基于生成對抗網絡的小波域自適應圖像分割技術

摘要：當圖像對比度低或者光照條件復雜時，圖像目標形狀、顏色等特征都具有很高的變異性，難以準確地識別目標邊界，導致圖像分割結果中目標區域與真實標注的重合程度較低。為此，文章研究基于生成對抗網絡的小波域自適應圖像分割技術。該技術利用小波域分析基函數，將圖像從空間域轉換為模糊集域；考慮圖像對比度，計算圖像變換的擴散強度與各向同性擴散系數；采用反模糊變換函數恢復圖像中存在的模糊效應，獲取目標邊緣增強的圖像，計算圖像像素之間的相似度；通過引入距離信息，計算分割圖像的相對熵和權值，對生成對抗網絡進行優化處理，實現圖像的自適應分割。實驗結果表明，所提技術可以對圖像進行精準分割，并保留豐富的細節信息，平均重疊率達到了96.3%，分割準確性較高，這表明該技術在圖像分割任務中具有較高的可靠性，為后續的圖像處理任務提供高質量的輸入數據。

關鍵詞：生成對抗網絡；小波域分析；圖像分割；邊緣增強

中圖分類號：TP391文獻標志碼：A

0引言

在低對比度或復雜的光照條件下，圖像目標的邊界通常會變得模糊不清。由于目標邊界模糊或特征變異性，分割算法容易出現誤判或誤分的情況，即將背景中的雜亂部分誤認為是目標，或將目標的一部分誤認為背景，使分割結果中目標區域與真實標注的重合程度較低。為了提高圖像分割的準確性，在以上背景下，張榮國等［1］利用流形學習非線性降維方法獲取每個視圖的譜嵌入矩陣，將不同視圖的信息進行融合，通過對一致性圖矩陣展開非負正交矩陣分解，保留圖像的非負性質，得到圖像分割結果。流形學習方法對異常圖像特征比較敏感，當圖像中存在噪聲或異常點時，會影響流形學習的降維效果和分割結果；張軍等［2］利用混沌映射來優化改進鬣狗算法，提升種群的豐富性，結合非線性收斂因子調節機制，獲取圖像分割最優閾值。引入混沌映射和非線性收斂因子調節機制會導致算法在訓練集上過度擬合，導致圖像分割的準確性明顯降低。為此，本文研究基于生成對抗網絡的小波域自適應圖像分割技術。基于生成對抗網絡，該技術實現了對圖像的自適應分割，提高了分割算法的準確性和魯棒性。

1基于小波域分析的圖像目標邊緣增強

基于小波域分析的圖像目標邊緣增強方法通過突出目標邊界的特征，使其更加清晰和明顯，從而有助于分割算法準確地識別目標邊界。小波變換可以將圖像分解成不同尺度下的頻率成分，從而能更好地捕捉圖像的局部特征，包括邊緣信息［3］。因此，所構建的小波域分析基函數如下：

φ=cos2ω2f（|mo|2）（1）

其中，ω表示圖像分解頻率，f（·）表示時域函數，mo表示小波域變換控制系數，o表示圖像頻率因子。本文利用各向同性擴散系數來計算像素點的灰度，可以解決圖像分割中的模糊細節問題；通過調整擴散系數，可以改變像素點之間的灰度流動速度，從而增強圖像中的細節。圖像灰度表達式如下：

qm=φ×Y（2）

其中，Y表示擴散系數調整因子。本文通過反模糊變換，恢復圖像中存在的模糊效應，并且可以使得目標的邊緣更加清晰。引入反模糊變換函數，獲取目標邊緣增強的圖像為：

Am=arcsinqm2（3）

本文利用小波域方法對圖像增強處理，以提高在低光照和復雜光照條件下的分割準確性；通過突出目標邊緣特征和灰度對比調整等步驟，有效增強了圖像邊緣，提高了分割算法的準確性和可靠性。

2基于生成對抗網絡的圖像自適應分割

利用生成對抗網絡對目標邊緣增強后的圖像自適應分割過程如下。

（1）對目標邊緣增強后的圖像尺度歸一化處理。

（2）計算圖像像素之間的相似度γ，其表達式如下：

γ=（ri-rj）2+（gi-gj）2+（bi-bj）2（4）

其中，ri、rj、gi、gj、bi和bj分別表示2個相鄰像素點對應的紅、綠、藍3種顏色的強度值。

（3）通過小波域分析技術獲取圖像的邊緣增強信息，將反模糊變換函數處理得到的邊緣增強圖像輸入生成對抗網絡，判別網絡會區分生成的結果和真實圖像。

（4）將輸入的目標邊緣增強圖像與對應的期望輸出（真實的分割結果）展開重復訓練，使得生成網絡能夠輸出清晰的分割結果［4］。根據以上對生成對抗網絡的優化，構建圖像自適應分割表達式如下：

ψ（x，y）=γAm（5）

本文采用生成對抗網絡分割圖像，在生成對抗網絡的訓練過程中，引入像素相似度計算以及距離和相對熵的優化，有助于提升了網絡對圖像分割任務的特征表示能力，使分割結果更加平滑、連貫，減少過度分割的情況。

3實驗分析

本文實驗選取一個廣泛使用且具有代表性的ADE20K圖像數據集，以城市道路、建筑俯瞰圖為對象，從中選擇500個圖像組成訓練集來進行訓練和驗證。為了確保所選數據具有代表性，能夠反映整個數據集的多樣性，本文展開如下實驗。本文選取張榮國等［1］的基于流形學習分割方法、張軍等［2］的基于改進鬣狗分割方法作為本文生成對抗網絡分割技術的對比方法。為了清晰化展示實驗結果的可對比性，從500個訓練集圖像中選取一個具代表性的圖像樣本，不同方法下圖像的分割實驗結果如圖1所示。

在圖1所示的分割結果中，張榮國等［1］的方法在圖像分割中表現出一定的效果，能夠較為準確地識別出城市道路和建筑的基本輪廓。然而，該方法在處理復雜場景和細節部分時，分割效果相對較弱，容易出現誤分割和邊緣模糊的情況。張軍等［2］的方法在分割精度上有所提升，特別是在處理邊緣細節方面表現出更好的性能。然而，該方法在應對圖像中的噪聲和紋理變化時，仍存在一定的局限性，導致分割結果不夠平滑和連貫。而本文所提分割技術展現出了顯著的優勢。該方法利用生成對抗網絡的強大學習能力，通過自適應調整小波域特征，實現了對圖像中城市道路和建筑的精準分割。在實驗中，該技術準確地識別了圖像中的主要物體，保留了豐富的細節信息，具有較強的魯棒性，能夠有效應對圖像中的紋理變化。

平均重疊率不僅關注整體分割區域的準確性，還重視物體邊界的分割效果。在圖像分割任務中，邊界信息的準確性對于整體分割結果至關重要。平均重疊率能夠充分考慮這一點，從而更全面地評價分割技術的性能。平均重疊率越高，意味著分割結果與真實標注之間的吻合度高，即分割性能良好。平均重疊率結果如表1所示。

根據表1中實驗結果，在500個圖像樣本的測試中，所提技術的平均重疊率達到了96.3%，而張榮國等［1］和張軍等［2］的方法分別只有87.9%和83.6%。這充分說明所提技術在處理城市道路和建筑俯瞰圖的圖像分割任務時，具有更高的分割準確性。這是因為所提技術采用了反模糊變換函數來恢復圖像中的模糊效應，使得分割后的圖像邊緣得以增強，有利于減少邊緣模糊的影響，從而提高了分割的精準度。通過生成對抗網絡的損失函數實現對圖像的自適應分割，可以根據不同圖像的特點和內容進行靈活調整，提高了重疊率。所提技術在圖像分割任務中表現出了顯著的優勢。該技術不僅具有更高的分割準確性，還能夠在不同場景下保持穩定且可靠的性能。

4結語

本文研究了一種基于生成對抗網絡的小波域自適應圖像分割技術。該技術將圖像從空間域轉換為模糊集域時，利用小波域分析基函數進行轉換，這有助于更好地理解圖像特征在頻率和空間上的分布規律，提高了圖像處理的效率和準確性。該技術采用反模糊變換函數來恢復圖像中存在的模糊效應，實現了對目標邊緣的增強，可以更清晰地展現圖像中的邊緣信息，提高了圖像的視覺效果和識別能力。通過計算圖像像素之間的相似度、引入距離信息，本文計算了分割圖像的相對熵和權值，優化了生成對抗網絡的分割性能，使得分割結果更加準確和合理。通過實驗結果，該技術的平均重疊率和分割準確性較高，同時兼顧了細節信息的保留和自適應分割特性，在圖像分割領域具有明顯優勢，能夠為圖像分割任務帶來更加可靠和有效的解決方案。

參考文獻

［1］張榮國，曹俊輝，胡靜，等.基于非負正交矩陣分解的多視圖聚類圖像分割算法［J］.模式識別與人工智能，2023（6）：556-571.

［2］張軍，溫秀平，陳巍.融合改進鬣狗優化和Tsallis熵的圖像分割［J］.計算機工程與設計，2022（12）：3493-3502.

［3］劉家齊.基于小波域的數字化媒體圖像自適應模糊去重算法［J］.吉林大學學報（信息科學版），2023（4）：701-708.

［4］卿粼波，吳夢凡，劉剛，等.基于小波域ADMM深度網絡的圖像復原算法［J］.工程科學與技術，2022（5）：257-267.

（編輯沈強編輯）

Adaptive image segmentation technology of wavelet domain based on generative adversarial networks

LIANG" Lixiang， LI" Huaiying， HE" Chengyi

（Kaili university， Kaili 556011， China）

Abstract： When the image contrast is low or the lighting conditions are complex， the image target shape， color and other characteristics have high variability， and it is difficult to accurately identify the target boundary， resulting in a low degree of overlap between the target area and the real annotation in the image segmentation results. To this end， the wavelet domain adaptive image segmentation technology based on generative adversarial networks is studied. Using the wavelet domain analysis basis function， the image is converted from the spatial domain to the fuzzy set domain. Considering the image contrast， the diffusion intensity of the image transformation is calculated. By using anti blur transformation function to restore the blurring effect in the image， the image with enhanced target edges is obtained， and the similarity between image pixels is calculated. The relative entropy and weight of the segmented image are calculated by introducing the distance information， furthermore to optimize the processing tasks of the generative adversarial network and realize the adaptive segmentation of the image. The experimental results show that the proposed technology can accurately segment the image and retain the rich detailed information. The average overlap rate reaches 96.3%， and the segmentation accuracy is high， indicating that the technology has high reliability in the image segmentation task and provides high quality input datas for the subsequent image processing tasks.

Key words： generative adversarial network; wavelet domain analysis; image segmentation; edge enhancement