徐浙君,陳善雄

(1.浙江郵電職業(yè)技術(shù)學(xué)院 人工智能學(xué)院，浙江 紹興 312000；2.西南大學(xué) 計(jì)算機(jī)與信息科學(xué)學(xué)院,重慶 400715)

0 引言

隨著智能圖像處理技術(shù)的發(fā)展，結(jié)合圖像像素融合和特征點(diǎn)提取方法，構(gòu)建圖像濾波和參數(shù)分析模型，根據(jù)對低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)分布，采用暗原色融合分析，進(jìn)行低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)提取，建立低光照強(qiáng)度弱紋理圖像的信息增強(qiáng)模型，根據(jù)對圖像的紋理信息關(guān)鍵目標(biāo)點(diǎn)檢測結(jié)果，實(shí)現(xiàn)對低光照強(qiáng)度弱紋理像素特征增強(qiáng)。相關(guān)的弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位方法研究，在弱紋理圖像關(guān)鍵特征點(diǎn)的檢測和提取分析中具有重要意義[1]。

對弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位提取是建立在對圖像特征點(diǎn)定位和模糊度信息增強(qiáng)處理基礎(chǔ)上，通過噪點(diǎn)信息分析，結(jié)合對弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)的特征辨識結(jié)果，實(shí)現(xiàn)對弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位[2]，傳統(tǒng)方法中，弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位方法主要有基于模糊度特征分析的低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)定位方法、基于小波多元尺度分解的目標(biāo)點(diǎn)定位方法等[3-4]，結(jié)合對低光照強(qiáng)度弱紋理圖像關(guān)鍵特征點(diǎn)信息分布結(jié)果，通過圖像邊緣像素增強(qiáng)，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像關(guān)鍵點(diǎn)的定位識別，文獻(xiàn)[5]中提出自適應(yīng)鄰域的魯棒多視圖聚類算法，實(shí)現(xiàn)弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位，結(jié)合對圖像分塊融合結(jié)果，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像識別，提高圖像的信噪比，但該方法進(jìn)行弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位的精度不好，輸出可靠性不好。文獻(xiàn)[6]中提出基于多尺度形變特征卷積網(wǎng)絡(luò)的高分辨率遙感影像目標(biāo)檢測方法，結(jié)合Radon尺度變換，實(shí)現(xiàn)對遙感弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位方法，采用暗原色融合和RGB像素分解方法實(shí)現(xiàn)對遙感弱紋理圖像的信息自適應(yīng)增強(qiáng)，結(jié)合Radon尺度變換，實(shí)現(xiàn)弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)定位識別，但該方法進(jìn)行弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)定位的精度不高。

針對上述問題，本文提出基于深度學(xué)習(xí)的弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位方法。深度學(xué)習(xí)是較為成熟的技術(shù)之一，是實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別和定位的基礎(chǔ)。深度學(xué)習(xí)具有擬合復(fù)雜數(shù)據(jù)的特性，能夠?qū)W習(xí)數(shù)據(jù)的本質(zhì)特征，自動提取數(shù)據(jù)的深度特征，且能夠有效地自適應(yīng)復(fù)雜環(huán)境，應(yīng)用于目標(biāo)識別定位上具有顯著的優(yōu)勢。首先構(gòu)建低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)的拓?fù)涮卣鞣植寄Ｐ?，然后采用暗原色融合和RGB像素分解方法實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像的信息自適應(yīng)增強(qiáng)處理，結(jié)合對低光照強(qiáng)度弱紋理圖像的邊緣模板分組檢驗(yàn)結(jié)果，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像空間特征匹配，根據(jù)濃霧透射區(qū)域噪點(diǎn)融合匹配結(jié)果，采用交叉組合濾波檢測和深度學(xué)習(xí)算法，根據(jù)對低光照強(qiáng)度弱紋理圖像的信息增強(qiáng)結(jié)果，實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像降噪和信息增強(qiáng)，完成了低光照強(qiáng)度弱紋理圖像的關(guān)鍵目標(biāo)點(diǎn)識別定位。最后進(jìn)行仿真測試分析，展示了本文方法在提高弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位精度方面的優(yōu)越性能，能夠?yàn)樵谌跫y理圖像處理中應(yīng)用提供一定的參考價(jià)值。

1 弱紋理圖像像素特征分析和濾波處理

1.1 低光照強(qiáng)度弱紋理圖像的特征分析

為了實(shí)現(xiàn)基于深度學(xué)習(xí)的弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位，構(gòu)建低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)視覺特征分析模型，結(jié)合邊緣特征檢測和濾波分析方法，進(jìn)行低光照強(qiáng)度弱紋理特征提取，結(jié)合多分辨視覺信息增強(qiáng)技術(shù)，進(jìn)行低光照強(qiáng)度弱紋理分布式檢測和定位識別[7]，得到低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)定位的總體實(shí)現(xiàn)結(jié)構(gòu)如圖1所示。

圖1 低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)定位的總體實(shí)現(xiàn)結(jié)構(gòu)

根據(jù)圖1所示的低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)定位的總體實(shí)現(xiàn)結(jié)構(gòu)圖，通過對光照強(qiáng)度分析結(jié)合對環(huán)境參數(shù)的識別，實(shí)現(xiàn)了低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)的定位識別。具體過程如下。采用透射率作為檢測系數(shù)，結(jié)合亮通道的先驗(yàn)知識，構(gòu)建低光照強(qiáng)度弱紋理圖像空間特征匹配模型，得到低光照強(qiáng)度弱紋理圖像的邊緣像素集表示為：

Iif(x,y)I*G+paej(wt-k·r)

(1)

其中:I為物理模型下的像素參數(shù)，G為照亮度大小的分塊匹配區(qū)域，pa為概率密度分布集，ej(wt-k·r)為變分模型參數(shù)。

在得到了低光照強(qiáng)度弱紋理圖像的邊緣像素集的基礎(chǔ)上，還需要進(jìn)一步尋找對應(yīng)位置的亮度信息。采用RGB像素分解方法改進(jìn)了低光照強(qiáng)度弱紋理圖像特征辨識困難的問題，實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像的信息融合，得到信息融合分量：

(2)

其中:rp為低照度圖像增強(qiáng)的模糊度檢測分量，ρ1為一階聯(lián)合分布特征集，ρ2為二階聯(lián)合分布特征集，c1為一階邊緣像素集，c2為二階邊緣像素集，θt為散射模型參數(shù)。

在此基礎(chǔ)上，還需要進(jìn)一步分析圖像像素之間的相似度，對比圖像特征。采用透射率作為檢測系數(shù)，結(jié)合亮通道的先驗(yàn)知識，采用維納濾波對透射率進(jìn)行分解，得到相似度：

(3)

其中：m為暗通道先驗(yàn)知識的嵌入維數(shù)，θi為全變分去噪分量，n為噪點(diǎn)分布維數(shù)，采用多尺度Retinex算法構(gòu)建低光照強(qiáng)度弱紋理圖像的邊緣輪廓特征分析模型，實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像的特征分析[8]。

1.2 弱紋理圖像的濾波處理

結(jié)合對低光照強(qiáng)度弱紋理圖像的邊緣模板分組檢測結(jié)果，采用暗原色融合和RGB像素分解方法實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像增強(qiáng)[9]，得到低光照強(qiáng)度弱紋理圖像的輪廓波長系數(shù)為：

(4)

其中:J(w,e)為光滑性約束函數(shù)，a為透射率，k為亮通道先驗(yàn)特征值，Di為像素點(diǎn)x處的像素值，S21為模糊圖像的邊緣一階矩，S12為模糊圖像的邊緣二階矩，對低照度圖像取反，定義低光照強(qiáng)度弱紋理圖像的灰度部分為：

(5)

(6)

其中:F(x,y)為低光照強(qiáng)度弱紋理圖像的邊緣像素值，ml為低照度圖像取反后的弱紋理集，結(jié)合對低光照強(qiáng)度弱紋理圖像多尺度Harris角點(diǎn)分布[10]，采用深度學(xué)習(xí)算分，得到低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)濾波函數(shù)為：

(7)

其中:rI表示低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)濾波輸出的邊緣像素差，采用前景和背景顯著圖融合的方法，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像的濾波，提高輸出信噪比[11]。

2 弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位

2.1 弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)特征提取

建立低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)的像素大數(shù)據(jù)分布集，結(jié)合對低光照強(qiáng)度弱紋理圖像的邊緣模板分組檢測結(jié)果，采用暗原色融合和RGB像素分解方法實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像的信息自適應(yīng)增強(qiáng)處理，結(jié)合對低光照強(qiáng)度弱紋理圖像的子空間特征分布[12]，進(jìn)行低光照強(qiáng)度弱紋理圖像的特征信息重組，重組輸出為：

P(X=x|Y=y)=Z-1exp-U(x|y)

(8)

其中:Z為透射率圖，U為低照度圖像本身的像素特征點(diǎn)，根據(jù)低光照強(qiáng)度弱紋理圖像的模板檢測結(jié)果，結(jié)合深度學(xué)習(xí)算法[13]，得到低光照強(qiáng)度弱紋理圖像質(zhì)量參數(shù)用d(x)表示，低光照強(qiáng)度弱紋理圖像的霧化特征量為I(x)表示，基于深度學(xué)習(xí)算法，得到低光照強(qiáng)度弱紋理特征分量表達(dá)式為：

(9)

其中:A表示低光照強(qiáng)度弱紋理的分布強(qiáng)度幅值，ρ表示低光照強(qiáng)度弱紋理相似度，K表示低光照強(qiáng)度弱紋理關(guān)聯(lián)特征量，θ0表示低照度圖像取反之后圖像的模板匹配系數(shù)，在N×N的局部區(qū)域中進(jìn)行低光照強(qiáng)度弱紋理圖像的分塊處理[14-15]。

結(jié)合深度學(xué)習(xí)算法，采用暗原色融合和RGB像素分解方法[16-17]實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像的信息自適應(yīng)增強(qiáng)處理，得到分塊權(quán)重為：

(10)

其中:K為圖像得邊緣感知強(qiáng)度，T表示圖像采樣的時(shí)間間隔，A為深度學(xué)習(xí)的幅值。根據(jù)低光照強(qiáng)度弱紋理圖像的紋理區(qū)域分布檢測結(jié)果，得到低光照強(qiáng)度弱紋理圖像模糊邊緣濾波的輸出為：

xi(t) =I(xi,yi) + [Ix(xi,yi)Iy(xi,yi)]=

(11)

其中:I(xi,yi)為邊緣區(qū)域權(quán)重分配下的像素集，Airp為紋理跟蹤的軌跡，W為關(guān)鍵特征點(diǎn)的分布邊緣區(qū)域，提取多尺度特征分量，得到：

Sgif(x,y)=log(Pif(x,y))

(12)

Sgiv(x,y)=log(Piv(x,y))

(13)

Sgi(x,y)=Sgif(x,y)Sgiv(x,y)

(14)

其中:P(x,y)iv和P(x,y)if分別為低光照強(qiáng)度弱紋理圖像灰度邊緣系數(shù)和邊緣感知的信息濃度，S(x,y)gif為直方圖中頻數(shù)最高的像素值，S(x,y)giv為低照度圖像的調(diào)整模板匹配集，由此實(shí)現(xiàn)弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)特征提取。

2.2 圖像紋理關(guān)鍵目標(biāo)點(diǎn)定位

根據(jù)透射區(qū)域噪點(diǎn)融合匹配結(jié)果，采用交叉組合濾波檢測和深度學(xué)習(xí)算法[18]，采用多尺度Harris角點(diǎn)檢測，得到低光照強(qiáng)度弱紋理圖像濾波檢測的匹配函數(shù)為：

(15)

(16)

(17)

其中：Mi及MT經(jīng)過Wi投影后的得到反映低光照強(qiáng)度弱紋理圖像的模糊信息，基于Radon尺度變換，得到低光照強(qiáng)度弱紋理關(guān)鍵目標(biāo)點(diǎn)的定位輸出為：

(18)

圖2 改進(jìn)算法的實(shí)現(xiàn)流程

3 實(shí)驗(yàn)測試

為驗(yàn)證本文方法在實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位的性能，采用Matlab仿真平臺進(jìn)行仿真實(shí)驗(yàn)。其中，設(shè)定背景種子集為2 400，空間和顏色距離為0.355 dB，超像素?cái)?shù)目為100、200、300，樣本集組數(shù)為6組，如圖3所示。

圖3 待處理的圖像

圖3中的6組圖像的先驗(yàn)知識分布，如表1所示。

根據(jù)表1參數(shù)設(shè)定，對低光照強(qiáng)度弱紋理圖像進(jìn)行關(guān)鍵目標(biāo)點(diǎn)識別定位。本文先以其中一組樣本分析過程為例進(jìn)行說明，得到低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)檢測識別過程，如圖4所示。

表1 6組圖像的先驗(yàn)知識分布

圖4 低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)檢測識別結(jié)果

分析圖4得知，本文方法能夠有效地實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)檢測，且識別定位性能較好，圖像增強(qiáng)效果較佳，具有有效性。進(jìn)一步測試其它樣本的低光照強(qiáng)度弱紋理圖像定位識別效果，得到的批處理結(jié)果，如圖5所示。

圖5 弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位批處理結(jié)果

分析圖5得知，本文方法能有效實(shí)現(xiàn)對弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位批處理，且對于不同信噪比強(qiáng)度的圖像的處理效果是相同的，能夠滿足多樣化的低光照弱紋理圖像的關(guān)鍵目標(biāo)點(diǎn)識別定位需求。測試定位精度及輸出信噪比，得到結(jié)果如圖6和表2所示。分析表2結(jié)果和圖6得知，本文方法進(jìn)行弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位的精度更高，平均為0.93，信噪比較多，平均為32.87，表明識別的目標(biāo)點(diǎn)包含的信息更多。

表2 輸出信噪比測試

圖6 精度對比測試

為驗(yàn)證本文方法的弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別效果，在上述實(shí)驗(yàn)的基礎(chǔ)上，對比不同方法下準(zhǔn)確率-召回率曲線，結(jié)果如圖7所示。

圖7 不同算法的準(zhǔn)確率-召回率曲線圖

根據(jù)準(zhǔn)確率-召回率曲線的特性可知，當(dāng)準(zhǔn)確率越高，召回率越高，即曲線越靠近右上越好。分析圖7可知，與其他方法相比，本文方法的準(zhǔn)確率-召回率曲線始終保持在最靠近右上的位置，表明本文方法對弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位的能力較為優(yōu)越。

4 結(jié)束語

建立低光照強(qiáng)度弱紋理圖像的信息增強(qiáng)模型，根據(jù)對圖像的紋理信息關(guān)鍵目標(biāo)點(diǎn)檢測結(jié)果，實(shí)現(xiàn)對低光照強(qiáng)度弱紋理像素特征增強(qiáng)。本文提出基于深度學(xué)習(xí)的弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)識別定位方法。采用暗原色融合和RGB像素分解方法實(shí)現(xiàn)對低光照強(qiáng)度弱紋理圖像增強(qiáng)，采用前景和背景顯著圖融合的方法，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像的濾波，提高輸出信噪比。根據(jù)對低光照強(qiáng)度弱紋理圖像的信息增強(qiáng)結(jié)果，結(jié)合深度學(xué)習(xí)算法，實(shí)現(xiàn)低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)定位識別。分析得知，本文方法進(jìn)行低光照強(qiáng)度弱紋理圖像關(guān)鍵目標(biāo)點(diǎn)定位識別的精度較高，平均為0.93，信噪比平均為32.87，高于傳統(tǒng)方法。因此，本文設(shè)計(jì)的低光照強(qiáng)度弱紋理圖像的關(guān)鍵目標(biāo)點(diǎn)識別定位方法能夠滿足圖像處理的需求，具有一定的應(yīng)用價(jià)值。