大数据环境下实验室局域网络含噪字符识别模型设计

郭 杰

（安徽财经大学，安徽 蚌埠233000）

0 引言

随着图像处理技术的发展，采用多视觉成像技术进行实验室局域网络含噪字符的三维检测和特征识别，提高实验室局域网络含噪字符的检测能力，在进行实验室局域网络含噪字符特征识别过程中，需要结合实验室局域网络含噪字符的相关特性对其进行有效识别，相关的实验室局域网络含噪字符检测方法研究受到人们的极大重视［1］.

对实验室局域网络含噪字符的检测是建立在图像的三维视觉信息融合基础上，结合特征优化识别方法，进行实验室局域网络含噪字符的信息融合和特征检测.提出基于视觉信息增强的实验室局域网络含噪字符识别模型，采用关键特征点提取方法进行实验室局域网络含噪字符的特征检测，进行实验室局域网络含噪字符的边缘轮廓特征检测［2］，结合小波多级降噪方法进行实验室局域网络含噪字符的降噪处理，采用模板特征匹配方法实现实验室局域网络含噪字符的特征配准，实现大数据环境下实验室局域网络含噪字符识别模型的优化设计，最后进行仿真测试分析，展示了本文方法在提高实验室局域网络含噪字符识别能力方面的优越性.

1 视觉信息采样和特征检测

1.1 实验室局域网络含噪字符视觉信息采样

为了实现大数据环境下实验室局域网络含噪字符识别，采用模板特征匹配方法实现实验室局域网络含噪字符的特征配准，首先进行实验室局域网络含噪字符的特征信息采样，构建实验室局域网络含噪字符图像的三维视觉信息采集模型［3］，结合特征配准的方法进行计算机视觉图像采集，设实验室局域网络含噪字符集合为D=｛d1，d2，…，dn｝，其中待检测的字符为F，该集合可以表示为F=｛f1，f2，…，fm｝，

设置实验室局域网络含噪字符的均匀像素特征量表示为：

式中，k为实验室局域网络含噪字符的采集时间，fm（k）为实验室局域网络含噪字符最终待检测数据量；将含噪字符视为坐标系中的点，将其在不同轴上点的索引值表示为：

其中，D（x（k））和DFx（k）分别为实验室局域网络含噪字符特征分组的目标分布场和候选区域分布场，根据上述分析，进行实验室局域网络含噪字符的特征采样和信息提取，采用边缘轮廓特征提取方法进行实验室局域网络含噪字符的尺度分解和灰度信息提取，采用多维度的三维跟踪和信息采样方法，获取实验室局域网络含噪字符的特征.根据一定特征权重值将其进行分解，分解过程如图1.

图1 特征分解模型

1.2 含噪字符信息获取

为实现实验室局域网络含噪字符的精准识别，需要对其进行整体信息的检测，以获取其关键特征.

通过构建实验室局域网络含噪字符的三维特征成像模型，采用多分量像素空间特征重组的方法，进行实验室局域网络含噪字符特征点匹配设计［4］，结合点扫描跟踪技术，进行实验室局域网络含噪字符图像空间视觉特征分布式重建，得到含噪字符图像的分布式信息采样输出为：

其中，assoc（A，V）是机器视觉下实验室局域网络含噪字符图像的像素点子集，建立实验室局域网络含噪字符图像空间视觉融合的二值模型（Dominant LBP，DLBP）［5］，构造匹配滤波器，得到实验室局域网络含噪字符信息分布为：

其中，k表示实验室局域网络含噪字符的特征辨识系数，m表示实验室局域网络含噪字符的分块信息素，μ表示实验室局域网络含噪字符的噪声强度.

在上述分析基础上，将实验室局域网络含噪字符特征分布的像素值设为：

其中，Lxx（x，σ）代表移动尺度，Lxy和Lyy为实验室局域网络含噪字符特征匹配系数和低频系数.采用三维视觉重构技术进行实验室局域网络含噪字符特征配准设计，定义实验室局域网络含噪字符的梯度模特征，进行实验室局域网络含噪字符的位置点区域特征重构［6-7］，为：

在公式（7）中，γi代表含噪字符的粗糙点的特征量，φ（a，b）代表含噪字符特征量点值，φi代表含噪字符区域特征关键值.

2 实验室局域网络含噪字符识别

2.1 字符的小波多级降噪

进行实验室局域网络含噪字符的边缘轮廓特征检测，结合小波多级降噪方法进行实验室局域网络含噪字符进行降噪处理.对实验室局域网络含噪字符的模糊跟踪识别［8］，结合图像滤波检测方法，得到实验室局域网络含噪字符的三维信息增强模型为：

式中，β代表含噪字符的增强强度.

采用单位移动尺度关联分配方法进行实验室局域网络含噪字符图像空间视觉特征配准，进行梯度模特征提取，采用模糊C均值分类的方法进行实验室局域网络含噪字符的特征分类识别，采用点目标重构法进行图像重建［9-10］，提取实验室局域网络含噪字符图像视觉特征量，输出结果为：

结合RGB特征分解方法，进行实验室局域网络含噪字符的三维渲染，构建实验室局域网络含噪字符图像的高精度特征配准模型，进行字符图像的小波多级降噪处理.

2.2 字符识别优化输出

采用灰度特征点标记方法进行实验室局域网络含噪字符的帧点扫描，提取实验室局域网络含噪字符特征.输出含噪字符的像素特征点为：

在上述公式中，Tk代表局域网络含噪字符增强后的帧点.

在上述分析基础上，实验室局域网络含噪字符的识别结果为：

构建实验室局域网络含噪字符的像素分布灰度共生矩阵，根据矩阵的特征解分布实现对实验室局域网络含噪字符的优化检测，对实验室局域网络含噪字符特征进行再次划分，在含噪字符存在的坐标中，将分布点的面积表示为M，此时获取的含噪字符特征模型表示为：

其中，n表示实验室局域网络含噪字符个数，M（D，F）表示实验室局域网络含噪字符特征量，采用目标模板特征匹配方法，得到实验室局域网络含噪字符跟踪模型为：

其中，U（k）（u）表示三维视觉下实验室局域网络含噪字符轮廓线，D（k）（u） 表示实验室局域网络含噪字符点间隔调整像素集，L（k）（u） 表示实验室局域网络含噪字符的特征匹配集，实现实验室局域网络含噪字符匹配.

3 仿真实验与结果分析

为了验证本文方法在实现实验室局域网络含噪字符识别中的应用性能，对实验室局域网络含噪字符采集的像素值为800×900，实验室局域网络含噪字符的灰度像素集分布为120，图像的输入信噪比为-13dB，具体实验参数如表1所示.

表1 实验参数

根据上述参数设定，进行实验室局域网络含噪字符的识别，得到实验室局域网络含噪字符如图2所示.

根据图2中实验室局域网络含噪字符的特征检测结果，进行实验室局域网络含噪字符识别，将其与理想值进行对比，结果如表2所示.

图2 实验室局域网络含噪字符

分析表2中数据可以看出，随着迭代次数的不断变化，采用本文方法对实验室含噪字符识别的精度较好，与理想识别精度相比相差较小，符合理想识别精度，验证了所提方法的科学有效性.

表2 实验室局域网络含噪字符识别精度%

4 结语

本文提出基于视觉信息增强的实验室局域网络含噪字符识别模型，采用关键特征点提取方法进行实验室局域网络含噪字符的特征检测，进行实验室局域网络含噪字符的边缘轮廓特征检测，结合小波多级降噪方法进行实验室局域网络含噪字符的降噪处理，对实验室局域网络含噪字符特征点匹配设计，结合点扫描跟踪技术，进行实验室局域网络含噪字符图像空间视觉特征分布式重建，结合图像信息增强处理技术实现实验室局域网络含噪字符的优化识别.分析得知，采用该方法进行实验室局域网络含噪字符识别的精度较高，具有很好的自动识别能力.