杨 霞

（大连东软信息学院，辽宁 大连 116000）

0 引言

相关模糊图像识别的研究属于计算机视觉领域的研究范畴，设计可操作性较强的模糊图像识别方法，不仅可为遥感卫星、动物医学等行业的建设与发展提供支撑，同时也可为基层行业提供目标检测识别。文献［1］中根据迹变换，利用迹线扫描整幅图像获取图像特征，采用旋转局部梯度模式特征提取方法，将图片进行高清化处理。但是，由于该方法采用梯度代替像素，在经过图像预处理后，从多尺度多角度上提取旋转局部梯度模式特征时，图片的后期处理具有局限性，很难达到预期效果。文献［2］利用高斯拉普拉斯（LoG）边缘检测和增强局部相位量化的方法，对模糊图像进行识别计算，算法虽然取得了较好的效果，但难以做到精确处理图片。在图像研究中发现，传统的识别方法在应用中仍存在多种显著性问题。其中包括：在识别过程中对模糊图像的处理工作实施不到位、对相似度较高的图像识别不精准、识别后图像的分辨率与清晰度均显著下降等等。因此，本文在早期研究成果的基础上，引进D－S 理论，设计一种针对模糊图像的智能识别方法，用于代替传统识别方法，为社会多个产业的建设与发展提供优化技术的支撑。

1 D－S 理论

在D－S 理论中，其框架是由两个或以上数量的基本性伪命题构成。假定在此过程中存在一个完备的数据信息集合，则可认为针对某一问题的研究是具备确切答案的。但在提出的伪命题中，只能存在唯一一个真命题为答案。D－S 理论框架内的子集称之为“命题”，在对不同命题进行组织分配的过程中，基本概率称之为BPA（也可称为mA 函数）。此函数属于一种反映联合信息的随机概率函数，在命题的概率区间内，［P ｜（A）］表示为正确区间或证据区间。其中，A 表示为拟定区间，在区间范围内的信息，便可被认定为真实信息。

2 基于D－S 理论的模糊图像智能识别方法设计

2.1 基于D－S 推理过程描述模糊图像结构

为了满足对模糊图像的精准识别需求，结合DS 理论中的D－S 推理过程，对识别的模糊图像结构进行描述。在此过程中，应先明确不同模糊图像之间均存在一定知识关系，这种关系在D－S 推理过程中可被认定为具备规律，提出的规律也可称之为似然函数关系［3］。

在模糊图像进行推理的过程中，其中知识内容均存在一种包含或属于的关系，而此种关系也可用正交函数或相关函数的方式表达［4］。因此，在掌握模糊图像结构的基础上，还需要通过对模糊图像进行持续地转化处理，才能满足对其的有效识别。

2.2 基于融合行为智能识别图像模糊化特征

在掌握模糊图像结构的基础上，为了进一步实现对模糊图像的智能识别，采用对多结构图像进行融合处理的方式［5］，挖掘或寻找图像的特征点，并结合专家系统的应用，对融合的特征进行识别；删除模糊图像中存在的冗余数据，对图像进行持续优化处理，以此确保识别图像对象具备一致性特征。

对模糊图像进行融合处理，并提取其中互补信息，判断信息的来源途径，是否为同一终端传感器；在完成对传感器属性的识别后，判别互补信息的属性结果。

将特征提取过程中的信息量，进行模糊化处理［6－7］，处理过程中数据信息的分布应当满足高斯规律分布，如公式（1）。

其中：x表示结构特征；u表示模糊图像结构；μ表示高斯分布规律［8］；σ表示数据处理行为。

在完成对特征的获取后，结合特征值，对模糊图像特征采用隶属函数［9－10］的方式进行表达，如公式（2）。

综合上述计算结果，输出最终数值，即可作为模糊图像的特征值，以此完成对模糊图像的智能化识别。

3 对比实验

本文通过上述论述，完成了对基于D－S 理论的模糊图像智能识别方法的理论设计。为进一步实现该方法在实际应用中的优势验证，选择模糊图像集作为实验对象，分别利用本文提出的基于D－S 理论的模糊图像智能识别方法与传统识别方法，对图像进行识别，以此完成对两种识别方法的应用效果对比。

为实现对最终实验结果的定量，本文引入识别率RR 准则作为标准，对两种识别方法的正确识别率进行计算：

式中，γ表示为RR 准则下的正确识别率；K＇ 表示为传统识别方法或本文和别方法准确识别模糊图像样本个数；K表示为实验过程中需要进行识别的模糊图像样本总数。

在实验过程中，选择100 组模糊图像，其中包含了多种不同类型的图像信息。为确保两种识别方法在应用过程中，除图像信息类型存在差异以外，其余条件保持不变。实验中，将模糊图像的分辨率设置为125×85，灰度设置为256 级。完成实验后，将所有模糊图像的识别结果进行记录，并计算其RR 准则下的正确识别率γ，并求解出平均γ值，其实验结果见表1。

表1 两种识别方法实验结果对比表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值明显高于传统方法的平均γ值。同时，在实验过程中设置平均γ值最高为1.000。根据公式（3）得出的γ值，若γ值的数值越高，则表示本文图像识别方法或传统图像识别方法的精度越高，识别结果越满足预期需要。反之，若γ值的数值越低，则表示本文图像识别方法或传统图像识别方法的精度越低，识别结果越无法满足预期需要。基于这一规律，并结合表1 中的实验结果，进一步验证了本文提出的识别方法，在实际应用中能够实现对模糊图像的高精度识别。同时，本文在设计图像识别方法时，引入了D－S理论，针对模糊图像进行识别时，能够对不同类型的图像给出对应的识别推理方式，进一步实现了对模糊图像的高精度识别需要。测试图像识别精度，对比结果如图1 所示。

图1 D－S 理论的模糊图像智能识别精度对比测试Fig.1 Comparative test of fuzzy image intelligent recognition accuracy based on D－S theory

分析图1 得知，本文方法进行模糊图像智能识别精度较高，较其他方法性能更为优越。

4 结束语

当前，多媒体技术的快速发展，使得图像识别技术的应用需求不断提升，因此合理的图像识别技术能够为人们的日常生活和工作带来诸多的便利。本文通过上述论述，基于D－S 推理理论实现了对模糊图像的智能识别方法设计，并通过实验进一步验证了该方法在实际应用中的性能和优势。将本文提出的模糊图像识别方法应用于实际，不仅能够实现对图像的高精度识别，同时还能够进一步提高图像资源的利用。