付琳

摘要： 提出一種針對(duì)存在冗余特征的Relief圖像缺陷識(shí)別算法，通過(guò)確定Relief圖像冗余特征權(quán)值，采用衡量圖像冗余特征與圖像缺陷的方式，分析兩者特征的關(guān)聯(lián)性。并基于紋理特征，對(duì)缺陷識(shí)別算法進(jìn)行最終設(shè)計(jì)。此外，設(shè)計(jì)對(duì)比實(shí)驗(yàn)，驗(yàn)證提出的圖像缺陷識(shí)別算法應(yīng)用到實(shí)際，可以滿(mǎn)足對(duì)缺陷識(shí)別的需求，可實(shí)現(xiàn)為Relief圖像提供更高的保障。

關(guān)鍵詞：冗余特征;Relief;圖像;缺陷識(shí)別;算法

中圖分類(lèi)號(hào)：TP391.41? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）20-0106-02

進(jìn)行圖像冗余特征識(shí)別是用于檢驗(yàn)圖像缺陷的正確方式，獲取圖像內(nèi)容，并準(zhǔn)確的識(shí)別缺陷特征，在這一步驟中最重要的行為是提取冗余數(shù)據(jù)的特征數(shù)據(jù)子集。這項(xiàng)工作的實(shí)施不僅會(huì)影響到最終輸出圖像的質(zhì)量，也會(huì)在一定程度上影響圖像特征分類(lèi)效果。截至目前，科研市場(chǎng)中已經(jīng)存在許多相關(guān)缺陷識(shí)別的技術(shù)，并在此項(xiàng)目的研究中，我國(guó)已取得了相對(duì)顯著的成果[1]。傳統(tǒng)的圖像缺陷識(shí)別工作中，通常采用PCA識(shí)別算法，此種算法可有效地分解數(shù)據(jù)矩陣，從而得到一種相對(duì)稀疏的圖像，在此圖像中，缺陷數(shù)據(jù)被放大，從而更容易被識(shí)別。盡管傳統(tǒng)算法也可實(shí)現(xiàn)對(duì)圖像缺陷的有效識(shí)別，但由于此過(guò)程尚未考慮存在冗余特征的圖像，導(dǎo)致對(duì)缺陷識(shí)別的結(jié)果準(zhǔn)確率較低。為了更好地解決這種問(wèn)題，有關(guān)研究學(xué)家再次提出了使用紋理特征識(shí)別的缺陷的方式，但提取圖像紋理的過(guò)程過(guò)于復(fù)雜，導(dǎo)致最終執(zhí)行效果甚微[2]?；诖?，本文將提出一種存在冗余特征的Relief圖像缺陷識(shí)別算法，利用傳統(tǒng)識(shí)別算法的優(yōu)勢(shì)，采用對(duì)圖像進(jìn)行降噪處理的方式，進(jìn)行缺陷特征的有效識(shí)別，從而使圖像特征子數(shù)據(jù)精簡(jiǎn)度較高，檢索數(shù)據(jù)范圍小，實(shí)現(xiàn)在真正意義上做到對(duì)存在冗余特征的Relief圖像缺陷的高效率識(shí)別。

1存在冗余特征的Relief圖像缺陷識(shí)別算法設(shè)計(jì)

1.1確定Relief圖像冗余特征權(quán)值

為了實(shí)現(xiàn)對(duì)圖像缺陷的有效識(shí)別，在設(shè)計(jì)相關(guān)算法前應(yīng)先進(jìn)行圖像冗余特征的提取。在此過(guò)程中，基于Relief圖像的特點(diǎn)，對(duì)圖像不同維度進(jìn)行權(quán)值賦值，賦值行為主要體現(xiàn)在不同數(shù)據(jù)類(lèi)別的相關(guān)性層面[3]。在完成Relief圖像迭代權(quán)值與訓(xùn)練樣本的定義后，對(duì)其中高權(quán)重信息與低權(quán)值信息進(jìn)行劃分，去除無(wú)用的低權(quán)值信息，保留高權(quán)值信息，將此信息作為Relief圖像的冗余特征，以此構(gòu)建圖像特征信息集合。

在此基礎(chǔ)上，假定不同冗余特征之間均存在一定間隔，此時(shí)進(jìn)行特征權(quán)值迭代，可采用維護(hù)圖像分類(lèi)現(xiàn)狀為目標(biāo)，將存在缺陷的特定面作為識(shí)別最大距離。進(jìn)行存在冗余特征的Relief圖像間隔確定，表達(dá)式如下。

[θ=12x-Lx-x-Ex]? ? ? ? ? ? ? ? ? （1）

公式（1）中：E（x）表示為距離圖像x最近的同類(lèi)冗余特征點(diǎn);L（x）表示為與圖像x屬于非同一類(lèi)型的同類(lèi)冗余特征點(diǎn)。根據(jù)上述的計(jì)算公式，對(duì)圖像進(jìn)行具體冗余點(diǎn)獲取，此過(guò)程表示為：使用m×n表示為多維度圖像矩陣，假定圖像中存在n個(gè)冗余特征，將定義的n值存入數(shù)據(jù)庫(kù)[4]。同時(shí)將待執(zhí)行訓(xùn)練的圖像中第i個(gè)冗余特征樣本置于圖像第N列中，假定圖像每行或每列的初始化特征權(quán)值表示為0，即Wj=0，則冗余特征樣本的數(shù)據(jù)集合可表示為j=1;2;3;…;N。

同時(shí)，假定存在冗余特征的Relief圖像中訓(xùn)練樣本的總個(gè)數(shù)表示為n，則需在1～n之間對(duì)i值進(jìn)行反復(fù)賦值，此時(shí)迭代權(quán)值的計(jì)算可用如下公式表示。

[wi+1j=wij-sameS，xi，Exin+diffY，xi，Lxin]? ? ? ? ?（2）

公式（2）中：[wij]表示為圖像的初始化權(quán)值;S與Y分別表示為對(duì)圖像抽樣過(guò)程中與[xi]同類(lèi)與不同類(lèi)的冗余樣本;[Exi]表示為與[xi]距離最近的坐標(biāo)點(diǎn);[Lxi]表示為與[xi]屬于不同類(lèi)的最近坐標(biāo)點(diǎn)。根據(jù)上述計(jì)算公式，在進(jìn)行存在冗余特征的Relief圖像缺陷識(shí)別中，冗余特征樣本分別以同類(lèi)數(shù)據(jù)與非同類(lèi)數(shù)據(jù)的方式表達(dá)，因此可認(rèn)為權(quán)值較大的特征數(shù)據(jù)集合之間冗余特征相似度較高;反之相似度較小，基于此，完成對(duì)Relief圖像冗余特征權(quán)值的確定[5]。

1.2分析圖像冗余特征與缺陷特征關(guān)聯(lián)性

在完成上述相關(guān)研究的基礎(chǔ)上，引入mRMR技術(shù)，對(duì)圖像冗余特征關(guān)聯(lián)性進(jìn)行分析，為了進(jìn)一步掌握冗余特征在圖像中的規(guī)律，采用對(duì)冗余特征進(jìn)行降維處理的方式，選取圖像某一具備冗余特征的空間（此空間應(yīng)相對(duì)目標(biāo)類(lèi)別具備一定相關(guān)性），采用信息反復(fù)交互的方式，進(jìn)行圖像冗余特征與圖像缺陷的權(quán)衡[6]。上述提出圖像中的兩種特征分別使用G、V表示，則存在冗余特征的Relief圖像差準(zhǔn)則融合計(jì)算可用如下計(jì)算公式表示。

[V=1Sxi∈SIxi;c?wi+1j]? ? ? ? ? ? ? ? ? ? ?（3）

[G=1Sxi，xi∈SIxi;S?wi+1j]? ? ? ? ? ? ? ? ? ? ? ? （4）

公式（3）（4）中：c表示為圖像目標(biāo)缺陷類(lèi)別;[Ixi;S]與[Ixi;c]分別表示為圖像冗余特征與缺陷特征之間的交互信息。根據(jù)上述計(jì)算公式，可將特征類(lèi)別進(jìn)行相互度的最大化處理，結(jié)合最大化處理行為，可得知缺陷變量y與z存在缺陷的概率密度函數(shù)。信息交互公式如下。

[Iy;z=ry，zlogry，zryrzd2yz]? ? ? ? ? ? ? ? ? ?（5）