基于重要度理论的图像识别方法

郭 松，范存群

(1.呼伦贝尔学院 传媒学院，内蒙古 呼伦贝尔 021008; 2.中国气象局 国家卫星气象中心，北京 100081)

0 引言

图像识别主要通过强大的计算能力，对多源、大量图数据进行自动化地分析和理解，涉及统计、计算机技术、神经生物等学科。图像识别技术已广泛应用于医疗、遥感、铁路、交通等各大领域，有效的图像识别可以极大地提高生产效率。在图像识别实际应用中，往往需要对大量图像进行识别，其算法的运行效率以及稳定和有效性已经成为该领域亟需提高的方向。当前，图像识别技术主要围绕图像多种特征属性建立相关识别算法。

HARZALLAH等[1]提出一种图像分类和对象定位相组合方法,该方法通过上下文组合的方式阐述图像分类对于检测的优化，并在此基础上定义了非线性分类器。HUANG等[2]在特征编码的基础上给出一种演变式图像识别方法。CHEN 等[3]指出传统的图像分类系统存在的问题，在忽略多种色彩的情况下仅考虑图片亮度信息，这可能导致分类出现误差。刘岩等[4]提出一种基于支持向量机的复杂混合零件姿态图像识别方法。刘万军等[5]提出一种图像识别算法，该算法基于双重优化的卷积神经网络，在构造卷积神经网络时，建立了特征提取和回归分类的双重优化模型，实现了卷积过程和全连接过程的集成优化。在图像识别领域，魏涛等[6]提出一种自标注在线顺序极速学习机算法，以充分利用未标号数据，在目标域的数据较少、未标号数据较多的情况下提高模型识别能力。KATSAGGELOS等[7]通过最大似然估计方法找出未知参数，并引入点扩散函数描述模糊过程，提出一种基于模糊识别和噪声模糊图像恢复的算法。董素鸽等[8]提出一种基于改进证据理论的显示图像复杂目标识别方法。王烈等[9]构造了一个基于Faster R-CNN的多任务网络模型，可以同时完成目标图像识别、鉴别和分类。白帆等[10]设计了一种以温度为矢量的双通道图像识别算法。

一般情况下，图像的识别主要通过特定的主题、灰度、颜色、纹理和内容等特征进行识别，但是上述识别方法并没有考虑到各个特征对图像识别效果的影响程度。因此，本文提出一种基于重要度理论的图像识别方法(Image Recognition based on Importance,IRI)，首先给出重要度理论的相关定义和定理，然后根据图像特征的映射建立图像特征知识域，并在此基础上计算得到图像特征知识的重要度，最后将图像特征知识的重要度作为权值进行图像特征向量的加权模计算，从而对图像进行识别。基于重要度的图像识别方法可以更好地反映出不同图像特征对图像识别的影响程度，并且通过不同方式的切分方法可以根据实际要求进行不同复杂程度的计算，从而更为准确地进行图像识别。

1 基于重要度理论的图像识别方法

1.1 重要度理论

在粗糙集理论中，有一种新的计算方法，即基于重要度进行计算，重要度能够反映事物属性对一个领域的影响程度。在图像识别中，准确地描述特征属性对于图像域的影响程度可以更为准确地进行图像识别。因此，本文在图像识别属性特征计算上引入重要度理论来构建识别算法，从而更为准确地表现出图像特征，提高图像识别准确度。下面先给出有关重要度理论的介绍。

设K=(V,R)为一知识库，知识r∈R为等价关系，如图1所示，有r⊆V×V。

定义1若知识r∈R的粒度可记为GD(r)，则定义GD(r)=|r|/|V2|=|r|/|V|2(其中|r|表示r⊆V×V的基数)[11-12]。当r为论域关系，即r=δ时，r的粒度达到最大值|V2|/|V|2=1;而当r为相等关系时，即r=ω，r的粒度达到最小值|V|/|V|2=1/|V|。

当存在GD(r)∈[1/|V|,1]，GD(r)的大小可以表示成知识(u,v)的区分能力，当知识粒度值较小时，该知识区分能力较强。当(u,v)∉R时，则对象(u,v)与该知识域不具备等价关系，可以认为对象在知识域下具备区分能力；反之，对象在知识域下不具备区分能力。因此，GD(r)表示在V中随机选择对象(x，y)且对象r-不可区分的概率[12]。粒度可能性越小，则GD(r)越小，说明r的区分能力越强，反之说明r的区分能力越弱。综上所述，可以得出以下区分度的定义。

定义2将Dis(r)定义为知识r的区分度，其中Dis(r)=1-GD(r)。同时有Dis(r)∈[0,1-1/|V|][11]。

定理1在知识域K=(V,R)中，V/R={X1,X2,…,Xn}，则

(1)

定义3假设X⊆A为一属性子集，而x∈A为一属性，则x对于X的重要度可记为SigX(x)，定义为SigX(x)=1-|X∪{x}|/|X|，其中|X|表示不可区分关系|ND(X)|[12-13]。

定理2属性x的重要度与它的区分度相等，即Sig(x)=Dis(x)[13]。

1.2 图像特征知识域的重要度

图像的特征包含多个方面(如明暗、颜色、灰度等)，将这些特征转化为量化计算后可以将其很直观地表示为具体的特征值。在图像识别中，一般采用图像均匀切块的方法对图像进行精细化处理，本文将图像分为n×n块，每一块子图像对应的特征向量为(w1,w2,…,wN)，其中N为分量数。通过引入重要度理论，图像特征可以映射为一个知识域K=(V,W)。通过定理1可以得到特征知识域的粒度：

(2)

根据定义2可以得到知识W的的区分度为：

Dis(W)=1-GD(W);

(3)

根据定理2可以得到知识W的重要度为：

Sig(W)=1-GD(W);

(4)

图像特征知识W的重要度则可以表示为：

(5)

1.3 基于重要度理论的图像识别

为有效识别图像，上文引入了图像特征知识域的重要度概念，通过对图像特征域进行重要度计算，进而将重要度作为权值赋予图像特征向量，最后计算得到加权向量模进行图像识别。图像特征向量的加权模则可以表示为：

(6)

由式(6)得到的图像特征向量的加权模值可以有效衡量图像子块的特征，当图像整体加权模值与一类图像加权模值近似时，则可以认为该类图像属于同一类型。

2 实验分析

本文所提方法主要针对大量图像的识别，由于图像特征是图像识别的关键性因素，而重要度方法可以有效地对图像特征进行度量，因此本文主要针对基于重要度的图像识别方法展开相应研究。首先，给出了重要度理论的定义和相关定理，然后得到图像特征知识域的重要度，最后通过基于重要度的图像特征知识域计算并确定图像分类。

2.1 仿真实验建立

本文通过仿真实验来验证算法的实时性和准确性。实验环境的硬件配置如下：操作系统为Windows 7，计算机CPU为Core i7-4790 3.60 GHz处理器, RAM为8 GB。本次实验在图片类别和特征分量均已知的情况下，使用800张图像进行测试。实验中对图像进行3种不同的切分方式，分别为：50×50，80×80和100×100。并与基于绝对差分的图像识别和基于灰度差分的图像识别两种方法对比，分析了准确率。

2.2 实验结果分析

仿真实验结果分析如下：

(1)算法实时性

当图像识别算法处理大量图像时，往往会降低算法的效率，为验证本文所提算法的时效性，实验中分别给出3种不同的图像切分方式的算法处理时间的分析，如图2所示。

如图2所示，算法在50×50切分方式时，算法整体的运行时间约为400 ms，在80×80切分方式时，算法整体运行时间约为450 ms，在100×100切分方式时，算法整体的运行时间约为500 ms。上述3种图像分割方法的算法运行时间都较短，说明本文提出的基于重要度的图像识别方法计算复杂度低，有较好的时效性。

(2)算法准确性

为验证本文提出的基于重要度理论的图像识别方法(IRI)的准确性，在仿真实验中分别与基于绝对差的图像识别方法(Image recognition based on Absolute Difference ,IAD)和基于灰度差的图像识别方法(Image recognition based on Gray Difference ,IGD)进行图像识别准确性的对比分析，不同切分方式的图像识别算法准确率如图3～图5所示。

以上结果是在模拟环境中通过10次独立实验得到的。图3～图5的实验结果表明，本文提出的基于重要度的IRI算法在图像识别精度上比基于绝对差分的图像识别方法(IAD)和基于灰度差分的图像识别方法(IGD)有更明显的优势。图像分割越细，识别精度也随之增加，原因在于随着图像分割的详细程度的增大，图像特征显示也随之越来越详细，从而使识别结果更准确。但是，图像切分的增加并不能无限度地提高图像识别的准确性。一方面过多的图像切分使得算法计算效率下降，另一方面图像识别的准确性并不能无限地接近100%。在实际应用中，可以根据实际精度需求和计算能力选择图像切分的幅度。

由图3～图5的结果可以看出，与基于绝对差分的图像识别和基于灰度差分的图像识别两种方法相比，本文研究的基于重要度的图像识别方法可以明显地提高识别精度，特别是当图像分割为100×100时，该算法可以达到95%以上的准确率，从而可以有效地满足图像识别的精度要求。

3 结束语

为保证图像识别算法计算的及时性，并有效地提高图像识别的准确性，本文在仿真实验的基础上提出一种基于重要度理论的图像识别方法。首先表述了重要度理论相关的定义和定理，然后通过图像特征的映射构建图像特征知识域，并由此计算出图像特征知识的重要度，最后将图像特征知识的重要度作为权值进行图像特征向量的加权模计算，从而对图像进行识别。下一步工作中，笔者将优化图像特征向量的构造，以期更好地提高图像识别的准确性。