多重紋理圖像局部邊緣模糊特征清晰化識別方法

胡北辰，蔡瑞瑞

(安徽省電子信息職業(yè)技術(shù)學(xué)院 信息與智能工程系,安徽 蚌埠 233000)

0 引言

隨著圖像處理技術(shù)的發(fā)展,采用圖像優(yōu)化技術(shù)進(jìn)行模糊成像處理,提高了模糊圖像的檢測和拷貝能力,在復(fù)雜環(huán)境下進(jìn)行圖像采集會(huì)受到光照和場景的復(fù)雜性的影響,導(dǎo)致圖像成像的模糊度較大,需要對模糊圖像進(jìn)行優(yōu)化識別,結(jié)合模糊圖形邊緣輪廓檢測技術(shù),提高圖像的識別和檢測能力[1]。研究多重紋理局部邊緣模糊圖像的檢測和識別技術(shù),在提高多重紋理局部邊緣模糊圖像的成像質(zhì)量和識別能力方面具有重要意義。

傳統(tǒng)方法中,對多重紋理局部邊緣模糊圖像的識別方法主要采用小波檢測方法,結(jié)合圖像融合和虛擬重構(gòu)方法[2],實(shí)現(xiàn)多重紋理局部邊緣模糊圖像識別,但該方法識別模糊度較大,自適性不好,隨著環(huán)境噪聲的增大,對多重紋理局部邊緣模糊圖像檢測準(zhǔn)確性較低[3]。

針對傳統(tǒng)方法存在的問題,提出基于邊緣模糊特征提取的多重紋理圖像清晰化識別方法,提高多重紋理圖像局部邊緣模糊特征清晰化識別能力方面的優(yōu)越性能。

1 多重紋理局部邊緣模糊圖像成像降噪預(yù)處理

為了實(shí)現(xiàn)多重紋理局部邊緣模糊圖像的特征匹配和檢測,需要進(jìn)行多重紋理局部邊緣模糊圖像的降噪處理,結(jié)合小波特征分析方法,進(jìn)行多重紋理局部邊緣模糊圖像的采集和成像處理[4],構(gòu)建多重紋理局部邊緣模糊圖像的模板匹配模型,采用自適應(yīng)的特征分離技術(shù),建立多重紋理局部邊緣模糊圖像的多重網(wǎng)格結(jié)構(gòu)模型,提高多重紋理局部邊緣模糊圖像的特征識別能力[5]。

1.1 模糊圖像成像

采用非均勻量化方法得到多重紋理局部邊緣模糊圖像的顏色直方圖的匹配值:

(1)

其中:r為多重紋理局部邊緣模糊圖像的紋理結(jié)構(gòu)特征分量,多重紋理局部邊緣模糊圖像的顏色特征分量滿足ηm(x,y)∈{-1,0,1}[6]。采用模糊相關(guān)性檢測方法,構(gòu)建向量相交特分布模型[7],在Markov鏈模型中得到多重紋理局部邊緣模糊圖像的相似度特征分量為:

(2)

(3)

(4)

其中:c為多重紋理局部邊緣模糊圖像的LGB向量量化矩陣的列數(shù),l為其行數(shù)。根據(jù)上述分析,實(shí)現(xiàn)對多重紋理局部邊緣模糊圖像的三維重構(gòu)和圖像采集,在圖1所示的網(wǎng)格模型中進(jìn)行多重紋理局部邊緣模糊圖像的清晰化識別。

圖1 網(wǎng)格模型示意圖Fig.1 Grid model schematic diagram

1.2 多重紋理圖像局部邊緣降噪預(yù)處理

在上述構(gòu)建了多重紋理局部邊緣模糊圖像的三維重構(gòu)模型的基礎(chǔ)上,進(jìn)行多重紋理局部邊緣模糊圖像的降噪處理[9],構(gòu)建多重紋理局部邊緣模糊圖像的模糊約束優(yōu)化函數(shù)為:

(5)

(6)

假設(shè)多重紋理局部邊緣模糊圖像的生成序列為:

(7)

上式中,i=1,2,…,T,表示像素序列的長度?；趯?dǎo)向?yàn)V波的暗通道檢測方法,進(jìn)行圖像濾波,得到濾波表示為:

(8)

(9)

其中:δ為等式約束條件的下近似透射率,一般取較小的正數(shù)。構(gòu)建多重紋理圖像的多維直方圖結(jié)構(gòu)模型,采用模糊相關(guān)性特征檢測方法實(shí)現(xiàn)多重紋理圖像的灰度重構(gòu)[11],得到圖像降噪濾波輸出為:

(10)

可化簡為:

(11)

根據(jù)濾波結(jié)果,在高質(zhì)量的成像條件下,進(jìn)行多重紋理圖像局部邊緣模糊特征清晰化識別[12]。

2 圖像局部邊緣模糊特征清晰化識別優(yōu)化

2.1 圖像局部邊緣模糊特征提取

在上述構(gòu)建多重紋理局部邊緣模糊圖像成像模型并進(jìn)行降噪預(yù)處理的基礎(chǔ)上,進(jìn)行圖像局部邊緣模糊特征清晰化識別。提取多重紋理圖像的局部邊緣輪廓特征量,采用模糊特征檢索方法進(jìn)行多重紋理圖像的像素特征重構(gòu)和二值化分離[13],暗通道先驗(yàn)函數(shù)定義為:

(12)

通過如上定義,生成多重紋理圖像的透射率圖,采用雙邊濾波、邊緣替代法進(jìn)行軟摳圖處理[14],得到適應(yīng)度函數(shù)為:

(13)

采用上面的適應(yīng)度定位,構(gòu)建多重紋理圖像的多維直方圖結(jié)構(gòu)模型,得到氣散射物理模型的約束方程:

(14)

(15)

(16)

其中:K=Tfmaxfmin/B.t0=f0T/B.f0為正擴(kuò)散項(xiàng)的權(quán)重,fmin、fmax分別為最低和最高采用頻率。對圖像的部分邊緣或細(xì)節(jié)紋理進(jìn)行融合處理,實(shí)現(xiàn)圖像局部邊緣模糊特征提取。

2.2 圖像清晰化識別

在特征尺度d(x)的約束下,得到多重紋理局部邊緣模糊圖像的多重色差核系數(shù)c(X,Y)和邊緣細(xì)節(jié)特征s(X,Y),求得兩者之間的差異性特征變量,多重紋理局部邊緣特征分布函數(shù)描述為:

(17)

構(gòu)建多重紋理圖像的多維直方圖結(jié)構(gòu)模型,采用模糊相關(guān)性特征檢測方法實(shí)現(xiàn)多重紋理圖像尺度信息分解,給出尺度特征分量U0(zQ)、U1(zQ),利用鄰域內(nèi)像素點(diǎn)的子帶信息,得到多重紋理局部邊緣模糊圖像的采集的像素特征表達(dá)式為:

g=k?fi(t)+n

(18)

其中:?表示卷積算子,對采集的多重紋理局部邊緣模糊圖像進(jìn)行像素特征分解和表達(dá)[15],得到小波表達(dá)式為:

(19)

式中的Ts是小波降噪的幅度增益,圖像像素特征表達(dá)為:

(20)

式中,wmk小波函數(shù)族的紋理特征分量,采用模糊相關(guān)性特征檢測方法實(shí)現(xiàn)多重紋理圖像的灰度特征提取,輸出為:

(21)

其中:η表示圖像的邊緣亮度,φ表示稀疏特征分量,R表示模板匹配系數(shù),D表示邊緣模糊像素集。提取多重紋理圖像的局部邊緣輪廓特征量,采用模糊特征檢索方法進(jìn)行多重紋理圖像的像素特征重構(gòu)和二值化分離,構(gòu)建多重紋理圖像的多維直方圖結(jié)構(gòu)模型,采用模糊相關(guān)性特征檢測方法實(shí)現(xiàn)多重紋理圖像的灰度特征提取,在分辨率調(diào)節(jié)下,得到多重紋理圖像的稀疏先驗(yàn)約束函數(shù)為:

D(i+1)=U0(ZQ)SPPM(t)

(22)

綜上分析,實(shí)現(xiàn)對多重紋理圖像局部邊緣模糊特征清晰化識別,實(shí)現(xiàn)流程如圖2所示。

圖2 改進(jìn)算法的實(shí)現(xiàn)流程圖Fig.2 Implementation flow chart of improved algorithm

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測試本文方法在實(shí)現(xiàn)多重紋理圖像局部邊緣模糊特征清晰化識別中的應(yīng)用性能,進(jìn)行實(shí)驗(yàn)測試分析,實(shí)驗(yàn)圖像來自于實(shí)際采集的多重紋理圖像,圖像的測試像素集強(qiáng)度為120,邊緣輪廓特征分布為200*200,學(xué)習(xí)迭代次數(shù)為20次,仿真步長為12,得到待識別的圖像如圖3所示。

采用模糊特征檢索方法進(jìn)行多重紋理圖像的像素特征重構(gòu)和二值化分離,構(gòu)建多重紋理圖像的多維直方圖結(jié)構(gòu)模型如圖4所示。

根據(jù)灰度直方圖,提取多重紋理局部邊緣模糊像素集,進(jìn)行多重紋理圖像的邊緣模糊特征的清晰化識別,識別結(jié)果如圖5所示。

圖5 圖像模糊特征識別結(jié)果Fig.5 Image fuzzy feature recognition results

分析圖5得知,采用本文方法,能有效實(shí)現(xiàn)對多重紋理圖像清晰化識別,清晰化水平較高,圖像的色調(diào)也更鮮艷些,對圖像具體特征的識別誤差有所降低。

4 結(jié)語

在復(fù)雜環(huán)境下進(jìn)行圖像采集會(huì)受到光照和場景的復(fù)雜性的影響,導(dǎo)致圖像成像的模糊度較大,需要對模糊圖像進(jìn)行優(yōu)化識別,結(jié)合模糊圖形邊緣輪廓檢測技術(shù),實(shí)現(xiàn)的圖像的優(yōu)化識別。提出基于邊緣模糊特征提取的多重紋理圖像清晰化識別方法。但是目前多重紋理圖像的清晰度還有待提高,對于清晰度的提高是未來研究的主要方向。