基于灰度編碼的多媒體彩色圖像識別方法

魏凡其

（江西制造職業技術學院信息工程學院 江西 南昌 330095）

0 引言

圖像識別技術可將被識別的對象歸入相應的類型，被廣泛應用于各個領域[1]。通過對圖像特征的轉向提取，感知圖像特點，劃分圖像類別。多媒體彩色圖像是人們獲取信息的最重要途徑，圖像語言能夠傳達給人們更直觀的視覺感受，在某種程度上更勝于文字語言[2]。根據統計，超過75%的信息是由視覺系統獲取的，即通過多媒體彩色圖像傳播的。如何發揮多媒體彩色圖像在各個領域中的更高效能，成為科研工作的關注與研究重點。為落實此項工作，實現對多媒體彩色圖像的精準識別與高效感知，本文引進灰度編碼技術，設計一種多媒體彩色圖像的高效識別方法。

1 基于灰度編碼的多媒體彩色圖像灰度轉換

為實現對多媒體彩色圖像的精準識別，利用灰度編碼技術轉換圖像灰度。首先明確多媒體彩色圖像的色彩空間表現方式為RGB，將圖像錄入計算機后，可以用顯示屏幕上的24位真彩構建圖像RGB模型。其次將原始圖像的色彩劃分為R、G、B三種原光色，每個光色在終端占用8bit[3]。最后為滿足人眼對多媒體彩色圖像的識別，在色彩空間中，設置一個任意光色，將其表示為Y，Y可以通過下述公式計算得到。

式（1）中：a、b、c表示三條信道的空間顏色占比。當a=b=c時，多媒體彩色圖像將呈現灰度陰影狀態；當R=G=B時，多媒體彩色圖像呈現純白色或純黑色。使用灰度編碼技術，將RGB模型按照HIS坐標進行轉換，將LAB色彩表現模式作為中介，明確圖像的LAB模式是一種全新的色彩模式，在此種模式下，L表示圖像呈現亮度；A表示圖像中色彩從紅色到綠色的過渡范圍；B表示圖像中黃色到藍色的過渡范圍[4]。可以使用LAB模式表示多媒體彩色圖像中的任意一種顏色，任何顏色都可以映射到此空間中[5]。

轉化處理過程中，按照標準將圖像的RGB色彩轉換為LAB模式，對原始圖像進行去色處理后，再將圖像返回RGB表示方式，生成一種多媒體圖像的等值灰度階級，根據圖像的階級，確定當前狀態下圖像的灰度值。通過此種方式，使多媒體彩色圖像的灰度處理過程簡易化[6]。

2 圖像紋理特征提取

引進Gabor小波處理法提取多媒體彩色圖像紋理特征[7]。目前，可用于描述圖像紋理特征的內容包括幾何特征、混合特征、紋理特征與序列特征。其中紋理特征中的Gabor小波特征，可以直接反映出時域與頻域內的頻譜信息。調整多媒體彩色圖像中的頻譜信息，可以起到強化圖像低頻信息的效果，以此種方式，實現對圖像呈現效果的視覺優化。在此過程中，使用二維Gabor濾波器中的高斯核函數，處理圖像在傳播過程中的正弦平面波，通過此種方式，實現對圖像中局部特征信息的專項提取[8]。考慮到多媒體彩色圖像在空間中的旋轉方式、尺寸變化、形變等行為存在一定的容錯能力。計算其容錯能力，公式如下。

式（2）中：ψ表示多媒體彩色圖像在空間中的容錯能力；k表示特征波向量；T表示容錯周期；σ表示變換尺度；e表示形變量。其中特征波向量k的計算公式如下。

式（3）中：u表示Gabor濾波器的濾波處理方向；v表示Gabor濾波器的濾波處理尺度。在此基礎上，定義多媒體彩色圖像表示為I(X,Y)，使用Gabor濾波器對圖像I(X,Y)進行卷積運算處理，通過此種方式，得到針對多媒體彩色圖像在不同空間位置與不同尺度下的特征值[9]。此過程如下計算公式所示。

通過上述卷積運算，掌握圖像在不同幀數下的復數值，將此數值作為多媒體彩色圖像的幅值信息。輸入圖像大小為60×60，使用Gabor濾波器對圖像特征提取，得到28 800維度的數據。對具有雷同點的特征信息融合處理，采用降維處理的方式，降低特征數據的維度。

3 圖像識別與分類

設定多媒體彩色圖像樣本數量為N，每個類別的圖像中都存在p個訓練樣本，可以將訓練樣本p劃分為i類，其中i的取值為1，2，3，4，5，…，N，設定訓練圖像的空間大小為a*b，將圖像置于一個線性子空間內，使用臨近分類器，對多媒體彩色圖像進行線性回歸分析處理。將多媒體彩色圖像按照原來的尺寸縮小到600×600以下。為避免圖像尺寸太大影響到運算的速度，所以在圖像識別前先對其預處理。針對圖像中的文字特征，在計算灰度共生矩陣之前，提取圖像對比度，以獲得更好的紋理識別參數[10]。此過程如下計算公式所示。

式（5）中：L表示圖像灰度共生矩陣；P表示多媒體彩色圖像對比度。在此基礎上，利用GDI+中的函數對圖像壓縮，將樣本圖像合并為24×18的圖像集。根據上述灰度編碼方法對已壓縮的圖像進行灰度處理。在此基礎上，采用9點光滑法和25點光滑法對灰度圖像模糊處理。前者是將3×3矩陣作為平滑模板，以模板的平均灰度取代原始像素點，后者是指將5×5矩陣作為平滑模板，以模板的平均灰度取代原始像素點。該方法基于兩個像素點間的不同色彩成分與不同亮度，將處理后的圖像錄入Hamming網絡中，用于樣本識別。通過識別訓練樣本，確定剔除邊界像素點之后的22×16灰度矩陣。將灰度矩陣作為參照，實現對彩色圖像的識別。

4 對比實驗

上文完成了基于灰度編碼的圖像識別方法設計，為驗證設計方法在實際應用中的效果，下面將采用對比實驗的方式，對設計方法展開測試。

考慮到圖像識別過程涉及大量的圖像預處理步驟，要確保圖像的規范化處理，應在測試前，根據相關工作的實際需求，搭建計算機測試環境，用于處理圖像。測試環境技術參數如下表1所示。

表1 圖像預處理環境技術參數

完成多媒體彩色圖像預處理過程中需求工具的選擇后，考慮到實驗需求，選擇國家公開圖像庫中的多媒體彩色圖像作為此次實驗的測試樣本。此圖像庫中規格最大的圖像為116×156，規格最小的圖像為201×311。部分樣例圖像如下圖1所示。

圖1 公開圖像庫中的部分多媒體彩色圖像樣例

從上述圖1所示的內容可以看出，識別的圖像樣本中包含多個類別，包括人臉圖像、動物圖像、植物圖像與景觀圖像。隨機選擇10 000張圖像將其劃分為兩類，其中2 000張圖像用于識別中的訓練處理，另外8 000張圖像用于識別測試。

完成實驗中測試樣本的準備后，為避免圖像識別過程中樣本數量較大占用過多內存與空間，根據工作的具體需求，預處理圖像。先轉換樣本圖像色彩，使彩色圖像在計算中呈現灰度狀態。處理效果如下圖2所示。

圖2 樣本集合中人臉圖像灰度處理效果示例

在此基礎上，對打亂編碼順序后的圖像壓縮處理。完成上述處理后，使用本文設計方法，識別測試樣本圖像，識別過程中，引進灰度編碼技術，對多媒體彩色圖像灰度轉換處理，使用小波熵值算法，提取多媒體彩色圖像紋理特征，將特征作為參照，識別樣本圖像，根據圖像的特征劃分其類別。

為滿足實驗結果的對比需求，引進基于遷移學習ResNet技術的圖像識別方法，與基于Deeplab V3+技術的圖像識別方法，將提出的方法作為傳統方法1與傳統方法2。按照規范，將灰度轉換與壓縮處理后的測試圖像樣本作為三種方法的識別樣本，將三種方法提取到的多媒體彩色圖像特征與樣本圖像適配，將適配度作為評價設計方法可靠性的關鍵依據。在此過程中，明確提取圖像特征與圖像樣本的適配度越高，說明圖像識別結果越精準，反之明確提取圖像特征與圖像樣本的適配度越低，說明圖像識別結果精準度越差。按照上述方式，對比三種方法提取圖像特征與圖像樣本的適配度。其結果如下圖3所示。

圖3 識別方法提取圖像特征與圖像樣本的適配度

從圖3可知，本文設計的基于灰度編碼的圖像識別方法識別效果良好，該方法可以精準識別到圖像特征，從而提高多媒體彩色圖像識別的準確率。

5 結語

現階段，計算機視覺技術已經成為相關領域內的研究重點，此項技術以人類視覺為基礎，利用計算機與視覺感知效應，輔助人們獲取或采集需求信息。為發揮多媒體彩色圖像在相關領域內更高的價值，本文通過基于灰度編碼的多媒體彩色圖像灰度轉換、圖像紋理特征提取、圖像識別與分類，完成了多媒體彩色圖像識別方法的設計。該方法在完成設計后，通過對比實驗證明可以精準識別到圖像特征，從而提高多媒體彩色圖像識別的準確率。但此次研究也存在一些不足，包括沒有設計更多的評價指標評估該方法的實際應用效果、沒有選擇更多的傳統方法作為對照組等。可在后期的設計中，將提出的不足作為研究點，深化設計該方法，持續完善該方法的綜合性能。