李雪嬌

（三峽大學科技學院機械電氣學部 湖北省宜昌市 443000）

在技術(shù)單位開展無損檢測方法研究的數(shù)年中，技術(shù)人員已針對灰度圖像特征設(shè)計了多種有效的識別方法。但灰度圖像的形成仍受到成像環(huán)境的影響，會存在邊界條件模糊、灰度區(qū)間狹窄、噪聲多等顯著缺陷。這些圖像缺陷會在不同程度上對圖像識別造成干預，而目前大部分針對灰度圖像的識別方法計算機識別，盡管基于計算機的識別方法智能性較強，但卻很難精準地識別到灰度圖像的邊界條件[1]。此次研究將結(jié)合上述理論，對識別算法展開實踐研究，希望通過此次的研究，為提出的假設(shè)提供可靠數(shù)據(jù)作為支撐。

1 灰度圖像識別算法

1.1 基于改進多尺度采樣算法的灰度圖像紋理特征提取

為了滿足灰度圖像識別需求，需要在設(shè)計算法前，結(jié)合改進多尺度采樣算法的設(shè)計，進行灰度圖像紋理特征的有效提取。在此過程中，應明確灰度圖像經(jīng)過空間映射投影后，形成了RSP映射圖像與MP映射圖像，因此，要實現(xiàn)對灰度圖像的紋理特征提取，應同步進行其映射圖像特征的提取[2]。

為了確保在多尺度采樣下獲取的圖像具有投影分布的特征，可在截取圖像時，每間隔一行子帶，進行一次降樣處理[3]。此時，對應在第i個尺度下，獲取的子帶第k個區(qū)間可以表示為下述計算公式：

1.2 灰度圖像三維空間映射處理

引進常規(guī)的圖像處理技術(shù)，將圖像的灰度值使用0～256內(nèi)任意一個數(shù)值進行描述。其中256.0表示圖像呈現(xiàn)黑色、0表示圖像呈現(xiàn)白色，假設(shè)將灰度值作為圖像在空間內(nèi)映射的質(zhì)量（對應三維空間內(nèi)的Z坐標軸），那么可以認為灰度值較高的三維映射區(qū)域圖像質(zhì)量較高，對應灰度值較低的三維映射區(qū)域圖像質(zhì)量較低[4]。倘若圖像的像素值位于圖像的邊緣區(qū)域，則圖像一側(cè)勢必存在一個高質(zhì)量圖像區(qū)域區(qū)域。如果將圖像切割為一個矩形圖片，則區(qū)域的重心點可以作為圖像高質(zhì)量映射點，而當灰度圖像的重心點出現(xiàn)偏移現(xiàn)象后，將像素值作為圖像邊緣點的概率也將更高。圖1為灰度圖像在三維空間內(nèi)的映射結(jié)果。

圖1中，（a）表示為灰度圖像灰度值=0時，在三維空間內(nèi)的映射結(jié)果；（b）表示為灰度圖像灰度值≠0時，在三維空間內(nèi)的映射結(jié)果（灰度值取值為198.0）。基于此種理論，當圖像的灰度值在不同區(qū)域內(nèi)呈現(xiàn)相同數(shù)值時，則圖像的映射面可以對應一個均勻的平面，而平面中的中心值則位于區(qū)域中心[5]。

圖1：灰度圖像三維空間映射結(jié)果

1.3 融合映射結(jié)果的灰度圖像識別誤差擬合

綜合上文分析可知，灰度圖像在映射到三維空間后可能會由于重心偏移現(xiàn)象，出現(xiàn)識別過程中的誤差，為了降低此種誤差對識別過程噪聲的干擾，可采用擬合誤差的方式進行識別結(jié)果的校正。在此過程中，需要設(shè)定一個灰度密度值A(chǔ)，A在三維空間內(nèi)的函數(shù)表達公式如下：

公式（3）中：A表示為圖像在三維空間內(nèi)映射后灰度值的密度分布；M表示為圖像中可用于描述灰度值的信息量數(shù)值；N表示為參考圖像均值；H表示為灰度圖像在空間內(nèi)成像后的高度；C表示為視覺效果。根據(jù)上述計算公式，將對應的圖像灰度值進行歸一化處理，以此種方式得到一個均勻的灰度值[6]。將灰度重心偏移量作為識別圖像的依據(jù)，從而完成基于改進多尺度采樣算法的灰度圖像識別算法的設(shè)計，實現(xiàn)對灰度圖像的有效識別。

2 實例應用分析

2.1 實驗數(shù)據(jù)

采用實例應用的方式，開展實驗的研究與實驗結(jié)果的分析。在進行實驗前，應先對實驗過程中的灰度圖像進行采集，為了確保實驗過程中數(shù)據(jù)的充足性，此次實驗選擇的灰度圖像均來自某醫(yī)院在會診過程中產(chǎn)生的X射線圖像。采集的圖像樣本為700.0張，其中存在缺陷的圖像有420.0張。倘若直接將所有圖像作為實驗樣本圖像，此次實驗的計算量將過大，為了保證實驗需求與實驗結(jié)果的可靠性，結(jié)合視覺機制的使用，隨機挑選8.0張灰度圖像作為此次實驗的樣本圖像。圖像中需要包括缺陷圖像與無缺陷圖像，在完成圖像的初步獲取后，在終端設(shè)備上進行灰度圖像的裁剪，將每張圖像均規(guī)范為256.0×256.0尺寸。圖2為灰度圖像實驗樣本。

圖2：灰度圖像實驗樣本

圖2中（1）～（8）圖像為本次實驗的灰度圖像樣本，從圖中可以看出，（1）、（2）、（3）、（4）、（5）、（7）為存在缺陷的灰度圖像；（6）、（8）為不存在缺陷的灰度圖像。對應的缺陷分別為圖像存在裂紋、圖像夾雜噪聲、圖像在映射時存在氣泡、圖像未完全融合、圖像模糊、圖像夾鎢。

2.2 實驗結(jié)果與分析

通過2.1，完成了實驗過程中圖像樣本的獲取。在此基礎(chǔ)上，使用本文設(shè)計的基于改進多尺度采樣算法的灰度圖像識別算法，對樣本進行識別，以是否識別到圖像樣本存在噪聲作為檢測本文設(shè)計成果有效性的依據(jù)，實施此次實驗。當識別到灰度圖像存在異常時，將圖像對應的噪聲值表示為1.0，對應證明此樣本圖像存在缺陷。當識別到灰度圖像不存在異常時，將圖像對應的噪聲值表示為0，對應證明此樣本不存在噪聲。按照本文設(shè)計的流程，對實驗樣本進行識別。識別后，將結(jié)果呈現(xiàn)在終端計算機設(shè)備上，并繪制成噪聲圖像，如圖3所示。

圖3：樣本圖像識別結(jié)果

從圖3所示的實驗結(jié)果可以看出，本文設(shè)計的識別算法，可以識別到圖像1、圖像2、圖像3、圖像4、圖像5、圖像7對應的噪聲值為1.0；圖像6、圖像8對應的噪聲為0。輸出的結(jié)果與實際結(jié)果相符。因此，可得出此次實驗的最終結(jié)論：本文設(shè)計的基于改進多尺度采樣算法的灰度圖像識別算法，在實際應用中，可有效地識別到圖像集合中的異常噪聲，可以將此作為依據(jù)，進行圖像缺陷的檢測。

3 結(jié)束語

本文開展了基于改進多尺度采樣算法的灰度圖像識別算法的研究，并在完成研究后，選擇某醫(yī)院在會診過程中產(chǎn)生的X射線圖像作為實驗樣本圖像，按照實例應用檢驗的方式，對設(shè)計的識別算法進行檢驗，經(jīng)過檢驗后證明了此算法在實際應用中，可有效地識別到圖像集合中的異常噪聲。但此次實驗受到時間的限制，尚未進行識別時間、識別后圖像灰度值變化等方面的持續(xù)檢驗，因此，相關(guān)此方面的工作需要在后續(xù)的研究中繼續(xù)開展，以此種方式，為算法在市場內(nèi)的廣泛推廣與使用提供真實的數(shù)據(jù)作為支撐。