曹 敏

(福建江夏學(xué)院 金融學(xué)院，福州 350108)

隨著計算機(jī)技術(shù)的不斷發(fā)展，圖像數(shù)據(jù)處理能力和識別技術(shù)也得到了進(jìn)一步增強(qiáng)，數(shù)字圖像智能識別技術(shù)在圖像處理方面得到了大規(guī)模使用[1].但是，目前關(guān)于微小圖像特征識別的研究，還尚有很大難度.微小圖像是一種可視化程度低，自身特征不突出，因此在對其進(jìn)行特征識別的時候，難度很大[2-3].借助計算機(jī)對微小圖像進(jìn)行深度研究，以實現(xiàn)對其進(jìn)行特征的智能識別.在對微小圖像特征的智能識別過程中，計算機(jī)視覺是其最主要的實現(xiàn)方式，具有十分重要的作用[4-5].在對微小圖像進(jìn)行特征識別時，需要對圖像采集大量的信息，采集圖像數(shù)據(jù)的實時性和精確度是微小圖像識別領(lǐng)域研究的熱點.采取何種方法可以有效對微小圖像特征識別總是計算機(jī)技術(shù)對微小圖像處理研究的重要內(nèi)容[6].

本文提出了一種能夠有效識別微小圖像特征的智能識別仿真.本方法的特點是無需構(gòu)建層次深度，只需通過正向與逆向映射的手段來合成當(dāng)前圖像識別微小圖像質(zhì)量，同時再通過應(yīng)用圖像識別多代表點近鄰傳播使產(chǎn)生于各源參考圖像的各類冗余信息被全面除去，并搜索各個參考圖像缺失的數(shù)據(jù)信息，通過這種方法對微小圖像特征識別過程中產(chǎn)生的圖像空洞進(jìn)行補(bǔ)償.通過實驗分析表明：本文提出的微小圖像特征智能識別算法具有識別率高、魯棒性好的特點.

1 多代表點近鄰傳播算法

本文采用的多代表點近鄰傳播算法以兩輸入與兩輸出系統(tǒng)作為分析例子，采用式(1)所示的數(shù)學(xué)模型：

(1)

如式(2)所示，y1與y2是系統(tǒng)輸出，u1與u2是系統(tǒng)輸入，Gmij(s)代表示第i個輸出與第j個輸入之間的函數(shù)關(guān)系：

(2)

上述識別函數(shù)的控制精度受到基函數(shù)的明顯影響.本文只對調(diào)節(jié)狀況進(jìn)行分析，所以應(yīng)用了一個階躍函數(shù)并實現(xiàn)了優(yōu)異的追蹤效果.

只使用一個階躍函數(shù)時，u1(k)與u2(k)兩個控制量之間滿足如式(3)關(guān)系：

(3)

假定輸出量y1不具有純滯后的特征，令式(1)中的Tdm11=0與Tdm22=0，加上一項零階保持器實現(xiàn)離散化之后，該模型具有如下差分方程

(4)

其中，αm11=e-Ts/Tm11與αm12=e-Ts/Tm12，ym11與ym12各代表u1與u2對y1所具有的貢獻(xiàn)作用，下述情況一樣.

結(jié)合式(3)與式(4)，采用數(shù)學(xué)歸納法獲得任意Pi步對應(yīng)如下的識別輸出是

(5)

該識別模型的輸出結(jié)果對應(yīng)于u1與u2得到的識別輸出的加和結(jié)果：

ym11(k+p1)=ym11(k+P1)+ym12(k+P1)

(6)

對優(yōu)化目標(biāo)式可以取PL=PU=P1并令：

(7)

綜合式(3),(4),(5),(6)得到k時刻的控制量：

(8)

根據(jù)Smith的估計控制方法，本文構(gòu)建了純遲延時間等于零的分析模型，之后對系統(tǒng)輸出修正可以獲得修正結(jié)果如式(9)所示：

yprev1*(k)=y1(k)+ym11(k)-ym11(k-D11)+ym12(k)-ym12(k-D12)

(9)

圖1顯示了與該方法相關(guān)的圖像識別極線多代表點近鄰傳播過程與性質(zhì).

2 微小圖像特征智能識別

微小圖像特征智能識別步驟：對源參考圖像1進(jìn)行McMillan順序掃描處理，通過正向映射方式將此源參考圖像映射到目標(biāo)圖像上.對目標(biāo)圖像進(jìn)行全面掃描.當(dāng)發(fā)現(xiàn)空洞點之后，將該點通過逆向映射的方式投影到源參考圖像2上并對此空洞點像素進(jìn)行識別分析，從而完成此空洞點的識別過程，結(jié)果見圖2.

圖1 立體圖像學(xué)的相關(guān)特性

圖2 微小圖像特征智能識別示意圖

結(jié)合多代表點近鄰傳播特點可知，由目標(biāo)圖像識別經(jīng)屏幕點pd可以觀察到的各個空間點都將位于從目標(biāo)圖像識別VD發(fā)射并通過屏幕點pd的射線上.通過分析可知，該方法需對圖像進(jìn)行兩次掃描處理，提升此算法效率的重要因素是提高對源參考圖像2的極線像素點進(jìn)行搜索的速度，從而實現(xiàn)快速獲取存在于目標(biāo)圖像上的空洞點像素的過程.

利用多代表點近鄰傳播算法可以實現(xiàn)通過逆向映射方法對目標(biāo)圖像的識別像素點進(jìn)行搜索的效果.此識別算法是通過重投影轉(zhuǎn)換方式計算得到目標(biāo)圖像上的某一點對應(yīng)于源參考圖像的各可能對應(yīng)點的最小與最大深度數(shù)據(jù)，接著再通過插值方法計算得到此點的實際深度數(shù)值.當(dāng)對比此計算值與此點實際深度值相符時，說明源參考圖像點就是所要尋找的目標(biāo)圖像識別點.這一識別算法較為簡單，不過該方法具有和重投影過程相同的計算量，同時因為只對源參考圖像實施深度比較，因此該方法不能繼續(xù)利用目標(biāo)圖像上的已有數(shù)據(jù)信息，所以此時依然需要通過重投影轉(zhuǎn)換公式來判斷存在于源參考圖像上的某一點和目標(biāo)圖像對應(yīng)點的關(guān)系，從而完成像素點識別過程，并獲得微小圖像質(zhì)量像素點.

假定目標(biāo)圖像識別經(jīng)屏幕點pd可以觀察到點P，結(jié)果見圖2，該點與源參考圖像2上的對應(yīng)點是p2.因此，該方法的效果是通過選擇特定的方向從極點e2對極線el2-p各個像素點進(jìn)行搜索，直到初始投影點落至p2點.通過上述分析表明，此算法進(jìn)行e2至p2搜索時占用了算法的主要時間.因此，如果能夠使開始搜索的像素點s2盡量接近p2點位置，則可以顯著降低搜索過程所消耗的時間.

本方法所確定的目標(biāo)圖像的eld-2p極線遍歷方向取決于對eld-1p極線進(jìn)行的逆向轉(zhuǎn)換過程，這使該方法能夠沿極線eld-1p對空洞點周圍完成逆向搜索獲得所需像素點并獲得被源參考圖像1遮擋的像素點z值.進(jìn)一步分析表明，此z值就是估計得到的最臨近pd像素點且小于此點的最大z值點，結(jié)果見圖2.令該極大z值對應(yīng)的空間點是Q點，那么可以得到該點對應(yīng)于源參考圖像I2的像素投影點是q2.該方法是從此像素點朝特定方向往p2進(jìn)行搜索.

3 仿真與結(jié)果分析

為了驗證本文提出的微小圖像特征智能識別方法的實用性，采用美國DARPA實驗中的圖片和數(shù)據(jù)進(jìn)行本文圖像識別算法的實驗.利用Matlab仿真軟件對以多代表點近鄰傳播為基礎(chǔ)的圖像識別算法和采用支持向量機(jī)的圖像識別方法的實驗數(shù)據(jù)進(jìn)行直觀說明.

分別使用本文算法(多代表點近鄰傳播方法)和支持向量機(jī)的圖像識別方法分別進(jìn)行測試.在v=3和v=4兩種不同特征尺度的情況下，分別來測試本文算法和支持向量機(jī)圖像識別方法的貢獻(xiàn)率(%)，實驗結(jié)果如圖3和圖4所示.

圖3 尺度v=3的情況下兩種方法識別貢獻(xiàn)率對比

圖4 尺度v=4的情況下兩種方法識別貢獻(xiàn)率對比

從圖3和圖4可以看出，在尺度較小的情況下進(jìn)行微小圖像特征的智能識別貢獻(xiàn)率很小，而在尺度較大的情況下貢獻(xiàn)率很大.但是，使用本文的圖像智能識別方法在不相同的尺度情況下，對微小圖像特征識別均具有較大的貢獻(xiàn)率，非常適用于微小圖像特征的分類，這就表明采取多代表點近鄰傳播方法對微小圖像特征識別的過程中，不僅在運(yùn)算量還是算法性能都比采取支持向量機(jī)的圖像識別方法要強(qiáng).

本文通過研究實現(xiàn)了上述算法并獲得良好的實驗測試效果，該方法的源參考圖像見圖5.圖6則是通過微小圖像特征智能識別得到的圖像.對比分析原先參考圖像通過微小圖像特征智能識別得到的圖像可知，能夠有效提升微小圖像特征平均識別率，且魯棒性較好.

圖5 源參考圖像

圖6 微小圖像特征智能識別圖像

4 結(jié)論

本文研究得到了一種微小圖像特征智能識別方法.該方法綜合應(yīng)用了正向與逆向映射技術(shù)以實現(xiàn)對當(dāng)前圖像識別微小圖像質(zhì)量的快速合成效果，同時應(yīng)用了圖像識別多代表點近鄰傳播從其它源參考圖像獲得微小圖像質(zhì)量像素點，無需對整幅參考圖像進(jìn)行重投影與深度對比分析.通過分析當(dāng)前圖像識別方法進(jìn)行大數(shù)據(jù)環(huán)境下微小圖像特征智能識別過程中存在的弊端，提出一種大數(shù)據(jù)環(huán)境下多代表點近鄰傳播的微小圖像特征智能識別方法.實驗結(jié)果表明，所提方法能夠有效提升微小圖像特征平均識別率，且魯棒性較好.