楊 霞

（大連東軟信息學(xué)院，遼寧 大連 116000）

0 引言

相關(guān)模糊圖像識別的研究屬于計算機(jī)視覺領(lǐng)域的研究范疇，設(shè)計可操作性較強(qiáng)的模糊圖像識別方法，不僅可為遙感衛(wèi)星、動物醫(yī)學(xué)等行業(yè)的建設(shè)與發(fā)展提供支撐，同時也可為基層行業(yè)提供目標(biāo)檢測識別。文獻(xiàn)［1］中根據(jù)跡變換，利用跡線掃描整幅圖像獲取圖像特征，采用旋轉(zhuǎn)局部梯度模式特征提取方法，將圖片進(jìn)行高清化處理。但是，由于該方法采用梯度代替像素，在經(jīng)過圖像預(yù)處理后，從多尺度多角度上提取旋轉(zhuǎn)局部梯度模式特征時，圖片的后期處理具有局限性，很難達(dá)到預(yù)期效果。文獻(xiàn)［2］利用高斯拉普拉斯（LoG）邊緣檢測和增強(qiáng)局部相位量化的方法，對模糊圖像進(jìn)行識別計算，算法雖然取得了較好的效果，但難以做到精確處理圖片。在圖像研究中發(fā)現(xiàn)，傳統(tǒng)的識別方法在應(yīng)用中仍存在多種顯著性問題。其中包括：在識別過程中對模糊圖像的處理工作實(shí)施不到位、對相似度較高的圖像識別不精準(zhǔn)、識別后圖像的分辨率與清晰度均顯著下降等等。因此，本文在早期研究成果的基礎(chǔ)上，引進(jìn)D－S 理論，設(shè)計一種針對模糊圖像的智能識別方法，用于代替?zhèn)鹘y(tǒng)識別方法，為社會多個產(chǎn)業(yè)的建設(shè)與發(fā)展提供優(yōu)化技術(shù)的支撐。

1 D－S 理論

在D－S 理論中，其框架是由兩個或以上數(shù)量的基本性偽命題構(gòu)成。假定在此過程中存在一個完備的數(shù)據(jù)信息集合，則可認(rèn)為針對某一問題的研究是具備確切答案的。但在提出的偽命題中，只能存在唯一一個真命題為答案。D－S 理論框架內(nèi)的子集稱之為“命題”，在對不同命題進(jìn)行組織分配的過程中，基本概率稱之為BPA（也可稱為mA 函數(shù)）。此函數(shù)屬于一種反映聯(lián)合信息的隨機(jī)概率函數(shù)，在命題的概率區(qū)間內(nèi)，［P ｜（A）］表示為正確區(qū)間或證據(jù)區(qū)間。其中，A 表示為擬定區(qū)間，在區(qū)間范圍內(nèi)的信息，便可被認(rèn)定為真實(shí)信息。

2 基于D－S 理論的模糊圖像智能識別方法設(shè)計

2.1 基于D－S 推理過程描述模糊圖像結(jié)構(gòu)

為了滿足對模糊圖像的精準(zhǔn)識別需求，結(jié)合DS 理論中的D－S 推理過程，對識別的模糊圖像結(jié)構(gòu)進(jìn)行描述。在此過程中，應(yīng)先明確不同模糊圖像之間均存在一定知識關(guān)系，這種關(guān)系在D－S 推理過程中可被認(rèn)定為具備規(guī)律，提出的規(guī)律也可稱之為似然函數(shù)關(guān)系［3］。

在模糊圖像進(jìn)行推理的過程中，其中知識內(nèi)容均存在一種包含或?qū)儆诘年P(guān)系，而此種關(guān)系也可用正交函數(shù)或相關(guān)函數(shù)的方式表達(dá)［4］。因此，在掌握模糊圖像結(jié)構(gòu)的基礎(chǔ)上，還需要通過對模糊圖像進(jìn)行持續(xù)地轉(zhuǎn)化處理，才能滿足對其的有效識別。

2.2 基于融合行為智能識別圖像模糊化特征

在掌握模糊圖像結(jié)構(gòu)的基礎(chǔ)上，為了進(jìn)一步實(shí)現(xiàn)對模糊圖像的智能識別，采用對多結(jié)構(gòu)圖像進(jìn)行融合處理的方式［5］，挖掘或?qū)ふ覉D像的特征點(diǎn)，并結(jié)合專家系統(tǒng)的應(yīng)用，對融合的特征進(jìn)行識別；刪除模糊圖像中存在的冗余數(shù)據(jù)，對圖像進(jìn)行持續(xù)優(yōu)化處理，以此確保識別圖像對象具備一致性特征。

對模糊圖像進(jìn)行融合處理，并提取其中互補(bǔ)信息，判斷信息的來源途徑，是否為同一終端傳感器；在完成對傳感器屬性的識別后，判別互補(bǔ)信息的屬性結(jié)果。

將特征提取過程中的信息量，進(jìn)行模糊化處理［6－7］，處理過程中數(shù)據(jù)信息的分布應(yīng)當(dāng)滿足高斯規(guī)律分布，如公式（1）。

其中：x表示結(jié)構(gòu)特征；u表示模糊圖像結(jié)構(gòu)；μ表示高斯分布規(guī)律［8］；σ表示數(shù)據(jù)處理行為。

在完成對特征的獲取后，結(jié)合特征值，對模糊圖像特征采用隸屬函數(shù)［9－10］的方式進(jìn)行表達(dá)，如公式（2）。

綜合上述計算結(jié)果，輸出最終數(shù)值，即可作為模糊圖像的特征值，以此完成對模糊圖像的智能化識別。

3 對比實(shí)驗(yàn)

本文通過上述論述，完成了對基于D－S 理論的模糊圖像智能識別方法的理論設(shè)計。為進(jìn)一步實(shí)現(xiàn)該方法在實(shí)際應(yīng)用中的優(yōu)勢驗(yàn)證，選擇模糊圖像集作為實(shí)驗(yàn)對象，分別利用本文提出的基于D－S 理論的模糊圖像智能識別方法與傳統(tǒng)識別方法，對圖像進(jìn)行識別，以此完成對兩種識別方法的應(yīng)用效果對比。

為實(shí)現(xiàn)對最終實(shí)驗(yàn)結(jié)果的定量，本文引入識別率RR 準(zhǔn)則作為標(biāo)準(zhǔn)，對兩種識別方法的正確識別率進(jìn)行計算：

式中，γ表示為RR 準(zhǔn)則下的正確識別率；K＇ 表示為傳統(tǒng)識別方法或本文和別方法準(zhǔn)確識別模糊圖像樣本個數(shù)；K表示為實(shí)驗(yàn)過程中需要進(jìn)行識別的模糊圖像樣本總數(shù)。

在實(shí)驗(yàn)過程中，選擇100 組模糊圖像，其中包含了多種不同類型的圖像信息。為確保兩種識別方法在應(yīng)用過程中，除圖像信息類型存在差異以外，其余條件保持不變。實(shí)驗(yàn)中，將模糊圖像的分辨率設(shè)置為125×85，灰度設(shè)置為256 級。完成實(shí)驗(yàn)后，將所有模糊圖像的識別結(jié)果進(jìn)行記錄，并計算其RR 準(zhǔn)則下的正確識別率γ，并求解出平均γ值，其實(shí)驗(yàn)結(jié)果見表1。

表1 兩種識別方法實(shí)驗(yàn)結(jié)果對比表Tab.1 Comparison table of experimental results of two recognition methods

由表1 中可以看出，本文方法的平均γ值明顯高于傳統(tǒng)方法的平均γ值。同時，在實(shí)驗(yàn)過程中設(shè)置平均γ值最高為1.000。根據(jù)公式（3）得出的γ值，若γ值的數(shù)值越高，則表示本文圖像識別方法或傳統(tǒng)圖像識別方法的精度越高，識別結(jié)果越滿足預(yù)期需要。反之，若γ值的數(shù)值越低，則表示本文圖像識別方法或傳統(tǒng)圖像識別方法的精度越低，識別結(jié)果越無法滿足預(yù)期需要?；谶@一規(guī)律，并結(jié)合表1 中的實(shí)驗(yàn)結(jié)果，進(jìn)一步驗(yàn)證了本文提出的識別方法，在實(shí)際應(yīng)用中能夠?qū)崿F(xiàn)對模糊圖像的高精度識別。同時，本文在設(shè)計圖像識別方法時，引入了D－S理論，針對模糊圖像進(jìn)行識別時，能夠?qū)Σ煌愋偷膱D像給出對應(yīng)的識別推理方式，進(jìn)一步實(shí)現(xiàn)了對模糊圖像的高精度識別需要。測試圖像識別精度，對比結(jié)果如圖1 所示。

圖1 D－S 理論的模糊圖像智能識別精度對比測試Fig.1 Comparative test of fuzzy image intelligent recognition accuracy based on D－S theory

分析圖1 得知，本文方法進(jìn)行模糊圖像智能識別精度較高，較其他方法性能更為優(yōu)越。

4 結(jié)束語

當(dāng)前，多媒體技術(shù)的快速發(fā)展，使得圖像識別技術(shù)的應(yīng)用需求不斷提升，因此合理的圖像識別技術(shù)能夠?yàn)槿藗兊娜粘Ｉ詈凸ぷ鲙碇T多的便利。本文通過上述論述，基于D－S 推理理論實(shí)現(xiàn)了對模糊圖像的智能識別方法設(shè)計，并通過實(shí)驗(yàn)進(jìn)一步驗(yàn)證了該方法在實(shí)際應(yīng)用中的性能和優(yōu)勢。將本文提出的模糊圖像識別方法應(yīng)用于實(shí)際，不僅能夠?qū)崿F(xiàn)對圖像的高精度識別，同時還能夠進(jìn)一步提高圖像資源的利用。