基于D－S 理論的模糊圖像智能識別方法研究

楊 霞

（大連東軟信息學院，遼寧 大連 116000）

0 引言

相關模糊圖像識別的研究屬于計算機視覺領域的研究范疇，設計可操作性較強的模糊圖像識別方法，不僅可為遙感衛星、動物醫學等行業的建設與發展提供支撐，同時也可為基層行業提供目標檢測識別。文獻［1］中根據跡變換，利用跡線掃描整幅圖像獲取圖像特征，采用旋轉局部梯度模式特征提取方法，將圖片進行高清化處理。但是，由于該方法采用梯度代替像素，在經過圖像預處理后，從多尺度多角度上提取旋轉局部梯度模式特征時，圖片的后期處理具有局限性，很難達到預期效果。文獻［2］利用高斯拉普拉斯（LoG）邊緣檢測和增強局部相位量化的方法，對模糊圖像進行識別計算，算法雖然取得了較好的效果，但難以做到精確處理圖片。在圖像研究中發現，傳統的識別方法在應用中仍存在多種顯著性問題。其中包括：在識別過程中對模糊圖像的處理工作實施不到位、對相似度較高的圖像識別不精準、識別后圖像的分辨率與清晰度均顯著下降等等。因此，本文在早期研究成果的基礎上，引進D－S 理論，設計一種針對模糊圖像的智能識別方法，用于代替傳統識別方法，為社會多個產業的建設與發展提供優化技術的支撐。

1 D－S 理論

在D－S 理論中，其框架是由兩個或以上數量的基本性偽命題構成。假定在此過程中存在一個完備的數據信息集合，則可認為針對某一問題的研究是具備確切答案的。但在提出的偽命題中，只能存在唯一一個真命題為答案。D－S 理論框架內的子集稱之為“命題”，在對不同命題進行組織分配的過程中，基本概率稱之為BPA（也可稱為mA 函數）。此函數屬于一種反映聯合信息的隨機概率函數，在命題的概率區間內，［P ｜（A）］表示為正確區間或證據區間。其中，A 表示為擬定區間，在區間范圍內的信息，便可被認定為真實信息。

2 基于D－S 理論的模糊圖像智能識別方法設計

2.1 基于D－S 推理過程描述模糊圖像結構

為了滿足對模糊圖像的精準識別需求，結合DS 理論中的D－S 推理過程，對識別的模糊圖像結構進行描述。在此過程中，應先明確不同模糊圖像之間均存在一定知識關系，這種關系在D－S 推理過程中可被認定為具備規律，提出的規律也可稱之為似然函數關系［3］。

在模糊圖像進行推理的過程中，其中知識內容均存在一種包含或屬于的關系，而此種關系也可用正交函數或相關函數的方式表達［4］。因此，在掌握模糊圖像結構的基礎上，還需要通過對模糊圖像進行持續地轉化處理，才能滿足對其的有效識別。

2.2 基于融合行為智能識別圖像模糊化特征

在掌握模糊圖像結構的基礎上，為了進一步實現對模糊圖像的智能識別，采用對多結構圖像進行融合處理的方式［5］，挖掘或尋找圖像的特征點，并結合專家系統的應用，對融合的特征進行識別；刪除模糊圖像中存在的冗余數據，對圖像進行持續優化處理，以此確保識別圖像對象具備一致性特征。

對模糊圖像進行融合處理，并提取其中互補信息，判斷信息的來源途徑，是否為同一終端傳感器；在完成對傳感器屬性的識別后，判別互補信息的屬性結果。

將特征提取過程中的信息量，進行模糊化處理［6－7］，處理過程中數據信息的分布應當滿足高斯規律分布，如公式（1）。

其中：x表示結構特征；u表示模糊圖像結構；μ表示高斯分布規律［8］；σ表示數據處理行為。

在完成對特征的獲取后，結合特征值，對模糊圖像特征采用隸屬函數［9－10］的方式進行表達，如公式（2）。

綜合上述計算結果，輸出最終數值，即可作為模糊圖像的特征值，以此完成對模糊圖像的智能化識別。

3 對比實驗

本文通過上述論述，完成了對基于D－S 理論的模糊圖像智能識別方法的理論設計。為進一步實現該方法在實際應用中的優勢驗證，選擇模糊圖像集作為實驗對象，分別利用本文提出的基于D－S 理論的模糊圖像智能識別方法與傳統識別方法，對圖像進行識別，以此完成對兩種識別方法的應用效果對比。

為實現對最終實驗結果的定量，本文引入識別率RR 準則作為標準，對兩種識別方法的正確識別率進行計算：

式中，γ表示為RR 準則下的正確識別率；K＇ 表示為傳統識別方法或本文和別方法準確識別模糊圖像樣本個數；K表示為實驗過程中需要進行識別的模糊圖像樣本總數。

在實驗過程中，選擇100 組模糊圖像，其中包含了多種不同類型的圖像信息。為確保兩種識別方法在應用過程中，除圖像信息類型存在差異以外，其余條件保持不變。實驗中，將模糊圖像的分辨率設置為125×85，灰度設置為256 級。完成實驗后，將所有模糊圖像的識別結果進行記錄，并計算其RR 準則下的正確識別率γ，并求解出平均γ值，其實驗結果見表1。

表1 兩種識別方法實驗結果對比表Tab.1 Comparison table of experimental results of two recognition methods

由表1 中可以看出，本文方法的平均γ值明顯高于傳統方法的平均γ值。同時，在實驗過程中設置平均γ值最高為1.000。根據公式（3）得出的γ值，若γ值的數值越高，則表示本文圖像識別方法或傳統圖像識別方法的精度越高，識別結果越滿足預期需要。反之，若γ值的數值越低，則表示本文圖像識別方法或傳統圖像識別方法的精度越低，識別結果越無法滿足預期需要。基于這一規律，并結合表1 中的實驗結果，進一步驗證了本文提出的識別方法，在實際應用中能夠實現對模糊圖像的高精度識別。同時，本文在設計圖像識別方法時，引入了D－S理論，針對模糊圖像進行識別時，能夠對不同類型的圖像給出對應的識別推理方式，進一步實現了對模糊圖像的高精度識別需要。測試圖像識別精度，對比結果如圖1 所示。

圖1 D－S 理論的模糊圖像智能識別精度對比測試Fig.1 Comparative test of fuzzy image intelligent recognition accuracy based on D－S theory

分析圖1 得知，本文方法進行模糊圖像智能識別精度較高，較其他方法性能更為優越。

4 結束語

當前，多媒體技術的快速發展，使得圖像識別技術的應用需求不斷提升，因此合理的圖像識別技術能夠為人們的日常生活和工作帶來諸多的便利。本文通過上述論述，基于D－S 推理理論實現了對模糊圖像的智能識別方法設計，并通過實驗進一步驗證了該方法在實際應用中的性能和優勢。將本文提出的模糊圖像識別方法應用于實際，不僅能夠實現對圖像的高精度識別，同時還能夠進一步提高圖像資源的利用。