湯永清 張新紅 陳虹微 王悅新

摘? 要： 為解決傳統(tǒng)自動濾波系統(tǒng)穩(wěn)定性差、運行效果不佳的問題，設計多維彩色圖像局部模糊特征自動濾波系統(tǒng)。通過改善自動濾波系統(tǒng)硬件配置，添加解擾器和復用器，實現(xiàn)對圖像模糊區(qū)域特征的準確提取。為保障系統(tǒng)運行穩(wěn)定，進一步優(yōu)化系統(tǒng)軟件運行流程，結合中值濾波原理進行降噪，有針對性地對采集到的圖像特征進行像素數(shù)值恢復，從而實現(xiàn)對多維彩色圖像局部模糊特征自動濾波系統(tǒng)的設計。最后通過實驗證實，多維彩色圖像局部模糊特征自動濾波系統(tǒng)穩(wěn)定性和運行效果得到了明顯提高。

關鍵詞： 自動濾波; 系統(tǒng)設計; 彩色圖像; 局部模糊; 特征提取; 像素恢復

中圖分類號： TN713?34? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）14?0142?04

Design of automatic filtering system for local fuzzy features of

multidimensional color images

TANG Yongqing1，2， ZHANG Xinhong1， CHEN Hongwei1，2， WANG Yuexin1，2

（1. School of Physics & Mechanical Engineering， Longyan University， Longyan 364000， China;

2. Special Vehicle Industry Technology Development Base， Longyan 364000， China）

Abstract： An automatic filtering system for local fuzzy features of multidimensional color images is designed to improve the poor stability and poor operation effect of the traditional automatic filtering system. The hardware configuration of the automatic filtering system is improved， the scrambler and multiplexer are added， so that the accurate extraction of the features in the image fuzzy area can be realized. In order to ensure the stability of the system， the operational process of the system′s software is further optimized， and the noise is reduced by means of the median filtering principle. The pixel value of the collected image features is recovered pertinently to realize the design of automatic filtering system for the local fuzzy features of the multi?dimensional color images. The experimental results verify that the stability and operation effect of the automatic filtering system for the local fuzzy features of the multi?dimensional color images have been improved significantly.

Keywords： automatic filtering; system design; color image; local fuzzy; feature extraction; pixel recover

0? 引? 言

為了更好地實現(xiàn)對多維彩色圖像局部模糊特征的自動過濾，結合中值濾波方法對圖像進行去噪，提出多維彩色圖像局部模糊特征自動濾波系統(tǒng)優(yōu)化方法。通過對中值濾波數(shù)值進行自動采集，搜索局部光軸特征，并對局部圖像灰度數(shù)值進行評價，進一步計算出圖像清晰度函數(shù)[1]。

根據(jù)圖像清晰函數(shù)對過濾區(qū)域進行定位，并判斷區(qū)域噪聲數(shù)值，以便結合小波和中值濾波原理對噪聲特別是較為特殊的散斑噪聲影響區(qū)域進行去噪處理，有效改善圖像局部模糊問題，達到對模糊區(qū)域特征有效提取和自動去噪的效果，最終實現(xiàn)對彩色圖像局部模糊特征自動濾波系統(tǒng)的優(yōu)化設計。

1? 圖像局部模糊特征自動濾波系統(tǒng)

1.1? 自動濾波系統(tǒng)硬件設計

為保障多維彩色圖像局部模糊特征自動濾波系統(tǒng)的有效運行，對系統(tǒng)硬件配置進行改善。多維彩色圖像局部模糊特征自動濾波系統(tǒng)的硬件結構主要包括圖像特征采集器、關鍵角點操控器、數(shù)據(jù)檢測終端、A/D 轉(zhuǎn)換器和MCU 單片機，具體框架結構如圖1所示。

為了更好地實現(xiàn)對多維彩色圖像的局部模糊特征進行有效的采集和過濾，并對采集文件進行存儲和編輯，進一步對管理平臺進行優(yōu)化，借助圖像處理技術對局部模糊圖像預處理平臺進行設計[2]。結合DVB原理計算模糊圖像加擾數(shù)值，并根據(jù)數(shù)值輸出特征數(shù)據(jù)。在系統(tǒng)的接收端添加解擾器，通過解擾器對干擾噪聲導致的圖像局部問題進行修復，從而有效節(jié)約處理時間，降低處理成本[3]。解擾器設計結構如圖2所示。

在圖2中，ECM端口主要負責對圖像中負責信息干擾部分進行濾波檢測，并記錄圖像來源、時間、內(nèi)容、地址、分配等相關信息[4]。為保障解擾器運行的穩(wěn)定，將其設置為30 MHz的ARC?RISC雙內(nèi)核內(nèi)存，并在硬件結構中添加兩個集成傳輸流解擾復用器和一個控制器[5]，在復用器中設置PAL/NTSC數(shù)字濾波處理器，并在控制器中添加多層顯示設備。

為保障系統(tǒng)的穩(wěn)定運行， 進一步對硬件系統(tǒng)結構中的中央處理器和存儲器接口進行優(yōu)化，選擇FLASH處理器接口和AMD Ryzen am2bit RISC CPU，以及其他硬件異步設備，具體包括：最小支持為148 Mbit 32位的1/2層濾波數(shù)值處理總線;最小像素支持度為MPEG?1/31?5（LH@KM到NK@FM）的圖像檢測器;紅外線濾波接收器/檢測器;CTIL智能卡接口/T8L/GBS14;3K指令數(shù)據(jù)Cache計時器;共享存儲器和處理器接口以及數(shù)字編碼器[6]。

通過對上述硬件設備的配置進行改善，可更好地保障圖像局部模糊特征進度濾波系統(tǒng)的穩(wěn)定運行。

1.2? 自動濾波系統(tǒng)軟件優(yōu)化

為了進一步提高圖像局部模糊特征進度濾波系統(tǒng)的運行效果，對系統(tǒng)軟件進行優(yōu)化。對圖像灰度數(shù)值進行小波檢測，并根據(jù)檢測結果，修復和融合圖像模糊區(qū)域。為提高模糊區(qū)域特征處理效果，首先需要采集并計算圖像模糊檢測區(qū)域當前的特征數(shù)值，具體的特征數(shù)值計算公式如下：

[L（a，b）=12v（x）-v（y）log（a-b）n-1] （1）

式中：[（a，b）]表示模糊區(qū)域坐標;[v（x），v（y）]分別為區(qū)域范圍內(nèi)的小波變換母特征點和子特征點。（a，b）與（x，y）之間滿足： [（a，b）=lim0→∞EFA（xn，yn）]。若[p（x，y）]為圖像局部模糊像素灰度數(shù)值，結合中值濾波原理對模糊區(qū)域圖像輪廓進行分割，并記錄網(wǎng)格圖像中的灰度數(shù)值及特征角點，設局部區(qū)域的三維點圖像橫縱向坐標的標準灰度數(shù)值為[F=p（x，y）·v（y）v（x）]，結合邊緣約束原理計算圖像模糊區(qū)域局部濾波波頻，可得公式如下：

[K（x，y）=FL（a，b）-p（x，y）] （2）

進一步對圖像全局的灰度數(shù)值進行小波分析和特征檢測[7]，并根據(jù)檢測結果進行局部特征融合處理，從而提高對模糊區(qū)域圖像特征的識別和修復效果。

通常情況下圖像局部出現(xiàn)模糊現(xiàn)象大多產(chǎn)生于噪聲影響，因此為了更好地實現(xiàn)對圖像局部模糊區(qū)域的有效處理，對模糊圖像特征識別過程中采集到的干擾噪聲進行降噪處理[8]。設n為圖像表面光斑灰度數(shù)值，z為干擾濾波波長，r為常規(guī)抗擾強度，則計算出圖像模糊區(qū)域疊加光源灰度數(shù)值算法為：

[F（n）=zexpK（x，y）r·（n-1）] （3）

基于上述算法采集圖像中隨機分布的獨立光點特征數(shù)值N，利用光點特征相干性原理對周圍區(qū)域的灰度數(shù)值疊加計算并根據(jù)計算結果進行同頻反射處理，從而實現(xiàn)對圖像模糊區(qū)域的去噪[9]。為保障去噪處理效果，對疊加光源灰度數(shù)值去噪，通過對圖像中強烈光點數(shù)值的采集和過濾，獲取灰度數(shù)值劇烈變化波頻特征數(shù)值m，以及散斑疊加振幅z，具體算法為：

[E=nmF（n）-1n-1mmexp12（m-z）limn→∞w·γ（n-1）n-1] （4）

式中：[γ]表示光點波子;w表示光點區(qū)域的相位角。若檢測區(qū)域面積元數(shù)值為g，圖像去噪信息的獨立統(tǒng)計的量為[ξ][10]，則基于上述原理對區(qū)域最大和最小去噪數(shù)值進行計算，可記為：

[PL（n）=12ξexp（-g）E-1，? ? ξ≥10，? ? ? ? ? ? ? ? ? ? ? ?0≤ξ<1] （5）

基于以上算法可實現(xiàn)對多維彩色圖像局部模糊特征進行降噪處理的要求，最大程度上提高降噪效果[11]，以便更好地對圖像局部模糊特征自動濾波處理系統(tǒng)進行優(yōu)化和改善。

1.3? 自動濾波系統(tǒng)設計實現(xiàn)

考慮到濾波結構的特殊性，在投入濾波和減少負載的過程中，不同結構變化節(jié)點區(qū)域易出現(xiàn)圖像細節(jié)丟失等問題，需要結合線性結構對圖像固定區(qū)域單一方向性數(shù)值元素進行規(guī)范[12]。設在進行自動濾波處理的過程中，輸出數(shù)值中只存在一個向量信息數(shù)值，并根據(jù)所得的向量信息數(shù)值進行濾波降噪分解，分別在波長為500，450，900，225時對模糊區(qū)域圖像特征元素進行網(wǎng)格分割，并對網(wǎng)格中關鍵的角點進行歸類。為保障降噪效果，進一步對降噪?yún)^(qū)域的最大降噪數(shù)值和最小降噪數(shù)值進行控制，并規(guī)范處理步驟，具體可定義為：

[f（x，y）=min[PL（n）-L]+（x，y）（x-r，y+r）] （6）

[f（a，b）=max[PL（n）-L]+（a，b）（a+r，b-r）] （7）

式中：[f（x，y）]為對模糊區(qū)域的最小降噪系數(shù);[f（a，b）]為最大降噪系數(shù)。

根據(jù)圖像重構和中值濾波原理對采集的角點像素進行匹配，具體多方向線性結構角點像素分量匹配原理如圖3所示。

基于多方向線性結構角點像素分量匹配原理進一步對濾波數(shù)值進行計算，并根據(jù)計算結果進行圖像形態(tài)恢復處理，對于不同方向的角點像素濾波數(shù)值進行加權去噪，從而降低圖像局部區(qū)域的噪點概率。由于在降噪處理過程中，導致圖像局部灰度數(shù)值偏低等問題。為解決以上問題，需對局部區(qū)域圖像濾波數(shù)值進行賦值，通過引入自適應權重因子，對模糊區(qū)域灰度數(shù)值進行改善，具體加權算法如下：

[Q=a1（x，y）=1sum（x，y）a2（x，y）=f（x，y）-12sum（x，y）? ? ? ? ? ? ? ??an（x，y）=f（x，y）-nnsum（x，y）] （8）

[U=b1（x，y）=1limx→∞（x，y）b2（x，y）=f（a，b）-12limx→∞（x，y）? ? ? ? ? ? ? ??bn（x，y）=f（a，b）-nnlimx→∞（x，y）] （9）

通過上述算法可以更好地對圖像模糊區(qū)域進行優(yōu)化處理，實現(xiàn)對圖像局部模糊區(qū)域的恢復。有效實現(xiàn)對多維彩色圖像局部模糊特征自動濾波系統(tǒng)的優(yōu)化設計，保證系統(tǒng)穩(wěn)定運行。

2? 實驗結果分析

為驗證多維彩色圖像局部模糊特征自動濾波系統(tǒng)的運行效果，與傳統(tǒng)系統(tǒng)進行了對比實驗。

2.1? 實驗環(huán)境

為保障實驗結果真實有效，對實驗環(huán)境和實驗參數(shù)進行統(tǒng)一設置。實驗采用Matlab模型和SPAS/DYEMCT軟件搭建了仿真實驗檢測平臺。實驗設備選擇了內(nèi)存為64 GB的HPLC? Core i5處理器。設初始采集圖像樣本的像素值為300×300，局部濾波變換持度為0.3～0.6， 圖像灰度數(shù)值分解系數(shù)為1.51，信噪比為-15 dB，自適應模板大小為 30×30，模糊圖像訓練樣本數(shù)值為1 500?；谝陨蠈嶒灜h(huán)境，進一步對實驗參數(shù)進行規(guī)范，具體如表1所示。

2.2? 實驗結果

在上述實驗環(huán)境和參數(shù)下，對比傳統(tǒng)自動濾波運行效果和本文提出的多維彩色圖像局部模糊特征自動濾波系統(tǒng)運行效果，并繪制成圖，為方便記錄，實驗中將本文方法記錄為B ，傳統(tǒng)系統(tǒng)記錄為A。對兩種系統(tǒng)運行過程中的信噪比去除率效果進行檢測，檢測次數(shù)為兩次，具體檢測如圖4所示。

在實驗檢測過程中，信噪比去除率越高，說明該系統(tǒng)自動濾波效果越高，即運行效果更佳。根據(jù)圖4檢測曲線可知，系統(tǒng)B檢測曲線遠高于系統(tǒng)A，且隨著檢測時間的增加，系統(tǒng)A檢測整體結果逐漸呈現(xiàn)下降趨勢，而系統(tǒng)A整體檢測曲線仍趨于穩(wěn)定上升狀態(tài)。

3? 結? 語

結合中值濾波原理對多維彩色圖像局部模糊特征自動濾波系統(tǒng)進行優(yōu)化，通過改善系統(tǒng)硬件配置、簡化系統(tǒng)軟件流程，實現(xiàn)了對自動濾波系統(tǒng)性能的優(yōu)化。最后通過實驗檢測了多維彩色圖像局部模糊特征自動濾波系統(tǒng)的實際效果。實驗結果證實，該自動濾波系統(tǒng)相比于傳統(tǒng)系統(tǒng)具有更高的實用性。

參考文獻

[1] 王亮，田萱.單幅散焦圖像的局部特征模糊分割算法[J].計算機科學，2018，45（2）：318?321.

[2] 汪可，張書琦，李金忠，等.基于灰度圖像分解的局部放電特征提取與優(yōu)化[J].電機與控制學報，2018，22（5）：25?34.

[3] 黃蕾，郭超亞.基于變差函數(shù)和局部方差圖的煤巖圖像紋理特征提取[J].工礦自動化，2018，44（4）：12?16.

[4] 陳陽，周圓.一種基于深度學習模型的圖像模糊自動分析處理算法[J].小型微型計算機系統(tǒng)，2018，39（3）：584?590.

[5] 向懷坤，白云海.一種改進的運動模糊圖像修復參數(shù)計算方法[J].深圳職業(yè)技術學院學報，2018，17（1）：3?8.

[6] 施恩，李騫，顧大權，等.基于局部特征的卷積神經(jīng)網(wǎng)絡模型[J].計算機工程，2018，44（2）：282?286.

[7] 蔡青，劉慧英，周三平，等.基于局部和全局信息的自適應水平集圖像分割[J].強激光與粒子束，2017，29（2）：24?31.

[8] 劉晨，池濤，李丙春，等.結合全局和局部信息的水平集圖像分割方法[J].計算機應用研究，2017（12）：375?380.

[9] 陳陽，周圓.一種基于深度學習模型的圖像模糊自動分析處理算法[J].小型微型計算機系統(tǒng)，2018，39（3）：584?590.

[10] 陳孟臻，盧振坤.基于遞歸濾波和自適應亮度響應的圖像局部細節(jié)增強[J].湘潭大學自然科學學報，2017，39（4）：111?114.

[11] 于立洋，韓琦，牛夏牧.基于MROGH特征描述子的圖像局部拷貝—旋轉(zhuǎn)—移動行為取證[J].智能計算機與應用，2017，7（4）：124?127.

[12] 劉學，程大江，王峰，等.融合多重信息的圖像局部不變特征描述[J].無線電通信技術，2017，43（4）：52?55.