复杂形状物体的图像识别方法研究

徐自远，蔡妍娜

(南京大学(苏州)高新技术研究院，江苏苏州 215000)

1 引言

图像模式识别在图像处理相关领域与计算机视觉领域具有十分重要的地位，通过该操作可以有效获取真实世界的信息。传统图像模式识别方法普遍通过图像的纹理与颜色等特征，对图像进行划分，然后再进行模式识别，但是图像中相似度较高的区域可能会存在相同的特征，会影响图像模式识别的准确性。因此，能否准确识别图像的特殊模式是当前研究的重点内容。

相关专家针对图像模式识别方面的内容进行了大量的研究，例如刘嘉政将5种常见的树皮图像作为研究对象，对原始图像进行增强处理，增加数据集的数量。同时，对全部数据进行白化处理，删除冗余数据。最终利用softmax分类器对图像模式进行分类，达到图像模式识别的目的。张浩等人优先获取水下悬浮微粒图像，提取图像中的单一气泡作为测试样本。对气泡图像的边缘特征进行增强处理，构建气泡特征库。利用Zernike矩阵计算不同悬浮微粒的相似特征，准确识别不同类型的水下气泡。以上两种图像识别方法在实际应用过程中，并没有考虑对实体图像进行融合去噪，导致识别结果不理想，识别时间增加。为此，本文提出一种复杂外形实体图像的模式识别方法。测试结果表明，所提方法能够以较短的时间完成图像模式识别，获取高识别率和召回率的识别结果。

2 复杂外形实体图像模式识别方法

2.1 复杂外形实体图像去噪

对复杂外形实体图像进行多融合去噪，具体的操作流程如图1所示。

图1 复杂外形实体图像去噪流程图

1)在图像信息采集阶段，样本会缓慢且连续移动，所以，采集到的视频帧和相邻帧之间存在位移。为了有效避免上述情况的发生，对图像的输入帧和关键帧两者进行匹配，以便更好地完成图像配准。

2)图像去噪包含在图像融合过程中，需要选择合适的融合规格，对图像帧流中各个坐标系的像素位置进行加权求和，得到不同尺度下的去噪图像。

3)沿着尺度方向，将获取的去噪图像通过融合规格进行图像融合，获取最终的去噪图像。

多尺度方法被广泛应用于图像增强处理领域中，将图像去噪方法与多尺度方法进行有效结合，能够获取更加理想的去噪效果。采用下采样方法对图像进行处理，获取对应尺度的图像序列，然后借助金字塔结构描述得到的尺度图像。为了更好地实现多帧图像对齐，需要优先对金字塔顶层尺度图像对应的特征点进行提取，并将提取结果划分为不同的网格，经过优化得到图像中各个顶点的偏移量，通过偏移量共同组建局部网格流。

以下给出相似像素算法的具体实现步骤：

1)图像颜色空间转换：

选择参考图像

f

，通过网格优化获取变换矩阵

H

，(

t

)，其中，

i

和

j

代表矩阵坐标，

t

代表帧数。由于在实际场景中，图像帧无法完整对齐。对于颜色分量而言，明度能够更快被发现，所以借助明度

Y

分量实现相似像素估计。

2)明度图像约束：

一般情况下，由于采集信息的区域和光线等不同，会造成图像实体图像中含有的明度信息也存在比较明显的差异。经过相关理论分析可知，图像暗部区域噪声高于亮度区域。因此，需要对图像的亮度等级进行划分。

3)相似像素算法：

根据非参考图像的差分信息和序列中值图像能够得到相似像素信息，从而获取相似度更高的像素。主要通过式(1)和式(2)获取非参考图像的差分信息：

f

=

L

|℘|

f

|-℘|

f

||

(1)

f

=

L

|℘|

f

|-℘|

f

||

(2)

式中，

f

代表非参考图像；

f

代表序列中值图像；

L

代表图像亮度约束条件；℘代表高斯滤波；

f

代表参考图像中的相似像素数量；

f

代表中值图像中的相似像素数量。

(3)

式中，

α

代表权重因子；

f

代表相似像素计算结果平均值。以下分别给出

α

和

f

对应的计算公式

(4)

(5)

式中，

z

代表坐标位置。

(6)

计算

f

对应的阈值，得到图像中的平坦区域

f

和纹理边缘区域

f

，以此为依据，获取估计图像，具体的计算公式为：

(7)

式中，

c

和

c

分别代表不同的常数。

经过上述分析，通过尺度图像间的映射关系对复杂外形实体图像进行融合去噪。

2.2 复杂外形实体图像的模式识别

复杂外形实体图像经过去噪后，需要借助人工免疫克隆算法设计一种全新的分类器，有效克服传统识别方法存在的弊端，更好地完成图像的模式识别。其中，克隆选择理论是免疫系统的重要理论之一，重点描述不同抗体的形成过程。利用图2给出人工免疫克隆选择算法的具体操作流程图。

图2 人工克隆免疫选择算法操作流程图

在测试系统中，需要对识别系统中的各个摄像头所采集的图像建模，同时分别计算不同图像的角度等相关参数，将其设定为特征向量，构建特征空间，如式(8)所示

Angle

=[

A

，

A

，

A

，

A

]

(8)

式中，

A

、

A

、

A

和

A

分别代表复杂外形实体图像中的长度、截距、长度和横线。在复杂外形实体图像分类器中，主要通过不同的特征向量构建免疫细胞。结合边缘特征统计结果，获取图像经过归一化处理后的横纵坐标频数值

angle

-和int

ercpet

-

(9)

式中，

angle

和int

ercpet

分别代表横纵坐标中的样本总数。

为了有效降低计算量，结合空间聚类算法对图像统计结果进行分析和处理，得到抗体和抗原。

优先对图像的边缘特征进行处理，得到对应的抗原和抗体，主要通过类区间进行描述，具体的计算式如下

(10)

式中，

Range

代表抗原的起始范围；

Range

代表抗体的起始范围；

x

min和

x

max分别代表抗原的最小和最大取值范围；

x

min和

x

max分别代表抗体的最小和最大取值范围。

其中，抗体和抗原之间的样本数量可以通过式(11)进行计算

(11)

式中，

Num

和

Num

分别代表抗原和抗体的样本数量；

e

(

x

)和

p

(

x

)分别代表抗原和抗体的边缘特征。全面分析抗体中心和抗原中心之间的距离，其中，抗体中心和抗原中心两者之间的距离

d

计算公式为

d

=|

mid

(

Range

)-

mid

(

Range

)|

(12)

利用式(13)给出抗原和抗体的亲和度计算公式

f

=

d

+

δ

+

δ

(13)

式中，

δ

代表抗原和抗原之间的距离；

δ

代表抗体和抗体之间的距离，对应的计算式如下所示

(14)

(15)

式中，

λ

和

λ

分别代表抗原和抗体的可分性。其中，两个抗体之间的相似程度主要通过抗体距离中心对应的倒数

sim

表示，如公式(16)所示

(16)

结合克隆选择的相关理论可知，如果在机体内出现一个全新的抗原，需要利用初始抗体完成抗原识别。优先通过空间聚类方法构建初始抗体群，同时借助人工免疫克隆算法对图像中的免疫特征进行描述，对抗体进行变异等相关操作，获取全局最优解，完成图像的模式识别。以下给出详细的操作步骤：

1)通过空间聚类算法获取初始抗体群和输入抗原；

2)设定循环控制参数；

3)计算抗体和抗原的亲和度以及抗体和抗体之间的相似度，将最优抗体设定为记忆细胞；

4)将全新的抗体和抗原输入到系统中，计算两者之间的亲和度；

5)当全部抗体经过变异操作之后，将和抗原亲和度取值较大的抗体设定为记忆细胞；

6)判断算法是否满足约束条件，如果满足，则终止计算；反之，则跳转至步骤4)。

3 仿真研究

为了验证所提复杂外形实体图像的模式识别方法的有效性，进行仿真。仿真数据来自CUFS数据库，在数据库中随机选取两幅复杂外形实体图像作为测试对象。

对所提方法、文献[3]方法和文献[4]方法的识别性能进行分析研究，分别对两个不同的测试对象进行识别分析，具体实验结果如图3所示。

图3 不同方法对复杂外形实体图像的模式识别结果对比分析

分析图3可知，所提方法能够准确识别复杂实体图像，而文献[3]方法和文献[4]方法只能够识别局部实体图像。由此可见，所提方法能够获取比较满意的识别结果。

结合三种不同方法的识别结果，以下实验测试针对不同的图像组合进行识别测试，获取的平均识别率结果如表1所示。

表1 不同方法的平均识别率对比结果

分析表1中的实验数据可知，相比文献[3]和文献[4]方法，所提方法的平均识别率明显更高一些，其平均识别率最高值达到了98.63%。主要是因为所提方法在实际应用过程中，对实体图像进行去噪处理，以更好实现图像模式识别。

对比不同方法的召回率，结果如图4所示：

图4 不同图像模式识别方法的召回率对比结果

分析图4中的实验数据可知，所提方法的召回率一直处于较高的状态，且明显优于另外两种方法。

以下实验测试对比不同方法的平均识别时间，利用图5给出详细的实验对比结果：

图5 不同方法的平均识别时间对比结果分析

由图5中的实验数据可知，当测试图像的数量持续增加，各个方法的平均识别时间也随之增加。相比另外两种方法，所提方法的平均识别时间更低一些，说明所提方法能够以较快的速度完成图像模式识别。

4 结束语

针对传统方法存在的不足，提出一种复杂外形实体图像的模式识别方法。经实验测试证明，所提方法具有较高的平均识别率和召回率，能够以较快的速度完成图像模式识别，获取理想的识别结果。

由于所提方法仍然处于基本研发阶段，仍然存在不足，后续将重点针对以下几方面的内容展开研究：

1)对组建的分类器记忆细胞进行进一步完善。

2)在方法中加入图像增强技术，促使噪声和光线的影响降至最低。