多重纹理图像局部边缘模糊特征清晰化识别方法

胡北辰，蔡瑞瑞

(安徽省电子信息职业技术学院 信息与智能工程系,安徽 蚌埠 233000)

0 引言

随着图像处理技术的发展,采用图像优化技术进行模糊成像处理,提高了模糊图像的检测和拷贝能力,在复杂环境下进行图像采集会受到光照和场景的复杂性的影响,导致图像成像的模糊度较大,需要对模糊图像进行优化识别,结合模糊图形边缘轮廓检测技术,提高图像的识别和检测能力[1]。研究多重纹理局部边缘模糊图像的检测和识别技术,在提高多重纹理局部边缘模糊图像的成像质量和识别能力方面具有重要意义。

传统方法中,对多重纹理局部边缘模糊图像的识别方法主要采用小波检测方法,结合图像融合和虚拟重构方法[2],实现多重纹理局部边缘模糊图像识别,但该方法识别模糊度较大,自适性不好,随着环境噪声的增大,对多重纹理局部边缘模糊图像检测准确性较低[3]。

针对传统方法存在的问题,提出基于边缘模糊特征提取的多重纹理图像清晰化识别方法,提高多重纹理图像局部边缘模糊特征清晰化识别能力方面的优越性能。

1 多重纹理局部边缘模糊图像成像降噪预处理

为了实现多重纹理局部边缘模糊图像的特征匹配和检测,需要进行多重纹理局部边缘模糊图像的降噪处理,结合小波特征分析方法,进行多重纹理局部边缘模糊图像的采集和成像处理[4],构建多重纹理局部边缘模糊图像的模板匹配模型,采用自适应的特征分离技术,建立多重纹理局部边缘模糊图像的多重网格结构模型,提高多重纹理局部边缘模糊图像的特征识别能力[5]。

1.1 模糊图像成像

采用非均匀量化方法得到多重纹理局部边缘模糊图像的颜色直方图的匹配值:

(1)

其中:r为多重纹理局部边缘模糊图像的纹理结构特征分量,多重纹理局部边缘模糊图像的颜色特征分量满足ηm(x,y)∈{-1,0,1}[6]。采用模糊相关性检测方法,构建向量相交特分布模型[7],在Markov链模型中得到多重纹理局部边缘模糊图像的相似度特征分量为:

(2)

(3)

(4)

其中:c为多重纹理局部边缘模糊图像的LGB向量量化矩阵的列数,l为其行数。根据上述分析,实现对多重纹理局部边缘模糊图像的三维重构和图像采集,在图1所示的网格模型中进行多重纹理局部边缘模糊图像的清晰化识别。

图1 网格模型示意图Fig.1 Grid model schematic diagram

1.2 多重纹理图像局部边缘降噪预处理

在上述构建了多重纹理局部边缘模糊图像的三维重构模型的基础上,进行多重纹理局部边缘模糊图像的降噪处理[9],构建多重纹理局部边缘模糊图像的模糊约束优化函数为:

(5)

(6)

假设多重纹理局部边缘模糊图像的生成序列为:

(7)

上式中,i=1,2,…,T,表示像素序列的长度。基于导向滤波的暗通道检测方法,进行图像滤波,得到滤波表示为:

(8)

(9)

其中:δ为等式约束条件的下近似透射率,一般取较小的正数。构建多重纹理图像的多维直方图结构模型,采用模糊相关性特征检测方法实现多重纹理图像的灰度重构[11],得到图像降噪滤波输出为:

(10)

可化简为:

(11)

根据滤波结果,在高质量的成像条件下,进行多重纹理图像局部边缘模糊特征清晰化识别[12]。

2 图像局部边缘模糊特征清晰化识别优化

2.1 图像局部边缘模糊特征提取

在上述构建多重纹理局部边缘模糊图像成像模型并进行降噪预处理的基础上,进行图像局部边缘模糊特征清晰化识别。提取多重纹理图像的局部边缘轮廓特征量,采用模糊特征检索方法进行多重纹理图像的像素特征重构和二值化分离[13],暗通道先验函数定义为:

(12)

通过如上定义,生成多重纹理图像的透射率图,采用双边滤波、边缘替代法进行软抠图处理[14],得到适应度函数为:

(13)

采用上面的适应度定位,构建多重纹理图像的多维直方图结构模型,得到气散射物理模型的约束方程:

(14)

(15)

(16)

其中:K=Tfmaxfmin/B.t0=f0T/B.f0为正扩散项的权重,fmin、fmax分别为最低和最高采用频率。对图像的部分边缘或细节纹理进行融合处理,实现图像局部边缘模糊特征提取。

2.2 图像清晰化识别

在特征尺度d(x)的约束下,得到多重纹理局部边缘模糊图像的多重色差核系数c(X,Y)和边缘细节特征s(X,Y),求得两者之间的差异性特征变量,多重纹理局部边缘特征分布函数描述为:

(17)

构建多重纹理图像的多维直方图结构模型,采用模糊相关性特征检测方法实现多重纹理图像尺度信息分解,给出尺度特征分量U0(zQ)、U1(zQ),利用邻域内像素点的子带信息,得到多重纹理局部边缘模糊图像的采集的像素特征表达式为:

g=k⊗fi(t)+n

(18)

其中:⊗表示卷积算子,对采集的多重纹理局部边缘模糊图像进行像素特征分解和表达[15],得到小波表达式为:

(19)

式中的Ts是小波降噪的幅度增益,图像像素特征表达为:

(20)

式中,wmk小波函数族的纹理特征分量,采用模糊相关性特征检测方法实现多重纹理图像的灰度特征提取,输出为:

(21)

其中:η表示图像的边缘亮度,φ表示稀疏特征分量,R表示模板匹配系数,D表示边缘模糊像素集。提取多重纹理图像的局部边缘轮廓特征量,采用模糊特征检索方法进行多重纹理图像的像素特征重构和二值化分离,构建多重纹理图像的多维直方图结构模型,采用模糊相关性特征检测方法实现多重纹理图像的灰度特征提取,在分辨率调节下,得到多重纹理图像的稀疏先验约束函数为:

D(i+1)=U0(ZQ)SPPM(t)

(22)

综上分析,实现对多重纹理图像局部边缘模糊特征清晰化识别,实现流程如图2所示。

图2 改进算法的实现流程图Fig.2 Implementation flow chart of improved algorithm

3 仿真实验与结果分析

为了测试本文方法在实现多重纹理图像局部边缘模糊特征清晰化识别中的应用性能,进行实验测试分析,实验图像来自于实际采集的多重纹理图像,图像的测试像素集强度为120,边缘轮廓特征分布为200*200,学习迭代次数为20次,仿真步长为12,得到待识别的图像如图3所示。

采用模糊特征检索方法进行多重纹理图像的像素特征重构和二值化分离,构建多重纹理图像的多维直方图结构模型如图4所示。

根据灰度直方图,提取多重纹理局部边缘模糊像素集,进行多重纹理图像的边缘模糊特征的清晰化识别,识别结果如图5所示。

图5 图像模糊特征识别结果Fig.5 Image fuzzy feature recognition results

分析图5得知,采用本文方法,能有效实现对多重纹理图像清晰化识别,清晰化水平较高,图像的色调也更鲜艳些,对图像具体特征的识别误差有所降低。

4 结语

在复杂环境下进行图像采集会受到光照和场景的复杂性的影响,导致图像成像的模糊度较大,需要对模糊图像进行优化识别,结合模糊图形边缘轮廓检测技术,实现的图像的优化识别。提出基于边缘模糊特征提取的多重纹理图像清晰化识别方法。但是目前多重纹理图像的清晰度还有待提高,对于清晰度的提高是未来研究的主要方向。