的重心点出现偏移现象后，将像素值作为图像边缘点的概率也将更高。图1为灰度图像在三维空间内的映射结果。

图1中，（a）表示为灰度图像灰度值=0时，在三维空间内的映射结果；（b）表示为灰度图像灰度值≠0时，在三维空间内的映射结果（灰度值取值为198.0）。基于此种理论，当图像的灰度值在不同区域内呈现相同数值时，则图像的映射面可以对应一个均匀的平面，而平面中的中心值则位于区域中心[5]。

图1：灰度图像三维空间映射结果

1.3 融合映射结果的灰度图像识别误差拟合

综合上文分析可知，灰度图像在映射到三维空间后可能会由于重心偏移现象，出现识别过程中的误差，为了降低此种误差对识别过程噪声的干扰，可采用拟合误差的方式进行识别结果的校正。在此过程中，需要设定一个灰度密度值A，A在三维空间内的函数表达公式如下：

公式（3）中：A表示为图像在三维空间内映射后灰度值的密度分布；M表示为图像中可用于描述灰度值的信息量数值；N表示为参考图像均值；H表示为灰度图像在空间内成像后的高度；C表示为视觉效果。根据上述计算公式，将对应的图像灰度值进行归一化处理，以此种方式得到一个均匀的灰度值[6]。将灰度重心偏移量作为识别图像的依据，从而完成基于改进多尺度采样算法的灰度图像识别算法的设计，实现对灰度图像的有效识别。

2 实例应用分析

2.1 实验数据

采用实例应用的方式，开展实验的研究与实验结果的分析。在进行实验前，应先对实验过程中的灰度图像进行采集，为了确保实验过程中数据的充足性，此次实验选择的灰度图像均来自某医院在会诊过程中产生的X射线图像。采集的图像样本为700.0张，其中存在缺陷的图像有420.0张。倘若直接将所有图像作为实验样本图像，此次实验的计算量将过大，为了保证实验需求与实验结果的可靠性，结合视觉机制的使用，随机挑选8.0张灰度图像作为此次实验的样本图像。图像中需要包括缺陷图像与无缺陷图像，在完成图像的初步获取后，在终端设备上进行灰度图像的裁剪，将每张图像均规范为256.0×256.0尺寸。图2为灰度图像实验样本。

图2：灰度图像实验样本

图2中（1）～（8）图像为本次实验的灰度图像样本，从图中可以看出，（1）、（2）、（3）、（4）、（5）、（7）为存在缺陷的灰度图像；（6）、（8）为不存在缺陷的灰度图像。对应的缺陷分别为图像存在裂纹、图像夹杂噪声、图像在映射时存在气泡、图像未完全融合、图像模糊、图像夹钨。

2.2 实验结果与分析

通过2.1，完成了实验过程中图像样本的获取。在此基础上，使用本文设计的基于改进多尺度采样算法的灰度图像识别算法，对样本进行识别，以是否识别到图像样本存在噪声作为检测本文设计成果有效性的依据，实施此次实验。当识别到灰度图像存在异常时，将图像对应的噪声值表示为1.0，对应证明此样本图像存在缺陷。当识别到灰度图像不存在异常时，将图像对应的噪声值表示为0，对应证明此样本不存在噪声。按照本文设计的流程，对实验样本进行识别。识别后，将结果呈现在终端计算机设备上，并绘制成噪声图像，如图3所示。

图3：样本图像识别结果

从图3所示的实验结果可以看出，本文设计的识别算法，可以识别到图像1、图像2、图像3、图像4、图像5、图像7对应的噪声值为1.0；图像6、图像8对应的噪声为0。输出的结果与实际结果相符。因此，可得出此次实验的最终结论：本文设计的基于改进多尺度采样算法的灰度图像识别算法，在实际应用中，可有效地识别到图像集合中的异常噪声，可以将此作为依据，进行图像缺陷的检测。

3 结束语

本文开展了基于改进多尺度采样算法的灰度图像识别算法的研究，并在完成研究后，选择某医院在会诊过程中产生的X射线图像作为实验样本图像，按照实例应用检验的方式，对设计的识别算法进行检验，经过检验后证明了此算法在实际应用中，可有效地识别到图像集合中的异常噪声。但此次实验受到时间的限制，尚未进行识别时间、识别后图像灰度值变化等方面的持续检验，因此，相关此方面的工作需要在后续的研究中继续开展，以此种方式，为算法在市场内的广泛推广与使用提供真实的数据作为支撑。