基于改進多尺度采樣算法的灰度圖像識別算法

李雪嬌

（三峽大學科技學院機械電氣學部 湖北省宜昌市 443000）

在技術單位開展無損檢測方法研究的數年中，技術人員已針對灰度圖像特征設計了多種有效的識別方法。但灰度圖像的形成仍受到成像環境的影響，會存在邊界條件模糊、灰度區間狹窄、噪聲多等顯著缺陷。這些圖像缺陷會在不同程度上對圖像識別造成干預，而目前大部分針對灰度圖像的識別方法計算機識別，盡管基于計算機的識別方法智能性較強，但卻很難精準地識別到灰度圖像的邊界條件[1]。此次研究將結合上述理論，對識別算法展開實踐研究，希望通過此次的研究，為提出的假設提供可靠數據作為支撐。

1 灰度圖像識別算法

1.1 基于改進多尺度采樣算法的灰度圖像紋理特征提取

為了滿足灰度圖像識別需求，需要在設計算法前，結合改進多尺度采樣算法的設計，進行灰度圖像紋理特征的有效提取。在此過程中，應明確灰度圖像經過空間映射投影后，形成了RSP映射圖像與MP映射圖像，因此，要實現對灰度圖像的紋理特征提取，應同步進行其映射圖像特征的提取[2]。

為了確保在多尺度采樣下獲取的圖像具有投影分布的特征，可在截取圖像時，每間隔一行子帶，進行一次降樣處理[3]。此時，對應在第i個尺度下，獲取的子帶第k個區間可以表示為下述計算公式：

1.2 灰度圖像三維空間映射處理

引進常規的圖像處理技術，將圖像的灰度值使用0～256內任意一個數值進行描述。其中256.0表示圖像呈現黑色、0表示圖像呈現白色，假設將灰度值作為圖像在空間內映射的質量（對應三維空間內的Z坐標軸），那么可以認為灰度值較高的三維映射區域圖像質量較高，對應灰度值較低的三維映射區域圖像質量較低[4]。倘若圖像的像素值位于圖像的邊緣區域，則圖像一側勢必存在一個高質量圖像區域區域。如果將圖像切割為一個矩形圖片，則區域的重心點可以作為圖像高質量映射點，而當灰度圖像的重心點出現偏移現象后，將像素值作為圖像邊緣點的概率也將更高。圖1為灰度圖像在三維空間內的映射結果。

圖1中，（a）表示為灰度圖像灰度值=0時，在三維空間內的映射結果；（b）表示為灰度圖像灰度值≠0時，在三維空間內的映射結果（灰度值取值為198.0）?；诖朔N理論，當圖像的灰度值在不同區域內呈現相同數值時，則圖像的映射面可以對應一個均勻的平面，而平面中的中心值則位于區域中心[5]。

圖1：灰度圖像三維空間映射結果

1.3 融合映射結果的灰度圖像識別誤差擬合

綜合上文分析可知，灰度圖像在映射到三維空間后可能會由于重心偏移現象，出現識別過程中的誤差，為了降低此種誤差對識別過程噪聲的干擾，可采用擬合誤差的方式進行識別結果的校正。在此過程中，需要設定一個灰度密度值A，A在三維空間內的函數表達公式如下：

公式（3）中：A表示為圖像在三維空間內映射后灰度值的密度分布；M表示為圖像中可用于描述灰度值的信息量數值；N表示為參考圖像均值；H表示為灰度圖像在空間內成像后的高度；C表示為視覺效果。根據上述計算公式，將對應的圖像灰度值進行歸一化處理，以此種方式得到一個均勻的灰度值[6]。將灰度重心偏移量作為識別圖像的依據，從而完成基于改進多尺度采樣算法的灰度圖像識別算法的設計，實現對灰度圖像的有效識別。

2 實例應用分析

2.1 實驗數據

采用實例應用的方式，開展實驗的研究與實驗結果的分析。在進行實驗前，應先對實驗過程中的灰度圖像進行采集，為了確保實驗過程中數據的充足性，此次實驗選擇的灰度圖像均來自某醫院在會診過程中產生的X射線圖像。采集的圖像樣本為700.0張，其中存在缺陷的圖像有420.0張。倘若直接將所有圖像作為實驗樣本圖像，此次實驗的計算量將過大，為了保證實驗需求與實驗結果的可靠性，結合視覺機制的使用，隨機挑選8.0張灰度圖像作為此次實驗的樣本圖像。圖像中需要包括缺陷圖像與無缺陷圖像，在完成圖像的初步獲取后，在終端設備上進行灰度圖像的裁剪，將每張圖像均規范為256.0×256.0尺寸。圖2為灰度圖像實驗樣本。

圖2：灰度圖像實驗樣本

圖2中（1）～（8）圖像為本次實驗的灰度圖像樣本，從圖中可以看出，（1）、（2）、（3）、（4）、（5）、（7）為存在缺陷的灰度圖像；（6）、（8）為不存在缺陷的灰度圖像。對應的缺陷分別為圖像存在裂紋、圖像夾雜噪聲、圖像在映射時存在氣泡、圖像未完全融合、圖像模糊、圖像夾鎢。

2.2 實驗結果與分析

通過2.1，完成了實驗過程中圖像樣本的獲取。在此基礎上，使用本文設計的基于改進多尺度采樣算法的灰度圖像識別算法，對樣本進行識別，以是否識別到圖像樣本存在噪聲作為檢測本文設計成果有效性的依據，實施此次實驗。當識別到灰度圖像存在異常時，將圖像對應的噪聲值表示為1.0，對應證明此樣本圖像存在缺陷。當識別到灰度圖像不存在異常時，將圖像對應的噪聲值表示為0，對應證明此樣本不存在噪聲。按照本文設計的流程，對實驗樣本進行識別。識別后，將結果呈現在終端計算機設備上，并繪制成噪聲圖像，如圖3所示。

圖3：樣本圖像識別結果

從圖3所示的實驗結果可以看出，本文設計的識別算法，可以識別到圖像1、圖像2、圖像3、圖像4、圖像5、圖像7對應的噪聲值為1.0；圖像6、圖像8對應的噪聲為0。輸出的結果與實際結果相符。因此，可得出此次實驗的最終結論：本文設計的基于改進多尺度采樣算法的灰度圖像識別算法，在實際應用中，可有效地識別到圖像集合中的異常噪聲，可以將此作為依據，進行圖像缺陷的檢測。

3 結束語

本文開展了基于改進多尺度采樣算法的灰度圖像識別算法的研究，并在完成研究后，選擇某醫院在會診過程中產生的X射線圖像作為實驗樣本圖像，按照實例應用檢驗的方式，對設計的識別算法進行檢驗，經過檢驗后證明了此算法在實際應用中，可有效地識別到圖像集合中的異常噪聲。但此次實驗受到時間的限制，尚未進行識別時間、識別后圖像灰度值變化等方面的持續檢驗，因此，相關此方面的工作需要在后續的研究中繼續開展，以此種方式，為算法在市場內的廣泛推廣與使用提供真實的數據作為支撐。