海量小差異圖像高精度挖掘算法設(shè)計(jì)

1、    海量小差異圖像高精度挖掘算法設(shè)計(jì)    石麗怡+唐普霞摘 要： 針對(duì)傳統(tǒng)的圖像挖掘算法對(duì)小差異性圖像特征挖掘精度不高的難題，提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，通過構(gòu)建圖像的邊緣檢測(cè)和種子點(diǎn)分割模型，再采用小波降噪進(jìn)行抗干擾處理，通過曲面約束進(jìn)行相似圖像的解釋散點(diǎn)特征提取，根據(jù)海量小差異圖像的旋轉(zhuǎn)平移和尺度的不變性，實(shí)現(xiàn)對(duì)小差異圖像的特征分辨和高精度挖掘。實(shí)驗(yàn)測(cè)試結(jié)果表明該算法能提高海量小差異圖像挖掘的精度。關(guān)鍵詞： 圖像挖掘； 不變矩； 特征提?。?圖像降噪： tn911.73?34； tp391 ： a ： 1004?3

2、73x（2017）01?0053?04abstract： since the traditional image mining algorithm has low feature mining precision for the small?difference images， the massive small?difference images high?precision mining algorithm based on moment invariant feature extraction is proposed. the edge detection and seed point

3、segmentation model was constructed for the image， and performed for anti?interference processing with the wavelet denoising. the similar image splashes feature is extracted by means of surface constraint to realize the small?difference images feature distinguishing and high?precision mining accordin

4、g to the rotation translation and scaling inva?riance of the massive small?difference images. the test results show that the algorithm can improve the mining accuracy of the massive small difference images.keywords： image mining； invariant moment； feature extraction； image denoising0 引 言隨著數(shù)字圖像處理技術(shù)的發(fā)

5、展，圖像作為一種主要的信息載體，可提供很多潛在信息。圖像數(shù)據(jù)挖掘技術(shù)在軍事目標(biāo)識(shí)別、故障診斷、人臉識(shí)別等領(lǐng)域具有較高的應(yīng)用價(jià)值1。在圖像挖掘過程中，海量的小差異圖像會(huì)產(chǎn)生大量的相似挖掘目標(biāo)，對(duì)于這類圖像的挖掘，需要分辨出小差異圖像之間的特征差異性，這給準(zhǔn)確挖掘帶來較大困難。圖像數(shù)據(jù)挖掘等相關(guān)技術(shù)在故障分析、目標(biāo)識(shí)別等軍事和民用領(lǐng)域中應(yīng)用意義重大，相關(guān)的算法研究受到人們的重視2?3。對(duì)海量小差異圖像挖掘的原理主要通過對(duì)圖像的規(guī)則重構(gòu)和信息特征提取，進(jìn)行圖像特征關(guān)聯(lián)，根據(jù)訓(xùn)練樣本集進(jìn)行訓(xùn)練，實(shí)現(xiàn)圖像的分類識(shí)別。當(dāng)前較多方法中對(duì)圖像特征提取和挖掘主要采用的是圖像角點(diǎn)特征匹配算法、圖像高階譜特征提取算

6、法和圖像紋理分割算法等4?5，通過對(duì)圖像的紋理信息、角點(diǎn)信息和譜信息進(jìn)行提取和分割，利用知識(shí)庫進(jìn)行圖像的挖掘識(shí)別，取得了一定的研究成果。但還存在較大不足，需要進(jìn)行進(jìn)一步研究。針對(duì)上述問題，本文提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，最后通過仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試，展示了該算法的優(yōu)越性能，得出有效性結(jié)論。1 小差異圖像的邊緣檢測(cè)與分割1.1 海量小差異圖像的邊緣檢測(cè)為了實(shí)現(xiàn)圖像數(shù)據(jù)庫中的海量小差異圖像高精度挖掘，需要構(gòu)建圖像的邊緣檢測(cè)和種子點(diǎn)分割模型。采用正方形網(wǎng)格立體建模對(duì)海量小差異圖像進(jìn)行網(wǎng)格內(nèi)三角剖分6，假設(shè)為小差異圖像的已知特征點(diǎn)集合，其中為第個(gè)成像區(qū)域特征點(diǎn)大小為的灰度

7、像素，為訓(xùn)練樣本中的圖像個(gè)數(shù)。首先將每張小差異圖像分成塊不重疊的大小為的紋理特征序列子樣，按照三維成像數(shù)據(jù)的特征規(guī)則集順序排列得到個(gè)特征值，是向量量化參數(shù)對(duì)應(yīng)的特征向量，為不規(guī)則三角網(wǎng)中像素差異值的中心距離，采用確定，而是的投影矩陣。在圖像數(shù)據(jù)庫中，海量小差異圖像在正方形網(wǎng)格立體建模中的第個(gè)投影矩陣可以描述為。構(gòu)建種子點(diǎn)采用連續(xù)邊緣分割的方法對(duì)海量小差異圖像進(jìn)行邊緣檢測(cè)，這一過程描述如圖1所示7。對(duì)于海量小差異圖像，如果矩形圖像塊為矢量相交，即可以視為常數(shù)，那么，海量小差異圖像中像素鄰域與二維投影面上的真實(shí)圖像中的層面空間拓?fù)潢P(guān)系具有異質(zhì)同構(gòu)性。采用幾何不變矩特征分析方法，得到輸入數(shù)據(jù)的特征點(diǎn)

8、為包含邊緣、豐富紋理的異質(zhì)性區(qū)域，海量小差異圖像層位待插值點(diǎn)的取值由決定，從而使得對(duì)圖像的邊緣檢測(cè)過程轉(zhuǎn)化為取圖像不變矩特征的局部平均過程。1.2 圖像種子點(diǎn)分割模型設(shè)計(jì)假設(shè)海量小差異圖像的輪廓點(diǎn)為個(gè)子圖樣本的訓(xùn)練樣本集，其中，為第個(gè)小差異圖像的種子點(diǎn)，用表示，。種子點(diǎn)分割模型的目標(biāo)就是尋找個(gè)特征矩陣訓(xùn)練海量小差異圖像的樣本集，并通過匹配濾波投影到個(gè)圖像像素的種子點(diǎn)散點(diǎn)特征空間中。種子點(diǎn)附近的邊緣規(guī)則信息可以被最大化，其中和分別表示原始的圖像通過種子點(diǎn)分割后投影到低維子空間的維數(shù)。因此，在種子點(diǎn)數(shù)據(jù)分析和邊緣檢測(cè)模型基礎(chǔ)上，得到海量小差異圖像種子點(diǎn)分割模型如圖2所示。 通過以上方法可以完成圖像

9、的解釋散點(diǎn)特征提取，利用種子數(shù)據(jù)提取海量小差異圖像的幾何矩進(jìn)行圖像特征挖掘。2 圖像小波降噪及挖掘算法改進(jìn)實(shí)現(xiàn)2.1 小差異圖像小波降噪預(yù)處理在分割模型設(shè)計(jì)完畢后，需要進(jìn)行降噪處理。通過對(duì)圖像噪聲分析得出：當(dāng)前的挖掘算法采用匹配投影檢測(cè)和差異性特征點(diǎn)提取方法，需要大量的先驗(yàn)規(guī)則信息實(shí)現(xiàn)圖像挖掘，當(dāng)先驗(yàn)特征不足時(shí)挖掘性能不好。為了克服此弊端，引入不變矩特征，過程如下：海量小差異圖像在數(shù)據(jù)存儲(chǔ)空間中的致密信息特征的分塊匹配無向圖為，其中是的非空子集。經(jīng)過歸一化分割得到海量小差異圖像的仿射不變區(qū)域，在多媒體數(shù)據(jù)庫中，構(gòu)建仿射不變區(qū)域，通過小波尺度分解，得到海量小差異圖像的噪點(diǎn)大于的二階矩和高階矩不變

10、特征，分別記為和，用表示海量小差異圖像在成像仿射不變區(qū)域的候選特征，為了更好地實(shí)現(xiàn)對(duì)海量小差異圖像的特征提取，采用小波尺度分解得到圖像的降噪輸出模型為：2.2 小差異特征的挖掘算法實(shí)現(xiàn)在圖像降噪的基礎(chǔ)上進(jìn)行特征提取，通過曲面約束進(jìn)行圖像的解釋散點(diǎn)特征提取，可以最大程度地降低相似性的影響。利用種子數(shù)據(jù)提取海量小差異圖像的幾何矩8?10可完成挖掘優(yōu)化。給出海量小差異圖像的一個(gè)測(cè)試樣本首先將海量小差異圖像的解釋散點(diǎn)分成塊進(jìn)行區(qū)域匹配，然后將這些小塊建模為流形，把小差異圖像的幾何矩分別標(biāo)記為塊特征：式中：和分別表示海量小差異圖像的梯度水平幅值和豎直幅值；表示縮放因子；表示差異性旋轉(zhuǎn)角度。通過上述算法設(shè)

11、計(jì)，基于不變矩特征提取實(shí)現(xiàn)海量小差異圖像的高精度挖掘。3 結(jié)果與分析為了測(cè)試挖掘精度，設(shè)計(jì)仿真實(shí)驗(yàn)，仿真實(shí)驗(yàn)的硬件環(huán)境為：intel 2.3 ghz cpu，2 gb內(nèi)存，32位windows 7系統(tǒng)的pc機(jī)。仿真實(shí)驗(yàn)建立在開發(fā)環(huán)境為matlab r2009a的仿真軟件之上，小差異圖像通過圖像采集設(shè)備進(jìn)行連續(xù)圖像采集獲得，其中小差異圖像的成像大小為500×500像元，海量小差異圖像的集合不變矩的分辨率為0.4 m，種子點(diǎn)分割控制參數(shù)為相鄰幀點(diǎn)的小波尺度分解系數(shù)=0.53，塊匹配鄰域大小為8，圖像受到的干擾強(qiáng)度為-12 db。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行海量小差異圖像的處理和挖掘仿

12、真，以某大型工件設(shè)備圖像采集為研究對(duì)象，得到原始的小差異圖像采樣結(jié)果如圖3所示。以圖3中的小差異圖像為研究對(duì)象，對(duì)圖像采用小波降噪進(jìn)行抗干擾處理，通過曲面約束進(jìn)行圖像的解釋散點(diǎn)特征提取，利用種子數(shù)據(jù)提取海量小差異圖像的幾何矩，得到特征提取結(jié)果如圖4所示。從圖4可見，根據(jù)海量小差異圖像的旋轉(zhuǎn)平移和尺度的不變性，得到圖像的不變幾何矩特征，實(shí)現(xiàn)對(duì)小差異圖像的特征分辨，提高了圖像挖掘性能。為了定量分析本文算法的性能，采用本文方法和傳統(tǒng)方法，以圖像挖掘的目標(biāo)模板中心位置匹配誤差為測(cè)試指標(biāo)，得到對(duì)比結(jié)果如圖5所示。從圖5可見，采用本文算法進(jìn)行海量小差異圖像的特征提取和挖掘，提高了挖掘精度，誤差的振蕩較低，

13、性能較好，最后，以圖像挖掘的均值誤差和執(zhí)行時(shí)間為測(cè)試指標(biāo)，得到的對(duì)比結(jié)果見表1。從表1的結(jié)果可見，采用本文算法進(jìn)行海量小差異圖像挖掘，匹配精度較高，均值誤差較低，執(zhí)行時(shí)間最短，展示了本文算法的優(yōu)越性能。4 結(jié) 語海量小差異圖像存儲(chǔ)于圖像數(shù)據(jù)庫中，對(duì)這類圖像的高精度挖掘，分辨出小差異圖像之間的特征差異性，將在故障診斷和圖像識(shí)別等領(lǐng)域中具有較好的應(yīng)用前景。本文提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，構(gòu)建海量小差異圖像的邊緣檢測(cè)和種子點(diǎn)分割模型對(duì)圖像采用小波降噪進(jìn)行抗干擾處理，通過曲面約束進(jìn)行圖像的解釋散點(diǎn)特征提取，利用種子數(shù)據(jù)提取海量小差異圖像的幾何矩，根據(jù)海量小差異圖像的旋轉(zhuǎn)平

14、移和尺度的不變性得到圖像的不變矩特征，實(shí)現(xiàn)對(duì)小差異圖像的特征分辨，實(shí)現(xiàn)小差異圖像的高精度挖掘，最后通過仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試。研究結(jié)果表明，采用本文算法進(jìn)行海量小差異圖像的挖掘和特征提取，誤差較低，性能較好，提高了圖像挖掘和特征匹配的精度，計(jì)算開銷較小，提高了圖像識(shí)別的實(shí)時(shí)性，性能優(yōu)于傳統(tǒng)方法。參考文獻(xiàn)1 陸興華，張曉軍.人員圖像跟蹤過程中多人交叉區(qū)域防丟失方法j.計(jì)算機(jī)仿真，2014，31（9）：243?246.2 周勇，甘新年，胡光波，等.魚雷制導(dǎo)控制系統(tǒng)多通道控制加權(quán)算法設(shè)計(jì)j.現(xiàn)代電子技術(shù)，2014，37（19）：14?17.3 liu zhi， zhang xiang， luo shu

15、hua， et al. superpixel?based spatiotemporal saliency detection j. ieee transactions on circuits and systems for video technology， 2014， 24（9）： 1522?1540.4 achanta r， shaji a， smith k， et al. slic superpixels compared to state?of?the?art super pixel methods j. ieee transactions on pattern analysis an

16、d machine intelligence， 2012， 34（11）： 2274?2281.5 karlsson j， rowe w， xu l， et al. fast missing?data iaa with application to notched spectrum sar j. ieee transactions on aerospace electronic systems， 2014， 50（2）： 959?971.6 park h r， li j. sparse covariance?based high resolution time delay estimation for spread spectrum signals j. electronics letters， 2015， 51（2）： 155?157.7 馬