融合顯著信息的白色污染圖像自動標(biāo)注算法

汪 理，李光輝，陳吹信*

(1. 廣州理工學(xué)院電氣與電子工程學(xué)院，廣東 廣州 510540；2. 三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002)

1 引言

在大數(shù)據(jù)時代，用戶能夠訪問獲取的信息資源量巨大，圖像能夠反映出的信息更加易懂，更受人們青睞，因而被廣泛應(yīng)用?；ヂ?lián)網(wǎng)平臺中每天會產(chǎn)生大量的圖像和視頻信息，為了更加高效地對大規(guī)模圖像信息資源進行提取并應(yīng)用，圖像檢測變得尤為重要。

柯逍等人[1]提出一種基于數(shù)據(jù)集學(xué)習(xí)機的圖像自動標(biāo)注模型。首先，對公共圖像庫的訓(xùn)練集數(shù)據(jù)進行圖像自動分割，選擇分割后相應(yīng)的標(biāo)注詞，并根據(jù)綜合距離的圖像特征匹配算法進行自動匹配以形成不同類別的訓(xùn)練集。通過蒙特卡羅數(shù)據(jù)集均衡算法使得各個標(biāo)注詞間的數(shù)據(jù)規(guī)模大體一致。然后引入多尺度特征融合算法，對不同標(biāo)注詞圖像進行有效的特征提取。最后，運用魯棒性增量極限學(xué)習(xí)，提高了判別模型的準(zhǔn)確性。實驗結(jié)果表明：該模型能夠?qū)D像實施自動標(biāo)注，具有較高準(zhǔn)確性。張鵬飛等人[2]提出一種基于集成GMM聚類的少標(biāo)記樣本圖像分類方法，通過一定的規(guī)則給未標(biāo)記數(shù)據(jù)賦予標(biāo)簽，將未標(biāo)記數(shù)據(jù)轉(zhuǎn)換成已標(biāo)記數(shù)據(jù)用于模型的訓(xùn)練。在手寫數(shù)字識別數(shù)據(jù)集上進行實驗，最終獲得標(biāo)記圖像。實驗結(jié)果表明：該算法在少標(biāo)記樣本的情況下，結(jié)合集成GMM聚類的方法比只采用有標(biāo)記樣本訓(xùn)練得到的模型分類準(zhǔn)確率具有較大提高。

由于白色污染圖像邊緣較為模糊，又容易受到外界環(huán)境影響，導(dǎo)致特征提取困難，上述方法需要耗費大量時間才能標(biāo)注目標(biāo)，并且精準(zhǔn)度較低，很難被廣泛應(yīng)用。因此，提出融合顯著信息的白色污染圖像自動標(biāo)注算法。該算法先對顯著性信息進行提取并實施修正，然后對白色污染圖像進行正則化處理，使白色污染圖像中的顯著目標(biāo)一致性得到了增強，從而有效解決了傳統(tǒng)方法不能精準(zhǔn)獲取目標(biāo)信息的問題。再將FCM算法和遺傳算法相結(jié)合，消除聚類中心收斂至極值的現(xiàn)象，從而改善傳統(tǒng)方法標(biāo)注結(jié)果不精準(zhǔn)的問題。依據(jù)SimMSVM代入損失函數(shù)進行優(yōu)化，從而實現(xiàn)圖像的自動標(biāo)注。實驗結(jié)果表明：所提算法具有更好的標(biāo)注效果，更加節(jié)省時間。

2 融合顯著信息檢測

2.1 全局顯著性信息提取

為了使計算機自動分析出圖像中區(qū)域的顯著性和重要性，根據(jù)RC算法提取到顯著性信息，顯著圖作為輸入圖像內(nèi)像素顯著值高低的灰度圖，灰度值越大說明相對應(yīng)像素的顯著性越高[3，4]。

采用RC算法對圖像進行分割，然后對各個區(qū)域?qū)嵤┨卣魈崛〔⑦\算出顯著值。任意區(qū)域ri的顯著性是根據(jù)整體區(qū)域加權(quán)距離總和進行判斷的，其表達式如下

(1)

式中，ω(rj)為區(qū)域rj的權(quán)重值，其是根據(jù)區(qū)域rj的像素數(shù)取決的，Dr(ri，rj)為ri和rj兩者間的間距。

2.2 物體級別先驗信息的融合

在融合顯著性信息的過程中，由于圖像具有復(fù)雜性，單一級別的檢測方法很難獲得明確的顯著圖，需要運用分層分割對圖像具體信息進行識別[5]。

運用譜聚類算法將中級別超像素聚類成物體級別的區(qū)域分割，即O={O1，O2，…，Om}。依據(jù)K個特征向量，形成K個系列，運用聚類算法對圖像進行分割。

根據(jù)分層分割定理，運用物體級別信息先驗方法，當(dāng)背景區(qū)域被合理劃分為多個部分，那么中級別背景先驗將很難對顯著物體進行區(qū)分，當(dāng)目標(biāo)與物體兩者間的流形間距較短，需要調(diào)節(jié)原始顯著圖，設(shè)定出一個邊界先驗[6]。將物體級別劃分的四周與圖像邊界設(shè)置為L0與Lb。依據(jù)兩者間的相交比例，描繪物體背景區(qū)域的概率，其表達式為

(2)

式中，LOi為邊界集合內(nèi)像素的個數(shù)。若中級碎片R處于相同物體級別O內(nèi)含有同樣的先驗值，故Pp(Ri)=Pp(Oi)，則物體級先驗信息能夠有效地增強顯著性目標(biāo)的一致性。

運用物體級的先驗信息對超像素級別下的顯著性實施進一步修正，得出公式為

M(Ri)=(Ri)Pp(Oi)

(3)

融合顯著信息能夠有效地抑制噪聲對顯著信息的影響。

3 白色污染圖像自動標(biāo)注算法

3.1 白色污染圖像正則化約束

大多數(shù)圖像的退化是通過線性退化系統(tǒng)K進行的，輸入圖像經(jīng)過系統(tǒng)對應(yīng)輸出圖像，得出圖像退化的連續(xù)線性系統(tǒng)表達式為

y=x·h+n·M(Ri)

(4)

式中，y為模糊噪聲圖像，h為不確定的點擴散函數(shù)，x為原始圖像。

充分考慮圖像的特性，合理運用邊緣檢測濾波器組dθ獲得圖像邊緣的具體信息，其表達式為

(5)

式中，Θ為濾波器整體方向集合；dθ作為濾波器組中一項權(quán)重的差分手段，合理運用大量相近點之間的細節(jié)信息，能夠獲得大量的邊緣具體信息[7]。為了能夠更好地保持圖像邊緣的具體信息，采用權(quán)重全變差范數(shù)對圖像進行正則化約束，得出公式如下

(6)

針對連續(xù)平滑性，需要確保支持域的連續(xù)性與平滑性，從而使正則化約束時的連續(xù)平滑性得到保障，模糊退化函數(shù)的表達式為

(7)

將Φ2(h)轉(zhuǎn)變成高斯模糊正則化約束性，然后把參數(shù)λ2與λ3進行適當(dāng)調(diào)節(jié)，能夠獲取模糊退化函數(shù)的稀疏性與連續(xù)平滑性；兩者間的平衡可對后續(xù)圖像的自動標(biāo)注作鋪墊，在迭代的過程中，運用函數(shù)對原始圖像實施正則化約束處理[8]。

3.2 基于遺傳算法和FCM的圖像自動標(biāo)注

為了能夠?qū)D像自動標(biāo)注，更快速地實現(xiàn)聚類，需要采取具有較高性能的圖像底層視覺特征信息，分別為HSV非均勻量化直方圖具有16維，RGB顏色矩具有72維，以及SIFT特征具有128維。

FCM聚類算法主要是把圖像特征數(shù)據(jù)X=(x1，x2，…，xn)分割成c個模糊組，再通過合理運算獲得各組的聚類中心V=(υ1，υ2，…，υc)，從而使所得準(zhǔn)則函數(shù)呈現(xiàn)出最小化，故J的表達式為

(8)

式中，i，j為圖像x內(nèi)像素點的坐標(biāo)；υi為模糊組i的聚類中心；dij(υi，xj)為i個聚類中心υi至j個數(shù)據(jù)點xj的歐式距離；m為常數(shù)，其取值為2。通過式(8)可得出U的取值范圍為

(9)

通過Lagrange乘數(shù)法，使準(zhǔn)則函數(shù)J(U，υ1，…，υc)的值達至最小化，其表達式為

(10)

通過上述公式能夠得出，F(xiàn)CM聚類算法作為局部動態(tài)優(yōu)化算法，擁有簡單的迭代過程，并且對初始值選擇要求較高[9]。若初始值選取時存在誤差，那么很容易導(dǎo)致所得聚類正確率較低的情況發(fā)生，因此，運用遺傳算法對提取的特征向量進一步實施聚類分析。

遺傳算法是通過模擬進化進行運算的方法，具有廣泛的應(yīng)用性。將遺傳算法與FCM算法兩者相結(jié)合，利用遺傳算法的全局優(yōu)化性能，在很大程度上改善FCM算法收斂性能較差的問題。兩種算法結(jié)合主要是通過FCM算法快速將數(shù)據(jù)集X內(nèi)c個模糊組導(dǎo)向其極值點，然后根據(jù)遺傳算子去除聚類中心收斂過度的現(xiàn)象，進一步實施反復(fù)搜索，最終獲得最優(yōu)解的過程。算法的具體流程如圖1所示。

圖1 算法流程圖

按照c個ω維聚類中心的取值區(qū)間，將其實施二進制編碼成基因串B={β1，β2，…，βn}(n=c×ω)。設(shè)置D代表聚類中心任意維數(shù)的十進制數(shù)，即D∈(-B，B)，那么把D編碼成16位的二進制數(shù)，其表達式為

(11)

然后運用生成隨機數(shù)的機制，隨機生成chr個個體代表初始群體P(0)。

再運算出c類內(nèi)每個個體的適應(yīng)度，表達式如下

(12)

實施選擇算子，運用蒙特卡羅方法，獲取選擇概率Pi，其表達式為

(13)

實施交叉算子，當(dāng)交叉概率Pc的值較大，會導(dǎo)致新個體生產(chǎn)速度變得較快，且過大容易破壞染色體結(jié)構(gòu)，過小會造成搜索緩慢。因此，交叉算子根據(jù)自適應(yīng)選擇，則交叉概率Pc的表達式為

(14)

式中，Pc1為最大交叉概率，其取值為0.9。Pc2為最小交叉概率，其取值為0.6。faυg為平均適應(yīng)度，fmax為最大適應(yīng)度。

實施變異算子，當(dāng)變異概率Pm的值較大，會呈現(xiàn)出隨機搜索現(xiàn)象。當(dāng)變異概率Pm較小，則很難生成新的染色體結(jié)構(gòu)。因此，變異算子需根據(jù)自適應(yīng)選擇，變異概率Pm的表達式如下

(15)

式中，Pm1為最大變異概率，其取值為0.1。Pm2為最小變異概率，其取值為0.001。faυg為群體平均適應(yīng)度，fmax為群體最大適應(yīng)度。

3.3 圖像自動標(biāo)注

在結(jié)合FCM算法與遺傳算子的基礎(chǔ)上，獲得了各個模糊組的聚類中心，并消除了聚類中心收斂至極值的現(xiàn)象，從而得到了最優(yōu)解。以此為基礎(chǔ)，通過SimMSVM建立多類支持向量機，引入損失函數(shù)實施優(yōu)化，經(jīng)過逐步運算，實現(xiàn)白色污染圖像的自動標(biāo)注。

SimMSVM作為能夠達到多類支持向量機的分類模型，被廣泛地適用于圖像處理當(dāng)中。其具體定義如下：

首先，代入新的損失函數(shù)，其表達式為

(16)

然后，通過損失函數(shù)，對SimMSVM實施優(yōu)化

(17)

再運用Lagrange算子運算出二次優(yōu)化式，獲得對偶形式的表達式為

(18)

最后，獲得SimMSVM的類判別函數(shù)，其公式如下

(19)

通過上述公式的推理運算，能夠快速獲得白色污染圖像自動標(biāo)注。

4 實驗結(jié)果分析

為了驗證所提方法的高效性，在多維網(wǎng)絡(luò)平臺上進行研究分析。通過為Windows10的操作系統(tǒng)運用Matlab2010軟件進行實驗，選用Corel圖像庫內(nèi)300組不同形態(tài)的圖像，每幅圖像與1～5個標(biāo)準(zhǔn)詞相關(guān)聯(lián)。將所提算法與文獻[1]和文獻[2]方法的性能進行比較分析，結(jié)果如表1所示。

表1 圖像自動標(biāo)注性能對比

分析表1中數(shù)據(jù)可以得出，相比之下，所提算法具有更高的標(biāo)注精度。這是由于所提算法通過具有較高性能的圖像底層視覺特征信息實現(xiàn)快速聚類，從而實現(xiàn)了對圖像的自動標(biāo)注，提高了標(biāo)注效果。

由于圖像生成概率等于區(qū)域生成概率的面積，而且每一幅圖像中所包含的區(qū)域個數(shù)是固定的，因此，需要將所提算法與其它兩種方法進行對比分析，進一步驗證所提算法的效率。具體對比內(nèi)容如圖2所示。

圖2 標(biāo)注時間對比圖

從圖2中可知，采用所提算法進行圖像自動標(biāo)注的運算時間更短，其最長運算時間為4.8s，而文獻1方法的最長運算時間為10.0s，文獻1方法的最長運算時間為8.7s。相比其它兩種方法，所提算法更加節(jié)省時間和成本，具有顯著優(yōu)越性。

為了驗證所提算法的圖像標(biāo)注效果，對比所提算法與文獻[1]方法的對比結(jié)果，如圖3所示。

圖3 圖像標(biāo)注效果對比

分析圖3(c)可知，所提算法能夠標(biāo)注出原始圖像中的牛、房子、樹木、繩子等物體，而文獻[1]方法僅能標(biāo)注出牛、樹木與部分房子，標(biāo)注的物體不夠全面。通過對比結(jié)果可知，所提算法能夠有效識別出圖像中的目標(biāo)信息。由于白色污染圖像特征較為淺顯、邊緣具有模糊性，所提算法通過RC算法提取出了圖像中的顯著性信息，并增強了顯著性的目標(biāo)一致性，從而精準(zhǔn)獲取到了目標(biāo)信息，提升了標(biāo)注結(jié)果的精準(zhǔn)性。

5 結(jié)論

為了解決傳統(tǒng)方法對白色污染圖像標(biāo)注效果不佳的問題，提出一種融合顯著信息的白色污染圖像自動標(biāo)注算法，本文的主要研究內(nèi)容如下：

1)通過RC算法提取顯著性信息，對物體先驗信息進行融合，增強顯著性。

2)對白色污染圖像進行正則化處理，為自動標(biāo)注打下基礎(chǔ)。

3)通過遺傳算法和FCM算法的結(jié)合，實現(xiàn)消除聚類中心收斂至極值現(xiàn)象的目的。

4)在SimMSVM自動標(biāo)注中引入損失函數(shù)，進行合理運算，實現(xiàn)對白色污染圖像的快速標(biāo)注。

5)分析實驗結(jié)果可知，所提算法在進行圖像標(biāo)注時，最長運算時間僅為4.8s，遠低于傳統(tǒng)方法，并且該方法的標(biāo)注效果優(yōu)于傳統(tǒng)方法，說明所提算法具有較高的準(zhǔn)確性，并且標(biāo)注效果較好。