《一种基于网络学习的图像特征融合新方法.doc》由会员分享，可在线阅读，更多相关《一种基于网络学习的图像特征融合新方法.doc（7页珍藏版）》请在三一文库上搜索。
1、一种基于网络学习的图像特征融合新方法A New Method of Image Character Fuse Based on Neural Network Learning ? CHANG Bing-guo?k (College of Information Science and Engineering, Hunan Univ, Changsha, Hunan 410082, China) Abstract:A new method of image character fuse was used to analyze and mine a mass of information of i
2、mage. The mapping between the image character and its meaning was established by using neural network learning to mine the meaning of image. The image of cultural heritage was taken as the object of this study, and the images of 100 ancient buildings were selected. Their image characters and semanti
3、c information were extracted, and learning base of neural network was established. The 6 test images were selected and validated the validity and practicability of this method. Key words: image semantic； character extraction； fuse algorithmic； neural network ? 博物馆文物数字化研究已如火如荼地展开，随着以图像为主要类型的多媒体数据的大规模
4、运用和人工智能理论的发展，人们已不满足停留在观赏文物的色泽、纹饰和形状等外部特征这些基本要素上，而是希望借助于人工智能技术，感知文物的深刻内涵，达到透过文物外部现象欣赏内在本质的目的.诚然，计算机通过底层特征匹配得出的图像和人们对图像信息的内在含义理解还存在一定的语义偏差，一个语义往往对应着多种特征，反之亦然.因此，建立对文物的视觉内容和信息内涵之间的映射关联关系，是加强对文物的深入理解，提高文物鉴赏水平，使文物为更多的普通公众理解的重要研究课题. 近年来，研究领域展开有关图像分割、特征提取及图像复原工作.人们借助于应用数学理论，对图像分割问题进行了深入研究，其中商空间理论、高维空间变换理论、
5、仿生模式识别理论、多权值神经网络理论等在图像分割特征提取领域得到广泛应用1，并取得了显著成就.这些工作基本上都是对图像进行聚类分析，建立图像区域聚类和图像高层语义之间的概率分布密度.本文运用分层图像分割理论提取文物图像中蕴含的有意义的特征信息，包括图像灰度值、图像轮廓、图像色泽、反射特征和纹理信息，构造多维特征空间样本库.基于多权值神经网络学习建立文物外部特征与内在含义之间的映射关系，以使公众基于文物图像特征即可解读和理解文物?诤?. 1 语义映射体系结构 文物图像外部特征信息和语义信息之间存在着必然的内在关联关系.近年来，以连接主义思想的神经网络理论为基础的人工智能实现技术得到广泛应用2.本
6、文在有关学者研究的基础上，提出构建文物外部特征信息和内在语义信息之间关联关系的体系结构模型，如图1所示. 图1中，文物图像特征信息包括颜色特征信息、形状特征信息和纹理特征信息.多权值神经网络完成对特征空间的模糊处理并建立映射关系. 1.1 图像特征提取 神经生理学家Olshausen 和Field的研究成果表明3，视觉皮层的接收场特性使得人类的视觉系统只用最少的视觉神经元就能够捕获自然场景中的关键信息.图像特征提取就是将图像中的关键特征捕获出来，再进一步细化得到图像较完整的外部特征信息.本文沿用文献4提出的采用塔型方向滤波器组预处理和各向异性期望转移的自适应分割方法获得文物图像的结构信息特征序
7、列，为构造多维空间模型提供数据支持.塔型方向滤波器组是一种多分辨率的图像滤波器，能够对图像由粗到细地进行多尺度分解，在边缘信息上能充分保持方向性. 图像分割是将图像划分成若干互不相交的区域，从中提取有意义的特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等，用集合理论描述为：设S为图像像素集合，将图像划分为若干子集S1,S2,Sn.图像分割后的每个区域都有独特的属性特征，同一区域中的像素具有一致性.图像分割的实质是像素集合的一次有效划分，如边缘图像的梯度和纹理图像的方向性作为区域一致性准则，图像分割时图像粒度由粗到细的过程.由于数字成像技术的发展，本文重点分析彩色图像和纹理图像特征提取问题
8、.物体颜色感受是人们对电磁辐射中可见光部分里不同频率的感知，灰度图像分割不能很好地提取彩色特征信息，本采用特征空间变换分割算法提取图像的色彩特征信息. 1.2 图像特征空间变换 对于彩色图像的每个像素都是一个三维矢量.彩色图像中，色调多是以片状区域变化的，在一个小范围内的色调近似不变，且色调的动态范围较窄.通常，用红、绿、蓝三色分量描述图像的色彩.本文采用模糊理论，将图像色彩信息、图像纹理信息和图像材质信息进行模糊化处理，构建图像色彩模糊空间. 1.2.1 彩色图像边缘特征提取 根据重力场理论，若给定一个函数f(x,y)?坐标(x,y)上的梯度可以定义为一个矢量 第4步：循环运行上述步骤，直至
9、图像特征点的分割完成，并融合到所设定的区域内. 数值符号转换是把神经网络学习结果和经验数值基于知识描述方法转化为人们易于理解的符号表示，以达到描述图像语义特征的目的5.语义概念合成是把多个描述不同视角的图像特征语义进行合成6，对图像整体特征进行深入识别，从多角度挖掘图像蕴含的深刻内涵，为图像语义识别提供基础. 2 图像特征语义学习神经网络 语义网是基于有向图描述事物、概念、属性、动作、状态及其之间的关联关系的知识表示模式7.在上文中获得的目标图像特征，用语义网理论加以描述，分析目标图像特征信息与其内容之间的内在关联关系，建立目标图像知识表示模式，为神经网络学习图像语义提供支持. 神经网络信息存
10、储分布在连接权值上，使网络局部输入信息的不准确并不会影响网络输出的正确性，具有较高的容错性和鲁棒性8.每个神经元根据接收输入信息独立运算，输入下层处理，具有并行处理信息能力.神经网络将信息处理和信息存储分离，反映了网络对信息的记忆联想能力.径向基函数（RBF）神经元的数学模型可表示为： Y=fni=1(wixi)22 （12） 式（12）中，Y为神经元输出，f为神经元非线性激励函数，X=(x1,x2,，xn)为神经元输入，W=(w1,w2,，wn)为神经元权值，?泉?为神经元激活阈值.RBF神经网络体现为输入向量和权向量之间的距离.多权值神经网络模型描述输入向量和多个权向量之间的关联，运用多个
11、权向量表达输入和输出之间的复杂关联关系，其描述模型为： Y=fni=1(wi,wi,，xi) （13） 式（13）中，Y为神经元输出，f为神经元非线性激励函数，X=(x1,x2,，xn)为神经元输入，W=(w1,w2,，wn)?W=(w1,w2,wn)为多个权值，?泉?为神经元激活阈值. 3 实验分析 纹理是图像的重要特征，图像纹理的粗细度和方向性特征是区分不同纹理的最佳特征.本文实验选择了100幅青铜器数字图像，基于上述方法提取了图像纹理内容和色彩特征信息，并详细阐述了图像蕴含的高层语义，构建神经网络学习样本库，训练神经网络.选择了6幅古建筑图像作为测试样本，验证了该方法的有效性和可用性.具
12、体的样本库描述如下. 图像色彩纹理特征输入矩阵为： C?color=c11c12c1m c21c22c2m ?螃螃螃螵? cn1cn2cnm, V?texture=v11v12v1mv21v22v2m?螃螃螃螵?vn1vn2vnm? 对100张古建筑测试样本进行语义标注，网络学习图像语义分析输出特征为Y=y1,y2,，ymT.采用径向基函数训练神经网络，实验给出了6组测试结果列于表1. 从表1中可以看出，基于上述研究方法提取图像特征，多权值神经网络得到的图像语义学习结果与实际测试结果基本吻合，验证了研究方法的有效性和可行性. 4 结论及展望 语义对象的图像理解还处于快速发展和不断完善过程中，该项研究涉及认知科学、人工智能、模式识别、图像处理等众多科学分支.研究行之有效的图像综合特征提取方法是图像语义理解的基础.神经网络研究成果为智能语义学习提供了强大基础.本文将多学科研究成果交叉应用，利用科学融合思想设计技术路线，解决复杂的古建筑保护识别问题，实验结果表明了该方法行之有效.