基于視覺傳達的復雜圖像自動化特征監(jiān)控方法

劉 夢

（安陽職業(yè)技術(shù)學院，安陽 455008）

0 引言

基于視覺傳達的計算機相關(guān)技術(shù)在近年來得到了長足的發(fā)展，在人們的日常生活中能夠充分的體現(xiàn)出來。一些信息與數(shù)據(jù)的可視化即使也使得各行各業(yè)的工作模式產(chǎn)生了深刻的影響。機器視覺能夠利用圖像采集設(shè)備得到周圍的環(huán)境圖像，在視覺傳達技術(shù)下，將其轉(zhuǎn)換為機器能夠識別的信號。用電子計算機直接實現(xiàn)了對于視覺信息處理的整個過程，這就已經(jīng)形成了電子計算機視覺這門基礎(chǔ)性的學科。隨著電子信息技術(shù)飛速發(fā)展，這一門新興學科也慢慢地成為當前正在研究的熱門課題。在一些復雜的圖像中，對其中的特征進行監(jiān)控成為了目前的研究重點，在一些重要的醫(yī)學、施工工程、生產(chǎn)工業(yè)等各個領(lǐng)域中應用都非常廣泛。

對于復雜圖像的特征監(jiān)控來說，很多學者已經(jīng)在該領(lǐng)域做出了一些研究成果。一些研究中主要針對監(jiān)測物體的一元正態(tài)特點，在圖像上得到了特征屬性分布，進一步歸納出監(jiān)控目標異常時的監(jiān)控數(shù)據(jù)統(tǒng)計特點[1]；在醫(yī)學影像方面中，將肺結(jié)節(jié)患者的復雜CT影像中分別在提取了基于NSDT CT和基于Contourlet變換的小波紋理參數(shù)，對高維紋理參數(shù)則是采用了簡單因子分析、Lasso回歸等技術(shù)手段進行了低維降維。但是以上的傳統(tǒng)特征監(jiān)控方法中，對于多個圖像不同分辨率下的特征處理效果較差，無法找到最合理的分塊數(shù)量，導致了監(jiān)控方法耗時長，效率低下，因此本文設(shè)計一種基于視覺傳達的復雜圖像自動化特征監(jiān)控方法。

1 基于視覺傳達的復雜圖像自動化特征監(jiān)控方法研究

1.1 分析復雜圖像結(jié)構(gòu)

在本文圖像結(jié)構(gòu)的分析方法中，主要采用的是在外結(jié)構(gòu)霍巴多利模型。不同于經(jīng)典的霍巴多利模型的復雜圖像分析方法，在外結(jié)構(gòu)霍巴多利模型中，需要重新描述復雜圖像的特征向量，因此霍巴多利模型的復雜圖像分析方法是由外結(jié)構(gòu)視覺子、偏移視覺子、和位移視覺子共同設(shè)置的[2]。下面對這些視覺子在圖像結(jié)構(gòu)中的分析作用進行詳細分析。

圖1中是以霍巴多利模型為基礎(chǔ)，在其中標記了復雜圖像視覺子圖像塊的示意圖，圖中的實心圓表示復雜圖像中的正圖像塊所在位置，實心三角形表示復雜圖像中的負圖像塊所在位置。圖1中的圖像塊位置分析能夠體現(xiàn)出視覺子圖像塊在復雜圖像中的分布特點，為了準確描述圖像塊外在的結(jié)構(gòu)屬性，并保證接收到的數(shù)據(jù)不發(fā)生失真，可以采用濾波響應手段。濾波響應一共兩組，一組主要用來破譯稀疏編碼，另一組則能夠隨意調(diào)節(jié)方向。視覺子圖像塊特征采用特征向量F（x，I）進行描述，其中I表示圖像編碼，通過濾波響應完成稀疏表達學習后，完成濾波器組的濾波響應，并在某點x處成為特征描述的向量。其特征向量可以表示為：

圖1 霍巴多利模型中復雜圖像視覺子圖像塊分析

式(1)中，x表示復雜圖像中的某點；fi表示使用的兩個濾波器組的代號，i的取值為1或2。Ij則表示圖像編碼中由于經(jīng)過了多尺度的測量和標記，得到的第j個經(jīng)過處理的圖像[3]。

為保證復雜圖像特征能夠更加全面的處于監(jiān)控狀態(tài)，需要保證圖像外觀比較全面的暴露在監(jiān)控范圍內(nèi)。因此本文采用兩組濾波器組對復雜圖像進行卷積，在調(diào)整圖像方向的同時擴展特征向量，將濾波響應轉(zhuǎn)換為可以監(jiān)控的特征，最終得到的復雜圖像外觀可監(jiān)控的特征視覺子可以表示為：

當復雜圖像特征的線結(jié)構(gòu)的目標中心被自動化監(jiān)控方法統(tǒng)一默認為與旋轉(zhuǎn)中心重合時，圖像需要被監(jiān)控到的特征與目標物體的定義中心也需要根據(jù)實際情況進行變化。當且僅當圖像塊位于目標的邊界框內(nèi)，計算偏移才有意義[4]。僅僅與最近鄰的中心線點之間的距離才是有效的，這個中心線點距離雖然能夠描述出特征點的便宜情況，但是在實際的監(jiān)控應用中，為了保證特征點的監(jiān)控精度，不可以將其直接作為特征點的偏移量代入計算。主要是由于中心線與特征點的切線的夾角范圍內(nèi)，特征點的位置會落在中心線上。這種情況下，中心線點距離在分量切向上的位置關(guān)系與中心線點之間不存在有效信息，因此，在實際情況中，圖像分析的法向分量情況如圖2所示。

圖2中，（a）表示多中心霍巴多利模型，以上圖為樣本，當中心線與水平線的夾角為θ時，該絕對距離為dcosθ。假設(shè)發(fā)生的偏移為理想情況，此時中心線與水平線的夾角為0，（b）中的距離d表示特征圖像塊與中心線的絕對距離，有效距離為d。至此完成復雜圖像結(jié)構(gòu)的分析。

圖2 有效偏離位移示意圖

1.2 基于視覺傳達的圖像預處理

在對圖像進行采集、獲得、傳遞等處理時，所有圖像都是由不同的程度上可見或不可見的噪音“污染”造成的。噪音來源主要有電子噪音、光子噪音、斑點噪音及量化噪音。若是信噪比越來越小，低于標準規(guī)范的水平，那么噪聲一旦變得慢慢地轉(zhuǎn)化為一個小的可見顆粒形態(tài)，就很有可能直接造成影像質(zhì)量減弱[5]。除了影響到我們的視覺上影像質(zhì)量的減少，噪聲同樣也很有可能地遮擋和掩蓋了重要的影響力和其他影像細節(jié)，由于我們在工業(yè)現(xiàn)場所收集得到的影像，除了對于噪聲的嚴重干擾外，由于強烈的太陽光照、固定支架上影像機的震蕩以及影像的振動等各種環(huán)境因素，使得影像物體受到嚴重的污染，為此必須做出相應的對策就是對圖像信號進行必要的去噪和處理，而濾波則是一種重要的去噪手段。本文使用的均值濾波操作由于其高頻特性，也會使邊緣變得模糊。設(shè)圖像f（m，n）有M×M個像素，用非加權(quán)均值濾波后得到的圖像為g（m，n）可以表示為：

式(3)中，N是（x，y）的去心鄰域，S為集合N包含的總像素數(shù)。在經(jīng)過加權(quán)均值濾波后，S值越大，即鄰域越大，則平滑效果越理想。除此之外，圖像二值化法在圖像預處理中也是非常重要的步驟，二值化處理能夠區(qū)別信息的可用度，突出有用的信息，在模式識別等方面都有著重要的應用。當對比度發(fā)生強烈變化時，圖像邊緣檢測點往往是圖像特征的斷點邊界，所以利用邊緣值的異常變化就能識別出特征信息并加以保存，去除掉無用的部分，可以大大的減少數(shù)據(jù)工作量。對圖像進行預處理是分辨圖像自動化特征成功的關(guān)鍵。

1.3 圖像特征自動化提取與監(jiān)控

從本質(zhì)上看，圖像特征是基于底層的圖像特征所組成的。目前專家大多將圖像特征分為一般全局特征和局部特征兩大類型。全局性特征雖然顯示特征全貌，但相對來講穩(wěn)定性較低，容易受到外界因素改變的影響，特征值會因此變化，全局性特征是指可以對一幅圖像的整體性有簡單描述，但對圖像中的細節(jié)部分很難精準描述，對各種色彩紋理所處的空間位置難以精確表達的一種特征類型；局部特征是指圖像中特征明顯，有較為特殊本質(zhì)的特性，他們具有良好的可區(qū)分性，也相對獨立，不易因外界的因素變化而改變。在圖像的顏色特征中，表達圖像或者在圖像中某一個特征點時，顏色是重要的區(qū)分手段。通過對特征點顏色的辨識與分類，能夠?qū)D像中的位置變化進行確定，例如圖像的平移、收縮及方向上的變化[6]。顏色特征分類在特征點提取與匹配的過程中，圖像顏色在圖像灰度等方面都會有所差異，以此來構(gòu)成一個完整的圖像顏色。

相較于傳統(tǒng)監(jiān)控以時間順序為圖像數(shù)據(jù)序列的方法，本文中的圖像序列和圖像監(jiān)控并不以時間為排序方式，在提出多點監(jiān)控和雙向監(jiān)控的兩種途徑后，也得到了更為有效的監(jiān)控效果。包括前向監(jiān)控和后向監(jiān)控，兩種監(jiān)控方式所占的重要比例是根據(jù)模型學習過程中的規(guī)則界定的，該權(quán)重可以在兩者選擇匹配過程中的無效監(jiān)測降到最低，在常規(guī)情況下，能夠較好的減少監(jiān)控誤差。

2 實驗

為了驗證本文設(shè)計的基于視覺傳達的復雜圖像自動化特征監(jiān)控方法的有效性，本文需要設(shè)計實驗對特征監(jiān)控方法進行驗證。將基于視覺傳達的復雜圖像自動化特征監(jiān)控方法部署在具有若干節(jié)點的實驗平臺上，本文使用的是基于視覺傳達的圖像特征提取系統(tǒng)，實驗平臺的環(huán)境如表1所示。

表1 實驗環(huán)境參數(shù)

考慮到測試過程中的準確率和有效性，需要將測試樣本多樣化。本文選擇不同分辨率的多個復雜圖像作為監(jiān)控對象，在測試過程中將復雜圖像進行轉(zhuǎn)碼，將其幀率轉(zhuǎn)換為34fps的流形式，并在實驗程序中來模擬真實工作過程中的處理場景對復雜圖像進行處理。測試中選擇了若干個參數(shù)不同的復雜圖像作為監(jiān)控樣本，其中部分復雜圖像的相關(guān)參數(shù)如表2所示。

表2 復雜圖像的相關(guān)參數(shù)

根據(jù)表2中的復雜圖像信息，分別使用本文設(shè)計的基于視覺傳達的復雜圖像自動化監(jiān)控方法和傳統(tǒng)的特征監(jiān)控方法進行處理，并對最終的實驗結(jié)果進行對比與分析。

復雜圖像的監(jiān)控效率取決于對特征的處理效率，在實驗中，傳統(tǒng)方法和本文方法在不同的復雜圖像中得到了不同的分塊數(shù)量和處理耗時，統(tǒng)計的實驗結(jié)果如表3所示。

從表3的實驗結(jié)果可以看出，在傳統(tǒng)的特征監(jiān)控方法中，對于不同分辨率的復雜圖像，都采用了相同的分塊數(shù)量，沒有針對性，因此導致了處理過程中耗時較長，造成處理效率低下，進一步影響監(jiān)控效果[7]。本文設(shè)計的自動化特征監(jiān)控方法中，能根據(jù)復雜圖像的具體特征點情況對圖像進行分塊，能夠達到較好的加速效果，驗證了本文方法的有效性。

表3 實驗結(jié)果對比與統(tǒng)計

3 結(jié)語

本文通過對復雜圖像自動化特征的研究，充分論證了基于視覺傳達的復雜圖像自動化特征監(jiān)控方法能顯著提高處理效率，并且具有良好的擴展性。隨著內(nèi)容的復雜度提高，可通過增加處理節(jié)點的方式擴展處理能力。