存在冗余特征的Relief图像缺陷识别算法研究

付琳

摘要： 提出一种针对存在冗余特征的Relief图像缺陷识别算法，通过确定Relief图像冗余特征权值，采用衡量图像冗余特征与图像缺陷的方式，分析两者特征的关联性。并基于纹理特征，对缺陷识别算法进行最终设计。此外，设计对比实验，验证提出的图像缺陷识别算法应用到实际，可以满足对缺陷识别的需求，可实现为Relief图像提供更高的保障。

关键词：冗余特征;Relief;图像;缺陷识别;算法

中图分类号：TP391.41      文献标识码：A

文章编号：1009-3044（2021）20-0106-02

进行图像冗余特征识别是用于检验图像缺陷的正确方式，获取图像内容，并准确的识别缺陷特征，在这一步骤中最重要的行为是提取冗余数据的特征数据子集。这项工作的实施不仅会影响到最终输出图像的质量，也会在一定程度上影响图像特征分类效果。截至目前，科研市场中已经存在许多相关缺陷识别的技术，并在此项目的研究中，我国已取得了相对显著的成果[1]。传统的图像缺陷识别工作中，通常采用PCA识别算法，此种算法可有效地分解数据矩阵，从而得到一种相对稀疏的图像，在此图像中，缺陷数据被放大，从而更容易被识别。尽管传统算法也可实现对图像缺陷的有效识别，但由于此过程尚未考虑存在冗余特征的图像，导致对缺陷识别的结果准确率较低。为了更好地解决这种问题，有关研究学家再次提出了使用纹理特征识别的缺陷的方式，但提取图像纹理的过程过于复杂，导致最终执行效果甚微[2]。基于此，本文将提出一种存在冗余特征的Relief图像缺陷识别算法，利用传统识别算法的优势，采用对图像进行降噪处理的方式，进行缺陷特征的有效识别，从而使图像特征子数据精简度较高，检索数据范围小，实现在真正意义上做到对存在冗余特征的Relief图像缺陷的高效率识别。

1存在冗余特征的Relief图像缺陷识别算法设计

1.1确定Relief图像冗余特征权值

为了实现对图像缺陷的有效识别，在设计相关算法前应先进行图像冗余特征的提取。在此过程中，基于Relief图像的特点，对图像不同维度进行权值赋值，赋值行为主要体现在不同数据类别的相关性层面[3]。在完成Relief图像迭代权值与训练样本的定义后，对其中高权重信息与低权值信息进行划分，去除无用的低权值信息，保留高权值信息，将此信息作为Relief图像的冗余特征，以此构建图像特征信息集合。

在此基础上，假定不同冗余特征之间均存在一定间隔，此时进行特征权值迭代，可采用维护图像分类现状为目标，将存在缺陷的特定面作为识别最大距离。进行存在冗余特征的Relief图像间隔确定，表达式如下。

[θ=12x-Lx-x-Ex]                  （1）

公式（1）中：E（x）表示为距离图像x最近的同类冗余特征点;L（x）表示为与图像x属于非同一类型的同类冗余特征点。根据上述的计算公式，对图像进行具体冗余点获取，此过程表示为：使用m×n表示为多维度图像矩阵，假定图像中存在n个冗余特征，将定义的n值存入数据库[4]。同时将待执行训练的图像中第i个冗余特征样本置于图像第N列中，假定图像每行或每列的初始化特征权值表示为0，即Wj=0，则冗余特征样本的数据集合可表示为j=1;2;3;…;N。

同时，假定存在冗余特征的Relief图像中训练样本的总个数表示为n，则需在1～n之间对i值进行反复赋值，此时迭代权值的计算可用如下公式表示。

[wi+1j=wij-sameS，xi，Exin+diffY，xi，Lxin]         （2）

公式（2）中：[wij]表示为图像的初始化权值;S与Y分别表示为对图像抽样过程中与[xi]同类与不同类的冗余样本;[Exi]表示为与[xi]距离最近的坐标点;[Lxi]表示为与[xi]属于不同类的最近坐标点。根据上述计算公式，在进行存在冗余特征的Relief图像缺陷识别中，冗余特征样本分别以同类数据与非同类数据的方式表达，因此可认为权值较大的特征数据集合之间冗余特征相似度较高;反之相似度较小，基于此，完成对Relief图像冗余特征权值的确定[5]。

1.2分析图像冗余特征与缺陷特征关联性

在完成上述相关研究的基础上，引入mRMR技术，对图像冗余特征关联性进行分析，为了进一步掌握冗余特征在图像中的规律，采用对冗余特征进行降维处理的方式，选取图像某一具备冗余特征的空间（此空间应相对目标类别具备一定相关性），采用信息反复交互的方式，进行图像冗余特征与图像缺陷的权衡[6]。上述提出图像中的两种特征分别使用G、V表示，则存在冗余特征的Relief图像差准则融合计算可用如下計算公式表示。

[V=1Sxi∈SIxi;c?wi+1j]                     （3）

[G=1Sxi，xi∈SIxi;S?wi+1j]                        （4）

公式（3）（4）中：c表示为图像目标缺陷类别;[Ixi;S]与[Ixi;c]分别表示为图像冗余特征与缺陷特征之间的交互信息。根据上述计算公式，可将特征类别进行相互度的最大化处理，结合最大化处理行为，可得知缺陷变量y与z存在缺陷的概率密度函数。信息交互公式如下。

[Iy;z=ry，zlogry，zryrzd2yz]                   （5）