基于灰度编码的多媒体彩色图像识别方法

魏凡其

（江西制造职业技术学院信息工程学院 江西 南昌 330095）

0 引言

图像识别技术可将被识别的对象归入相应的类型，被广泛应用于各个领域[1]。通过对图像特征的转向提取，感知图像特点，划分图像类别。多媒体彩色图像是人们获取信息的最重要途径，图像语言能够传达给人们更直观的视觉感受，在某种程度上更胜于文字语言[2]。根据统计，超过75%的信息是由视觉系统获取的，即通过多媒体彩色图像传播的。如何发挥多媒体彩色图像在各个领域中的更高效能，成为科研工作的关注与研究重点。为落实此项工作，实现对多媒体彩色图像的精准识别与高效感知，本文引进灰度编码技术，设计一种多媒体彩色图像的高效识别方法。

1 基于灰度编码的多媒体彩色图像灰度转换

为实现对多媒体彩色图像的精准识别，利用灰度编码技术转换图像灰度。首先明确多媒体彩色图像的色彩空间表现方式为RGB，将图像录入计算机后，可以用显示屏幕上的24位真彩构建图像RGB模型。其次将原始图像的色彩划分为R、G、B三种原光色，每个光色在终端占用8bit[3]。最后为满足人眼对多媒体彩色图像的识别，在色彩空间中，设置一个任意光色，将其表示为Y，Y可以通过下述公式计算得到。

式（1）中：a、b、c表示三条信道的空间颜色占比。当a=b=c时，多媒体彩色图像将呈现灰度阴影状态；当R=G=B时，多媒体彩色图像呈现纯白色或纯黑色。使用灰度编码技术，将RGB模型按照HIS坐标进行转换，将LAB色彩表现模式作为中介，明确图像的LAB模式是一种全新的色彩模式，在此种模式下，L表示图像呈现亮度；A表示图像中色彩从红色到绿色的过渡范围；B表示图像中黄色到蓝色的过渡范围[4]。可以使用LAB模式表示多媒体彩色图像中的任意一种颜色，任何颜色都可以映射到此空间中[5]。

转化处理过程中，按照标准将图像的RGB色彩转换为LAB模式，对原始图像进行去色处理后，再将图像返回RGB表示方式，生成一种多媒体图像的等值灰度阶级，根据图像的阶级，确定当前状态下图像的灰度值。通过此种方式，使多媒体彩色图像的灰度处理过程简易化[6]。

2 图像纹理特征提取

引进Gabor小波处理法提取多媒体彩色图像纹理特征[7]。目前，可用于描述图像纹理特征的内容包括几何特征、混合特征、纹理特征与序列特征。其中纹理特征中的Gabor小波特征，可以直接反映出时域与频域内的频谱信息。调整多媒体彩色图像中的频谱信息，可以起到强化图像低频信息的效果，以此种方式，实现对图像呈现效果的视觉优化。在此过程中，使用二维Gabor滤波器中的高斯核函数，处理图像在传播过程中的正弦平面波，通过此种方式，实现对图像中局部特征信息的专项提取[8]。考虑到多媒体彩色图像在空间中的旋转方式、尺寸变化、形变等行为存在一定的容错能力。计算其容错能力，公式如下。

式（2）中：ψ表示多媒体彩色图像在空间中的容错能力；k表示特征波向量；T表示容错周期；σ表示变换尺度；e表示形变量。其中特征波向量k的计算公式如下。

式（3）中：u表示Gabor滤波器的滤波处理方向；v表示Gabor滤波器的滤波处理尺度。在此基础上，定义多媒体彩色图像表示为I(X,Y)，使用Gabor滤波器对图像I(X,Y)进行卷积运算处理，通过此种方式，得到针对多媒体彩色图像在不同空间位置与不同尺度下的特征值[9]。此过程如下计算公式所示。

通过上述卷积运算，掌握图像在不同帧数下的复数值，将此数值作为多媒体彩色图像的幅值信息。输入图像大小为60×60，使用Gabor滤波器对图像特征提取，得到28 800维度的数据。对具有雷同点的特征信息融合处理，采用降维处理的方式，降低特征数据的维度。

3 图像识别与分类

设定多媒体彩色图像样本数量为N，每个类别的图像中都存在p个训练样本，可以将训练样本p划分为i类，其中i的取值为1，2，3，4，5，…，N，设定训练图像的空间大小为a*b，将图像置于一个线性子空间内，使用临近分类器，对多媒体彩色图像进行线性回归分析处理。将多媒体彩色图像按照原来的尺寸缩小到600×600以下。为避免图像尺寸太大影响到运算的速度，所以在图像识别前先对其预处理。针对图像中的文字特征，在计算灰度共生矩阵之前，提取图像对比度，以获得更好的纹理识别参数[10]。此过程如下计算公式所示。

式（5）中：L表示图像灰度共生矩阵；P表示多媒体彩色图像对比度。在此基础上，利用GDI+中的函数对图像压缩，将样本图像合并为24×18的图像集。根据上述灰度编码方法对已压缩的图像进行灰度处理。在此基础上，采用9点光滑法和25点光滑法对灰度图像模糊处理。前者是将3×3矩阵作为平滑模板，以模板的平均灰度取代原始像素点，后者是指将5×5矩阵作为平滑模板，以模板的平均灰度取代原始像素点。该方法基于两个像素点间的不同色彩成分与不同亮度，将处理后的图像录入Hamming网络中，用于样本识别。通过识别训练样本，确定剔除边界像素点之后的22×16灰度矩阵。将灰度矩阵作为参照，实现对彩色图像的识别。

4 对比实验

上文完成了基于灰度编码的图像识别方法设计，为验证设计方法在实际应用中的效果，下面将采用对比实验的方式，对设计方法展开测试。

考虑到图像识别过程涉及大量的图像预处理步骤，要确保图像的规范化处理，应在测试前，根据相关工作的实际需求，搭建计算机测试环境，用于处理图像。测试环境技术参数如下表1所示。

表1 图像预处理环境技术参数

完成多媒体彩色图像预处理过程中需求工具的选择后，考虑到实验需求，选择国家公开图像库中的多媒体彩色图像作为此次实验的测试样本。此图像库中规格最大的图像为116×156，规格最小的图像为201×311。部分样例图像如下图1所示。

图1 公开图像库中的部分多媒体彩色图像样例

从上述图1所示的内容可以看出，识别的图像样本中包含多个类别，包括人脸图像、动物图像、植物图像与景观图像。随机选择10 000张图像将其划分为两类，其中2 000张图像用于识别中的训练处理，另外8 000张图像用于识别测试。

完成实验中测试样本的准备后，为避免图像识别过程中样本数量较大占用过多内存与空间，根据工作的具体需求，预处理图像。先转换样本图像色彩，使彩色图像在计算中呈现灰度状态。处理效果如下图2所示。

图2 样本集合中人脸图像灰度处理效果示例

在此基础上，对打乱编码顺序后的图像压缩处理。完成上述处理后，使用本文设计方法，识别测试样本图像，识别过程中，引进灰度编码技术，对多媒体彩色图像灰度转换处理，使用小波熵值算法，提取多媒体彩色图像纹理特征，将特征作为参照，识别样本图像，根据图像的特征划分其类别。

为满足实验结果的对比需求，引进基于迁移学习ResNet技术的图像识别方法，与基于Deeplab V3+技术的图像识别方法，将提出的方法作为传统方法1与传统方法2。按照规范，将灰度转换与压缩处理后的测试图像样本作为三种方法的识别样本，将三种方法提取到的多媒体彩色图像特征与样本图像适配，将适配度作为评价设计方法可靠性的关键依据。在此过程中，明确提取图像特征与图像样本的适配度越高，说明图像识别结果越精准，反之明确提取图像特征与图像样本的适配度越低，说明图像识别结果精准度越差。按照上述方式，对比三种方法提取图像特征与图像样本的适配度。其结果如下图3所示。

图3 识别方法提取图像特征与图像样本的适配度

从图3可知，本文设计的基于灰度编码的图像识别方法识别效果良好，该方法可以精准识别到图像特征，从而提高多媒体彩色图像识别的准确率。

5 结语

现阶段，计算机视觉技术已经成为相关领域内的研究重点，此项技术以人类视觉为基础，利用计算机与视觉感知效应，辅助人们获取或采集需求信息。为发挥多媒体彩色图像在相关领域内更高的价值，本文通过基于灰度编码的多媒体彩色图像灰度转换、图像纹理特征提取、图像识别与分类，完成了多媒体彩色图像识别方法的设计。该方法在完成设计后，通过对比实验证明可以精准识别到图像特征，从而提高多媒体彩色图像识别的准确率。但此次研究也存在一些不足，包括没有设计更多的评价指标评估该方法的实际应用效果、没有选择更多的传统方法作为对照组等。可在后期的设计中，将提出的不足作为研究点，深化设计该方法，持续完善该方法的综合性能。