面向圖像角點特征取證的人工智能檢測仿真

祝毅鳴

(鄭州大學西亞斯國際學院，河南 新鄭 451150)

1 引言

角點特征用來反映圖像穩定稀疏的分布情況，如像素、結構與尺寸等，其在醫療影像、建筑物裂縫、數控雕刻以及計算機視覺等領域中起著至關重要的作用。圖像角點常用二維空間圖像亮度變化程度的點來表示，也可以用圖像邊緣線的曲率最大值點與最小值點來表示[1]。傳統圖像角點檢測方法均效果不佳，不能精準獲取到圖像真實信息特征，也不能滿足日常生活的需求，為此將引入人工智能技術對圖像角點特征取證進行檢測。

圖像角點檢測是圖像特征取證與模式識別方面關鍵性研究課題。當前，對面向圖像角點特征取證的檢測方法研究諸多，例如張見雙，張紅民等人[2]發現Harris圖像角點特征取證與檢測時，由于是人工輸入閾值，會出現假角點與角點聚簇等問題，為此對Harris圖像角點方法進行改進。先使用分割技術將圖像分割成若干個部分，并對該部分圖像特征進行取證，再根據取證結果設定閾值，隨后使用NCC方法對各部分圖像進行特征取證，并將得出結果做匹配，最后通過參數化模型將該過程中出現錯誤匹配點刪除，剩余部分則為正確角點。閆小盼，敖磊等人[3]認為傳統檢測方法運算復雜，浪費大量時間，提出使用編程方法對圖像角點特征取證進行檢測。首先根據編程的特征把整個圖像分割成兩部分，并分別對各部分圖像角點進行特征取證，然后使用流水線算法將這兩部分圖像角點特征做處理，其中流水線算法主要包括導數、加權平均、圖像角點響應、最大值與和最小值五部分算法構成，同時需要把該過程中繁瑣計算變換成簡單的位移與加減法進行計算，最終快速完成圖像角點檢測。

但以上兩種方法存在檢測結果與真實圖像結果精度低的問題。針對以上存在不足之處，將采用人工智能技術對面向圖像角點特征取證進行檢測。該方法能夠有效縮短取證時間，并能提升檢測精度，實現了人工智能檢測圖像角點特征取證應用價值。

2 基于圖像角點特征取證的人工智能檢測

2.1 圖像角點特征取證

在圖像角點特征取證過程中一定會有干擾向量影響取證結果的[4]，所以取證圖像可能包含多種色彩的特征，有可能就被保存成了RGB色彩模式。根據該模式對圖像角點中各像素顏色設定了不同的分量值，同時也將其保存成空間函數的模式。若該圖像角點模式進行直接處理，不僅會增加計算難度，還會降低效果。為此，通過在不同干擾情況下對圖像做簡化處理，而干擾程度最小的簡化方式就是把RGB色彩模式圖像角點變換成灰度圖像，變換公式如式(1)所示。

In=0.3R+0.59G+0.11B

(1)

其中，In表示圖像中各顏色灰度值；R和G、B分別表示RGB色彩模式圖像色彩中的紅和綠、藍三個不同顏色的分量值。

在圖像角點取證時會受到諸多原因的影響，產生噪聲干擾，嚴重影響圖像角點特征取證結果[5]。基于此，使用中值過濾算法對圖像角點做去噪處理。

中值過濾算法是將圖像某個部分D中的所有像素灰度值進行排序，去除該排序最大值與最小值，并提取該剩余部分中間值作為整個部分的中心點像素灰度值，具體計算過程如式(2)所示

g(c，r)=In·med(p(c，r)，(c，r)∈D)

(2)

其中，p代表排序序列；(c，r)代表圖像D部分中心點數值；med(·)代表符號函數。再采用人工智能檢測方法對D部分圖像做角點計算，得到式(3)

(3)

其中，(XA，YA)表示角點A在圖像空間中的坐標；(xA，yA)表示角點A在檢測部分空間中的坐標；(XZS，YZS)表示檢測部分右上角全部圖像空間中的坐標。

設定δ表示該圖像的像素邊長，通過對圖像像素標記，并將經過相鄰部分圖像角點長度與像素值做對比，得到式(4)

(4)

其中，LAB代表相鄰部分圖像角點A與B間距；(xB，yB)代表角點B在檢測部分空間中的坐標，完成特征取證。

2.2 圖像角點增強處理

根據圖像角點特征取證結果發現，有很多原因影響去燥過程，如分解尺寸與臨界值等，為此就要對角點特征圖像做增強處理[6]。

采用掩模平滑方法對圖像角點做增強處理，得到式(5)

(5)

其中，sgn()表示符號函數；wj，k表示小波變換系數；λ表示該部分圖像閾值。如果|wj，k|≥λ時，則wj，k=λ+1；如果wj，k<λ-1時，則wj，k=0；如果-λ

由于閾值函數具有良好連續性、平滑和無間隔點特性，為此在圖像信號處理時會發生多余斷點，此時就需要使用掩模平滑將新圖像角點做增強處理。

(6)

(7)

其中，Q表示該部分圖像掩模像素點個數；rj′表示第j′個部分圖像角點。

根據式(6)與式(7)可知，假設(x，y)表示邊緣線的相鄰部分，則方差值較大；反之，則方差值較小，邊緣灰度平均分布，其掩模灰度就越平均。假設圖像角點是邊緣點，就需要將第一個方差灰度值轉換成圖像角點灰度值，就不會影響圖像清晰程度。假設(x，y)表示噪聲點，采用其方法可以起到很好的光滑的作用，最終完成對圖像角點增強處理。

2.3 新圖像角點檢測

人工智能技術主要使用鏈碼算法對增強后的圖像角點進行檢測。鏈碼介紹如圖1所示。圖1中P代表圖像中某個角點的像素，數字0-14表示該角點不同方位的鏈碼數值。再使用跟蹤方法把角點形狀鏈碼描述，得到圖2(白色表示角點像素)。從A點按照順時針方向運動，形狀的邊緣用鏈碼描述為L=2140217121010108644。

圖1 八鄰域鏈碼

圖2 圖像邊緣形狀

相對鏈碼是指鏈碼和后一個鏈碼的數值差，如果這兩個鏈碼數值差大于4時，則相對鏈碼數值需要在原來基礎上減8。而絕對鏈碼是指相對鏈碼從一開始就累加數值。當絕對鏈碼完成一周運動時，得到式(8)

A(N)-A(1)=8

(8)

其中，A(N)表示角點最后一個點的絕對鏈碼數值；A(1)表示角點第一個點的絕對鏈碼數值。

設定C(i)與C(i-1)表示角點像素(i)與(i-1)鏈碼，R(i)表示相對鏈碼，A(i)與A(i-1)表示絕對鏈碼值，得到式(9)。

(9)

根據式(9)可知，鏈碼和是指電A(i)、A(i+1)與A(i+2)之和，可以將角點邊緣看做成直線，那么該點斜率為sum(i)=A(i)+A(i+1)+A(i+2)。

對于封閉形狀，計算前兩個點鏈碼和，絕對鏈碼數值是從最后一個點取值的，該點都比初始點大8，詳細計算過程如式(10)所示。

sum(1)=A(1)+A(N)+A(N-1)-16

sum(2)=A(2)+A(1)+A(N)-8

(10)

通過式(10)可知，第一個鏈碼和是可能為0或者不是0的數，為了方便計算每個邊緣點鏈碼和，把全部鏈碼和除去第一個點鏈碼和，最終獲得從0開始的鏈碼和的集合。

鏈碼差表示相鄰部分的鏈碼之間差值，如式(11)所示

Diff(i+1)=sum(i+3)-sum(i)

(11)

同上，對于封閉圖形，計算前兩個點鏈碼差過程中，部分數值在第一個與最后一個點取值，即

Diff(1)=sum(3)-sum(N)

Diff(N)=sum(N+3)-sum(N-1)

=sum(3)-sum(N-1)+24

Diff(N-1)=sum(N+1)-sum(N-2)

=sum(1)-sum(N-2)+24

(12)

根據圖3可知，圖像角點為六角星形狀，圖4表示該圖像角點的鏈碼和、差數值情況。

圖3 六角星形狀

圖4 鏈碼的和、差曲線分布情況

將被檢測圖像角點平均分割成20部分，同時把鏈碼平均分成10份[7]。為此，使用鏈碼能精準體現出邊緣形狀特點。圖形角點在鏈碼和直線上，直線部分表示圖像角點邊緣線，弧度線表示邊緣的曲線與圓弧。如果鏈碼和線段表示圓弧時，則線段曲度數愈大，則圓弧半徑就愈大，反之亦然。

鏈碼差代表2個切割線數值差，并且和曲線偏離直線成正比例關系。如果鏈碼差等于2，代表2個切線夾角呈30°。若邊緣形狀按順著逆時針運行，則數值為復數的點稱為凹角點；反之，則數值為正數的點稱為凸角點。

通過上面圖像角點檢測分析可知，圖像中存在許多點可能會被當成圖像真實角點，這些點將它命名為假角點。為此，通過分析假角點產生因素，并依據這些因素提出如下解決方案：

情況一，假角點存在于真實圖像角點的相鄰部分中。當檢測到圖像某角點過程中，同時檢測與其相鄰部分內若干個像素點存在其它角點，再采用鏈碼差方法將檢測出角點進行絕對值計算，得出真實角點(絕對值最大)，最后將剩余角點刪除[8-9]。

情況二，假角點存在于圖像邊緣線中[10]。先算出鄰近兩個角點和該角點的斜率絕對值差，再依據得出結果分析其是否為真角點，如果得到的值較大，則為真角點并保留，反之則為假角點并刪除。具體計算過程如下：

設置(xi-1，yi-1)代表像素點為i-1空間坐標值，(xi，yi)代表像素點為i空間坐標值；(xi+1，yi+1)代表像素點為i空間坐標值；ki表示像素點i-1到i的斜率值；kk+1表示像素點i+1到i的斜率值；ki與kk+1計算過程如下

(13)

對這種假角點，判斷根據為

|ki+1-ki|≤ζ

(14)

其中，ζ代表0～0.2的常數。如果式(14)的像素點i-1和i、i+1在相同邊緣線上，則i為假角點，將其刪除，保留剩余兩個角點；反之，i為真角點，將其保留，剩余兩個角點刪除。

如果在封閉圖形中，就需要對第一個與最后一個角點做假檢測。設定(x1，y1)表示該圖像第一個角點空間坐標；(xm，ym)表示該圖像最后一個角點空間坐標，第一個角點斜率計算過程如下

(15)

最后一個角點計算過程如下

(16)

通過分析鏈碼數值大小，可知圖像角點人工智能檢測結果的精準度，即Diff(i)≤u或者Diff(i)≥v。

其中u與v表示鏈碼上下閾值，u值為復數，v值為正數。u與v的數值大小直接反應檢測結果。u和v數值越大，代表角點檢測結果越精準；u和v數值越小，代表角點檢測結果不精確。為此，通過以上計算得出u和v結果是偏大的，證明人工智能方法可以有效檢測出圖像角點。

3 仿真結果分析

為了證實圖像角點人工智能檢測方法比文獻[2][3]方法正確率高。在網絡中隨機抽取一張圖像，設定角點檢測的閾值-u=-1，v=2，N=5，ζ=0.1，實驗對比結果如圖5所示。

圖5 檢測方法對比

表1 不同檢測方法對比結果

根據表1可以得出，文獻[2]方法檢測圖像角點數為300個，真角點數為160，假角點數為140個；文獻[3]方法檢測圖像角點數為150個，真角點數為98，假角點數為52個；人工智能方法檢測圖像角點數為600個，真角點數為580，假角點數為20個，該方法準確率為96.67%顯著高于文獻[2]和文獻[3]兩種方法。為此，面向圖像角點特征取證的人工智能檢測方法具有較高準確性、實用性。

4 結論

通過對圖像角點特征取證檢測方法存在精度不高，導致丟失、模糊不清等問題的角點特征取證圖像無法被檢測出，為此，通過提取出圖像角點特征，得到取證的圖像角點；再使用掩模平滑方法對得出圖像做加強處理，得到新的圖像角點；最后采用鏈碼差與和、斜率相結的方法對新圖像進行檢測。仿真結果表明，該方法能有效檢測圖像角點特征取證效果，并保證檢測結果精度。