基于计算机视觉的彩色图像二维纹理识别方法
2020-04-15吴俊
吴 俊
(安徽医学高等专科学校,安徽 合肥 230601)
随着图像处理技术的发展,采用计算机视觉的图像处理方法进行彩色图像二维纹理识别,结合对彩色图像的二维纹理特征提取和分析方法,进行彩色图像的纹理特征分析,提高彩色图像的成像质量和检测能力,研究彩色图像二维纹理识别方法,提高了彩色多重纹理图像的准确分析和三维特征分辨能力,相关的彩色图像二维纹理识别方法研究受到人们的极大关注[1]。对彩色图像二维纹理的识别方法主要采用边缘锐化特征分解方法,结合尺度分解方法和多模特征重构方法,实现对彩色图像二维纹理识别。但传统方法进行彩色图像二维纹理识别存在精度不高和自适应不好的问题,对此,提出基于计算机视觉的彩色图像二维纹理识别方法,对采集的彩色多重纹理图像采用超分辨融合方法进行显著性区域纹理特征检测,根据彩色多重纹理图像的纹理和颜色特征分量进行二维纹理识别,最后进行仿真实验分析,展示了本文方法在提高彩色图像二维纹理识别能力方面的优越性能。
一、彩色多重纹理图像采集和区域融合滤波
1. 彩色多重纹理图像采集
为了实现基于计算机视觉的彩色图像二维纹理识别,首先构建彩色多重纹理图像的采集模型,用局域窗口特征检测方法提取彩色多重纹理图像的轮廓特征点,结合相关性的融合规则[2],得到彩色多重纹理图像的二维边缘像素特征分量的最大值为:
(1)
采用局部信息熵融合模型进行彩色多重纹理图像采集,提取彩色多重纹理图像的轮廓点,对彩色多重纹理图像进行局部信息熵融合处理[3],提取彩色多重纹理图像的活动轮廓模型,结合彩色多重纹理图像的活动轮廓的区域特征进行边缘像素特征匹配,提取局域信息熵,得到彩色多重纹理图像采集的像素特征量输出为:
(2)
图1 彩色多重纹理图像的二维纹理识别的实现流程
2. 图像的区域融合滤波处理
在邻域内采用超像素特征分解方法进行彩色多重纹理图像区域融合滤波处理,将图像的前一帧作为参考帧,在输出图像的边缘区域和平坦区域,得到彩色多重纹理图像二维纹理点检测的拓扑结构用如下4个向量量化函数x1,x2,x3和x4表示为:
(1)
其中,m为邻域内的彩色多重纹理图像透射图的嵌入维数,彩色多重纹理图像的像素差值为:
(2)
采用小波变换方法进行彩色多重纹理图像的二维区域融合滤波[5],通过图像中的照射分量结果进行彩色多重纹理图像的双边滤波处理,得到设彩色多重纹理的边缘像素点分布:
(3)
(4)
式中,xi和xj分别为彩色多重纹理图像的联合共享稀疏分配点(i,j)处的纹理信息分量,dist(xi,xj)表示彩色多重纹理图像稀疏融合特征标记特征点xi和xj之间的欧式距离;参数σ表示彩色多重纹理图像的空间信息增加分量,采用广义多核学习方法[7],将全局特征表征到彩色多重纹理图像空间区域,得到彩色多重纹理图像在像素间内的二维纹理特征量表示为:
P(yw3|xw3,θ,β)∝P(yw3|xw3,θ)(yw3|βi)
(5)
在4×4子块内重构彩色多重纹理图像的二维纹理特征点,通过融合图像中不同模态信息进行区域融合滤波,得到滤波矩阵为:
(6)
运用稀疏表示和压缩感知原理,计算图像中的二维纹理特征集,得到彩色多重纹理图像的边缘像素值为:
Eext(V(i))=γ(i)Eimage(V(i))+δ(i)Econ(V(i))
(7)
其中Eimage表示彩色图像中RGB颜色空间信息,结合小波变换方法进行彩色多重纹理图像的融合滤波,根据融合滤波结果进行二维纹理识别[8]。
二、彩色图像二维纹理识别优化
1. 彩色多重纹理图像的颜色分量合并和模板匹配
在对采集的彩色多重纹理图像采用超分辨融合方法进行显著性区域纹理特征检测的基础上,进行彩色图像二维纹理识别优化,本文提出基于计算机视觉的彩色图像二维纹理识别方法,结合小波变换方法进行彩色多重纹理图像的颜色分量合并和模板匹配,求得在每个尺度下彩色多重纹理图像的特征模态值为:
(8)
采用经验模态分解方法进行颜色分量合并,在邻域内采用多模态多变量稀疏表示方法进行彩色多重纹理图像的特征匹配[9],考虑双模态分类问题,得到背景噪声的稀疏系数描述如下:
v(x)=g-1(g(1)-g(u(x)))
(9)
其中u(x)为彩色多重纹理图像的三维特征分布区域的灰度,g(·)为相关性隶属度函数,满足g: [0,1]→[0,1]。提取彩色多重纹理图像沿梯度方向的色彩强度,得到彩色多重纹理图像像素点匹配值:
(10)
(11)
2. 二维纹理识别输出
在目标块和重建高分辨率图像块之间,得到彩色多重纹理图像的纹理特征提取结果,构建彩色多重纹理图像的相关性检测模板匹配函数f(gi)为:
(12)
由此获得彩色多重纹理图像三维动态区域分布模型,采用颜色分块区域融合检测方法进行彩色多重纹理图像三维重构,进行彩色多重纹理图像的边缘轮廓检测,得到二维纹理的RGB分量分别为:
(13)
彩色多重纹理图像的区域像素强度为:
(14)
采用图像RGB值匹配方法进行彩色多重纹理图像的分块检测,采用多重纹理重建方法,得到彩色多重纹理图像三维尺度信息特征量为:
S={s=(x,y)|1≤i≤M,1≤j≤N}
(15)
根据彩色图像的二维纹理的规则性进行融合,得到彩色多重纹理图像的活动轮廓分布集为:
(16)
根据彩色多重纹理图像融合结果进行二维纹理识别,得到彩色多重纹理图像的超像素区域重构结果为:
(17)
式中,w3表示彩色多重纹理图像的3×3像素块区域,xij∈w3表示像素特征点在dγ0方向上的峰值信噪比,Θ表示GMM中所有未知参数的集合[11]。结合彩色多重纹理图像的最小特征分辨方法,得到彩色二维纹理集为:
(18)
三、仿真实验与结果分析
为了验证本文方法在实现彩色多重纹理图像 二维纹理识别中的应用性能,进行实验分析,在Matlab中进行彩色图像的二维纹理识别,彩色多重纹理图像的边缘轮廓调节参数为1.23,二维纹理的低频系数为0.56,图像采样的像素尺寸为1200×2000像素,块相似性特征匹配的模值分量为1.24,对图像的离散特征采样率为400KHz,根据上述仿真参数设定,进行彩色图像的二维纹理识别仿真,得到原始的彩色图像如图2所示。
(a)样本1
(b)样本2图2 原始的彩色图像
根据图像采集结果,结合小波变换方法进行彩色多重纹理图像的颜色分量合并和模板匹配,提取彩色多重纹理图像的关联规则像素点,得到特征提取结果如图3所示。
(a)样本1
(b)样本2图3 特征提取结果
在图3的特征提取基础上,根据彩色多重纹理图像的颜色特征分量进行多层次融合和视觉特征重构,根据彩色多重纹理图像的纹理和颜色特征分量进行二维纹理识别,得到纹理识别结果如图4所示。
(a)样本1
(b)样本2图4 纹理识别结果
分析图4得知,采用本文方法进行彩色多重纹理图像二维纹理识别的准确度较高,对二维纹理特征匹配性较好,提高了彩色多重纹理图像的二维纹理辨识能力,在彩色图像纹理识别和特征采样中具有很好的应用价值。
结语
研究彩色图像二维纹理识别方法,提高了彩色多重纹理图像的准确分析和三维特征分辨能力,结合尺度分解方法和多模特征重构方法,实现对彩色图像二维纹理识别。本文提出基于计算机视觉的彩色图像二维纹理识别方法,对采集的彩色多重纹理图像采用超分辨融合方法进行显著性区域纹理特征检测,在邻域内采用超像素特征分解方法进行彩色多重纹理图像区域融合滤波处理,结合小波变换方法进行彩色多重纹理图像的颜色分量合并和模板匹配,提取彩色多重纹理图像的关联规则像素点,根据彩色多重纹理图像的颜色特征分量进行多层次融合和视觉特征重构,根据彩色多重纹理图像的纹理和颜色特征分量进行二维纹理识别。研究得知,本文方法进行彩色多重纹理图像识别准确性较高,二维纹理辨识能力较好。