基于魚群算法的體育運動員高強運動損傷圖像識別研究

鄭永權

摘要：運動員經過高強度的體育訓練難免會受到損傷，在治療時需要對其損傷圖像進行識別，然而當前有些識別方法的效率和精確度不高，于是文章將研究基于魚群算法的體育運動員高強運動損傷圖像識別，首先對損傷部位輪廓進行提取，然后獲得對損傷圖像進行初步識別，最后基于魚群算法對圖像進一步識別。通過實驗研究，與其他識別方式相比，基于魚群算法的識別方式具有更高的準確度和效率。

關鍵詞：魚群算法;運動損傷圖像;識別

中圖分類號：TP391.41

文獻標識碼：A

文章編號：1001-5922（2020）12-0033-04

運動員在經過高強度的訓練，必然會導致身體受到一定程度的損傷，而且運動員會不斷重復某個動作，該重復動作也會造成身體關節或者皮膚出現磨損[1-2]。當出現損傷之后，需要對其進行治療，對損傷圖像破損位置進行識別有利于提高治療效果。并且有許多學者提出了不同的識別方法，陳華等人提出了一種基于線性判別和超聲圖像特征的識別方法，該方法具有較好的識別效率，但是其識別精確度比較低[3]。蔡舒妤等人提出了一種基于改進譜聚類的識別方法，該方法具有一定的識別作用，但是其精確度不高[4]。顏佩等人提出了一種基于小波系數Hu的識別方法，該方法能夠獲得較為準確的識別效果，但是其耗時比較長[5]。于是本文將研究一種基于魚群算法的識別方式，目的在于提高識別的準確度和效率。

1 運動員高強運動損傷圖像識別

1.1 損傷圖像處理

首先需要對運動損傷圖像進行灰度轉換操作，對于彩色的圖像，其中像素可以使用3個字節進行表征，并且其字節各自對應3個分量產生的亮度，其中3個分量分別用R、G和B表示，當3個分量都相同時，則為灰度圖像，反之，當不同時，則為彩色圖像，灰度值轉換公式如下所示：

Gray（i，J）=0.299.R（i，j）+ 0.587.G（i，j）+0.114-B（i，j）

經過轉換之后，圖像的24位圖像表征依然不會發生變化，該灰度轉換的主要作用是提高破損識別的效率。

1.2 圖像破損位置的輪廓提取和初步識別

為了提高破損識別的精確度，首先需要對其輪廓進行提取[6]。文章提取輪廓時將通過使用數學形態和自適應閥值化的方式進行，其中還使用到曲線擬合法從而獲取一條曲線，即為破損輪廓。

破損活動輪廓模型就是一種蛇形模型，能夠獲取破損部位輪廓，當蛇點處于一個平衡位置時，能量會處于一個非常小值，那么所獲得的輪廓將會收斂到識別破損部位邊緣，所以為了識別破損部位，需要使得輪廓能量達到一個非常小的值。輪廓能量表達公式如下所示：

E（C）=[αEin（C）+βEex（C）]Gray（i，j）

其中a和盧表示加權值，Eex（C）和Ein（C）分別表示外部能量和內部能量。獲得損傷輪廓之后，于是就可以通過使用K-L變換分析法對破損部位進行初步識別。

獲得輪廓之后，破損部分像素點數量，還有其他的相關信息都可以獲得，于是通過使用這些信息進行建立數字矩陣。在識別破損位置時，為了提高識其精確度，需要將圖像排成64的特征向量，其中排列采用按照列串接的方式。于是有m個圖像數量，X={x1，x2，…，xm}，于是計算圖像總體均值向量的公式為：

再通過下面公式對所有待識別圖像樣本和訓練樣本就散歐式距離，計算出所有的距離之后進行比較，選擇距離最小的樣本就是樣本初步識別結果。

2 基于魚群算法的損傷圖像破損位置像素計算

通過上文的分析，能夠初步的識別破損位置，但是還不能夠獲得精準部位，于是文章將通過使用魚群算法進行進一步識別，從而獲得更為精準的破損部分，并且計算出破損區域面積。

在圖像破損識別中使用魚群算法，就是將每一個解當做是一條魚，然后將所有的解構成一個解集[7-8]。在解集中尋求最終解時有2種方式，分別為以聚類中心為解和聚類結果為解。文章為了能夠提高識別精確度，于是使用聚類中心為解的方式。于是將全部聚類中心點的向量當做是每一條魚，即可用魚的位置狀態表示圖像中的任意像素點。于是可以用以下公式表示魚的目標函數：

經過聚類之后的圖像灰度像素值將會與原始的像素達到相對應的效果。進行聚類結果之后，從而實現了像素的彩色描繪，于是圖像中不同的色彩就會代表不同的表征。于是可以計算出像素RGB表征值，其計算法方式就是將每種類型的像素值GRB通量進行累計求和，然后除以總像素數量。

通過上述分析之后，損傷圖像相對比例面積可以用下面公式進行表示：

其中，D'表示的是圖像分辨率，H'和W'表示的不同方向上的像素數目，其中H'表示的垂直方向，W表示的是水平方向。

于是對原始圖像經過聚類分割處理之后，計算破損區域面積的方式就可以通過相關比例計算出來，其比例就是破損像素總數P和圖像總像素P'的比，所以破損部位類像素面積的公式如下所示：

體育運動員在運動過程中，人體的各個位置都可能出現損傷情況，比如肩關節損傷、腰背損傷、眼部損傷等[9]。通過上文所研究的基于魚群算法能夠精確的識別出運動員損傷部位，并且能夠提高識別的效率。為了進一步說明該方式的準確性和效率性，于是將對其進行實驗研究，從而驗證其應用效果。

3 實驗結果和分析

實驗中所需要的數據來源于某體院學院，選擇100位運動員作為實驗對象，其中運動員的相關信息如表1所示。

通過儀器檢查每個運動員身上損傷情況，目的在于收集相關數據，然后圖1為部分圖像實例透視圖。

通過實驗之后獲取相關數據，然后通過使用識別率和識別耗時來檢驗基于魚群算法的損傷圖像識別的效果。

1）識別率分析結果：為了突出本文所研究的識別方法的效果，于是選擇了其他識別方法作為對比試驗，圖2即為不同方法識別率對比。從圖中可以看出，圖2 （a）的識別率變化趨勢幅度較大，呈現先增大后降低的趨勢，并且其整體較低;圖2 （b）中識別率變化趨勢也相對比較大，于是可以說明該方式的可行性比較差，不能較好的識別出損失部位;而本文所研究的識別方式其識別率明顯比其他2種方式好，并且其變化趨勢比較平緩。基于魚群算法的運動員高強運動損傷圖像識別首先通過獲取損傷部位輪廓，然后再通過使用K-L變換分析法獲得破損部位的初步識別，于是為了增強識別的準確度，使用魚群算法對圖像進行分割處理，最終獲得精確度更高的破損識別部位。所以本文所研究的識別方式，相比于其他方法具有更好的可行性和魯棒性。

2）識別耗時分析結果：圖3為使用不同識別方法的耗時時間結果，從圖中可以看出，當待識別圖像的數量不同時，3種方法中基于魚群算法的識別方式耗時最短，從而可以得到結論為與另外2種方法相比，本文所研究的方法具有更快的識別效率。因為該方法在識別之前，經過了圖像灰度轉換，該步驟有利于提高識別效率。

4 結語

運動員在進行體育運動時難免會受到損傷，對其損傷圖片進行識別有利于提高運動員的治療效果。本文通過基于魚群算法對圖像破損部位進行識別，與另外2種識別方式，本文的方法有助于提高識別效率和準確度。運動員在運動時非常容易受傷，為了降低運動員受傷程度，在訓練過程中要嚴格按照動作標準進行，避免受到嚴重的損傷。

參考文獻

[1]鄧奎，許亮，熊曼麗，等，關節鏡技術下足球運動員半月板損傷的臨床研究[J].廣州體育學院學報，2016，036（05）：105-107.

[2]顧理琴，季秀霞，遠距離采集圖像損傷區域三維重建仿真研究（英文）[J].機床與液壓，2017，045 （012）：147-152.

[3]陳華，趙新民，譚喬來，等，基于線性判別分析與超聲圖像特征的組織損傷檢測方法[J].中國醫學影像技術，2016，032（011）：1757-1760.

[4]舒妤，師利中，一種改進譜聚類的機體損傷圖像過渡區提取方法[J].計算機輔助設計與圖形學學報，2016，28（10）：1732-739.

[5]顏佩，丁亞軍，錢盛友，等.基于小波系數Hu矩的生物組織損傷監測方法[J].電子測量與儀器學報，2016，030（007）：1062-1067.

[6]劉慧，楊更社，葉萬軍，等，基于CT圖像的凍結巖石冰含量及損傷特性分析[J].地下空間與工程學報，2016，12（4）：912-919.

[7]趙迪，徐志勝，基于MRSVD紅外熱像融合的混凝土結構火災損傷檢測方法[J].信息與控制，2017，46（1）：19-24.

[8]史衍，劉超峰，吳昊，功能解剖視角下女子柔道運動員常見運動損傷分析[J].首都體育學院學報，2017 （1）：53-57.

[9]呂海龍，張春合，向祖兵，網球運動員身體形態的非對稱性適應及損傷監控研究進展[J].體育科學，2017，037（009）：87-97.