存在冗余特征的Relief圖像缺陷識別算法研究

付琳

摘要： 提出一種針對存在冗余特征的Relief圖像缺陷識別算法，通過確定Relief圖像冗余特征權值，采用衡量圖像冗余特征與圖像缺陷的方式，分析兩者特征的關聯性。并基于紋理特征，對缺陷識別算法進行最終設計。此外，設計對比實驗，驗證提出的圖像缺陷識別算法應用到實際，可以滿足對缺陷識別的需求，可實現為Relief圖像提供更高的保障。

關鍵詞：冗余特征;Relief;圖像;缺陷識別;算法

中圖分類號：TP391.41? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）20-0106-02

進行圖像冗余特征識別是用于檢驗圖像缺陷的正確方式，獲取圖像內容，并準確的識別缺陷特征，在這一步驟中最重要的行為是提取冗余數據的特征數據子集。這項工作的實施不僅會影響到最終輸出圖像的質量，也會在一定程度上影響圖像特征分類效果。截至目前，科研市場中已經存在許多相關缺陷識別的技術，并在此項目的研究中，我國已取得了相對顯著的成果[1]。傳統的圖像缺陷識別工作中，通常采用PCA識別算法，此種算法可有效地分解數據矩陣，從而得到一種相對稀疏的圖像，在此圖像中，缺陷數據被放大，從而更容易被識別。盡管傳統算法也可實現對圖像缺陷的有效識別，但由于此過程尚未考慮存在冗余特征的圖像，導致對缺陷識別的結果準確率較低。為了更好地解決這種問題，有關研究學家再次提出了使用紋理特征識別的缺陷的方式，但提取圖像紋理的過程過于復雜，導致最終執行效果甚微[2]。基于此，本文將提出一種存在冗余特征的Relief圖像缺陷識別算法，利用傳統識別算法的優勢，采用對圖像進行降噪處理的方式，進行缺陷特征的有效識別，從而使圖像特征子數據精簡度較高，檢索數據范圍小，實現在真正意義上做到對存在冗余特征的Relief圖像缺陷的高效率識別。

1存在冗余特征的Relief圖像缺陷識別算法設計

1.1確定Relief圖像冗余特征權值

為了實現對圖像缺陷的有效識別，在設計相關算法前應先進行圖像冗余特征的提取。在此過程中，基于Relief圖像的特點，對圖像不同維度進行權值賦值，賦值行為主要體現在不同數據類別的相關性層面[3]。在完成Relief圖像迭代權值與訓練樣本的定義后，對其中高權重信息與低權值信息進行劃分，去除無用的低權值信息，保留高權值信息，將此信息作為Relief圖像的冗余特征，以此構建圖像特征信息集合。

在此基礎上，假定不同冗余特征之間均存在一定間隔，此時進行特征權值迭代，可采用維護圖像分類現狀為目標，將存在缺陷的特定面作為識別最大距離。進行存在冗余特征的Relief圖像間隔確定，表達式如下。

[θ=12x-Lx-x-Ex]? ? ? ? ? ? ? ? ? （1）

公式（1）中：E（x）表示為距離圖像x最近的同類冗余特征點;L（x）表示為與圖像x屬于非同一類型的同類冗余特征點。根據上述的計算公式，對圖像進行具體冗余點獲取，此過程表示為：使用m×n表示為多維度圖像矩陣，假定圖像中存在n個冗余特征，將定義的n值存入數據庫[4]。同時將待執行訓練的圖像中第i個冗余特征樣本置于圖像第N列中，假定圖像每行或每列的初始化特征權值表示為0，即Wj=0，則冗余特征樣本的數據集合可表示為j=1;2;3;…;N。

同時，假定存在冗余特征的Relief圖像中訓練樣本的總個數表示為n，則需在1～n之間對i值進行反復賦值，此時迭代權值的計算可用如下公式表示。

[wi+1j=wij-sameS，xi，Exin+diffY，xi，Lxin]? ? ? ? ?（2）

公式（2）中：[wij]表示為圖像的初始化權值;S與Y分別表示為對圖像抽樣過程中與[xi]同類與不同類的冗余樣本;[Exi]表示為與[xi]距離最近的坐標點;[Lxi]表示為與[xi]屬于不同類的最近坐標點。根據上述計算公式，在進行存在冗余特征的Relief圖像缺陷識別中，冗余特征樣本分別以同類數據與非同類數據的方式表達，因此可認為權值較大的特征數據集合之間冗余特征相似度較高;反之相似度較小，基于此，完成對Relief圖像冗余特征權值的確定[5]。

1.2分析圖像冗余特征與缺陷特征關聯性

在完成上述相關研究的基礎上，引入mRMR技術，對圖像冗余特征關聯性進行分析，為了進一步掌握冗余特征在圖像中的規律，采用對冗余特征進行降維處理的方式，選取圖像某一具備冗余特征的空間（此空間應相對目標類別具備一定相關性），采用信息反復交互的方式，進行圖像冗余特征與圖像缺陷的權衡[6]。上述提出圖像中的兩種特征分別使用G、V表示，則存在冗余特征的Relief圖像差準則融合計算可用如下計算公式表示。

[V=1Sxi∈SIxi;c?wi+1j]? ? ? ? ? ? ? ? ? ? ?（3）

[G=1Sxi，xi∈SIxi;S?wi+1j]? ? ? ? ? ? ? ? ? ? ? ? （4）

公式（3）（4）中：c表示為圖像目標缺陷類別;[Ixi;S]與[Ixi;c]分別表示為圖像冗余特征與缺陷特征之間的交互信息。根據上述計算公式，可將特征類別進行相互度的最大化處理，結合最大化處理行為，可得知缺陷變量y與z存在缺陷的概率密度函數。信息交互公式如下。

[Iy;z=ry，zlogry，zryrzd2yz]? ? ? ? ? ? ? ? ? ?（5）