基于人工智能的复杂背景图像局部轮廓信息识别研究

晏晶，罗金满

广东电网有限责任公司东莞供电局523000

摘要：要想快速的对一些复杂背景图像的局部轮廓进行识别，就需要对这些复杂背景图像进行分解并且提取一些多尺度的细节特征，再将图像的原图和经过操作后的图像进行对比。在传统的方法中，一般都是利用相与操作算子对这些复杂的背景进行处理，再把图像中的干扰信号除掉，使用这种方法有一个缺点就是会忽略图像的一些细节，识别的效率也很低。研究人员根据实际的情况，提出了一种基于Tophat算法的复杂背景图像局部轮廓信息人工智能识别的方法。这种智能识别的方法能够利用对偶树复小波的变换的优良特性对复杂背景图像进行分解，在提出多尺度的细节特征。在对这些已经提出来的特征进行腐蚀和开闭运算。这种方法真正的实现了对复杂背景图像局部轮廓信息的识别，也为以后发展图像识别技术奠定了一个良好的基础。

关键词：复杂背景图像；局部轮廓；人工智能；

现在很多的行业都已经应用了复杂背景图片局部轮廓信息识别的技术，这项技术是一种通用型的技术，能够直接影响着航天飞行、医学影响等很多领域的发展，在人们的生活中有很大的作用。复杂背景图片局部轮廓信息识别是利用对图像进行一些平滑滤波操作的方法，去掉在复杂背景图像中的噪声干扰和杂波干扰，从而提高复杂背景图像的局部轮廓信息的准确识别度。

一、复杂背景图像局部轮廓信息的识别原理：

在《基于局部特征和语义信息的扣件图像检测》中提到一种NSCT和SVD的图像局部轮廓信息识别方法，这种方法就是根据非下采样轮廓波变换的理论对复杂背景图像进行多尺度、多方向的分解，从而获得不同尺度和不同方向上的自带图像；如果想滤除掉背景杂波的干扰可以采用奇异值分解调节各个子带图像的矩阵系数；对于实现图像局部轮廓信息的识别可以采用对滤波后的图像进行NSCT的逆变换。但是这种方法有一个很小的缺点就是识别的精准度有一点低。

在《基于kinect深度图像的目标定位与识别》中也说到一种基于Ｒobinsonguard滤波器的图像轮廓信息识别方法，这种识别的方式采用的是形态学滤波算子的方法直接对复杂背景图像进行提取其特征，在通过Ｒobinsonguard滤波器平滑去掉背景杂波，从而实现图像局部轮廓信息的识别，但是这种方法也有一个缺点就是在识别的时候会用很长的时间。

在《基于圆弧的原木轮廓的识别与验证》中说到一种基于时空域滤波的复杂背景图像轮廓信息识别方法，这种方法是通过导入滤波算法的方法对图像的复杂背景下对杂波进行去燥的处理，再利用相与操作算子对去燥进行进一步的处理，最后把背景中高度类似的干扰信号进行去掉，这种方法的缺点也是识别性很低。

所以根据上述的问题现在提出一种新的人工识别的方法叫做：基于Tophat算法的复杂背景图像局部轮廓信息人工智能识别方法。

为了真正的实现复杂背景图像局部轮廓信息人工智能识别，就需要在这个原理中建立一个模型，再利用引导滤波算法在复杂背景图像平滑时的良好边缘保持性能对复杂背景图像进行一下预测，在通过调节滤波参数和复杂图像邻域窗口大小的方法来改变引导滤波算法的输出结果。使用引导滤波算法对复杂背景图像特征进行提取的时候其数学表达式为：

二、复杂背景图像局部轮廓信息智能识别的方法：

1、对一些偶树复小波变换图像特征进行提取：

在对复杂背景图像进行分解提取的时候可以利用对偶树复小波变换的平移不变性和方向的选择性还有精确的重构性等来提取多尺度的细节，让分解后出来的图像里面的特征都能都清晰的提出，这样就能降低背景杂波的干扰虚警率。

要想将图像上的的弱小目标都被显示出来，可以对偶树复小波变换分解得到的一些复杂背景图像的小波系数和其对应的不同尺度进行细节分量。这样就能比较完整的保留了复杂背景图像的边缘信息，也能降低图像背景细节信息引发的虚警概率。

2、利用Tophat算法识别图像局部轮廓信息：

要想对复杂背景图像局部轮廓信息进行识别，就需要先抑制这些复杂的背景，在对一些灰度膨胀操作和腐蚀操作的方法来填平图像边界上的哪些不平滑的凹陷部分，最后把经过特征提取的一些图像和操作过后的图像进行作差，就可以真正得到复杂背景图像的局部轮廓信息。具体计算公式如下：

在复杂背景图像进行灰度腐蚀计算的时候应用到的公式为：

在对复杂背景图像进行腐蚀操作的时候会出现两个效果：第一是要是复杂背景图像结构元素的值都是正数的话，输出的图像要比输入的图像暗些；第二就是要是输入的图像中弱小目标物体亮度细节尺度比结构元素小的时候，削弱的程度就是由弱小目标物体亮细节周围的灰度值和结构元素的形状还有幅值决定的。

三、仿真设计和分析的结果：

要想更准确的进行识别，就要选择一些非常好的判断方法。首先选择一天的空复杂背景图像，其次再从主观和客观两个方向进行图像质量的衡量。

如图5基于Tophat算法的背景抑制主观视觉效果图

通过图片发现运用图3的方法可以在一定程度堵上抑制弱小目标周围区域的背景噪声干扰；运用图4的方法能够更好的突出弱小的目标，缺点就是会发现有很多残留的背景杂波存在；图5可以看出北京中起伏波动较大的部分都能够得到平缓，杂波干扰也很好的进行了抑制，在处理主观视觉的时候效果是最好的。

接下来采用客观评价的标准对图1天空背景图像进行抑制方法性能的对比，计算的公式为：SNＲ=(ft－fb)/μ。背景抑制后图像的信噪比增益的计算表达式为：GSNＲ=SNＲo/SNＲ1.背景抑制后图像的峰值信噪比的公式为：

根据上面的内容通过客观评价指标进行对比，结果如下：

通过结果可以知道，在使用Tophat算法的时候是有非常大的优势存在。为了验证这种Tophat算法的优良性，就把这个方法和其他的方法进行对比，得到发现：

根据图表的结果显示，用Tophat算法的识别方法是识别精准度最高的，几乎接近100%，这个结果说明这种方法是最可靠的。

结论：因为在乳香局部轮廓进行信息识别的时候是非常容易受图像背景复杂干扰的，在这种新型的Tophat算法的复杂背景图像局部轮廓信息智能识别方法，可以通过对偶复小波变换消除图像的背景虚警信息，获得更多的多尺度的细节特征；并且可以通过形态学的滤波算法计算的时候就能够达到图像背景抑制的效果。仿真结果也证明了这种方法的有效性，也能够成为复杂背景图像局部轮廓信息识别的理论，为以后的指导奠定了基础。

参考文献：

［1］朱铭武，等．自然场景中基于局部轮廓特征的对象识别方法［J］．计算机工程与应用，2016，52(1):162－167．

［2］赵铎．基于层次轮廓计算机视觉的交通路标识别［J］．电子设计工程，2017，25(14):123－126．

［3］顾苏杭，陆兵，马正华．基于轮廓和ASIFT特征的目标检测与跟踪算法［J］．计算机仿真，2017，34(6):266－271．

［4］罗建桥，等．基于局部特征和语义信息的扣件图像检测［J］．计算机应用研究，2016，33(8):2514－2518．

［5］周振，杜姗姗．基于kinect深度图像的目标定位与识别［J］．机械制造与自动化，2016，23(4):173－176．

［6］林耀海，等．基于圆弧的原木轮廓的识别与验证［J］．福建农林大学学报(自然版)，2016，45(6):649－654．