基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法

劉 夢

（安陽職業(yè)技術(shù)學(xué)院，安陽 455008）

0 引言

基于視覺傳達(dá)的計算機相關(guān)技術(shù)在近年來得到了長足的發(fā)展，在人們的日常生活中能夠充分的體現(xiàn)出來。一些信息與數(shù)據(jù)的可視化即使也使得各行各業(yè)的工作模式產(chǎn)生了深刻的影響。機器視覺能夠利用圖像采集設(shè)備得到周圍的環(huán)境圖像，在視覺傳達(dá)技術(shù)下，將其轉(zhuǎn)換為機器能夠識別的信號。用電子計算機直接實現(xiàn)了對于視覺信息處理的整個過程，這就已經(jīng)形成了電子計算機視覺這門基礎(chǔ)性的學(xué)科。隨著電子信息技術(shù)飛速發(fā)展，這一門新興學(xué)科也慢慢地成為當(dāng)前正在研究的熱門課題。在一些復(fù)雜的圖像中，對其中的特征進行監(jiān)控成為了目前的研究重點，在一些重要的醫(yī)學(xué)、施工工程、生產(chǎn)工業(yè)等各個領(lǐng)域中應(yīng)用都非常廣泛。

對于復(fù)雜圖像的特征監(jiān)控來說，很多學(xué)者已經(jīng)在該領(lǐng)域做出了一些研究成果。一些研究中主要針對監(jiān)測物體的一元正態(tài)特點，在圖像上得到了特征屬性分布，進一步歸納出監(jiān)控目標(biāo)異常時的監(jiān)控數(shù)據(jù)統(tǒng)計特點[1]；在醫(yī)學(xué)影像方面中，將肺結(jié)節(jié)患者的復(fù)雜CT影像中分別在提取了基于NSDT CT和基于Contourlet變換的小波紋理參數(shù)，對高維紋理參數(shù)則是采用了簡單因子分析、Lasso回歸等技術(shù)手段進行了低維降維。但是以上的傳統(tǒng)特征監(jiān)控方法中，對于多個圖像不同分辨率下的特征處理效果較差，無法找到最合理的分塊數(shù)量，導(dǎo)致了監(jiān)控方法耗時長，效率低下，因此本文設(shè)計一種基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法。

1 基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法研究

1.1 分析復(fù)雜圖像結(jié)構(gòu)

在本文圖像結(jié)構(gòu)的分析方法中，主要采用的是在外結(jié)構(gòu)霍巴多利模型。不同于經(jīng)典的霍巴多利模型的復(fù)雜圖像分析方法，在外結(jié)構(gòu)霍巴多利模型中，需要重新描述復(fù)雜圖像的特征向量，因此霍巴多利模型的復(fù)雜圖像分析方法是由外結(jié)構(gòu)視覺子、偏移視覺子、和位移視覺子共同設(shè)置的[2]。下面對這些視覺子在圖像結(jié)構(gòu)中的分析作用進行詳細(xì)分析。

圖1中是以霍巴多利模型為基礎(chǔ)，在其中標(biāo)記了復(fù)雜圖像視覺子圖像塊的示意圖，圖中的實心圓表示復(fù)雜圖像中的正圖像塊所在位置，實心三角形表示復(fù)雜圖像中的負(fù)圖像塊所在位置。圖1中的圖像塊位置分析能夠體現(xiàn)出視覺子圖像塊在復(fù)雜圖像中的分布特點，為了準(zhǔn)確描述圖像塊外在的結(jié)構(gòu)屬性，并保證接收到的數(shù)據(jù)不發(fā)生失真，可以采用濾波響應(yīng)手段。濾波響應(yīng)一共兩組，一組主要用來破譯稀疏編碼，另一組則能夠隨意調(diào)節(jié)方向。視覺子圖像塊特征采用特征向量F（x，I）進行描述，其中I表示圖像編碼，通過濾波響應(yīng)完成稀疏表達(dá)學(xué)習(xí)后，完成濾波器組的濾波響應(yīng)，并在某點x處成為特征描述的向量。其特征向量可以表示為：

圖1 霍巴多利模型中復(fù)雜圖像視覺子圖像塊分析

式(1)中，x表示復(fù)雜圖像中的某點；fi表示使用的兩個濾波器組的代號，i的取值為1或2。Ij則表示圖像編碼中由于經(jīng)過了多尺度的測量和標(biāo)記，得到的第j個經(jīng)過處理的圖像[3]。

為保證復(fù)雜圖像特征能夠更加全面的處于監(jiān)控狀態(tài)，需要保證圖像外觀比較全面的暴露在監(jiān)控范圍內(nèi)。因此本文采用兩組濾波器組對復(fù)雜圖像進行卷積，在調(diào)整圖像方向的同時擴展特征向量，將濾波響應(yīng)轉(zhuǎn)換為可以監(jiān)控的特征，最終得到的復(fù)雜圖像外觀可監(jiān)控的特征視覺子可以表示為：

當(dāng)復(fù)雜圖像特征的線結(jié)構(gòu)的目標(biāo)中心被自動化監(jiān)控方法統(tǒng)一默認(rèn)為與旋轉(zhuǎn)中心重合時，圖像需要被監(jiān)控到的特征與目標(biāo)物體的定義中心也需要根據(jù)實際情況進行變化。當(dāng)且僅當(dāng)圖像塊位于目標(biāo)的邊界框內(nèi)，計算偏移才有意義[4]。僅僅與最近鄰的中心線點之間的距離才是有效的，這個中心線點距離雖然能夠描述出特征點的便宜情況，但是在實際的監(jiān)控應(yīng)用中，為了保證特征點的監(jiān)控精度，不可以將其直接作為特征點的偏移量代入計算。主要是由于中心線與特征點的切線的夾角范圍內(nèi)，特征點的位置會落在中心線上。這種情況下，中心線點距離在分量切向上的位置關(guān)系與中心線點之間不存在有效信息，因此，在實際情況中，圖像分析的法向分量情況如圖2所示。

圖2中，（a）表示多中心霍巴多利模型，以上圖為樣本，當(dāng)中心線與水平線的夾角為θ時，該絕對距離為dcosθ。假設(shè)發(fā)生的偏移為理想情況，此時中心線與水平線的夾角為0，（b）中的距離d表示特征圖像塊與中心線的絕對距離，有效距離為d。至此完成復(fù)雜圖像結(jié)構(gòu)的分析。

圖2 有效偏離位移示意圖

1.2 基于視覺傳達(dá)的圖像預(yù)處理

在對圖像進行采集、獲得、傳遞等處理時，所有圖像都是由不同的程度上可見或不可見的噪音“污染”造成的。噪音來源主要有電子噪音、光子噪音、斑點噪音及量化噪音。若是信噪比越來越小，低于標(biāo)準(zhǔn)規(guī)范的水平，那么噪聲一旦變得慢慢地轉(zhuǎn)化為一個小的可見顆粒形態(tài)，就很有可能直接造成影像質(zhì)量減弱[5]。除了影響到我們的視覺上影像質(zhì)量的減少，噪聲同樣也很有可能地遮擋和掩蓋了重要的影響力和其他影像細(xì)節(jié)，由于我們在工業(yè)現(xiàn)場所收集得到的影像，除了對于噪聲的嚴(yán)重干擾外，由于強烈的太陽光照、固定支架上影像機的震蕩以及影像的振動等各種環(huán)境因素，使得影像物體受到嚴(yán)重的污染，為此必須做出相應(yīng)的對策就是對圖像信號進行必要的去噪和處理，而濾波則是一種重要的去噪手段。本文使用的均值濾波操作由于其高頻特性，也會使邊緣變得模糊。設(shè)圖像f（m，n）有M×M個像素，用非加權(quán)均值濾波后得到的圖像為g（m，n）可以表示為：

式(3)中，N是（x，y）的去心鄰域，S為集合N包含的總像素數(shù)。在經(jīng)過加權(quán)均值濾波后，S值越大，即鄰域越大，則平滑效果越理想。除此之外，圖像二值化法在圖像預(yù)處理中也是非常重要的步驟，二值化處理能夠區(qū)別信息的可用度，突出有用的信息，在模式識別等方面都有著重要的應(yīng)用。當(dāng)對比度發(fā)生強烈變化時，圖像邊緣檢測點往往是圖像特征的斷點邊界，所以利用邊緣值的異常變化就能識別出特征信息并加以保存，去除掉無用的部分，可以大大的減少數(shù)據(jù)工作量。對圖像進行預(yù)處理是分辨圖像自動化特征成功的關(guān)鍵。

1.3 圖像特征自動化提取與監(jiān)控

從本質(zhì)上看，圖像特征是基于底層的圖像特征所組成的。目前專家大多將圖像特征分為一般全局特征和局部特征兩大類型。全局性特征雖然顯示特征全貌，但相對來講穩(wěn)定性較低，容易受到外界因素改變的影響，特征值會因此變化，全局性特征是指可以對一幅圖像的整體性有簡單描述，但對圖像中的細(xì)節(jié)部分很難精準(zhǔn)描述，對各種色彩紋理所處的空間位置難以精確表達(dá)的一種特征類型；局部特征是指圖像中特征明顯，有較為特殊本質(zhì)的特性，他們具有良好的可區(qū)分性，也相對獨立，不易因外界的因素變化而改變。在圖像的顏色特征中，表達(dá)圖像或者在圖像中某一個特征點時，顏色是重要的區(qū)分手段。通過對特征點顏色的辨識與分類，能夠?qū)D像中的位置變化進行確定，例如圖像的平移、收縮及方向上的變化[6]。顏色特征分類在特征點提取與匹配的過程中，圖像顏色在圖像灰度等方面都會有所差異，以此來構(gòu)成一個完整的圖像顏色。

相較于傳統(tǒng)監(jiān)控以時間順序為圖像數(shù)據(jù)序列的方法，本文中的圖像序列和圖像監(jiān)控并不以時間為排序方式，在提出多點監(jiān)控和雙向監(jiān)控的兩種途徑后，也得到了更為有效的監(jiān)控效果。包括前向監(jiān)控和后向監(jiān)控，兩種監(jiān)控方式所占的重要比例是根據(jù)模型學(xué)習(xí)過程中的規(guī)則界定的，該權(quán)重可以在兩者選擇匹配過程中的無效監(jiān)測降到最低，在常規(guī)情況下，能夠較好的減少監(jiān)控誤差。

2 實驗

為了驗證本文設(shè)計的基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法的有效性，本文需要設(shè)計實驗對特征監(jiān)控方法進行驗證。將基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法部署在具有若干節(jié)點的實驗平臺上，本文使用的是基于視覺傳達(dá)的圖像特征提取系統(tǒng)，實驗平臺的環(huán)境如表1所示。

表1 實驗環(huán)境參數(shù)

考慮到測試過程中的準(zhǔn)確率和有效性，需要將測試樣本多樣化。本文選擇不同分辨率的多個復(fù)雜圖像作為監(jiān)控對象，在測試過程中將復(fù)雜圖像進行轉(zhuǎn)碼，將其幀率轉(zhuǎn)換為34fps的流形式，并在實驗程序中來模擬真實工作過程中的處理場景對復(fù)雜圖像進行處理。測試中選擇了若干個參數(shù)不同的復(fù)雜圖像作為監(jiān)控樣本，其中部分復(fù)雜圖像的相關(guān)參數(shù)如表2所示。

表2 復(fù)雜圖像的相關(guān)參數(shù)

根據(jù)表2中的復(fù)雜圖像信息，分別使用本文設(shè)計的基于視覺傳達(dá)的復(fù)雜圖像自動化監(jiān)控方法和傳統(tǒng)的特征監(jiān)控方法進行處理，并對最終的實驗結(jié)果進行對比與分析。

復(fù)雜圖像的監(jiān)控效率取決于對特征的處理效率，在實驗中，傳統(tǒng)方法和本文方法在不同的復(fù)雜圖像中得到了不同的分塊數(shù)量和處理耗時，統(tǒng)計的實驗結(jié)果如表3所示。

從表3的實驗結(jié)果可以看出，在傳統(tǒng)的特征監(jiān)控方法中，對于不同分辨率的復(fù)雜圖像，都采用了相同的分塊數(shù)量，沒有針對性，因此導(dǎo)致了處理過程中耗時較長，造成處理效率低下，進一步影響監(jiān)控效果[7]。本文設(shè)計的自動化特征監(jiān)控方法中，能根據(jù)復(fù)雜圖像的具體特征點情況對圖像進行分塊，能夠達(dá)到較好的加速效果，驗證了本文方法的有效性。

表3 實驗結(jié)果對比與統(tǒng)計

3 結(jié)語

本文通過對復(fù)雜圖像自動化特征的研究，充分論證了基于視覺傳達(dá)的復(fù)雜圖像自動化特征監(jiān)控方法能顯著提高處理效率，并且具有良好的擴展性。隨著內(nèi)容的復(fù)雜度提高，可通過增加處理節(jié)點的方式擴展處理能力。