面向图像角点特征取证的人工智能检测仿真

祝毅鸣

(郑州大学西亚斯国际学院，河南 新郑 451150)

1 引言

角点特征用来反映图像稳定稀疏的分布情况，如像素、结构与尺寸等，其在医疗影像、建筑物裂缝、数控雕刻以及计算机视觉等领域中起着至关重要的作用。图像角点常用二维空间图像亮度变化程度的点来表示，也可以用图像边缘线的曲率最大值点与最小值点来表示[1]。传统图像角点检测方法均效果不佳，不能精准获取到图像真实信息特征，也不能满足日常生活的需求，为此将引入人工智能技术对图像角点特征取证进行检测。

图像角点检测是图像特征取证与模式识别方面关键性研究课题。当前，对面向图像角点特征取证的检测方法研究诸多，例如张见双，张红民等人[2]发现Harris图像角点特征取证与检测时，由于是人工输入阈值，会出现假角点与角点聚簇等问题，为此对Harris图像角点方法进行改进。先使用分割技术将图像分割成若干个部分，并对该部分图像特征进行取证，再根据取证结果设定阈值，随后使用NCC方法对各部分图像进行特征取证，并将得出结果做匹配，最后通过参数化模型将该过程中出现错误匹配点删除，剩余部分则为正确角点。闫小盼，敖磊等人[3]认为传统检测方法运算复杂，浪费大量时间，提出使用编程方法对图像角点特征取证进行检测。首先根据编程的特征把整个图像分割成两部分，并分别对各部分图像角点进行特征取证，然后使用流水线算法将这两部分图像角点特征做处理，其中流水线算法主要包括导数、加权平均、图像角点响应、最大值与和最小值五部分算法构成，同时需要把该过程中繁琐计算变换成简单的位移与加减法进行计算，最终快速完成图像角点检测。

但以上两种方法存在检测结果与真实图像结果精度低的问题。针对以上存在不足之处，将采用人工智能技术对面向图像角点特征取证进行检测。该方法能够有效缩短取证时间，并能提升检测精度，实现了人工智能检测图像角点特征取证应用价值。

2 基于图像角点特征取证的人工智能检测

2.1 图像角点特征取证

在图像角点特征取证过程中一定会有干扰向量影响取证结果的[4]，所以取证图像可能包含多种色彩的特征，有可能就被保存成了RGB色彩模式。根据该模式对图像角点中各像素颜色设定了不同的分量值，同时也将其保存成空间函数的模式。若该图像角点模式进行直接处理，不仅会增加计算难度，还会降低效果。为此，通过在不同干扰情况下对图像做简化处理，而干扰程度最小的简化方式就是把RGB色彩模式图像角点变换成灰度图像，变换公式如式(1)所示。

In=0.3R+0.59G+0.11B

(1)

其中，In表示图像中各颜色灰度值；R和G、B分别表示RGB色彩模式图像色彩中的红和绿、蓝三个不同颜色的分量值。

在图像角点取证时会受到诸多原因的影响，产生噪声干扰，严重影响图像角点特征取证结果[5]。基于此，使用中值过滤算法对图像角点做去噪处理。

中值过滤算法是将图像某个部分D中的所有像素灰度值进行排序，去除该排序最大值与最小值，并提取该剩余部分中间值作为整个部分的中心点像素灰度值，具体计算过程如式(2)所示

g(c，r)=In·med(p(c，r)，(c，r)∈D)

(2)

其中，p代表排序序列；(c，r)代表图像D部分中心点数值；med(·)代表符号函数。再采用人工智能检测方法对D部分图像做角点计算，得到式(3)

(3)

其中，(XA，YA)表示角点A在图像空间中的坐标；(xA，yA)表示角点A在检测部分空间中的坐标；(XZS，YZS)表示检测部分右上角全部图像空间中的坐标。

设定δ表示该图像的像素边长，通过对图像像素标记，并将经过相邻部分图像角点长度与像素值做对比，得到式(4)

(4)

其中，LAB代表相邻部分图像角点A与B间距；(xB，yB)代表角点B在检测部分空间中的坐标，完成特征取证。

2.2 图像角点增强处理

根据图像角点特征取证结果发现，有很多原因影响去燥过程，如分解尺寸与临界值等，为此就要对角点特征图像做增强处理[6]。

采用掩模平滑方法对图像角点做增强处理，得到式(5)

(5)

其中，sgn()表示符号函数；wj，k表示小波变换系数；λ表示该部分图像阈值。如果|wj，k|≥λ时，则wj，k=λ+1；如果wj，k<λ-1时，则wj，k=0；如果-λ

由于阈值函数具有良好连续性、平滑和无间隔点特性，为此在图像信号处理时会发生多余断点，此时就需要使用掩模平滑将新图像角点做增强处理。

(6)

(7)

其中，Q表示该部分图像掩模像素点个数；rj′表示第j′个部分图像角点。

根据式(6)与式(7)可知，假设(x，y)表示边缘线的相邻部分，则方差值较大；反之，则方差值较小，边缘灰度平均分布，其掩模灰度就越平均。假设图像角点是边缘点，就需要将第一个方差灰度值转换成图像角点灰度值，就不会影响图像清晰程度。假设(x，y)表示噪声点，采用其方法可以起到很好的光滑的作用，最终完成对图像角点增强处理。

2.3 新图像角点检测

人工智能技术主要使用链码算法对增强后的图像角点进行检测。链码介绍如图1所示。图1中P代表图像中某个角点的像素，数字0-14表示该角点不同方位的链码数值。再使用跟踪方法把角点形状链码描述，得到图2(白色表示角点像素)。从A点按照顺时针方向运动，形状的边缘用链码描述为L=2140217121010108644。

图1 八邻域链码

图2 图像边缘形状

相对链码是指链码和后一个链码的数值差，如果这两个链码数值差大于4时，则相对链码数值需要在原来基础上减8。而绝对链码是指相对链码从一开始就累加数值。当绝对链码完成一周运动时，得到式(8)

A(N)-A(1)=8

(8)

其中，A(N)表示角点最后一个点的绝对链码数值；A(1)表示角点第一个点的绝对链码数值。

设定C(i)与C(i-1)表示角点像素(i)与(i-1)链码，R(i)表示相对链码，A(i)与A(i-1)表示绝对链码值，得到式(9)。

(9)

根据式(9)可知，链码和是指电A(i)、A(i+1)与A(i+2)之和，可以将角点边缘看做成直线，那么该点斜率为sum(i)=A(i)+A(i+1)+A(i+2)。

对于封闭形状，计算前两个点链码和，绝对链码数值是从最后一个点取值的，该点都比初始点大8，详细计算过程如式(10)所示。

sum(1)=A(1)+A(N)+A(N-1)-16

sum(2)=A(2)+A(1)+A(N)-8

(10)

通过式(10)可知，第一个链码和是可能为0或者不是0的数，为了方便计算每个边缘点链码和，把全部链码和除去第一个点链码和，最终获得从0开始的链码和的集合。

链码差表示相邻部分的链码之间差值，如式(11)所示

Diff(i+1)=sum(i+3)-sum(i)

(11)

同上，对于封闭图形，计算前两个点链码差过程中，部分数值在第一个与最后一个点取值，即

Diff(1)=sum(3)-sum(N)

Diff(N)=sum(N+3)-sum(N-1)

=sum(3)-sum(N-1)+24

Diff(N-1)=sum(N+1)-sum(N-2)

=sum(1)-sum(N-2)+24

(12)

根据图3可知，图像角点为六角星形状，图4表示该图像角点的链码和、差数值情况。

图3 六角星形状

图4 链码的和、差曲线分布情况

将被检测图像角点平均分割成20部分，同时把链码平均分成10份[7]。为此，使用链码能精准体现出边缘形状特点。图形角点在链码和直线上，直线部分表示图像角点边缘线，弧度线表示边缘的曲线与圆弧。如果链码和线段表示圆弧时，则线段曲度数愈大，则圆弧半径就愈大，反之亦然。

链码差代表2个切割线数值差，并且和曲线偏离直线成正比例关系。如果链码差等于2，代表2个切线夹角呈30°。若边缘形状按顺着逆时针运行，则数值为复数的点称为凹角点；反之，则数值为正数的点称为凸角点。

通过上面图像角点检测分析可知，图像中存在许多点可能会被当成图像真实角点，这些点将它命名为假角点。为此，通过分析假角点产生因素，并依据这些因素提出如下解决方案：

情况一，假角点存在于真实图像角点的相邻部分中。当检测到图像某角点过程中，同时检测与其相邻部分内若干个像素点存在其它角点，再采用链码差方法将检测出角点进行绝对值计算，得出真实角点(绝对值最大)，最后将剩余角点删除[8-9]。

情况二，假角点存在于图像边缘线中[10]。先算出邻近两个角点和该角点的斜率绝对值差，再依据得出结果分析其是否为真角点，如果得到的值较大，则为真角点并保留，反之则为假角点并删除。具体计算过程如下：

设置(xi-1，yi-1)代表像素点为i-1空间坐标值，(xi，yi)代表像素点为i空间坐标值；(xi+1，yi+1)代表像素点为i空间坐标值；ki表示像素点i-1到i的斜率值；kk+1表示像素点i+1到i的斜率值；ki与kk+1计算过程如下

(13)

对这种假角点，判断根据为

|ki+1-ki|≤ζ

(14)

其中，ζ代表0～0.2的常数。如果式(14)的像素点i-1和i、i+1在相同边缘线上，则i为假角点，将其删除，保留剩余两个角点；反之，i为真角点，将其保留，剩余两个角点删除。

如果在封闭图形中，就需要对第一个与最后一个角点做假检测。设定(x1，y1)表示该图像第一个角点空间坐标；(xm，ym)表示该图像最后一个角点空间坐标，第一个角点斜率计算过程如下

(15)

最后一个角点计算过程如下

(16)

通过分析链码数值大小，可知图像角点人工智能检测结果的精准度，即Diff(i)≤u或者Diff(i)≥v。

其中u与v表示链码上下阈值，u值为复数，v值为正数。u与v的数值大小直接反应检测结果。u和v数值越大，代表角点检测结果越精准；u和v数值越小，代表角点检测结果不精确。为此，通过以上计算得出u和v结果是偏大的，证明人工智能方法可以有效检测出图像角点。

3 仿真结果分析

为了证实图像角点人工智能检测方法比文献[2][3]方法正确率高。在网络中随机抽取一张图像，设定角点检测的阈值-u=-1，v=2，N=5，ζ=0.1，实验对比结果如图5所示。

图5 检测方法对比

表1 不同检测方法对比结果

根据表1可以得出，文献[2]方法检测图像角点数为300个，真角点数为160，假角点数为140个；文献[3]方法检测图像角点数为150个，真角点数为98，假角点数为52个；人工智能方法检测图像角点数为600个，真角点数为580，假角点数为20个，该方法准确率为96.67%显著高于文献[2]和文献[3]两种方法。为此，面向图像角点特征取证的人工智能检测方法具有较高准确性、实用性。

4 结论

通过对图像角点特征取证检测方法存在精度不高，导致丢失、模糊不清等问题的角点特征取证图像无法被检测出，为此，通过提取出图像角点特征，得到取证的图像角点；再使用掩模平滑方法对得出图像做加强处理，得到新的图像角点；最后采用链码差与和、斜率相结的方法对新图像进行检测。仿真结果表明，该方法能有效检测图像角点特征取证效果，并保证检测结果精度。