凌軍
(宿州學(xué)院 信息工程學(xué)院,安徽 宿州 234000)
特征提取在圖像處理中的應(yīng)用
凌軍
(宿州學(xué)院信息工程學(xué)院,安徽宿州234000)
特征提取可以提高圖像質(zhì)量.光照條件的多變性及物體間相互遮擋導(dǎo)致圖像質(zhì)量難以控制.把光照?qǐng)D和反射物體圖進(jìn)行分離,可改善圖像質(zhì)量,但亮度圖像重建計(jì)算量較大.提出一種特征提取方法,實(shí)驗(yàn)證明可有效減少圖像處理時(shí)間,提高圖像質(zhì)量,改善圖像特征點(diǎn)提取.
特征提??;圖像處理;圖像增強(qiáng)
圖像的形成與入射光和物體的反射有關(guān).焦距不同的圖像常難以拼接.特征提取可提高圖像拼接、增強(qiáng)的質(zhì)量,實(shí)現(xiàn)圖像的有效縮放和旋轉(zhuǎn),體現(xiàn)圖像的局部不變性[1].
在特征提取應(yīng)用中,采用了多種點(diǎn)特征提取算子[2].基于特征點(diǎn)的增強(qiáng),首先對(duì)圖像進(jìn)行預(yù)處理,然后運(yùn)用特征提取算法,實(shí)現(xiàn)圖像的增強(qiáng),.文章對(duì)特征提取在圖像增強(qiáng)中的應(yīng)用進(jìn)行了研究和分析.
2.1圖像預(yù)處理
圖像處理中的預(yù)處理主要是對(duì)圖像進(jìn)行預(yù)先處理,減少干擾,從而保證特征提取的準(zhǔn)確、快速,減少圖像的失真.在小波分解中,如圖1,提取出低頻分量,減少高頻噪聲干擾,有效還原圖像信息,處理速度比傳統(tǒng)方法得到提高[3].
圖1 小波分解低頻圖像
2.2特征提取算法
特征提取算法提取出圖像的尺度不變特征,利用圖像序列特征點(diǎn),進(jìn)一步克服輸入圖像的噪聲干擾[4].尺度不變特征的提取過(guò)程中,通過(guò)檢測(cè)尺度空間的極值,提取出特征點(diǎn)的位置,然后計(jì)算出特征點(diǎn)信息,將其作為特征描述符.
特征提取需結(jié)合一定的模型,如人類視覺(jué)系統(tǒng),采用層次化和串行化的思想,實(shí)現(xiàn)視覺(jué)模型的功能[5].特征參數(shù)須正確描述圖像特征,具有較強(qiáng)的抗噪性、仿射不變性、相對(duì)穩(wěn)定性和泛化能力.
3.1可變框架模型
結(jié)合Retinex算法的可變框架模型假設(shè)光照?qǐng)D存在空間平滑的特性,同時(shí)反射物體r在[0,1]區(qū)間單調(diào).光照亮度圖像中存在較大的值.對(duì)于入射分量l而言,盡可能地和輸出圖像s接近[6].圖像中的入射光光滑性為常數(shù).對(duì)式(1)進(jìn)行最小化.
圖像用Ω表示,光照亮度圖像用l表示,輸出圖像用s表示,n表示區(qū)間,圖像的邊緣,用?Ω表示,α和β是非負(fù)系數(shù).圖像空間的平滑度,用|▽l|2表示.條件(1-s)2表示入射亮度圖像和輸出圖像接近程度,差值即是反射物體的圖像[7].
當(dāng)方程有最小值的時(shí)候,對(duì)式(1)進(jìn)行求導(dǎo),如式(2)所示.
求出數(shù)值解,得出亮度圖像,實(shí)現(xiàn)Retinex圖像增強(qiáng)算法.模型中存在一定的缺陷.就光暈的存在而言,往往是一種人為的假象,在這種平滑性假設(shè)的前提下,當(dāng)光照強(qiáng)烈的區(qū)域存在時(shí),難以降低黑暗區(qū)域內(nèi)部光照值.在邊緣附近的一些黑暗區(qū)中,一旦黑暗區(qū)域被移除,將會(huì)伴有一定的光暈效應(yīng).運(yùn)用迭代法對(duì)模型進(jìn)行求解時(shí),往往具有較高的算法復(fù)雜性[8].
目前,有不少的企業(yè)沒(méi)有建立起完善的績(jī)效考核體系,或者績(jī)效考核體系較為落后,無(wú)法充分的發(fā)揮薪酬管理的激勵(lì)功能。這些企業(yè)無(wú)論是在考核內(nèi)容,還是考核方法的選擇方面都較為落后,績(jī)效考核體系對(duì)于企業(yè)員工工作態(tài)度與工作效率的改善并不十分理想,反而在績(jī)效考核中暴露了許多問(wèn)題,諸如考核的定位不清、考核指標(biāo)的設(shè)計(jì)不夠科學(xué)性等,這些問(wèn)題反而嚴(yán)重阻礙了員工積極性與創(chuàng)造性的提高。
3.2模型改進(jìn)和加速迭代求解
改進(jìn)模型中對(duì)于|▽l|2,提高光照?qǐng)D的空間光滑性.結(jié)合限制條件|▽(l-s)|,保證r有著一定的平滑性,并結(jié)合限制條件,選擇好自由參數(shù)β.對(duì)于(1-s),要使得s逐漸地和l接近,并保證r有著盡可能小的值[9].
首先使得β的值為0,在光暈效果的作用下,r處于光滑的狀態(tài),越過(guò)物體的邊界,設(shè)置恰當(dāng)?shù)墓饣瑺顟B(tài),將光暈效應(yīng)有效地去除,結(jié)合反射圖的邊界變化情況,及時(shí)捕捉圖像特征點(diǎn).
其次對(duì)于α,在趨向于0的過(guò)程中,要保證α有著越來(lái)越小的取值,但要盡可能地控制好與l以及s的接近程度.在新的假設(shè)中,方程如式(3)所示.
基于梯度下降法,對(duì)方程求解中,迭代方程如式(4)所示.
G是F[l]的梯度,如式(5)所示.
在實(shí)際使用時(shí)內(nèi)積定義如式(6)所示.
這種新的迭代方式不僅計(jì)算較為簡(jiǎn)便,而且能對(duì)光暈現(xiàn)象進(jìn)行有效地抑制.
3.3加速卷積速度
圖2 圖像增強(qiáng)的流程圖
通過(guò)結(jié)合卷積和多尺度,建立起新的卷積方程,降低卷積函數(shù)算法復(fù)雜度,流程圖如圖2.
S表示初始亮度圖像,對(duì)多尺度亮度圖像結(jié)合低解析度圖像,通過(guò)卷積函數(shù)的尺度變換,實(shí)現(xiàn)了Laplacian濾波變換.算法中變換提升了圖像增強(qiáng)的處理速度.
原始圖像和增強(qiáng)后圖像的對(duì)比,如圖3.
圖像增強(qiáng)后,灰度級(jí)得到提高,增加了物體邊界對(duì)比度,提取出更多的有效Susan特征點(diǎn).實(shí)驗(yàn)表明,本算法對(duì)視頻圖像的增強(qiáng)具有良好的實(shí)時(shí)性.對(duì)于512×384的圖像,算法的實(shí)際處理時(shí)間僅為17ms,對(duì)于每秒30幀的視頻圖像,具有良好的實(shí)時(shí)性.
圖3 原始圖像和增強(qiáng)后圖像的對(duì)比
運(yùn)用結(jié)合特征點(diǎn)的圖像增強(qiáng)算法對(duì)圖像有著明顯的增強(qiáng)效果,提高了增強(qiáng)后圖像的有效特征點(diǎn)個(gè)數(shù),增強(qiáng)過(guò)程自動(dòng)執(zhí)行,無(wú)需人為設(shè)置參數(shù),算法具有較好的實(shí)時(shí)性.
〔1〕Sang Hyun Park,Soochahn Lee,Il Dong Yun,Sang Uk Lee.Hierarchical MRF of globally consistent localized classifiers for 3D medical image segmentation[J].Pattern Recognition,2013,01(15):73-75.
〔2〕Hakime Vojodi,Ali Fakhari,Amir Masoud Eftekhari Moghadam.A new evaluation measure for color image segmentation based on genetic programming approach[J].Image and Vision Computing,2014,35(9):3156-3162.
〔3〕Chao Gao,Dongguo Zhou,Yongcai Guo.An Iterative Thresholding Segmentation ModelUsing aModified Pulse Coupled Neural Network[J].Neural Processing Letters,2011,24(6):33-35.
〔4〕AshirbaniSaha,Gaurav Bhatnagar,Q.M.Jonathan Wu.Mutual spectral residual approach for multifocus image fusion[J].Digital Signal Processing,2012,11(1):92-92.
〔5〕李竹林,王明芳,呼建雪,等.醫(yī)學(xué)圖像增強(qiáng)算法與特征提取算法研究與實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展,2015(1):115-118.
〔6〕Silvia P.Gennari,Maryellen C.MacDonald,Bradley R.Postle,Mark S.Seidenberg.Context-dependent interpretation of words:Evidence for interactive neural processes[J].Neuroimage,2014,35(9):3156-3162.
〔7〕Ying Liu,Dengsheng Zhang,Guojun Lu,Wei-Ying Ma.A survey of content-based image retrieval with high-level semantics[J].Pattern Recognition,2013,28(5):597-601.
〔8〕Stephen D.Van Hooser,Arani Roy,Heather J.Rhodes,Julie H.Culp,David Fitzpatrick.Transformation of Receptive Field Properties from Lateral Geniculate Nucleus to Superficial V1 in the Tree Shrew[J].Journal of Neuroscience,2013,24(6):33-35.
〔9〕Christopher Madden,Eric Dahai Cheng,Massimo Piccardi.Tracking people across disjoint camera views by an illumination-tolerant appearance representation[J].Machine Vision and Applications,2007,04(6):43-35.
TP391
A
1673-260X(2015)11-0035-02