一种新型的快速响应矩阵码图像定位算法
王坤+陈梅
摘 要： 针对大批量采集图像在定位识别中受到处理速度和干扰等因素影响实时性和准确性不好的问题，提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。首先对大批量采集的图像进行向量量化的矩阵码编码设计，然后采用K?L特征压缩器进行图像特征压缩编码，实现快速响应矩阵码图像定位。最后进行实际采集图像的定位实验测试。结果表明，该方法进行图像定位的准确度较高，计算量较小，具有快速性和收敛性较好的优点。
关键词： 图像编码； 特征压缩； 小波降噪； 图像定位
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）14?0114?03
Abstract： Since the mass gathering image affected by the factors of processing speed and interference in orientation recognition has the problems of poor real?time performance and low accuracy， a feature compression code based image localization algorithm of quick response matrix code is put forward. The mass collected images were performed with matrix coding design of vector. The K?L feature compressor is used to carry out the image feature compression coding to realize the image positioning of quick response matrix code. The localization experiment of the actual collection image was tested. The test results show that the method has high accuracy for image positioning， less computation quantity， and the advantages of rapidity and good convergence.
Keywords： image coding； feature compression； wavelet denoising； image localization
0 引 言
随着图像信息采集和处理技术的发展，采用视觉图像分析方法进行军事目标打击和识别成为未来目标识别的重要研究方向。通过机载图像采集设备和卫星图像采集设备，结合红外成像和遥感成像技术和小波算法[1]，进行大规模和大批量的图像信息采集。利用专家数据库进行大批量的图像特征信息分析，判断采集的大规模图像中的感兴趣目标特征点，实现对打击军事目标对象的准确识别和定位。同理，相关的图像定位识别方法在故障诊断分析和CT图的病理诊断中同样有广阔的应用价值，对图像的定位识别的关键是实时性和快速准确性，研究一种新型的快速响应矩阵码图像定位方法，提高对图像定位识别中的抗干扰能力，降低计算开销，相关的算法研究受到人们的极大重视，传统方法中对图像定位方法主要有小波分析方法[1]、递归图重构方法和时频分析方法等，上述方法对大规模的图像批处理性能不好，时滞性较大[2]。对此本文提出一种基于特征压缩编码的快速响应矩阵码图像定位方法，进行了算法的改进设计研究，取得了可观的效能。
1 矩阵码图像的扫描采集与编码
为了实现对大规模采集的图像进行矩阵码图像定位，需要首先进行矩阵码图像的采集和扫描，采用三维立体视觉扫描方法进行图像的特征编码，进行大批量图像的矩阵编码。对矩阵码图像进行计算机重建，对大批量图像采集方法多采用的是激光扫描技术、红外扫描技术和波束扫描技术等，在对矩阵码图像扫描采集中，采用横向扫描、纵向扫描、对角扫描和块扫描进行图像采集和三维重建，采集过程示意图如图1所示。
图1中，描述矩阵码图像平面图像中的特征点的状态式为：
通过上述处理，实现了对矩阵码图像的扫描采集，为进行图像编码和定位识别提供图像输入源。
2 矩阵码图像定位算法改进实现
在上述进行图像采集和编码预处理的基础上，进行快速响应矩阵码图像定位算法的改进设计，提高对大批量采集图像在定位识别的速度和抗干扰能力。本文提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。
2.1 图像的二维小波特征空间三维重组
对生成的矩阵码图像进行二维小波特征空间三维重组，矩阵码图像的二维小波特征空间三维重组模型如图2所示。
在二维小波特征空间中，将矩阵码图像分解成二维网络点集合，表示为：
式中，矩阵码图像大小为，和对应纹理特征相似度信息和像素值，采用神经网络将图像的编码特征压缩到特征空间中，得到编码信息矢量为：
在不同空间位置特征点之间进行邻域基元向量的像素级融合分解，得到图像的二维小波特征空间三维重组邻域值为：
在上述模型重组描述基础上，采用多级小波降噪方法进行图像降噪。
2.2 基于K?L特征压缩的图像快速定位实现
为了降低响应矩阵码图像定位算法的计算开销，提高快速响应能力，需要采用K?L特征压缩器进行图像特征压缩编码设计[4]，K?L特征压缩器的系統函数为：
式中：为K?L特征压缩的尺度参数；和为矩阵码图像的中心位置参量；为相似度邻域方差；为相位信息。在用K?L特征压缩器进行图像特征压缩编码的基础上，得到矩阵码图像中心像素和邻域基元向量的定位输出为：
式中：和分别为图像模糊核的先验正则化参量和特征响应输出，通过特征压缩编码得到图像定位的响应函数为[5]：
在确定图像像素融合点特征后，对生成的矩阵码图像进行二维小波特征空间三维重组，实现对图像的快速定位设计。
3 实验测试分析
为了验证本文方法在实现矩阵码定位中的性能，进行仿真实验分析，实验建立在Inter core i5?2400 3.10 GHz处理器，运行平台为Matlab 2008a的仿真環境[6]。为了评价图像压缩效果，定义信噪比和峰值信噪比（单位：dB）分别为：
分析上述仿真结果得知，采用本文方法进行图像的矩阵码编码和定位，能有效实现对图像的模糊核特征估计和压缩编码，提高了定位的精度。为了定量分析算法性能，采用本文方法和传统方法[7]，以评价定位精度的输出信噪比和计算开销为测试指标[8]，得到对比结果见表1。
分析上述仿真结果得知，采用本文方法对两组图像的计算开销都有所减少，峰值信噪比得到有效提升，说明定位精度较高，快速响应能力较好，性能优越。
4 结 语
本文提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。对大批量采集的图像进行向量量化的矩阵码编码设计，对生成的矩阵码图像进行二维小波特征空间三维重组，采用多级小波降噪方法进行图像降噪，采用K?L特征压缩器进行图像特征压缩编码，实现快速响应矩阵码图像定位。测试结果表明，该方法进行图像定位的准确度较高，计算量较小，具有快速响应能力。
参考文献
[1] 张爱民.一种基于小波变换的夜视图像去噪和融合方法[J].电子测量技术，2015，38（1）：38?40.
[2] 王小玉，张亚洲，陈德运.基于多块局部二值模式特征和人眼定位的人脸检测[J].仪器仪表学报，2014，35（12）：2739?2745.
[3] 朱贺，李臣明，张丽丽，等.联合灰度阈值分割及轮廓形态识别的河道提取[J].电子测量与仪器学报，2014，28（11）：1288?1296.
[4] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Knowledge and information systems， 2015， 42（3）： 545?577.
[5] HILLS J， BAGNALL A， IGLESIA B D L， et al. BruteSuppression： a size reduction method for Apriori rule sets [J]. Journal of intelligent information systems， 2013， 40（3）： 431?454.
[6] SUZUKIT， KUDO H. Two?dimensional non?separable block?lifting structure and its application to M?channel perfect reconstruction filter banks for lossy?to?lossless image coding [J]. IEEE transactions on image processing， 2015， 24（12）： 4943?4951.
[7] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）：2715?2723.
[8] WANG Lin， ZENG Yi， CHEN Tao. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J]. Expert systems with applications， 2014， 42（2）： 855?863.
摘 要： 针对大批量采集图像在定位识别中受到处理速度和干扰等因素影响实时性和准确性不好的问题，提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。首先对大批量采集的图像进行向量量化的矩阵码编码设计，然后采用K?L特征压缩器进行图像特征压缩编码，实现快速响应矩阵码图像定位。最后进行实际采集图像的定位实验测试。结果表明，该方法进行图像定位的准确度较高，计算量较小，具有快速性和收敛性较好的优点。
关键词： 图像编码； 特征压缩； 小波降噪； 图像定位
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）14?0114?03
Abstract： Since the mass gathering image affected by the factors of processing speed and interference in orientation recognition has the problems of poor real?time performance and low accuracy， a feature compression code based image localization algorithm of quick response matrix code is put forward. The mass collected images were performed with matrix coding design of vector. The K?L feature compressor is used to carry out the image feature compression coding to realize the image positioning of quick response matrix code. The localization experiment of the actual collection image was tested. The test results show that the method has high accuracy for image positioning， less computation quantity， and the advantages of rapidity and good convergence.
Keywords： image coding； feature compression； wavelet denoising； image localization
0 引 言
随着图像信息采集和处理技术的发展，采用视觉图像分析方法进行军事目标打击和识别成为未来目标识别的重要研究方向。通过机载图像采集设备和卫星图像采集设备，结合红外成像和遥感成像技术和小波算法[1]，进行大规模和大批量的图像信息采集。利用专家数据库进行大批量的图像特征信息分析，判断采集的大规模图像中的感兴趣目标特征点，实现对打击军事目标对象的准确识别和定位。同理，相关的图像定位识别方法在故障诊断分析和CT图的病理诊断中同样有广阔的应用价值，对图像的定位识别的关键是实时性和快速准确性，研究一种新型的快速响应矩阵码图像定位方法，提高对图像定位识别中的抗干扰能力，降低计算开销，相关的算法研究受到人们的极大重视，传统方法中对图像定位方法主要有小波分析方法[1]、递归图重构方法和时频分析方法等，上述方法对大规模的图像批处理性能不好，时滞性较大[2]。对此本文提出一种基于特征压缩编码的快速响应矩阵码图像定位方法，进行了算法的改进设计研究，取得了可观的效能。
1 矩阵码图像的扫描采集与编码
为了实现对大规模采集的图像进行矩阵码图像定位，需要首先进行矩阵码图像的采集和扫描，采用三维立体视觉扫描方法进行图像的特征编码，进行大批量图像的矩阵编码。对矩阵码图像进行计算机重建，对大批量图像采集方法多采用的是激光扫描技术、红外扫描技术和波束扫描技术等，在对矩阵码图像扫描采集中，采用横向扫描、纵向扫描、对角扫描和块扫描进行图像采集和三维重建，采集过程示意图如图1所示。
图1中，描述矩阵码图像平面图像中的特征点的状态式为：
通过上述处理，实现了对矩阵码图像的扫描采集，为进行图像编码和定位识别提供图像输入源。
2 矩阵码图像定位算法改进实现
在上述进行图像采集和编码预处理的基础上，进行快速响应矩阵码图像定位算法的改进设计，提高对大批量采集图像在定位识别的速度和抗干扰能力。本文提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。
2.1 图像的二维小波特征空间三维重组
对生成的矩阵码图像进行二维小波特征空间三维重组，矩阵码图像的二维小波特征空间三维重组模型如图2所示。
在二维小波特征空间中，将矩阵码图像分解成二维网络点集合，表示为：
式中，矩阵码图像大小为，和对应纹理特征相似度信息和像素值，采用神经网络将图像的编码特征压缩到特征空间中，得到编码信息矢量为：
在不同空间位置特征点之间进行邻域基元向量的像素级融合分解，得到图像的二维小波特征空间三维重组邻域值为：
在上述模型重组描述基础上，采用多级小波降噪方法进行图像降噪。
2.2 基于K?L特征压缩的图像快速定位实现
为了降低响应矩阵码图像定位算法的计算开销，提高快速响应能力，需要采用K?L特征压缩器进行图像特征压缩编码设计[4]，K?L特征压缩器的系統函数为：
式中：为K?L特征压缩的尺度参数；和为矩阵码图像的中心位置参量；为相似度邻域方差；为相位信息。在用K?L特征压缩器进行图像特征压缩编码的基础上，得到矩阵码图像中心像素和邻域基元向量的定位输出为：
式中：和分别为图像模糊核的先验正则化参量和特征响应输出，通过特征压缩编码得到图像定位的响应函数为[5]：
在确定图像像素融合点特征后，对生成的矩阵码图像进行二维小波特征空间三维重组，实现对图像的快速定位设计。
3 实验测试分析
为了验证本文方法在实现矩阵码定位中的性能，进行仿真实验分析，实验建立在Inter core i5?2400 3.10 GHz处理器，运行平台为Matlab 2008a的仿真環境[6]。为了评价图像压缩效果，定义信噪比和峰值信噪比（单位：dB）分别为：
分析上述仿真结果得知，采用本文方法进行图像的矩阵码编码和定位，能有效实现对图像的模糊核特征估计和压缩编码，提高了定位的精度。为了定量分析算法性能，采用本文方法和传统方法[7]，以评价定位精度的输出信噪比和计算开销为测试指标[8]，得到对比结果见表1。
分析上述仿真结果得知，采用本文方法对两组图像的计算开销都有所减少，峰值信噪比得到有效提升，说明定位精度较高，快速响应能力较好，性能优越。
4 结 语
本文提出一种基于特征压缩编码的快速响应矩阵码图像定位算法。对大批量采集的图像进行向量量化的矩阵码编码设计，对生成的矩阵码图像进行二维小波特征空间三维重组，采用多级小波降噪方法进行图像降噪，采用K?L特征压缩器进行图像特征压缩编码，实现快速响应矩阵码图像定位。测试结果表明，该方法进行图像定位的准确度较高，计算量较小，具有快速响应能力。
参考文献
[1] 张爱民.一种基于小波变换的夜视图像去噪和融合方法[J].电子测量技术，2015，38（1）：38?40.
[2] 王小玉，张亚洲，陈德运.基于多块局部二值模式特征和人眼定位的人脸检测[J].仪器仪表学报，2014，35（12）：2739?2745.
[3] 朱贺，李臣明，张丽丽，等.联合灰度阈值分割及轮廓形态识别的河道提取[J].电子测量与仪器学报，2014，28（11）：1288?1296.
[4] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Knowledge and information systems， 2015， 42（3）： 545?577.
[5] HILLS J， BAGNALL A， IGLESIA B D L， et al. BruteSuppression： a size reduction method for Apriori rule sets [J]. Journal of intelligent information systems， 2013， 40（3）： 431?454.
[6] SUZUKIT， KUDO H. Two?dimensional non?separable block?lifting structure and its application to M?channel perfect reconstruction filter banks for lossy?to?lossless image coding [J]. IEEE transactions on image processing， 2015， 24（12）： 4943?4951.
[7] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）：2715?2723.
[8] WANG Lin， ZENG Yi， CHEN Tao. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J]. Expert systems with applications， 2014， 42（2）： 855?863.
