混合光照干擾下靜態(tài)灰度圖像多特征識別仿真

劉 磊，董 昕

(電子科技大學成都學院，四川 成都 611731)

1 引言

目前，受混合光照干擾的靜態(tài)灰度圖像通常存在在出處理過程中存在一定的問題，導致圖像使用效率不高，由此多特征識別是一個熱點話題，在企業(yè)機密和航空監(jiān)控反面更是至關重要。如何能夠有效的解決靜態(tài)灰度圖像多特征識別是國內外專家一直挑戰(zhàn)的項目。之前Mean Shift均衡算法出現(xiàn)在圖像的目標識別中，因為其可以對灰度圖像的背景進行穩(wěn)定跟蹤，并有效的識別出其灰度圖像中的多特征，從而成為當時的主流算法，但該方法的魯棒性較差，不能很好的適應復雜的現(xiàn)實環(huán)境，導致一些靜態(tài)灰度圖像的特征并不能很好被識別，完整性較差。

文獻[1]提出一種基于GLCM和LBP的局部放電灰度圖像特征提取，該方法從宏觀角度把灰度圖像轉換為灰度公式矩陣，從而獲得高維特征，再建造四種局部放電模型，通過電流法采集靜態(tài)灰度圖像中的多特征，但該方法存在一個嚴重的弊端，在轉換灰度公式矩陣時有很大可能會導致靜態(tài)灰度圖像出現(xiàn)不穩(wěn)定現(xiàn)象，從而出現(xiàn)電流法采集出來的多特征不完整現(xiàn)象。文獻[2]構建一種完整圖像灰度信息和紋理特征提取方法，首先采集具有代表性的特征參數(shù)，例如灰度平均值、平滑度、對比度、相關性，從上述幾種特征參數(shù)來識別靜態(tài)灰度圖像的重要特征，但該方法的步驟太過繁瑣，需要通過提取大量的特征參數(shù)來識別灰度圖像中的多特征，導致識別速度慢、效率低。文獻[3]提出一種基于圖像灰度直方圖特征的草莓病蟲害識別，該方法首先算出訓練集中的直方圖，然后提取其中幾種重點特征，再對特征進行統(tǒng)一規(guī)劃處理，最后使用向量機對直方圖中的重點特征進行識別，隨后將結果轉換到靜態(tài)灰度圖像中，從而達到識別的目的，但該方法是從訓練集中的直方圖提取出多特征進行識別的，隨后再轉換到靜態(tài)灰度圖像當中，在轉換的過程中，容易出現(xiàn)特征不穩(wěn)定現(xiàn)象，導致靜態(tài)灰度圖像中的特征遭到嚴重受損。

針對上述問題，提出一種基于Sobel算子和張量分類器的靜態(tài)灰度圖像多特征識別方法，首先使用Sobel算子求取靜態(tài)灰度圖像特征，再將不同方向的向量和灰度圖像特征進行融合，得出新的特征，最后用FSTM灰度圖像分類器對新的特征進行分類，從而識別出圖像中的多特征。實驗證明，較比傳統(tǒng)方法，使用所提方法識別出的靜態(tài)灰度圖像中多特征更為完整，且識別速度快，魯棒性具有明顯優(yōu)勢，能夠為圖像的進一步研究提供良好的參考基礎。

2 混合光照干擾下靜態(tài)灰度圖像多特征識別

2.1 基于Sobel算子融合圖像新特征

采用Sobel算子提取混合光照干擾下靜態(tài)灰度圖像的紋理特征。Sobel算子會依據(jù)圖像像素點[4]周圍區(qū)域灰度加權差值，對各個鄰域圖像塊采用卷積核進行卷積操作，獲取目標圖像梯度信息。Sobel算子的特點是對圖像噪聲具有平滑作用，得到的數(shù)據(jù)信息干擾向量較少，使后續(xù)識別結果更為精準。Sobel算子使用兩組大小為3×3的矩陣與靜態(tài)灰度圖像進行卷積操作，可獲得目標圖像水平方向和垂直方向亮度差分值，即

(1)

其中，A表示基準圖像，Px、Py分別代表水平、垂直方向的圖像梯度信息，*代表卷積操作運行過程。靜態(tài)灰度圖像紋理特征根據(jù)Sobel算子進行卷積操作運行，將通過上述過程獲得的Px和Py融合，即目標圖像中的各個像素點Aij含有水平方向和垂直方向的梯度信息{Px(i，j)，Py(i，j)}。紋理特征即目標圖像目前像素點的紋理特征，采用靜態(tài)灰度圖像像素點紋理特征構建的圖像，可以提供準確且清晰的邊緣信息，為之后的灰度圖像多特征識別提供有效的特征數(shù)據(jù)。

通過靜態(tài)灰度圖像的水平方向與垂直方向梯度特征和灰度特征結合，組成多特征直方圖[5]，獲取圖像的靜態(tài)特征，進而對多特征精確識別。

對于待配準模板圖像構建的靜態(tài)灰度圖像特征模型，是由梯度特征與灰度特征兩部分組成。針對待配準模板圖像IM(x，y)，采用Sobel算子計算IM(x，y)水平方向、垂直方向的梯度特征Px、Py，即靜態(tài)灰度圖像IM(x，y)中各個像素點含有多個特征，IM(x，y)={Px，Py，L}，L用于描述灰度值。

通過背景建模的方法，對灰度圖像靜態(tài)特征前景區(qū)域進行提取，其前景區(qū)域特征視為主要取樣特征，減少背景區(qū)域特征對主要取樣特征的干擾，即

pMask=L[IM(x，y)-C]

(2)

其中，pMask表示加權特征，由加權特征構造的圖像即二值化圖像，當IM(x，y)像素點位置(x，y)的實質是前景區(qū)域的一部分時，計算當前概率密度，當IM(x，y)像素點位置(x，y)的實質為背景區(qū)域的一部分時，其概率密度函數(shù)的計算選取小概率[6]隨機數(shù)，確保對加權結果的統(tǒng)計結果可實時更新。

假設，待配準圖像像素點Zx，y包含三個特征，可描述為Zx，y={Px，Py，L}，對像素點Zx，y建立直方圖，目的是減少目標區(qū)域，由平移、光照、旋轉等因素，所造成的匹配度降低，在對灰度圖像特征通過多尺度變換，將變換尺度設定為λ、μ、v，靜態(tài)灰度圖像紋理特征、梯度特征融合后的新特征值為

XI=pMask[λPx+μPy+vL]

(3)

其中，變換尺度通過線性疊加而成，λ=26/32、μ=22/32、v=1/32。

綜合上述分析，能夠基于Sobel算子完成對灰度圖像新特征的提取，為多特征識別提供依據(jù)。

2.2 最優(yōu)質分類張量面的特征識別

設訓練樣本的數(shù)據(jù)為Xi∈R(i=1，2，…，l)，R為樣本數(shù)據(jù)真子集。分類器函數(shù)為一個多重性函數(shù)，表示為

(4)

最優(yōu)質分類的超平面為

(5)

(6)

因為存在多個階層上的投影，F(xiàn)STM需要使用迭代算法來代替所有投影。

FSTM在獲得投影構成中，要先利用迭代算法。在輸入樣本是二階張量的前提下，線性FSTM映射交替算法，即

1)初始化μ=(1，1，…，1)T。

2)建造拉氏函數(shù)

(7)

式中，xi為FSTM在v變換尺度上的支持向量[8-9]，yi為FSTM在μ變換尺度上的支持向量。求出映射β，構成相似于FSVM問題的求解。

3)得出β之后，令xi=uv，β=v2，和上面相似，u能夠經(jīng)過求解下列問題獲得

(8)

式中，ξi表示線性不可分問題所判定的松弛向量。

約束條件為yi(uTxi+b)≥1-ξi，ξi≥0，這同樣是FSVM問題，其求出u，按上面的算法迭代至收斂條件，求出最后的映射v與u[10]。

最優(yōu)質分類張量面表示為uTXiv+b=0，依據(jù)最優(yōu)質分類張量面結果，可得到多特征識別的決策函數(shù)[11-12]，用下式進行表示

J(Xi)=sign[uTXiv+b]+y(X)

(9)

基于此，能夠完成對靜態(tài)灰度圖像的多特征識別。

3 仿真研究

為驗證本文方法的有效性，需要進行實驗分析，仿真環(huán)境為：仿真模擬器：PZPSecuritysimulator，操作系統(tǒng)：windowXP硬件設備：內存ZG，CPU2。

靜態(tài)灰度圖像所提方法的性能包含：識別率、新特征提取率和消耗的時間。識別率是指在干擾條件下，從全部灰度圖像中能完整識別出多特征的概率；新特征提取率是指對灰度圖像的特征進行融合后，能夠獲取新特征的概率；消耗的時間是指從靜態(tài)灰度圖像中識別出所有的特征目標所要花費的時間。消耗時間可通過實驗測試得到，識別率R和新特征提取率D的計算公式分別如下

(10)

(11)

式中，a1表示識別得到的特征，A表示灰度圖像實際存在的特征。a2表示新特征形成數(shù)量，Q表示灰度圖像特征總量。

為驗證所提方法在受到混合光照干擾下的靜態(tài)灰度圖像多特征識別的性能，基于上述實驗環(huán)境和參數(shù)的設定，對本文方法獲得的核函數(shù)曲面圖進行表示，如圖1所示。

圖1 不同方法的核函數(shù)曲面圖

依據(jù)圖1的核函數(shù)曲面圖，將圖像的灰度特征與多特征結合后，把核函數(shù)加入進去，可以獲得密度函數(shù)概率曲面圖，如圖2所示。

圖2 密度函數(shù)圖

從圖2中能夠看出，圖像中靜態(tài)灰度特征與周圍復雜的環(huán)境特征極其相似，假如只利用灰度特征來進行統(tǒng)計核密度，可以得到前景與背景圖像的核密度，能夠均勻的分散在空間[11]中，不能夠突出目標特征，而且目標非常容易丟失，相對來說，圖3是通過多特征灰度圖像密度特征圖而得到的曲線圖，從此圖中能夠看出，其在目標位置附近，該區(qū)域位置的核密度非常明顯的產(chǎn)生了峰值，因此能夠對目標進行更加穩(wěn)定的跟蹤。

圖3 多特征灰度圖像密度特征圖

為了證明所提方法能夠完整的識別出靜態(tài)灰度圖像的多個特征，將本文方法和文獻[3]方法進行對比，圖4所示為同一場景中，不同方法對灰度圖像的多特征識別結果。

圖4 不同方法識別效果圖

通過對圖5可以清楚的看出，所提出的方法較文獻[3]識別的靜態(tài)灰度圖像，多特征更為完整。表明本文方法性能較好，具有一定的可利用價值。

為進一步驗證所提方法在受混合光照干擾下的靜態(tài)灰度圖像多特征識別的優(yōu)勢，將本文與文獻[1]方法、文獻[2]方法進行性能對比，如表1所示。

表1 性能對比

根據(jù)表1數(shù)據(jù)結果能夠看出，所提方法的新特征率高于其它兩種方法，同時識別率也要比其它兩種方法高，并且在時間的消耗上，所提方法較比其它兩種方法用時短，相比其它方法運行速度具有明顯優(yōu)勢。

4 結論

本文方法首先使用Soble算子提取圖像特征，再把垂直方向、水平方向和靜態(tài)灰度圖像進行融合，得出靜態(tài)特征，通過加權計算獲取融合的新特征，最后通過FSTM灰度圖像分類器對新特征進行分類，從而識別出受混合光照干擾的靜態(tài)灰度圖像的多特征。通過實驗對比的結果能夠看出，所提方法較比傳統(tǒng)方法識別速度更快，并且識別結果更加完整，基本不會出現(xiàn)特征受損的問題。

本文主要涉及了Soble算法和FSTM灰度圖像分類器，并且取得了一定的成果，但是靜態(tài)灰度圖像多特征識別是一門復雜的研究課題，存在著很多的問題等待廣大研究者深入探討，下面是僅僅就本文遇到的一些問題的討論和對下一步工作的展望：

1)在灰度圖像特征識別中，局部特征的提取提高了分類效果，但是在陰影環(huán)境下的靜態(tài)灰度圖像特征識別效果仍然不夠理想，有待改善。

2)灰度圖像識別要進行搜索全局變換和局部變換，同時還需要構造圖像相對特征的分布圖，這類算法的復雜性較大，接下來會進一步研究如何提高全局和局部之間的轉換效率。

3)在灰度圖像識別中，擁有較低的分辨率和較高噪聲是其主要得特點，二者之間的融合和識別都存在大量的研究空間。