郭 杰

（安徽財經(jīng)大學(xué)，安徽 蚌埠233000）

0 引言

隨著圖像處理技術(shù)的發(fā)展，采用多視覺成像技術(shù)進行實驗室局域網(wǎng)絡(luò)含噪字符的三維檢測和特征識別，提高實驗室局域網(wǎng)絡(luò)含噪字符的檢測能力，在進行實驗室局域網(wǎng)絡(luò)含噪字符特征識別過程中，需要結(jié)合實驗室局域網(wǎng)絡(luò)含噪字符的相關(guān)特性對其進行有效識別，相關(guān)的實驗室局域網(wǎng)絡(luò)含噪字符檢測方法研究受到人們的極大重視［1］.

對實驗室局域網(wǎng)絡(luò)含噪字符的檢測是建立在圖像的三維視覺信息融合基礎(chǔ)上，結(jié)合特征優(yōu)化識別方法，進行實驗室局域網(wǎng)絡(luò)含噪字符的信息融合和特征檢測.提出基于視覺信息增強的實驗室局域網(wǎng)絡(luò)含噪字符識別模型，采用關(guān)鍵特征點提取方法進行實驗室局域網(wǎng)絡(luò)含噪字符的特征檢測，進行實驗室局域網(wǎng)絡(luò)含噪字符的邊緣輪廓特征檢測［2］，結(jié)合小波多級降噪方法進行實驗室局域網(wǎng)絡(luò)含噪字符的降噪處理，采用模板特征匹配方法實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符的特征配準，實現(xiàn)大數(shù)據(jù)環(huán)境下實驗室局域網(wǎng)絡(luò)含噪字符識別模型的優(yōu)化設(shè)計，最后進行仿真測試分析，展示了本文方法在提高實驗室局域網(wǎng)絡(luò)含噪字符識別能力方面的優(yōu)越性.

1 視覺信息采樣和特征檢測

1.1 實驗室局域網(wǎng)絡(luò)含噪字符視覺信息采樣

為了實現(xiàn)大數(shù)據(jù)環(huán)境下實驗室局域網(wǎng)絡(luò)含噪字符識別，采用模板特征匹配方法實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符的特征配準，首先進行實驗室局域網(wǎng)絡(luò)含噪字符的特征信息采樣，構(gòu)建實驗室局域網(wǎng)絡(luò)含噪字符圖像的三維視覺信息采集模型［3］，結(jié)合特征配準的方法進行計算機視覺圖像采集，設(shè)實驗室局域網(wǎng)絡(luò)含噪字符集合為D=｛d1，d2，…，dn｝，其中待檢測的字符為F，該集合可以表示為F=｛f1，f2，…，fm｝，

設(shè)置實驗室局域網(wǎng)絡(luò)含噪字符的均勻像素特征量表示為：

式中，k為實驗室局域網(wǎng)絡(luò)含噪字符的采集時間，fm（k）為實驗室局域網(wǎng)絡(luò)含噪字符最終待檢測數(shù)據(jù)量；將含噪字符視為坐標系中的點，將其在不同軸上點的索引值表示為：

其中，D（x（k））和DFx（k）分別為實驗室局域網(wǎng)絡(luò)含噪字符特征分組的目標分布場和候選區(qū)域分布場，根據(jù)上述分析，進行實驗室局域網(wǎng)絡(luò)含噪字符的特征采樣和信息提取，采用邊緣輪廓特征提取方法進行實驗室局域網(wǎng)絡(luò)含噪字符的尺度分解和灰度信息提取，采用多維度的三維跟蹤和信息采樣方法，獲取實驗室局域網(wǎng)絡(luò)含噪字符的特征.根據(jù)一定特征權(quán)重值將其進行分解，分解過程如圖1.

圖1 特征分解模型

1.2 含噪字符信息獲取

為實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符的精準識別，需要對其進行整體信息的檢測，以獲取其關(guān)鍵特征.

通過構(gòu)建實驗室局域網(wǎng)絡(luò)含噪字符的三維特征成像模型，采用多分量像素空間特征重組的方法，進行實驗室局域網(wǎng)絡(luò)含噪字符特征點匹配設(shè)計［4］，結(jié)合點掃描跟蹤技術(shù)，進行實驗室局域網(wǎng)絡(luò)含噪字符圖像空間視覺特征分布式重建，得到含噪字符圖像的分布式信息采樣輸出為：

其中，assoc（A，V）是機器視覺下實驗室局域網(wǎng)絡(luò)含噪字符圖像的像素點子集，建立實驗室局域網(wǎng)絡(luò)含噪字符圖像空間視覺融合的二值模型（Dominant LBP，DLBP）［5］，構(gòu)造匹配濾波器，得到實驗室局域網(wǎng)絡(luò)含噪字符信息分布為：

其中，k表示實驗室局域網(wǎng)絡(luò)含噪字符的特征辨識系數(shù)，m表示實驗室局域網(wǎng)絡(luò)含噪字符的分塊信息素，μ表示實驗室局域網(wǎng)絡(luò)含噪字符的噪聲強度.

在上述分析基礎(chǔ)上，將實驗室局域網(wǎng)絡(luò)含噪字符特征分布的像素值設(shè)為：

其中，Lxx（x，σ）代表移動尺度，Lxy和Lyy為實驗室局域網(wǎng)絡(luò)含噪字符特征匹配系數(shù)和低頻系數(shù).采用三維視覺重構(gòu)技術(shù)進行實驗室局域網(wǎng)絡(luò)含噪字符特征配準設(shè)計，定義實驗室局域網(wǎng)絡(luò)含噪字符的梯度模特征，進行實驗室局域網(wǎng)絡(luò)含噪字符的位置點區(qū)域特征重構(gòu)［6-7］，為：

在公式（7）中，γi代表含噪字符的粗糙點的特征量，φ（a，b）代表含噪字符特征量點值，φi代表含噪字符區(qū)域特征關(guān)鍵值.

2 實驗室局域網(wǎng)絡(luò)含噪字符識別

2.1 字符的小波多級降噪

進行實驗室局域網(wǎng)絡(luò)含噪字符的邊緣輪廓特征檢測，結(jié)合小波多級降噪方法進行實驗室局域網(wǎng)絡(luò)含噪字符進行降噪處理.對實驗室局域網(wǎng)絡(luò)含噪字符的模糊跟蹤識別［8］，結(jié)合圖像濾波檢測方法，得到實驗室局域網(wǎng)絡(luò)含噪字符的三維信息增強模型為：

式中，β代表含噪字符的增強強度.

采用單位移動尺度關(guān)聯(lián)分配方法進行實驗室局域網(wǎng)絡(luò)含噪字符圖像空間視覺特征配準，進行梯度模特征提取，采用模糊C均值分類的方法進行實驗室局域網(wǎng)絡(luò)含噪字符的特征分類識別，采用點目標重構(gòu)法進行圖像重建［9-10］，提取實驗室局域網(wǎng)絡(luò)含噪字符圖像視覺特征量，輸出結(jié)果為：

結(jié)合RGB特征分解方法，進行實驗室局域網(wǎng)絡(luò)含噪字符的三維渲染，構(gòu)建實驗室局域網(wǎng)絡(luò)含噪字符圖像的高精度特征配準模型，進行字符圖像的小波多級降噪處理.

2.2 字符識別優(yōu)化輸出

采用灰度特征點標記方法進行實驗室局域網(wǎng)絡(luò)含噪字符的幀點掃描，提取實驗室局域網(wǎng)絡(luò)含噪字符特征.輸出含噪字符的像素特征點為：

在上述公式中，Tk代表局域網(wǎng)絡(luò)含噪字符增強后的幀點.

在上述分析基礎(chǔ)上，實驗室局域網(wǎng)絡(luò)含噪字符的識別結(jié)果為：

構(gòu)建實驗室局域網(wǎng)絡(luò)含噪字符的像素分布灰度共生矩陣，根據(jù)矩陣的特征解分布實現(xiàn)對實驗室局域網(wǎng)絡(luò)含噪字符的優(yōu)化檢測，對實驗室局域網(wǎng)絡(luò)含噪字符特征進行再次劃分，在含噪字符存在的坐標中，將分布點的面積表示為M，此時獲取的含噪字符特征模型表示為：

其中，n表示實驗室局域網(wǎng)絡(luò)含噪字符個數(shù)，M（D，F(xiàn)）表示實驗室局域網(wǎng)絡(luò)含噪字符特征量，采用目標模板特征匹配方法，得到實驗室局域網(wǎng)絡(luò)含噪字符跟蹤模型為：

其中，U（k）（u）表示三維視覺下實驗室局域網(wǎng)絡(luò)含噪字符輪廓線，D（k）（u） 表示實驗室局域網(wǎng)絡(luò)含噪字符點間隔調(diào)整像素集，L（k）（u） 表示實驗室局域網(wǎng)絡(luò)含噪字符的特征匹配集，實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符匹配.

3 仿真實驗與結(jié)果分析

為了驗證本文方法在實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符識別中的應(yīng)用性能，對實驗室局域網(wǎng)絡(luò)含噪字符采集的像素值為800×900，實驗室局域網(wǎng)絡(luò)含噪字符的灰度像素集分布為120，圖像的輸入信噪比為-13dB，具體實驗參數(shù)如表1所示.

表1 實驗參數(shù)

根據(jù)上述參數(shù)設(shè)定，進行實驗室局域網(wǎng)絡(luò)含噪字符的識別，得到實驗室局域網(wǎng)絡(luò)含噪字符如圖2所示.

根據(jù)圖2中實驗室局域網(wǎng)絡(luò)含噪字符的特征檢測結(jié)果，進行實驗室局域網(wǎng)絡(luò)含噪字符識別，將其與理想值進行對比，結(jié)果如表2所示.

圖2 實驗室局域網(wǎng)絡(luò)含噪字符

分析表2中數(shù)據(jù)可以看出，隨著迭代次數(shù)的不斷變化，采用本文方法對實驗室含噪字符識別的精度較好，與理想識別精度相比相差較小，符合理想識別精度，驗證了所提方法的科學(xué)有效性.

表2 實驗室局域網(wǎng)絡(luò)含噪字符識別精度%

4 結(jié)語

本文提出基于視覺信息增強的實驗室局域網(wǎng)絡(luò)含噪字符識別模型，采用關(guān)鍵特征點提取方法進行實驗室局域網(wǎng)絡(luò)含噪字符的特征檢測，進行實驗室局域網(wǎng)絡(luò)含噪字符的邊緣輪廓特征檢測，結(jié)合小波多級降噪方法進行實驗室局域網(wǎng)絡(luò)含噪字符的降噪處理，對實驗室局域網(wǎng)絡(luò)含噪字符特征點匹配設(shè)計，結(jié)合點掃描跟蹤技術(shù)，進行實驗室局域網(wǎng)絡(luò)含噪字符圖像空間視覺特征分布式重建，結(jié)合圖像信息增強處理技術(shù)實現(xiàn)實驗室局域網(wǎng)絡(luò)含噪字符的優(yōu)化識別.分析得知，采用該方法進行實驗室局域網(wǎng)絡(luò)含噪字符識別的精度較高，具有很好的自動識別能力.