陸金江

(1合肥工業(yè)大學(xué),安徽 合肥 230009;2.安徽財貿(mào)職業(yè)學(xué)院,安徽 合肥230601)

0 引 言

在圖像的傳輸和形成過程中,受到隨機噪聲以及成像擾動因素的影響,導(dǎo)致出現(xiàn)圖像像素差、模糊等現(xiàn)象,在刑偵過程中對此類字跡圖像識別存在識別效果差、耗時等現(xiàn)象,需要構(gòu)建優(yōu)化的模糊字跡圖像修復(fù)模型,根據(jù)圖像退化因素分析,結(jié)合圖像的規(guī)則性特征分布,實現(xiàn)模糊字跡圖像的識別,提高模糊字跡圖像的檢測識別能力[1]。

對模糊字跡圖像的識別是建立在對圖像信號的特征分析和信息增強處理基礎(chǔ)上,構(gòu)建模糊字跡圖像檢測的聯(lián)合特征分析模型,通過統(tǒng)計分析和特征自適應(yīng)訓(xùn)練方法,進行模糊字跡圖像的檢測和特征融合[2]。當(dāng)前,對模糊字跡圖像識別方法主要有基于小波分析的模糊字跡圖像識別方法以及基于匹配濾波檢測的模糊字跡圖像識別方法等,構(gòu)建模糊字跡圖像的退化特征檢測模型,根據(jù)對模糊字跡圖像的尺度分解和退化信息的量化檢測分析結(jié)果,實現(xiàn)對模糊字跡圖像的修復(fù)和增強處理,提高模糊字跡圖像的識別能力[3]。但以上傳統(tǒng)方法進行模糊字跡圖像識別的辨識度水平不高,檢測識別能力不強。對此,提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識別方法,并進行實驗驗證分析。

1 模糊字跡圖像退化模型和稀疏特征分析

1.1 模糊字跡圖像退化模型

為了實現(xiàn)基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識別方法,通過構(gòu)建模糊字跡圖像采集的退化特征分析模型,引入子帶分離和信息度檢測方法[4-6],建立模糊字跡圖像退化的多維空間參數(shù)聚類模型;通過沖激響應(yīng)特征分布式融合和紋理逼近度分析,進行模糊字跡圖像退化特征參數(shù)分析,根據(jù)對模糊字跡圖像退化特征參數(shù)分析結(jié)果實現(xiàn)模糊字跡圖像的信息增強輸出[7],模糊字跡圖像退化模型結(jié)構(gòu)如圖1所示。

圖1 模糊字跡圖像退化模型

根據(jù)圖1所示的模糊字跡圖像退化模型,采用邊緣像素特征重組,進行模糊字跡圖像退化模型的結(jié)構(gòu)參數(shù)融合,采用點光源是黑暗背景跟蹤識別,得到模糊字跡圖像的灰度邊界特征量,通過尋找原始圖像的最佳逼近度參數(shù),結(jié)合光學(xué)圖像的亮點檢測方法[8],進行模糊字跡圖像退化處理,得到模糊字跡圖像的邊緣像素特征量估計值為式(1):

式(1)中:H（i）為模糊字跡圖像的邊界像素點i為中心的像素特征;w（i,j）為模糊字跡圖像像素點i和j之間的距離權(quán)重;g（j）為邊界像素點j的特征。對模糊字跡圖像進行分塊融合和三維特征重構(gòu),結(jié)合模糊字跡圖像的點空間分布集,得到模糊字跡圖像的多維參數(shù)特征重構(gòu)模型。當(dāng)系統(tǒng)輸入為沖激函數(shù)f（x）=w·f2/f1,且滿足0模糊字跡圖像的連續(xù)線性系統(tǒng)退化特征參量滿足n∈N(0,,其中為模糊字跡圖像成像像素強度。則圖像的退化模型為式(2):

根據(jù)構(gòu)建的模糊字跡圖像退化模型,采用圖2所示的點擴展函數(shù)進行圖像的信息濾波和增強處理。

圖2 圖像信息處理的點擴展函數(shù)

1.2 模糊字跡圖像的稀疏特征分析

式中:f（x）為圖像邊界特征點函數(shù),M為圖像輸入?yún)?shù)。在不考慮噪聲的情況下,引入模糊字跡圖像動態(tài)特征標(biāo)志點映射分量H,根據(jù)線性移不變特征分析,構(gòu)建模糊字跡圖像退化特征演化分析模型,引入自適應(yīng)學(xué)習(xí)權(quán)值v,將原始的模擬圖像輸入到離散的線性系統(tǒng)中,得到將模糊字跡圖像的稀疏不變矩為式(4):

假設(shè)退化過程的參數(shù)模型滿足收斂條件,通過帶寬有限性補償?shù)姆椒?得到模糊字跡圖像稀疏性特征分解的最佳準(zhǔn)則滿足式(6):

式(6)中:p k為支持域有限條件下模糊字跡圖像的灰度像素值,m=1,2,...,N。采用K階概率密度估計方法,進行模糊字跡圖像的分布空間融合和聚類分析。在噪聲條件下,實現(xiàn)對模糊字跡圖像成像的濾波器參數(shù)組合控制[9],得到濾波參數(shù)組合控制分布模型為式(7):

根據(jù)上述模型構(gòu)建,得到模糊字跡圖像的邊界有界特征分析模型,得到邊界特征分布集為e i,j,結(jié)合模糊字跡的文字特征提取,實現(xiàn)對模糊字跡圖像的灰度直方圖融合,得到灰度直方圖分布為S={S1,S2,…,S N A},綜上分析,實現(xiàn)模糊字跡圖像的稀疏特征分析,根據(jù)特征檢測結(jié)果,實現(xiàn)對文字特征的二值融合檢測。

2 模糊字跡圖像識別算法優(yōu)化設(shè)計

2.1 模糊字跡圖像的文字特征提取

結(jié)合邊緣輪廓特征提取方法實現(xiàn)對模糊字跡圖像的邊界信息采樣分析,對采集的模糊字跡圖像實現(xiàn)多維參數(shù)模擬和模糊度增強處理[10],在模糊字跡圖像的模糊特征分布區(qū)域內(nèi)進行模糊字跡圖像的文字特征參數(shù)分析和重構(gòu),設(shè)R(t)為模糊字跡圖像分布域空間為(Ω,F,f(x),P),其標(biāo)準(zhǔn)化參數(shù)值為1,表示模糊字跡圖像的顏色特征分量,結(jié)合雙峰分布檢測技術(shù),建立模糊字跡圖像的一階和二階參數(shù)檢測模型,得到聯(lián)合自相關(guān)檢測函數(shù)C（i）為式(8):

建立一階、二階雙峰先驗導(dǎo)數(shù)灰度特征量,得到模糊字跡圖像的動態(tài)特征檢測輸出為G,根據(jù)模糊字跡圖像的灰度融合結(jié)果C（G）,通過對字跡的雙峰特征檢測,得到模糊字跡圖像的動態(tài)檢測范圍在Gmin～Gmax之間的關(guān)聯(lián)特征量為式(9):

采用分塊聚類分析方法,構(gòu)建模糊字跡圖像的動態(tài)檢測的空間聚類模型,采用網(wǎng)格匹配方法,得到模糊字跡圖像檢測的網(wǎng)格分塊組合表示為n c×n r個子圖像塊,采用圖3所示的盲解卷積系統(tǒng)模型,進行模糊字跡圖像的文字特征提取。

讓我們把時空拉回到三年前的南京。1946年盛夏的一個晚上，素有火爐之稱的南京城悶熱難當(dāng)。國民黨空軍第五大隊的飛行員林雨水和他的四位同伴來到位于新街口的一家冷飲店消暑。進屋后，林雨水就發(fā)現(xiàn)在里屋的一張桌邊坐著兩個人，“那不是周恩來先生和鄧穎超女士嘛”，他脫口而出。是的，那兒坐著的正是率領(lǐng)中共代表團在南京與國民政府進行和平談判的周恩來和鄧穎超。林雨水他們對中國共產(chǎn)黨主張和平民主的真誠態(tài)度非常敬佩，早就想見中共代表周先生，不想在這里相遇。

圖3 盲解卷積系統(tǒng)模型

根據(jù)圖3所示的模糊字跡圖像的文字特征檢測結(jié)果,進行模糊字跡圖像的邊界有界參數(shù)融合,構(gòu)建頻域和空間域的聯(lián)合分塊特征檢測模型,得到模糊字跡圖像盲解卷積融合識別結(jié)果,圖像的空間域增強輸出為式(10):

2.2 模糊字跡圖像識別輸出

采用匹配濾波檢測器進行模糊字跡圖像的多級尺度分解和細節(jié)特征提取,對提取的模糊字跡圖像細節(jié)特征實現(xiàn)信息融合和優(yōu)化檢測[12],采用圖4所示的深度卷積神經(jīng)網(wǎng)絡(luò)模型進行圖像特征聚類和識別。

圖4 深度卷積神經(jīng)網(wǎng)絡(luò)模型

在圖4所示的深度卷積神經(jīng)網(wǎng)絡(luò)模型中,構(gòu)建中模糊字跡圖像幾何特征重構(gòu)向量e1,e2,...,e l,采用快速傅立葉變換方法,重建模糊字跡圖像的動態(tài)輪廓分布特征點,計算模糊字跡圖像輸出梯度信息,在深度神經(jīng)網(wǎng)絡(luò)中實現(xiàn)自適應(yīng)訓(xùn)練,得到盲圖像恢復(fù)結(jié)果表示為式(11):

其中,k和s為模糊字跡圖像的文字編號。結(jié)合恢復(fù)圖像的約束參數(shù)解析結(jié)果,實現(xiàn)對模糊字跡圖像的背景值融合,輸出為式(12):

根據(jù)像素值與背景值的差異性,構(gòu)建模糊字跡圖像的文字特征動態(tài)識別模型,得到模糊字跡圖像的文字動態(tài)特征參數(shù)分布序列為:式(13)

上(13)式中,c1表示模糊字跡圖像亮點信息,根據(jù)文字參數(shù)識別結(jié)果,進行模糊字跡圖像的文字動態(tài)識別,輸出識別狀態(tài)參數(shù)為式(14):

基于多尺度Kalman濾波方法對模糊字跡圖像進行特征圖重組,得到迭代步數(shù)滿足式(15):

其中,d2k為模糊字跡圖像暗原色分量,通過圖像直方圖的雙峰特征檢測,得到圖像的識別輸出為式(16):

通過約束化解,得到式(17):

綜上分析,根據(jù)多尺度機器學(xué)習(xí)結(jié)果,進行模糊字跡圖像的特征細節(jié)識別,采用深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法進行模糊字跡圖像修復(fù)處理,實現(xiàn)模糊字跡圖像的優(yōu)化檢測和識別。

3 仿真實驗與結(jié)果分析

通過仿真實驗驗證方法在實現(xiàn)模糊字跡圖像恢復(fù)和識別中的應(yīng)用性能,模糊字跡圖像分別設(shè)定在白色背景和黑色背景中,設(shè)定模糊字跡圖像的背景灰度值是255,文字灰度值是0,初始的PSNR為24.78d B,圖像分布網(wǎng)格大小為240×120,灰度平均梯度為1.36,根據(jù)上述參數(shù)設(shè)定,得到原始的模糊字跡圖像如圖5所示。

圖5 原始含噪模糊字跡圖像

以圖5的圖像為測試對象,對導(dǎo)致圖像模糊的噪音進行提取,結(jié)果如圖6所示。

圖6 模糊字跡圖像噪聲提取結(jié)果

為了使模糊字跡圖像識別效果更好,采用本文方法和傳統(tǒng)方法為對比進行去噪分析,結(jié)果如表1所示:

表1 輸出峰值信噪比對比表(單位:dB)

根據(jù)去噪結(jié)果得到去噪效果如圖7-8所示:

圖7 去噪結(jié)果對比

圖8 圖像識別結(jié)果

分析可知,采用傳統(tǒng)方法時,經(jīng)過去噪結(jié)果,其去噪有一定的效果,但圖像多處存在降噪效果差的問題,導(dǎo)致對模糊字跡圖像不能準(zhǔn)確識別的現(xiàn)象。反之,采用文中方法進行去噪后,模糊字跡圖像含噪聲較少,且能高效識別圖像,增加了識別準(zhǔn)確度,具有一定的優(yōu)勢。

4 結(jié) 語

提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的模糊字跡圖像識別方法,采用匹配濾波檢測器進行模糊字跡圖像的多級尺度分解和細節(jié)特征提取,對提取的模糊字跡圖像細節(jié)特征實現(xiàn)信息融合和優(yōu)化檢測,根據(jù)多尺度機器學(xué)習(xí)結(jié)果,進行模糊字跡圖像的特征細節(jié)識別,采用深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法進行模糊字跡圖像修復(fù)處理,實現(xiàn)模糊字跡圖像的優(yōu)化檢測和識別。研究得知,進行模糊字跡圖像識別的峰值信噪比較高,辨識度較高,提高了模糊字跡圖像的修復(fù)和識別能力。