基于灰度編碼和Hamming網絡的彩色圖像識別方法研究

楊子涵

摘要

圖像在人們的信息獲取過程中發揮著重要的作用。視覺感官系統是人們獲取圖像所反映的信息的重要載體。近年來，對于計算機視覺、圖像識別等方向的研究越來越受到各界學者的重視，相關的研究成果也層出不窮。人們對圖像內容的認知過程其實是人們對現有的知識經驗進行應用的過程，相比之下，利用計算機進行圖像識別則是一個相對更加復雜的問題，其核心問題在于兩個方面，首先是對于圖像中主體內容的識別與定位，其次是巨大的運算量需要更加合適的識別算法。本文將主要對第二個問題進行討論，對基于灰度編碼的彩色圖像識別方法進行了討論。基于灰度化編碼的彩色圖像識別方法可以有效降低圖片信息量并且保留大部分有效圖片信息，另一方Hamming網絡可以加快圖像識別速度。

【關鍵詞】計算機視覺 彩色圖像識別 灰度轉化編碼 Hamming網絡

隨著計算機技術的發展，人們對于計算機的應用愈加廣泛。其中計算機視覺是近年來研究的重要熱點之一，因為其具有廣泛的應用場景，如圖像識別、視頻識別，以及VR建模等。計算機視覺技術的核心是基于人體視覺感官系統的，視覺感官系統在人們的日常生活中發揮著重要的作用。圖像認知是人們獲取信息的重要途徑。出于圖像認知的需要，人們開始利用計算機技術模擬自身認識圖像和理解圖像的能力。其中基于計算機視覺的彩色圖像識別技術主要有兩個步驟，首先是將彩色圖像進行灰度轉化，將冗余的色度信息正則化成單一的灰度信息，可以在保留大部分圖片信息的基礎上降低圖片運算量;第二步是將圖片主體信息進行識別和定位，識別問題往往是分類問題，分類算法的研究目標則是提高識別準確率并減少運算時間。基于灰度化編碼的彩色圖像識別方法的研究工作的開展，可以為人工神經網絡技術的發展提供一定的保障。

1 圖像識別的簡要概述

1.1 主要組成

圖像是一種重要的信息來源，人類獲取的信息大約75%來自視覺。圖像識別技術是指借助計算機技術將待識別對象分配至各自的模式類別之中。圖像識別技術應用場景廣泛，除了對彩色圖片中內容進行識別和分類外，圖像識別還可以應用到文字識別之中。文字識別主要指的是對數字與符號的識別，如印刷體文字識別與手寫體文字識別。另一方面，圖像識別技術可以應用于圖片的時序序列，即視頻識別，對關鍵幀的定位現在成為了重要的計算機視覺研究方向之一。

圖像往往可以帶給人們一種語言文字難以達到的直觀感覺。一般情況下，圖像可以分為直觀視覺圖像和間接轉換圖像兩種類型，現實生活中常見的圖片和文字可以納入到直觀視覺圖像范疇之中，語言、聲音等內容可以納入到間接轉換圖像之中。另外，根據顏色和灰度值等信息，人們可以將圖像分為二值圖像、灰度圖像、索引圖像和真彩色RGB圖像等多種圖像。

1.2 常用技術

圖像數字化技術、圖像存儲技術和圖像識別技術是圖像領域或者計算機視覺領域中的常用技術。圖像數字化技術具有將圖像模擬信號采樣為數字圖像的作用，從而便于編輯和計算。圖像存儲技術建立在圖像編碼技術基礎之上，有效的無損壓縮或有損壓縮，可以使使圖像體積縮小，從而方便存儲于傳輸。圖像識別技術則是指通過主成分分析（PCA）和神經網絡（NT）等算法，識別、分類圖片信息的技術，目前該技術與機器學習的發展息息相關。

2 顏色空間

2.1 RGB顏色空間

作為最常見的顏色空間，RGB是指通過紅（Red）、綠（Green）、藍（Blue）三原色對圖像顏色進行描述，通過對三種不同顏色的疊加，RGB顏色空間展現出不同顏色顯示。根據人眼識別到的顏色，RGB三個顏色信道分別分為256個等級，即[0，255]，共計16777216種顏色組合。

2.2 HSI顏色空間

HIS是由色度（Hue）、飽和度（Saturation）和亮度（Intensity）組成。色度定義了顏色的屬性和波長，飽和度定義了顏色的深淺，而亮度定義了顏色的強度。由于人對亮度的敏感程度高于對色度的明暗程度，故而相比RGB，HIS顏色空間更符合人們描述和解釋顏色的方式，也更適用于人的視覺系統。

在彩色圖像處理中，常見的做法之一就是顏色空間的轉換，下列公式即為RGB向HSI坐標轉換的公式。

3 彩色圖像灰度化

3.1 經驗公式

彩色圖像承載的信息是充足，但往往也存在著冗余，圖像中許多關鍵信息即使失去了顏色，也可以被正確的表達出，喪失一些色彩的完整性不意味著關鍵信息的丟失。另一方面，從理論上講一個彩色像素點需要24位字節來表示，而灰度圖像只需要8位，如果可以在保證圖像關鍵信息不丟失的情況下，將彩色圖像轉化為灰度圖像，那么將有2/3的圖像尺寸會被減少，這就意味著每張圖像將占用更小的存儲空間以及擁有更快速的處理速度。

這種將彩色圖像轉化為灰度圖像的有損壓縮方式主要基于三個基礎。首先，灰度圖像需要保留原有彩色圖像的重要特征;其次，圖像的主要壓縮成分應該是原有彩色圖像中冗余信息的部分，而并非關鍵信息部分;第三灰度圖像中的圖像信息主要是由像素點量度決定。

基于圖像灰度化原理和大量實驗經驗，RGB顏色空間下的彩色圖像灰度化經驗公式為Y=0.2998+0.5876+0.114B，其中Y表示圖像的亮度信息，取值[0，255]共256個等級。由公式可以明顯得出，彩色圖像的灰度化是個不可逆過程，即僅知灰度圖像信息是無法將其還原成彩色圖像的。

3.2 LAB模型

除此之外，RGB圖像向灰度的轉變可以通過LAB模型，LAB模型在灰度轉化過程中發揮著轉化中介的作用。所謂的LAB色彩空間是國際照明委員會制定的一種色彩模式，其中L表示的內容為亮度、A表示的內容為紅色至綠色的范圍;B表示的內容為黃色至藍色的范圍。LAB顏色空間擁有著寬闊的色域和豐富的色彩，它不僅包含了RGB的所有色域，還能表現出更多的色彩。通常來說，人的肉眼能感知的所有色彩，都可以通過LAB模型表現出來。同時，在實際應用過程中表現出來的不依賴設備的色彩特性的優勢，也是灰度轉換以LAB為轉換中介的主要原因。

通過LAB模型將RGB圖像灰度化主要分為五個步驟，首先是將RGB圖像轉換成三刺激值XYZ;再將XYZ轉化為LAB模型;在LAB模型中將A，B兩元素歸零，只保留L的值;將此時的LAB模型返回成RGB模型并生成一個等值的RGB灰階;最后根據該灰階生成相應的灰度K。

其中r，g，b為彩色圖像的三個通道，取值為[0，255]，gamma函數不唯一，主要是用于對圖像進行非線性色調編輯，目的是調高圖像對比度。之后利用轉換矩陣進行XYZ轉換，其中轉換矩陣通常為

其中X₀，Y₀，Z₀的默認值分別為95.047，100.0，108.883。

在不同的RGB空間，所用的灰階計算公式不同，常見的RGB空間有簡化sRGB，Adobe RGB，Apple RGB等。

圖1展示的是RGB顏色空間下經各方法處理后的灰度譜，通過圖片我們可以發現經驗公式帶來的灰度化會導致顏色在純色部分相對較暗混色部分相對較涼，而LAB模型下的灰度化更加均勻，更加貼近人類視覺。

現階段圖像灰度化轉換已經成為了圖像處理研究領域的基礎環節，在圖像分割、圖像特征提取和模式識別等圖像處理工作開始之前，人們通常需要將原始圖像轉化為灰度圖像。

4 Hamming網絡識別圖像

人工神經網絡，亦稱為神經網絡，是由大量處理單元廣泛互連而成的網絡，是模擬人類實際神經網絡的數學方法。目前常見的神經網絡模型有幾十種，比如MP模型，Perceptron，自適應線性元件網絡，Hopfield，Hamming等。其中MP模型是一種將神經元視為二值開關元件的邏輯神經元模型，通過二值開關元件的不同組合方式完成多種邏輯運算;Perceptron網絡系統為感知機系統;自適應線性元件網絡系統為神經元只有一個線性激活函數的神經網絡模型;而Hopfield和Hamming較適于圖像的識別。Hamming網絡的結構簡單，并能識別帶有干擾信號的模式。而且對于同樣的輸入模式，Hamming網絡與Hopfield網絡相比，網絡內的連接要少得多。Hamming網絡的另一個優點是在識別時通常不會沒有結果，而Hopfield網絡卻常常會識別不出結果。鑒于Hamming網絡的諸多優點和本文的灰度化編碼方式，本文采用Hamming網絡進行彩色圖像識別。圖2所示的內容為Hamming網絡的拓撲結構。

Hamming網絡的拓撲結構層可以分為上、中、下三層，最下層為輸入層，中層為節點層，上層為輸出層。X₁，X₂，…，X_N表示的內容為輸入值，Y₁，Y₂，…，Y_N表示的內容為輸出值。

Hamming網絡工作過程分為學習（訓練）階段和識別階段，學習階段可以在用戶輸入所要識別的模式的全集以后，讓網絡認識并記憶此類樣本。Hamming網絡的具體算法如下。假定圖像有N個像素點，待識別圖像的數量為M，此時可以得出以下關系：

其中x_ij為輸入第j幅圖像時，第i個節點的輸出值。在輸入未知值時，我們計算

其中，x_i為輸入未知模式時第i個節點的輸入值，U_j（0）表示第j個節點在。時刻的輸出值。之后將U_j（t+1）迭代計算至只有一個輸出值為正，即

迭代結束時，如果U_j為正，則輸入的未知模式將被識別為第j個樣本模式。

Hamming網絡在識別未知輸入模式中發揮著重要的作用，因此基于Hamming網絡的Hamming碼同時可以應用在自動檢測及對計算機存儲或移動數據過程中出現的現行錯誤糾正中。自20世紀50年代以來，Hamming碼在系統可靠性提升過程中得到了較為廣泛的應用。從Hamming碼的特點來看，它也對奇偶校驗位概念進行了應用。基于Hamming碼的系統可以通過在數據位后面增加一些位的方式，對數據的有效性進行驗證。在驗證數據有效性的同時，Hamming碼也可以在數據出錯的情況下，對錯誤位置進行明確。

5 實驗分析

圖3所示的內容為圖像識別系統的用例視圖。

預處理階段和Hamming網絡工作階段是圖像識別系統中的兩大重要階段。預處理階段是人們借助CDI+技術對原始圖像進行壓縮處理的階段。GDI+是基于C++類的面向對象的應用程序編程接口，主要任務是通過調用函數處理圖像信息。在壓縮處理工作完成以后，人們需要在保留有包含有色度信息的彩色圖像灰度化編碼的基礎上，對圖像進行灰度化處理，并要在對圖像模糊處理結果進行分析的基礎上，完成訓練樣本的確定，以便借助Hamming網絡體系對樣本信息進行識別。

5.1 建立彩色圖像數據庫

出于實驗需要，實驗過程中所使用的圖像均來源于人臉圖像識別信息庫，實驗過程中使用的最小的圖片為116X156的圖片，最大的圖片為201X311的圖片。圖4所示的內容為實驗過程中使用的樣張。

5.2 圖像預處理

圖像預處理環節主要分成三部分，圖像壓縮，圖像灰度化以及圖像平滑。如圖5所示，先將圖像通過GDI+中的函數進行壓縮，統一成24X18的圖像集合。之后將壓縮好的圖像按照上文中介紹的灰度化方法進行灰度化處理。最后利用9點平滑法和25點平滑法對灰度化后的圖像進行模糊處理。9點平滑法是指以每個像素點為中心，建立3X3矩陣為平滑模板，以模板的平均灰度值代替原像素點的灰度值進行模糊處理，同理，25點平滑法選用的平滑模板為5X5矩陣。

5.3 識別樣本

識別樣本的過程是根據兩個像素點之間的各個顏色分量的亮度差異對灰度化以后的圖像進行模糊處理的過程。在Hamming網絡技術應用于樣本識別以后，人們可以在對訓練樣本進行有效識別的基礎上，確定去除邊緣像素點以后的22X16灰度值矩陣。

5.4 實驗結果

在對基于Hamming網絡的灰度值訓練集識別率識別結果與傳統方法進行分析時候，我們可以發現，本文中所涉及到的識別方法的訓練集識別率可以達到100%。在保證亮度不變的情況下，對圖片內容進行色度變換，此時原始樣本識別方法的錯誤接受率達到了100%，本文中所論述的方法的錯誤接受率為0%，這一實驗結果驗證了本文所論述的結論。

6 結束語

彩色圖像的處理和識別的應用場景廣泛，同時涵蓋了多個學科，一直以來是計算機領域研究的重點話題。本文結合了圖像灰度化和Hamming網絡理論，提出了彩色圖片的識別方法。灰度轉化過程是RGB圖像向灰度圖像轉變的過程，其中LAB模式在灰度轉化過程中發揮著轉化中介的作用，灰度化可以有效地保留彩色圖片亮度信息從而減小圖像尺寸加快處理速度。除此之外，Hamming網絡可以在圖像識別中提供一個簡單有效的識別模型，實驗結果也證明，這種圖像識別方法可以有效的達到預期效果。不過這種彩色圖像識別方法還存在著一些局限性，當利用上文提到的灰度化方法處理彩色圖片時，彩色圖片的色彩信息會全部丟失，換言之，針對一些非輪廓識別或色彩識別問題時，這種灰度化處理就很難達到預期的效果，以及當圖像尺寸不一致時，識別難度也會大大提高。因此，穩定且可在多種應用場景下使用的彩色圖像識別方法，乃是我們研究一直努力的方向。

參考文獻

[1]賈永紅.數字圖像處理[M].武漢大學出版社，2003.

[2]賀煒.多維彩色圖像特征快速抽取方法仿真研究[J].計算機仿真，2017，34（02）：389-392.

[3]王燦燦.視頻關鍵幀提取及人臉表情識別[D].濟南大學，2014.

[4]LinanFeng，BirBhanu，JohnHeraty.A software system for automatedidentification and retrieval of mothimages based on wing attributes [J].Pattern Recognition，2016（51）.

[5]MCCULLOCH，W.S.A logicalcalculus of ideas imminent innervous activity[J].Biol MathBiophys，1943（05）.

[6]Rosenblatt F.The perceptron：Aprobabilistic model for informationstorage and organization in thebrain.[Ml.Neurocomputing：foundationsof research.MIT Press，1988：386-408.

[7]Widrow B，Hoff M E.Adaptive switchingcircuits[M].Neurocomputing：foundations of research.MIT Press，1988.

[8]HOPFIELD，J.J.Neural Computation ofDecision in Optimization Problems[J].Biological Cybernetics，1985，52.

[9]Chong C C，Jia J C.Assessments ofneural network classifier outputcodings using variability of Hammingdistance[J].Pattern RecognitionLetters，1996，17（08）：811-818.

[10]LinanFeng，BirBhanu，JohnHeraty.A software system for automatedidentification and retrieval of mothimages based on wing attributes [J].Pattern Recognition，2016，51.

[11]人臉圖像識別庫[DB/OL].http：//www.cbsr.ia.ac.cn/IrisDatabase.htm.