基于鱼群算法的体育运动员高强运动损伤图像识别研究

郑永权

摘要：运动员经过高强度的体育训练难免会受到损伤，在治疗时需要对其损伤图像进行识别，然而当前有些识别方法的效率和精确度不高，于是文章将研究基于鱼群算法的体育运动员高强运动损伤图像识别，首先对损伤部位轮廓进行提取，然后获得对损伤图像进行初步识别，最后基于鱼群算法对图像进一步识别。通过实验研究，与其他识别方式相比，基于鱼群算法的识别方式具有更高的准确度和效率。

关键词：鱼群算法;运动损伤图像;识别

中图分类号：TP391.41

文献标识码：A

文章编号：1001-5922（2020）12-0033-04

运动员在经过高强度的训练，必然会导致身体受到一定程度的损伤，而且运动员会不断重复某个动作，该重复动作也会造成身体关节或者皮肤出现磨损[1-2]。当出现损伤之后，需要对其进行治疗，对损伤图像破损位置进行识别有利于提高治疗效果。并且有许多学者提出了不同的识别方法，陈华等人提出了一种基于线性判别和超声图像特征的识别方法，该方法具有较好的识别效率，但是其识别精确度比较低[3]。蔡舒妤等人提出了一种基于改进谱聚类的识别方法，该方法具有一定的识别作用，但是其精确度不高[4]。颜佩等人提出了一种基于小波系数Hu的识别方法，该方法能够获得较为准确的识别效果，但是其耗时比较长[5]。于是本文将研究一种基于鱼群算法的识别方式，目的在于提高识别的准确度和效率。

1 运动员高强运动损伤图像识别

1.1 损伤图像处理

首先需要对运动损伤图像进行灰度转换操作，对于彩色的图像，其中像素可以使用3个字节进行表征，并且其字节各自对应3个分量产生的亮度，其中3个分量分别用R、G和B表示，当3个分量都相同时，则为灰度图像，反之，当不同时，则为彩色图像，灰度值转换公式如下所示：

Gray（i，J）=0.299.R（i，j）+ 0.587.G（i，j）+0.114-B（i，j）

经过转换之后，图像的24位图像表征依然不会发生变化，该灰度转换的主要作用是提高破损识别的效率。

1.2 图像破损位置的轮廓提取和初步识别

为了提高破损识别的精确度，首先需要对其轮廓进行提取[6]。文章提取轮廓时将通过使用数学形态和自适应阀值化的方式进行，其中还使用到曲线拟合法从而获取一条曲线，即为破损轮廓。

破损活动轮廓模型就是一种蛇形模型，能够获取破损部位轮廓，当蛇点处于一个平衡位置时，能量会处于一个非常小值，那么所获得的轮廓将会收敛到识别破损部位边缘，所以为了识别破损部位，需要使得轮廓能量达到一个非常小的值。轮廓能量表达公式如下所示：

E（C）=[αEin（C）+βEex（C）]Gray（i，j）

其中a和卢表示加权值，Eex（C）和Ein（C）分别表示外部能量和内部能量。获得损伤轮廓之后，于是就可以通过使用K-L变换分析法对破损部位进行初步识别。

获得轮廓之后，破损部分像素点数量，还有其他的相关信息都可以获得，于是通过使用这些信息进行建立数字矩阵。在识别破损位置时，为了提高识其精确度，需要将图像排成64的特征向量，其中排列采用按照列串接的方式。于是有m个图像数量，X={x1，x2，…，xm}，于是计算图像总体均值向量的公式为：

再通过下面公式对所有待识别图像样本和训练样本就散欧式距离，计算出所有的距离之后进行比较，选择距离最小的样本就是样本初步识别结果。

2 基于鱼群算法的损伤图像破损位置像素计算

通过上文的分析，能够初步的识别破损位置，但是还不能够获得精准部位，于是文章将通过使用鱼群算法进行进一步识别，从而获得更为精准的破损部分，并且计算出破损区域面积。

在图像破损识别中使用鱼群算法，就是将每一个解当做是一条鱼，然后将所有的解构成一个解集[7-8]。在解集中寻求最终解时有2种方式，分别为以聚类中心为解和聚类结果为解。文章为了能够提高识别精确度，于是使用聚类中心为解的方式。于是将全部聚类中心点的向量当做是每一条鱼，即可用鱼的位置状态表示图像中的任意像素点。于是可以用以下公式表示鱼的目标函数：

经过聚类之后的图像灰度像素值将会与原始的像素达到相对应的效果。进行聚类结果之后，从而实现了像素的彩色描绘，于是图像中不同的色彩就会代表不同的表征。于是可以计算出像素RGB表征值，其计算法方式就是将每种类型的像素值GRB通量进行累计求和，然后除以总像素数量。

通过上述分析之后，损伤图像相对比例面积可以用下面公式进行表示：

其中，D'表示的是图像分辨率，H'和W'表示的不同方向上的像素数目，其中H'表示的垂直方向，W表示的是水平方向。

于是对原始图像经过聚类分割处理之后，计算破损区域面积的方式就可以通过相关比例计算出来，其比例就是破损像素总数P和图像总像素P'的比，所以破损部位类像素面积的公式如下所示：

体育运动员在运动过程中，人体的各个位置都可能出现损伤情况，比如肩关节损伤、腰背损伤、眼部损伤等[9]。通过上文所研究的基于鱼群算法能够精确的识别出运动员损伤部位，并且能够提高识别的效率。为了进一步说明该方式的准确性和效率性，于是将对其进行实验研究，从而验证其应用效果。

3 实验结果和分析

实验中所需要的数据来源于某体院学院，选择100位运动员作为实验对象，其中运动员的相关信息如表1所示。

通过仪器检查每个运动员身上损伤情况，目的在于收集相关数据，然后图1为部分图像实例透视图。

通过实验之后获取相关数据，然后通过使用识别率和识别耗时来检验基于鱼群算法的损伤图像识别的效果。

1）识别率分析结果：为了突出本文所研究的识别方法的效果，于是选择了其他识别方法作为对比试验，图2即为不同方法识别率对比。从图中可以看出，图2 （a）的识别率变化趋势幅度较大，呈现先增大后降低的趋势，并且其整体较低;图2 （b）中识别率变化趋势也相对比较大，于是可以说明该方式的可行性比较差，不能较好的识别出损失部位;而本文所研究的識别方式其识别率明显比其他2种方式好，并且其变化趋势比较平缓。基于鱼群算法的运动员高强运动损伤图像识别首先通过获取损伤部位轮廓，然后再通过使用K-L变换分析法获得破损部位的初步识别，于是为了增强识别的准确度，使用鱼群算法对图像进行分割处理，最终获得精确度更高的破损识别部位。所以本文所研究的识别方式，相比于其他方法具有更好的可行性和鲁棒性。

2）识别耗时分析结果：图3为使用不同识别方法的耗时时间结果，从图中可以看出，当待识别图像的数量不同时，3种方法中基于鱼群算法的识别方式耗时最短，从而可以得到结论为与另外2种方法相比，本文所研究的方法具有更快的识别效率。因为该方法在识别之前，经过了图像灰度转换，该步骤有利于提高识别效率。

4 结语

运动员在进行体育运动时难免会受到损伤，对其损伤图片进行识别有利于提高运动员的治疗效果。本文通过基于鱼群算法对图像破损部位进行识别，与另外2种识别方式，本文的方法有助于提高识别效率和准确度。运动员在运动时非常容易受伤，为了降低运动员受伤程度，在训练过程中要严格按照动作标准进行，避免受到严重的损伤。

参考文献

[1]邓奎，许亮，熊曼丽，等，关节镜技术下足球运动员半月板损伤的临床研究[J].广州体育学院学报，2016，036（05）：105-107.

[2]顾理琴，季秀霞，远距离采集图像损伤区域三维重建仿真研究（英文）[J].机床与液压，2017，045 （012）：147-152.

[3]陈华，赵新民，谭乔来，等，基于线性判别分析与超声图像特征的组织损伤检测方法[J].中国医学影像技术，2016，032（011）：1757-1760.

[4]舒妤，师利中，一种改进谱聚类的机体损伤图像过渡区提取方法[J].计算机辅助设计与图形学学报，2016，28（10）：1732-739.

[5]颜佩，丁亚军，钱盛友，等.基于小波系数Hu矩的生物组织损伤监测方法[J].电子测量与仪器学报，2016，030（007）：1062-1067.

[6]刘慧，杨更社，叶万军，等，基于CT图像的冻结岩石冰含量及损伤特性分析[J].地下空间与工程学报，2016，12（4）：912-919.

[7]赵迪，徐志胜，基于MRSVD红外热像融合的混凝土结构火灾损伤检测方法[J].信息与控制，2017，46（1）：19-24.

[8]史衍，刘超峰，吴昊，功能解剖视角下女子柔道运动员常见运动损伤分析[J].首都体育学院学报，2017 （1）：53-57.

[9]吕海龙，張春合，向祖兵，网球运动员身体形态的非对称性适应及损伤监控研究进展[J].体育科学，2017，037（009）：87-97.