海量小差異圖像高精度挖掘算法設計

石麗怡+唐普霞

摘 要： 針對傳統的圖像挖掘算法對小差異性圖像特征挖掘精度不高的難題，提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，通過構建圖像的邊緣檢測和種子點分割模型，再采用小波降噪進行抗干擾處理，通過曲面約束進行相似圖像的解釋散點特征提取，根據海量小差異圖像的旋轉平移和尺度的不變性，實現對小差異圖像的特征分辨和高精度挖掘。實驗測試結果表明該算法能提高海量小差異圖像挖掘的精度。

關鍵詞： 圖像挖掘； 不變矩； 特征提取； 圖像降噪

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）01?0053?04

Abstract： Since the traditional image mining algorithm has low feature mining precision for the small?difference images， the massive small?difference images high?precision mining algorithm based on moment invariant feature extraction is proposed. The edge detection and seed point segmentation model was constructed for the image， and performed for anti?interference processing with the wavelet denoising. The similar image splashes feature is extracted by means of surface constraint to realize the small?difference images feature distinguishing and high?precision mining according to the rotation translation and scaling inva?riance of the massive small?difference images. The test results show that the algorithm can improve the mining accuracy of the massive small difference images.

Keywords： image mining； invariant moment； feature extraction； image denoising

0 引 言

隨著數字圖像處理技術的發展，圖像作為一種主要的信息載體，可提供很多潛在信息。圖像數據挖掘技術在軍事目標識別、故障診斷、人臉識別等領域具有較高的應用價值[1]。在圖像挖掘過程中，海量的小差異圖像會產生大量的相似挖掘目標，對于這類圖像的挖掘，需要分辨出小差異圖像之間的特征差異性，這給準確挖掘帶來較大困難。圖像數據挖掘等相關技術在故障分析、目標識別等軍事和民用領域中應用意義重大，相關的算法研究受到人們的重視[2?3]。

對海量小差異圖像挖掘的原理主要通過對圖像的規則重構和信息特征提取，進行圖像特征關聯，根據訓練樣本集進行訓練，實現圖像的分類識別。當前較多方法中對圖像特征提取和挖掘主要采用的是圖像角點特征匹配算法、圖像高階譜特征提取算法和圖像紋理分割算法等[4?5]，通過對圖像的紋理信息、角點信息和譜信息進行提取和分割，利用知識庫進行圖像的挖掘識別，取得了一定的研究成果。但還存在較大不足，需要進行進一步研究。

針對上述問題，本文提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，最后通過仿真實驗進行性能測試，展示了該算法的優越性能，得出有效性結論。

1 小差異圖像的邊緣檢測與分割

1.1 海量小差異圖像的邊緣檢測

為了實現圖像數據庫中的海量小差異圖像高精度挖掘，需要構建圖像的邊緣檢測和種子點分割模型。

采用正方形網格立體建模對海量小差異圖像進行網格內三角剖分[6]，假設為小差異圖像的已知特征點集合，其中為第個成像區域特征點大小為的灰度像素，為訓練樣本中的圖像個數。首先將每張小差異圖像分成塊不重疊的大小為的紋理特征序列子樣，按照三維成像數據的特征規則集順序排列得到個特征值，是向量量化參數對應的特征向量，為不規則三角網中像素差異值的中心距離，采用確定，而是的投影矩陣。在圖像數據庫中，海量小差異圖像在正方形網格立體建模中的第個投影矩陣可以描述為。構建種子點采用連續邊緣分割的方法對海量小差異圖像進行邊緣檢測，這一過程描述如圖1所示[7]。

對于海量小差異圖像，如果矩形圖像塊為矢量相交，即可以視為常數，那么，海量小差異圖像中像素鄰域與二維投影面上的真實圖像中的層面空間拓撲關系具有異質同構性。采用幾何不變矩特征分析方法，得到輸入數據的特征點為包含邊緣、豐富紋理的異質性區域，海量小差異圖像層位待插值點的取值由決定，從而使得對圖像的邊緣檢測過程轉化為取圖像不變矩特征的局部平均過程。

1.2 圖像種子點分割模型設計

假設海量小差異圖像的輪廓點為個子圖樣本的訓練樣本集，其中，為第個小差異圖像的種子點，用表示，。種子點分割模型的目標就是尋找個特征矩陣訓練海量小差異圖像的樣本集，并通過匹配濾波投影到個圖像像素的種子點散點特征空間中。種子點附近的邊緣規則信息可以被最大化，其中和分別表示原始的圖像通過種子點分割后投影到低維子空間的維數。因此，在種子點數據分析和邊緣檢測模型基礎上，得到海量小差異圖像種子點分割模型如圖2所示。

通過以上方法可以完成圖像的解釋散點特征提取，利用種子數據提取海量小差異圖像的幾何矩進行圖像特征挖掘。

2 圖像小波降噪及挖掘算法改進實現

2.1 小差異圖像小波降噪預處理

在分割模型設計完畢后，需要進行降噪處理。通過對圖像噪聲分析得出：當前的挖掘算法采用匹配投影檢測和差異性特征點提取方法，需要大量的先驗規則信息實現圖像挖掘，當先驗特征不足時挖掘性能不好。為了克服此弊端，引入不變矩特征，過程如下：

海量小差異圖像在數據存儲空間中的致密信息特征的分塊匹配無向圖為，其中是的非空子集。經過歸一化分割得到海量小差異圖像的仿射不變區域，在多媒體數據庫中，構建仿射不變區域，通過小波尺度分解，得到海量小差異圖像的噪點大于的二階矩和高階矩不變特征，分別記為和，用表示海量小差異圖像在成像仿射不變區域的候選特征，為了更好地實現對海量小差異圖像的特征提取，采用小波尺度分解得到圖像的降噪輸出模型為：

2.2 小差異特征的挖掘算法實現

在圖像降噪的基礎上進行特征提取，通過曲面約束進行圖像的解釋散點特征提取，可以最大程度地降低相似性的影響。利用種子數據提取海量小差異圖像的幾何矩[8?10]可完成挖掘優化。給出海量小差異圖像的一個測試樣本首先將海量小差異圖像的解釋散點分成塊進行區域匹配，然后將這些小塊建模為流形，把小差異圖像的幾何矩分別標記為塊特征：

式中：和分別表示海量小差異圖像的梯度水平幅值和豎直幅值；表示縮放因子；表示差異性旋轉角度。

通過上述算法設計，基于不變矩特征提取實現海量小差異圖像的高精度挖掘。

3 結果與分析

為了測試挖掘精度，設計仿真實驗，仿真實驗的硬件環境為：Intel 2.3 GHz CPU，2 GB內存，32位Windows 7系統的PC機。仿真實驗建立在開發環境為Matlab R2009a的仿真軟件之上，小差異圖像通過圖像采集設備進行連續圖像采集獲得，其中小差異圖像的成像大小為500×500像元，海量小差異圖像的集合不變矩的分辨率為0.4 m，種子點分割控制參數為相鄰幀點的小波尺度分解系數=0.53，塊匹配鄰域大小為8，圖像受到的干擾強度為-12 dB。

根據上述仿真環境和參數設定，進行海量小差異圖像的處理和挖掘仿真，以某大型工件設備圖像采集為研究對象，得到原始的小差異圖像采樣結果如圖3所示。

以圖3中的小差異圖像為研究對象，對圖像采用小波降噪進行抗干擾處理，通過曲面約束進行圖像的解釋散點特征提取，利用種子數據提取海量小差異圖像的幾何矩，得到特征提取結果如圖4所示。

從圖4可見，根據海量小差異圖像的旋轉平移和尺度的不變性，得到圖像的不變幾何矩特征，實現對小差異圖像的特征分辨，提高了圖像挖掘性能。為了定量分析本文算法的性能，采用本文方法和傳統方法，以圖像挖掘的目標模板中心位置匹配誤差為測試指標，得到對比結果如圖5所示。

從圖5可見，采用本文算法進行海量小差異圖像的特征提取和挖掘，提高了挖掘精度，誤差的振蕩較低，性能較好，最后，以圖像挖掘的均值誤差和執行時間為測試指標，得到的對比結果見表1。

從表1的結果可見，采用本文算法進行海量小差異圖像挖掘，匹配精度較高，均值誤差較低，執行時間最短，展示了本文算法的優越性能。

4 結 語

海量小差異圖像存儲于圖像數據庫中，對這類圖像的高精度挖掘，分辨出小差異圖像之間的特征差異性，將在故障診斷和圖像識別等領域中具有較好的應用前景。本文提出一種基于不變矩特征提取的海量小差異圖像高精度挖掘算法，構建海量小差異圖像的邊緣檢測和種子點分割模型對圖像采用小波降噪進行抗干擾處理，通過曲面約束進行圖像的解釋散點特征提取，利用種子數據提取海量小差異圖像的幾何矩，根據海量小差異圖像的旋轉平移和尺度的不變性得到圖像的不變矩特征，實現對小差異圖像的特征分辨，實現小差異圖像的高精度挖掘，最后通過仿真實驗進行性能測試。研究結果表明，采用本文算法進行海量小差異圖像的挖掘和特征提取，誤差較低，性能較好，提高了圖像挖掘和特征匹配的精度，計算開銷較小，提高了圖像識別的實時性，性能優于傳統方法。

參考文獻

[1] 陸興華，張曉軍.人員圖像跟蹤過程中多人交叉區域防丟失方法[J].計算機仿真，2014，31（9）：243?246.

[2] 周勇，甘新年，胡光波，等.魚雷制導控制系統多通道控制加權算法設計[J].現代電子技術，2014，37（19）：14?17.

[3] LIU Zhi， ZHANG Xiang， LUO Shuhua， et al. Superpixel?based spatiotemporal saliency detection [J]. IEEE transactions on circuits and systems for video technology， 2014， 24（9）： 1522?1540.

[4] ACHANTA R， SHAJI A， SMITH K， et al. SLIC superpixels compared to state?of?the?art super pixel methods [J]. IEEE transactions on pattern analysis and machine intelligence， 2012， 34（11）： 2274?2281.

[5] KARLSSON J， ROWE W， XU L， et al. Fast missing?data IAA with application to notched spectrum SAR [J]. IEEE transactions on aerospace electronic systems， 2014， 50（2）： 959?971.

[6] PARK H R， LI J. Sparse covariance?based high resolution time delay estimation for spread spectrum signals [J]. Electronics letters， 2015， 51（2）： 155?157.

[7] 馬俊濤，高梅國，董健.基于稀疏迭代協方差估計的缺失數據譜分析及時域重建方法[J].電子與信息學報，2016，38（6）：1431?1437.

[8] 余淮，楊文.一種無人機航拍影像快速特征提取與匹配算法[J].電子與信息學報，2016，38（3）：509?516.

[9] 郭復勝，高偉.基于輔助信息的無人機圖像批處理三維重建方法[J].自動化學報，2013，39（6）：834?845.

[10] 李德仁，李明.無人機遙感系統的研究進展與應用前景[J].武漢大學學報（信息科學版），2014，39（5）：505?513.