基于多特征融合的彩色印刷圖像識(shí)別算法

熊麗珍，何慧琴，羅文琪，舒忠

（荊楚理工學(xué)院，荊門 448000）

0 引言

為獲得高質(zhì)量的彩色印刷品，檢測控制印刷圖像的顏色和紋理是非常關(guān)鍵的。

2007年以來，Labate D團(tuán)隊(duì)研究人員陸續(xù)發(fā)表了關(guān)于Shearlet數(shù)學(xué)理論及Shearlet變換在圖像處理中應(yīng)用的系列論文[1]，取得一系列重要的基礎(chǔ)性研究成果。在多尺度幾何分析中，只有他們提出的Curvelet能滿足與Shearlet相似的稀疏性[2]，通過Shearlet的方向數(shù)目在每一個(gè)尺度加倍，使得Shearlet實(shí)現(xiàn)了像小波一樣的迭代算法，且推廣到了經(jīng)典的級(jí)聯(lián)算法。近幾年來，在Shearlet變換應(yīng)用方面成頗豐，例如：文獻(xiàn)[3-4]提出通過Shearlet變換，利用稀疏最優(yōu)化模型加入迭代閾值進(jìn)行編碼，實(shí)現(xiàn)圖像去噪處理。文獻(xiàn)[5]提出了Shearlet變換耦合頻率特征的多聚焦圖像融合算法，完成高頻子帶的融合。文獻(xiàn)[6]提出了結(jié)合顏色和深度數(shù)據(jù)的邊緣檢測算法，實(shí)現(xiàn)了針對(duì)兩幅圖像中相同顏色的邊緣提取。文獻(xiàn)[7]提出了基于BP神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測算法，提高了檢測精度及抗噪聲能力，等等。

圖像識(shí)別技術(shù)的研究主要是應(yīng)用于圖像檢索領(lǐng)域，圖像檢索技術(shù)起源于上世紀(jì)60年代。自2010年以來，圖像識(shí)別技術(shù)經(jīng)過大規(guī)模集成化[8]向智能化[9]方向發(fā)展。文獻(xiàn)[10]以卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用為基礎(chǔ)，提出了采用深度學(xué)習(xí)模型進(jìn)行圖像檢索；文獻(xiàn)[11]依據(jù)提取圖像中層特征并應(yīng)用訓(xùn)練分類器，提出了局部空間和多特征上下文信息的場景分類技術(shù)進(jìn)行圖像檢索；有文獻(xiàn)依據(jù)編碼解碼思想提出的“單詞-句子-錯(cuò)誤分析”模型[12]和依據(jù)計(jì)算機(jī)翻譯思想提出的“特征提取-句子-單詞”模型[13]的圖像描述檢索技術(shù)；文獻(xiàn)[14]提出依據(jù)對(duì)收集到的圖像內(nèi)容數(shù)據(jù)集，并采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，以問題文本方式產(chǎn)生答案的視覺問答技術(shù)實(shí)現(xiàn)圖像識(shí)別；文獻(xiàn)[15]提出依據(jù)機(jī)器人環(huán)境認(rèn)知和圖像匹配（輸入圖像與數(shù)據(jù)庫已有圖像匹配）數(shù)據(jù)集，采用空間一致性認(rèn)證和投票機(jī)制的機(jī)器人視覺識(shí)別技術(shù)實(shí)現(xiàn)圖像檢索。

當(dāng)前，能夠與印刷和包裝行業(yè)現(xiàn)有技術(shù)條件接軌的圖像檢索方式的選擇，應(yīng)以基于內(nèi)容、顏色和形狀等不同特征進(jìn)行分類的方式為研究基礎(chǔ)，畢竟全智能化機(jī)器人技術(shù)在印刷設(shè)備上的應(yīng)用并不普及。此類技術(shù)應(yīng)用的突出成果是使用顏色直方圖來描述圖像顏色特征，文獻(xiàn)[16]中對(duì)早期和近幾年來多特征融合圖像識(shí)別技術(shù)應(yīng)用的主要思想和核心算法進(jìn)行了論述，同時(shí)，提出了一些較為先進(jìn)的改進(jìn)算法。選擇顏色直方圖來描述圖像顏色特征的好處還能夠較好地滿足對(duì)一些不易進(jìn)行分割的印刷圖像進(jìn)行識(shí)別。

本文嘗試將圖像邊緣檢測和顏色特征提取運(yùn)用到圖像識(shí)別中，通過形狀與顏色特征結(jié)合的方式實(shí)現(xiàn)圖像檢索。在研究中所應(yīng)用到的一些其他支撐技術(shù)，如：圖像邊緣提取中需要應(yīng)用到的圖像增強(qiáng)、圖像分割、圖像規(guī)范化、邊緣輪廓描述、圖像對(duì)比等算法和顏色特征提取中的印刷圖像去加網(wǎng)、顏色空間轉(zhuǎn)換、顏色矩、顏色熵、顏色聚合向量、顏色相關(guān)圖等算法，將引用一些現(xiàn)有的成熟研究成果。本文研究的關(guān)鍵點(diǎn)是Shearlet變換、顏色直方圖和向量機(jī)（SVM）技術(shù)的綜合應(yīng)用方面，研究目標(biāo)是在眾多的印刷圖像中準(zhǔn)確找出所需要的某幅圖像，研究的意義在于為后續(xù)圖像色彩控制中識(shí)別某個(gè)像素點(diǎn)的亮度和顏色信息奠定基礎(chǔ)。

1 基于Shearlet變換系數(shù)模極大值的圖像檢測方法實(shí)現(xiàn)

Shearlet變化的核心是剪切波的引入，剪切波的本質(zhì)是傅里葉變換與連續(xù)小波變換的有機(jī)結(jié)合。在剪切波變換中，通過控制剪切參數(shù)和平移參數(shù)可以實(shí)現(xiàn)對(duì)剪切波的離散，使之具有頻域支撐、空域衰減、方向數(shù)目倍增等特性。本文的研究主要是建立Shearlet模極大值數(shù)學(xué)模型和Ostu最佳閾值選取數(shù)學(xué)模型。

1.1 Shearlet模極大值數(shù)學(xué)模型的建立

在文獻(xiàn)[17-18]中的相關(guān)數(shù)學(xué)理論研究，形成了小波分析邊緣檢測數(shù)學(xué)模型，依據(jù)小波模極大值的變化規(guī)律（也就是通過模的相位角來確定圖像邊緣曲線梯度方向），可以得到圖像邊緣的灰度變化特征。實(shí)際上，由于小波模極大值中可能包含有圖像噪聲信息，在圖像檢測中，圖像邊緣的灰度變化結(jié)果必定會(huì)受到噪聲的影響。

由于圖像空域衰減，為圖像準(zhǔn)確地檢測圖像邊緣的幾何信息和方向特征提供了便利，且具有很強(qiáng)的自適應(yīng)性。通過對(duì)Shearlet變換中空域衰減造成的方向敏感特性加以應(yīng)用，利用小波模極大值算法原理，本文提出一種改進(jìn)的Shearlet模極大值邊緣紋理檢測算法。其算法數(shù)學(xué)模型如下：

本文提出的Shearlet模極大值邊緣紋理檢測算法數(shù)學(xué)模型，設(shè)定圖像邊緣分解方向數(shù)為8（正方形像素中以中心點(diǎn)為原點(diǎn)，分別向四個(gè)角和四個(gè)邊的中心點(diǎn)擴(kuò)散），求解確定在其中一個(gè)方向上的某個(gè)點(diǎn)Cn m,j(x,y)是否為模極大值所在的點(diǎn)，可以通過求余函數(shù)加以確定，其中，(x1,y1)為起始點(diǎn)坐標(biāo)，r1(x1)和r1(y1)分別為的橫向和縱向開始。

在公式（1）中，x1-r1(x1)、y1-r1(y1)，x1-r2(x1),y1-r2(y1)分別表示模極大值所在點(diǎn)的水平和豎直方向的兩組坐標(biāo)偏移量。

以上改進(jìn)算法，在理論上準(zhǔn)確提取了圖像邊緣方向信息，剔除了噪聲，其檢測結(jié)果準(zhǔn)確性在實(shí)驗(yàn)部分將進(jìn)行驗(yàn)證。

1.2 Ostu閾值選取數(shù)學(xué)模型的建立

Shearlet變換的算法實(shí)現(xiàn)需要應(yīng)用圖像分割技術(shù)，較早的圖像分割方法通常采用直方圖雙峰法，隨后被Ostu方法所替代，Ostu方法是一種基于類間方差最大的自動(dòng)閾值選擇方法。本文通過對(duì)Ostu方法進(jìn)行改進(jìn)，實(shí)現(xiàn)Shearlet變換中的圖像分割。

設(shè)定：N為圖像的總像素?cái)?shù)，ni為灰度級(jí)i的像素?cái)?shù)量，pi為灰度級(jí)為i值時(shí)的像素概率，則再設(shè)定：t為區(qū)分圖像邊緣與非邊緣的閾值，則整個(gè)圖像的灰度級(jí)可分為0～t和t+1～L-1兩段，圖像的平均灰度級(jí)可定義為，則圖像邊緣與非邊緣段的平均灰度級(jí)分別為，其中，

則可定義原圖像灰度級(jí)方差為：

1.3 算法的實(shí)現(xiàn)過程

（1）輸入圖像后進(jìn)行銳化處理。

由于Shearlet變換檢測的是圖像的邊緣區(qū)域，因此，首先對(duì)輸入圖像進(jìn)行銳化處理增強(qiáng)圖像的邊緣信息是必不可少的。銳化處理的最佳實(shí)現(xiàn)方法就是應(yīng)用Kirsch算子。本文使用的Kirsch算子數(shù)學(xué)模型建立過程如下：

設(shè)定一個(gè)以值為I(m,n)的像素點(diǎn)為中心像素點(diǎn)，建立一個(gè)3×3鄰域的像素方向分布模版（表1所示），形成一個(gè)二維矢量，將其定義為F。

表1 像素I(m,n)的3×3鄰域示意圖

設(shè)定p1,p2,…,p8分別表示Kirsch算子的8個(gè)方向上的卷積矩陣，定義每個(gè)方向之間的夾角為45°，則有：

根據(jù)Kirsch算子的計(jì)算原理，設(shè)定x=-5，y=3，z=3。

（2）對(duì)銳化處理后的圖像進(jìn)行Shearlet變換。

Shearlet變換的核心是使用高斯概率密度函數(shù)建立轉(zhuǎn)換模型，使用ME最大期望算法獲取Shearlet變換系數(shù)集。本文使用的Shearlet變換采用放棄低頻信號(hào)、迭代強(qiáng)化高頻信號(hào)的方式突出邊緣信息，以確保檢測效果。

（3）使用計(jì)算獲取的最佳閾值檢測有效的Shearlet模極大值。

（4）使用Shearlet逆變換對(duì)圖像進(jìn)行分割處理并還原分割后的圖像。

（5）強(qiáng)化圖像邊緣，輸出邊緣檢測結(jié)果。

2 基于顏色特征圖像識(shí)別技術(shù)實(shí)現(xiàn)

印刷圖像復(fù)制，其色彩控制是必不可少的環(huán)節(jié)。依據(jù)最新的G7工藝質(zhì)控標(biāo)準(zhǔn)，將灰平衡、Lab值和CMYK網(wǎng)點(diǎn)面積率設(shè)定為主要的控制參量，其依據(jù)主要是為了便于企業(yè)實(shí)施。由于每一種顏色所具備的獨(dú)有特征，本文將依據(jù)顏色直方圖理論，應(yīng)用支持向量機(jī)（SVM）的多特征融合識(shí)別方法，獲取印刷圖像的顏色特征進(jìn)行精確檢索，為后序?qū)崿F(xiàn)與印刷原稿進(jìn)行G7工藝參量比較分析提供技術(shù)支撐。

顏色的數(shù)學(xué)表示可以通過建立顏色空間來實(shí)現(xiàn)，因此，顏色模型是實(shí)現(xiàn)圖像檢索的重要基礎(chǔ)，在電子顯色設(shè)備中其主要的顏色參量為色相、飽和度和明度，而印刷圖像的顏色空間為CMYK，通常由CMYK四色油墨還原視覺色彩，且具有半色調(diào)特性，一定會(huì)影響電子顯色設(shè)備對(duì)顏色的表述。為了在計(jì)算機(jī)顯示器中準(zhǔn)確地實(shí)現(xiàn)印刷圖像的顏色顯示，必然將面對(duì)去加網(wǎng)和顏色模型轉(zhuǎn)換等問題。另外，圖像特征提取離不開圖像分割，而顏色量化則是圖像分割的重要組成部分。當(dāng)前使用的顏色量化技術(shù)主要包括均勻量化和非均勻量化兩種。

2.1 顏色特征提取

為了實(shí)現(xiàn)在計(jì)算機(jī)顯示器上的印刷圖像顏色特征提取，首先必須對(duì)印刷圖像進(jìn)行去網(wǎng)化處理和圖像模式向HSV模式的顏色空間轉(zhuǎn)換，其轉(zhuǎn)換過程包括CMYK→Lab→HSV模式，中間加入Lab模式的目的是減少圖像亮度和顏色信息的損失，從而確保通過顏色直方圖獲取的顏色特征數(shù)據(jù)有效。在顏色直方圖中，縱坐標(biāo)表示某種顏色的像素點(diǎn)數(shù)量，橫坐標(biāo)表示該種顏色的顏色值。設(shè)定一幅圖像f(x,y)的大小為M×N，其顏色集為C，則該圖像的顏色直方圖可以表示為：

HSV顏色直方圖提取的關(guān)鍵首先是獲取H、S和V三個(gè)分量的直方圖，然后進(jìn)行圖像主體信息篩選（降低計(jì)算量）并實(shí)現(xiàn)三分量量化，通過三分量一維化處理后得到圖像的整體直方圖。在分量量化時(shí)，應(yīng)考到慮印刷圖像僅為8位這一因素。在一維化處理的加運(yùn)算中，H分量需要考慮S和V分量的量化級(jí)數(shù)，S分量需要考慮V分量的量化級(jí)數(shù)，V分量取自身量化結(jié)果。

2.2 支持向量機(jī)（SVM）的原理

SVM分類器的本質(zhì)是使用一種工具在兩種或兩種以上的顏色（或紋理）中將其中的一種最大限度地選出來加以標(biāo)識(shí)，當(dāng)然工具的選擇非常重要。在圖像識(shí)別中，所選用的工具通常就是一條直線（分割線），當(dāng)然，這條直線是從多條直線中選出的最完美的一條（其選擇依據(jù)是分割線盡可能離所有分割點(diǎn)越遠(yuǎn)越好），在對(duì)工具進(jìn)行數(shù)學(xué)描述時(shí)，可以將其定義為判別表達(dá)式。由于印刷圖像通常為靜止?fàn)顟B(tài)的平面圖像，就必須將圖像定義為一個(gè)線性分類面。然而，靜止?fàn)顟B(tài)的平面圖像具有非線性的特征，因此，SVM分類器的應(yīng)用還需要首先將非線性平面映射為線性平面，其實(shí)質(zhì)是核函數(shù)轉(zhuǎn)換空間的應(yīng)用。SVM分類器應(yīng)用的目的是實(shí)現(xiàn)最低誤差率的圖像顏色（或紋理）識(shí)別。其主要數(shù)學(xué)模型如下：

在原告的資格問題上，存在以下三種立法:(1)一元主義的立法。在法國，只有非婚生子女才能提起強(qiáng)制認(rèn)領(lǐng)之訴。在日本，只有非婚生子女及其直系晚輩血親以及他們的法定代理人(代理人并無固有的權(quán)利)可以提起訴訟。?(2)二元主義的立法。又可分為以下兩類:其一，生父和生母主義的立法。在美國，生父和生母均可提起訴訟。?其二，生母和非婚生子女主義的立法。在我國臺(tái)灣地區(qū)，非婚生子女本人或其生母或其他法定代理人可以提起認(rèn)領(lǐng)訴訟(就生母、其他法定代理人的權(quán)利，存在固有權(quán)和代理權(quán)兩種解釋)。?(3)三元主義的立法。在英國，生父、生母、非婚生子女本人均可提起訴訟。

設(shè)定原稿圖像空間是由 (x1,y1)，(x2,y2)，(x3,y3),…,(xn,yn)組成，xi∈Rn，yi∈{ }+1,-1，其中，+1表示圖像的顏色，-1表示圖像的紋理。

分割線的判別表達(dá)式可定義為：

線性分類面可定義為：

圖1 具有二維特性的向量分類示意圖

2.3 SVM分類器的多特征融合識(shí)別實(shí)現(xiàn)

本文提出的圖像邊緣提取和顏色特征認(rèn)別機(jī)制，首先是對(duì)彩色印刷圖像進(jìn)行灰度處理后，然后進(jìn)行Shearlet變換提取邊緣特征，再對(duì)源圖像利用顏色直方圖提取顏色特征，獲取特征數(shù)據(jù)經(jīng)過SVM分類處理得到彩色印刷圖像的結(jié)果信息。SVM分類認(rèn)別的實(shí)現(xiàn)過程如下：

（1）選取好進(jìn)過灰度處理的彩色印刷圖像，利用Shearlet的相關(guān)函數(shù)對(duì)樣本圖片進(jìn)行Shearlet，進(jìn)而進(jìn)行邊緣紋理特征提取；

（2）在對(duì)印刷圖像進(jìn)行去網(wǎng)化和顏色空間轉(zhuǎn)換（CMYK→Lab→HSV）的基礎(chǔ)上，通過 H、S、V 分量一維化處理，對(duì)其進(jìn)行直方圖顏色特征提取；

（4）將第3步中得到的特征和第1步中得到的特征結(jié)合起來，在SVM分類器中進(jìn)行訓(xùn)練；

（5）輸入待測試的圖像進(jìn)行比較分析，進(jìn)而得到彩色印刷圖像的識(shí)別結(jié)果。

其實(shí)現(xiàn)流程如下：

圖2 用SVM分類器多特征融合識(shí)別彩色印刷圖像的流程

3 實(shí)驗(yàn)結(jié)果及分析

3.1 Shearlet變換的圖像邊緣檢測實(shí)驗(yàn)

為了驗(yàn)證基于Shearlet變換的圖像邊緣檢測的有效性，選取了六幅目標(biāo)印刷圖像進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖3所示，其中，（a1-a6）為印刷圖像原稿，（b1-b6）是用Canny算子進(jìn)行邊緣檢測的圖像，（c1-c6）為文獻(xiàn)[7]中提供的邊緣檢測圖像，（d1-d6）是本文法實(shí)現(xiàn)的邊緣檢測的圖像。

圖3 不同邊緣檢測算法的實(shí)驗(yàn)對(duì)比圖

本文通過主觀和客觀兩種方式對(duì)實(shí)驗(yàn)所采用的三種圖像邊緣提取方法進(jìn)行比較。主觀評(píng)判方式是在對(duì)提取的圖像邊緣進(jìn)行放大后，直接通過視覺感受觀察圖像局部邊緣像素點(diǎn)的分布。觀察結(jié)果顯示：Canny算子提供的6幅圖像中邊緣像素點(diǎn)較多，表明噪點(diǎn)沒有被很好地抑制；通過文獻(xiàn)[7]算法提供的6幅圖像中邊緣像素點(diǎn)有所減少，但也較為明顯，表明噪點(diǎn)得到了一定的抑制；通過本文算法提供的6幅圖像中邊緣像素點(diǎn)最少，表明噪點(diǎn)得到了有效抑制。由于本文實(shí)驗(yàn)選擇了花卉類圖像，此類圖像邊緣具有分界清晰的特點(diǎn)，邊緣像素點(diǎn)數(shù)量分布少，因此，采用以視覺感受方式的主觀圖像邊緣強(qiáng)化結(jié)果評(píng)判是有效的。

客觀評(píng)判方式采用FOM品質(zhì)因數(shù)指標(biāo)對(duì)邊緣檢測結(jié)果進(jìn)行評(píng)估，三種算法邊緣檢測通過計(jì)算得到的FOM品質(zhì)因數(shù)指標(biāo)見表2所示，F(xiàn)OM品質(zhì)因數(shù)指標(biāo)的取值范圍是0～1，F(xiàn)OM值越趨于1表示質(zhì)量越好。

以上實(shí)驗(yàn)結(jié)果表明：由于Canny算子采用的是一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向，受幅值和方向精度控制等因素影響，因此，細(xì)節(jié)信息捕捉與邊緣線連接效果并沒有達(dá)到最佳狀態(tài)；文獻(xiàn)[7]算法是以標(biāo)準(zhǔn)圖像和傳統(tǒng)邊緣檢測算法檢測得到的邊緣信息為依據(jù)構(gòu)建的邊緣檢測BP神經(jīng)網(wǎng)絡(luò)，由于受數(shù)據(jù)來源依據(jù)可靠性等因素的存在，從而導(dǎo)致圖像邊緣強(qiáng)化不夠；本文法提出的邊緣檢測方法，結(jié)合了Shearlet模極大值和Ostu閾值優(yōu)化選取數(shù)學(xué)建模，提高了灰度級(jí)區(qū)分度并進(jìn)一步強(qiáng)化了圖像邊緣。

表2 FOM品質(zhì)因數(shù)評(píng)估

3.2 多特征融合識(shí)別實(shí)驗(yàn)

為了驗(yàn)證多特征融合識(shí)別的有效性，本實(shí)驗(yàn)選取100幅花卉類圖像進(jìn)行識(shí)別，其中包括圖3所示的6幅目標(biāo)圖像。首先對(duì)圖像進(jìn)行了像素值標(biāo)準(zhǔn)化處理，并利用HSV非均勻量化成128bin；然后制定三種本文介紹的圖像邊緣檢測方法與SVM分類器融合的圖像識(shí)別算法比較方案，分別對(duì)目標(biāo)圖像按照設(shè)計(jì)流程進(jìn)行實(shí)驗(yàn)；每次檢索輸入一幅目標(biāo)圖像，在檢索結(jié)果中統(tǒng)計(jì)正確的圖像數(shù)目計(jì)算6幅目標(biāo)圖像的平均查全率和平均查準(zhǔn)率。

表3中統(tǒng)計(jì)了使用三種圖像識(shí)別算法從100幅圖像中檢索6幅目標(biāo)圖像的平均查全率和查準(zhǔn)率，三種算法的主要區(qū)別在于采用了不同的邊緣檢測算法，進(jìn)一步證實(shí)了3.1小節(jié)實(shí)驗(yàn)中結(jié)果的準(zhǔn)確性，且查全率和查準(zhǔn)率是比較高的，說明了本文提出的顏色直方圖SVM分類器識(shí)別算法是可靠的。另外，實(shí)驗(yàn)中還專門針對(duì)BP神經(jīng)網(wǎng)絡(luò)邊緣檢測技術(shù)進(jìn)行了相關(guān)實(shí)驗(yàn)，在對(duì)常規(guī)數(shù)字圖像邊緣信息收集精確度較高的情況下，使用該技術(shù)進(jìn)行圖像檢索查全率和查準(zhǔn)率都非常高。

本文提出的算法沒有完全實(shí)現(xiàn)將查全率和查準(zhǔn)率誤差控制在10%以內(nèi)的目標(biāo)，排除圖像邊緣特征提取因素之外，與SVM分類器的設(shè)計(jì)有關(guān)，SVM分類器中的顏色分割采用直線工具并沒有最大限度地將目標(biāo)圖像區(qū)分出來。

4 結(jié)語

通過本文的研究發(fā)現(xiàn)，Shearlet變換相比于小波變換，具有多方向性和基函數(shù)各向異性的優(yōu)點(diǎn)，所以Shearlet變換不僅可以描述紋理圖像更多的方向信息而且還對(duì)圖像具有更強(qiáng)稀疏表示的能力。為了盡量降低算法的復(fù)雜度，從整體算法方面考慮，可以對(duì)其中的輔助部分環(huán)節(jié)采用低計(jì)算量運(yùn)算，而對(duì)核心環(huán)節(jié)的實(shí)現(xiàn)采用高計(jì)算量運(yùn)算。當(dāng)前一些智能化程度較高的圖像識(shí)別算法優(yōu)勢(shì)的體現(xiàn)，必須以準(zhǔn)確的圖像邊緣數(shù)據(jù)精確提取為前提。實(shí)驗(yàn)結(jié)果證明了結(jié)論的正確性，重要的是驗(yàn)證了本文提出算法的有效性和可靠性。

表3 三種算法的平均查全率和查準(zhǔn)率對(duì)比

本文主要圍繞多尺度幾何分析中的Shearlet變換進(jìn)行研究、分析，并成功地應(yīng)用于印刷圖像識(shí)別中，有機(jī)融合彩色印刷圖像中的顏色特征信息，取得了非常不錯(cuò)的識(shí)別效果，但仍然有一些問題需要繼續(xù)探討和完善。如算法針對(duì)以亮度（或光學(xué)密度）為核心的灰度印刷圖像識(shí)別實(shí)現(xiàn)沒有準(zhǔn)確性依據(jù)、特征融合識(shí)別增加算法復(fù)雜度的缺點(diǎn)、高智能化圖像識(shí)別算法應(yīng)用不夠等方面。