基于深度學習的弱紋理圖像關鍵目標點識別定位方法

徐浙君,陳善雄

(1.浙江郵電職業技術學院 人工智能學院，浙江 紹興 312000；2.西南大學 計算機與信息科學學院,重慶 400715)

0 引言

隨著智能圖像處理技術的發展，結合圖像像素融合和特征點提取方法，構建圖像濾波和參數分析模型，根據對低光照強度弱紋理圖像關鍵目標點分布，采用暗原色融合分析，進行低光照強度弱紋理圖像關鍵目標點提取，建立低光照強度弱紋理圖像的信息增強模型，根據對圖像的紋理信息關鍵目標點檢測結果，實現對低光照強度弱紋理像素特征增強。相關的弱紋理圖像關鍵目標點識別定位方法研究，在弱紋理圖像關鍵特征點的檢測和提取分析中具有重要意義[1]。

對弱紋理圖像關鍵目標點識別定位提取是建立在對圖像特征點定位和模糊度信息增強處理基礎上，通過噪點信息分析，結合對弱紋理圖像關鍵目標點的特征辨識結果，實現對弱紋理圖像關鍵目標點識別定位[2]，傳統方法中，弱紋理圖像關鍵目標點識別定位方法主要有基于模糊度特征分析的低光照強度弱紋理圖像關鍵目標定位方法、基于小波多元尺度分解的目標點定位方法等[3-4]，結合對低光照強度弱紋理圖像關鍵特征點信息分布結果，通過圖像邊緣像素增強，實現低光照強度弱紋理圖像關鍵點的定位識別，文獻[5]中提出自適應鄰域的魯棒多視圖聚類算法，實現弱紋理圖像關鍵目標點識別定位，結合對圖像分塊融合結果，實現低光照強度弱紋理圖像識別，提高圖像的信噪比，但該方法進行弱紋理圖像關鍵目標點識別定位的精度不好，輸出可靠性不好。文獻[6]中提出基于多尺度形變特征卷積網絡的高分辨率遙感影像目標檢測方法，結合Radon尺度變換，實現對遙感弱紋理圖像關鍵目標點識別定位方法，采用暗原色融合和RGB像素分解方法實現對遙感弱紋理圖像的信息自適應增強，結合Radon尺度變換，實現弱紋理圖像關鍵目標點定位識別，但該方法進行弱紋理圖像關鍵目標點定位的精度不高。

針對上述問題，本文提出基于深度學習的弱紋理圖像關鍵目標點識別定位方法。深度學習是較為成熟的技術之一，是實現低光照強度弱紋理圖像關鍵目標點識別和定位的基礎。深度學習具有擬合復雜數據的特性，能夠學習數據的本質特征，自動提取數據的深度特征，且能夠有效地自適應復雜環境，應用于目標識別定位上具有顯著的優勢。首先構建低光照強度弱紋理圖像關鍵目標點的拓撲特征分布模型，然后采用暗原色融合和RGB像素分解方法實現對低光照強度弱紋理圖像的信息自適應增強處理，結合對低光照強度弱紋理圖像的邊緣模板分組檢驗結果，實現低光照強度弱紋理圖像空間特征匹配，根據濃霧透射區域噪點融合匹配結果，采用交叉組合濾波檢測和深度學習算法，根據對低光照強度弱紋理圖像的信息增強結果，實現對低光照強度弱紋理圖像降噪和信息增強，完成了低光照強度弱紋理圖像的關鍵目標點識別定位。最后進行仿真測試分析，展示了本文方法在提高弱紋理圖像關鍵目標點識別定位精度方面的優越性能，能夠為在弱紋理圖像處理中應用提供一定的參考價值。

1 弱紋理圖像像素特征分析和濾波處理

1.1 低光照強度弱紋理圖像的特征分析

為了實現基于深度學習的弱紋理圖像關鍵目標點識別定位，構建低光照強度弱紋理圖像關鍵目標點視覺特征分析模型，結合邊緣特征檢測和濾波分析方法，進行低光照強度弱紋理特征提取，結合多分辨視覺信息增強技術，進行低光照強度弱紋理分布式檢測和定位識別[7]，得到低光照強度弱紋理關鍵目標點定位的總體實現結構如圖1所示。

圖1 低光照強度弱紋理關鍵目標點定位的總體實現結構

根據圖1所示的低光照強度弱紋理關鍵目標點定位的總體實現結構圖，通過對光照強度分析結合對環境參數的識別，實現了低光照強度弱紋理關鍵目標點的定位識別。具體過程如下。采用透射率作為檢測系數，結合亮通道的先驗知識，構建低光照強度弱紋理圖像空間特征匹配模型，得到低光照強度弱紋理圖像的邊緣像素集表示為：

Iif(x,y)I*G+paej(wt-k·r)

(1)

其中:I為物理模型下的像素參數，G為照亮度大小的分塊匹配區域，pa為概率密度分布集，ej(wt-k·r)為變分模型參數。

在得到了低光照強度弱紋理圖像的邊緣像素集的基礎上，還需要進一步尋找對應位置的亮度信息。采用RGB像素分解方法改進了低光照強度弱紋理圖像特征辨識困難的問題，實現對低光照強度弱紋理圖像的信息融合，得到信息融合分量：

(2)

其中:rp為低照度圖像增強的模糊度檢測分量，ρ1為一階聯合分布特征集，ρ2為二階聯合分布特征集，c1為一階邊緣像素集，c2為二階邊緣像素集，θt為散射模型參數。

在此基礎上，還需要進一步分析圖像像素之間的相似度，對比圖像特征。采用透射率作為檢測系數，結合亮通道的先驗知識，采用維納濾波對透射率進行分解，得到相似度：

(3)

其中：m為暗通道先驗知識的嵌入維數，θi為全變分去噪分量，n為噪點分布維數，采用多尺度Retinex算法構建低光照強度弱紋理圖像的邊緣輪廓特征分析模型，實現對低光照強度弱紋理圖像的特征分析[8]。

1.2 弱紋理圖像的濾波處理

結合對低光照強度弱紋理圖像的邊緣模板分組檢測結果，采用暗原色融合和RGB像素分解方法實現對低光照強度弱紋理圖像增強[9]，得到低光照強度弱紋理圖像的輪廓波長系數為：

(4)

其中:J(w,e)為光滑性約束函數，a為透射率，k為亮通道先驗特征值，Di為像素點x處的像素值，S21為模糊圖像的邊緣一階矩，S12為模糊圖像的邊緣二階矩，對低照度圖像取反，定義低光照強度弱紋理圖像的灰度部分為：

(5)

(6)

其中:F(x,y)為低光照強度弱紋理圖像的邊緣像素值，ml為低照度圖像取反后的弱紋理集，結合對低光照強度弱紋理圖像多尺度Harris角點分布[10]，采用深度學習算分，得到低光照強度弱紋理關鍵目標點濾波函數為：

(7)

其中:rI表示低光照強度弱紋理關鍵目標點濾波輸出的邊緣像素差，采用前景和背景顯著圖融合的方法，實現低光照強度弱紋理圖像的濾波，提高輸出信噪比[11]。

2 弱紋理圖像關鍵目標點識別定位

2.1 弱紋理圖像關鍵目標點特征提取

建立低光照強度弱紋理圖像關鍵目標點的像素大數據分布集，結合對低光照強度弱紋理圖像的邊緣模板分組檢測結果，采用暗原色融合和RGB像素分解方法實現對低光照強度弱紋理圖像的信息自適應增強處理，結合對低光照強度弱紋理圖像的子空間特征分布[12]，進行低光照強度弱紋理圖像的特征信息重組，重組輸出為：

P(X=x|Y=y)=Z-1exp-U(x|y)

(8)

其中:Z為透射率圖，U為低照度圖像本身的像素特征點，根據低光照強度弱紋理圖像的模板檢測結果，結合深度學習算法[13]，得到低光照強度弱紋理圖像質量參數用d(x)表示，低光照強度弱紋理圖像的霧化特征量為I(x)表示，基于深度學習算法，得到低光照強度弱紋理特征分量表達式為：

(9)

其中:A表示低光照強度弱紋理的分布強度幅值，ρ表示低光照強度弱紋理相似度，K表示低光照強度弱紋理關聯特征量，θ0表示低照度圖像取反之后圖像的模板匹配系數，在N×N的局部區域中進行低光照強度弱紋理圖像的分塊處理[14-15]。

結合深度學習算法，采用暗原色融合和RGB像素分解方法[16-17]實現對低光照強度弱紋理圖像的信息自適應增強處理，得到分塊權重為：

(10)

其中:K為圖像得邊緣感知強度，T表示圖像采樣的時間間隔，A為深度學習的幅值。根據低光照強度弱紋理圖像的紋理區域分布檢測結果，得到低光照強度弱紋理圖像模糊邊緣濾波的輸出為：

xi(t) =I(xi,yi) + [Ix(xi,yi)Iy(xi,yi)]=

(11)

其中:I(xi,yi)為邊緣區域權重分配下的像素集，Airp為紋理跟蹤的軌跡，W為關鍵特征點的分布邊緣區域，提取多尺度特征分量，得到：

Sgif(x,y)=log(Pif(x,y))

(12)

Sgiv(x,y)=log(Piv(x,y))

(13)

Sgi(x,y)=Sgif(x,y)Sgiv(x,y)

(14)

其中:P(x,y)iv和P(x,y)if分別為低光照強度弱紋理圖像灰度邊緣系數和邊緣感知的信息濃度，S(x,y)gif為直方圖中頻數最高的像素值，S(x,y)giv為低照度圖像的調整模板匹配集，由此實現弱紋理圖像關鍵目標點特征提取。

2.2 圖像紋理關鍵目標點定位

根據透射區域噪點融合匹配結果，采用交叉組合濾波檢測和深度學習算法[18]，采用多尺度Harris角點檢測，得到低光照強度弱紋理圖像濾波檢測的匹配函數為：

(15)

(16)

(17)

其中：Mi及MT經過Wi投影后的得到反映低光照強度弱紋理圖像的模糊信息，基于Radon尺度變換，得到低光照強度弱紋理關鍵目標點的定位輸出為：

(18)

圖2 改進算法的實現流程

3 實驗測試

為驗證本文方法在實現低光照強度弱紋理圖像關鍵目標點識別定位的性能，采用Matlab仿真平臺進行仿真實驗。其中，設定背景種子集為2 400，空間和顏色距離為0.355 dB，超像素數目為100、200、300，樣本集組數為6組，如圖3所示。

圖3 待處理的圖像

圖3中的6組圖像的先驗知識分布，如表1所示。

根據表1參數設定，對低光照強度弱紋理圖像進行關鍵目標點識別定位。本文先以其中一組樣本分析過程為例進行說明，得到低光照強度弱紋理圖像關鍵目標點檢測識別過程，如圖4所示。

表1 6組圖像的先驗知識分布

圖4 低光照強度弱紋理圖像關鍵目標點檢測識別結果

分析圖4得知，本文方法能夠有效地實現低光照強度弱紋理圖像關鍵目標點檢測，且識別定位性能較好，圖像增強效果較佳，具有有效性。進一步測試其它樣本的低光照強度弱紋理圖像定位識別效果，得到的批處理結果，如圖5所示。

圖5 弱紋理圖像關鍵目標點識別定位批處理結果

分析圖5得知，本文方法能有效實現對弱紋理圖像關鍵目標點識別定位批處理，且對于不同信噪比強度的圖像的處理效果是相同的，能夠滿足多樣化的低光照弱紋理圖像的關鍵目標點識別定位需求。測試定位精度及輸出信噪比，得到結果如圖6和表2所示。分析表2結果和圖6得知，本文方法進行弱紋理圖像關鍵目標點識別定位的精度更高，平均為0.93，信噪比較多，平均為32.87，表明識別的目標點包含的信息更多。

表2 輸出信噪比測試

圖6 精度對比測試

為驗證本文方法的弱紋理圖像關鍵目標點識別效果，在上述實驗的基礎上，對比不同方法下準確率-召回率曲線，結果如圖7所示。

圖7 不同算法的準確率-召回率曲線圖

根據準確率-召回率曲線的特性可知，當準確率越高，召回率越高，即曲線越靠近右上越好。分析圖7可知，與其他方法相比，本文方法的準確率-召回率曲線始終保持在最靠近右上的位置，表明本文方法對弱紋理圖像關鍵目標點識別定位的能力較為優越。

4 結束語

建立低光照強度弱紋理圖像的信息增強模型，根據對圖像的紋理信息關鍵目標點檢測結果，實現對低光照強度弱紋理像素特征增強。本文提出基于深度學習的弱紋理圖像關鍵目標點識別定位方法。采用暗原色融合和RGB像素分解方法實現對低光照強度弱紋理圖像增強，采用前景和背景顯著圖融合的方法，實現低光照強度弱紋理圖像的濾波，提高輸出信噪比。根據對低光照強度弱紋理圖像的信息增強結果，結合深度學習算法，實現低光照強度弱紋理圖像關鍵目標點定位識別。分析得知，本文方法進行低光照強度弱紋理圖像關鍵目標點定位識別的精度較高，平均為0.93，信噪比平均為32.87，高于傳統方法。因此，本文設計的低光照強度弱紋理圖像的關鍵目標點識別定位方法能夠滿足圖像處理的需求，具有一定的應用價值。