通信机房图像的特征提取及其在识别方面的应用

2022-09-11

引言

数字图像的所显示的内容丰富多彩且其内容或简单或复杂。由于目前数字图像得理解和计算机视觉发展的水平所限, 人对数字图像内容的理解与计算机对数字图像内容的理解存在较大差异。而且不同的人对同一幅图像的理解和描述也存在差距甚至背道而驰。同时, 由于数字图像的采集条件和应用要求的不同造成数字图像的内容呈现除复杂多变性[1]。所以研究数字图像的识别技术具有重要的理论和应用意义。图像识别的主要方法是基于特征的图像识别。图像的特征提取是这类问题的核心问题。

通信机房图像不同于其它类型的数字图像。传统的基于颜色、纹理、形状甚至特征点的特征提取方法很难区分通信机房图像的差异。本文结合通信机房图像的特点提出了表示图像宏观视觉特性的图像特征描述子。实验结果表明本文提出的通信机房图像特征的提取方法应用到通信机房图像的检索、聚类等场景中具有较好的图像识别能力。

一个地区往往具有大量的通信机房和通信基站。这些通信机房根据自己的尺寸、地点不同往往具有不同的功能和定位。如何在一个地区或多个地区的所有通信机房图像中找到相似的机房图像数据。这类通信机房图像匹配问题在通信工程领域具有一定的应用价值。本文提出的数字图像特征提取方法可以提取表示图像的宏观视觉特性。对于通信机房图像聚类、通信机房图像检索、机房机器人的计算机视觉都可表现出很好的可用性。

1. 通信机房图像的特征提取

图像的低层特征提取就是通过查找一幅图像的低层特征信息如颜色、纹理、形状。用这些底层特征来表示图像的宏观内容。如常用的图像灰度共生矩阵方法, 纹理的频谱度量方法[2]。在本文中把这些底层特征所反应的微观信息叫做微观视觉特征, 与之对应的是图像的宏观视觉特征。

在研究如灰度共生矩阵、纹理谱、LBP算法等特征提取方法时, 发现很多算法计算复杂度高, 且不能描述图像的宏观视觉特性。而对通信机房图像的区分, 宏观视觉特征比微观视觉特征更优意义。所以有必要针对通信机房图像的特点提出一类新的特征提取方法。

数字图像是由像素组成的。许多不同灰度值得像素有规律的排列在一起构成了具有一定宏观视觉特性的图像。联想到物理学中物体是由分子组成的, 不同状态的许多分子组成了具有宏观特性的物体。有规律的微观分子表现出了一定的宏观特性如:物体温度、物体压强等。可以把描述宏观世界中物体的方法用来描述图像的宏观视觉特性。

2. 通信机房图像的特征匹配

经过第二节图像的特征提取, 我们可以提取出五个特征值。若把提取的多个特征值排列成一个多维特征向量。则多幅数字图像之间可以通过定义一种相似匹配算法来反应数字图像内容的相似程度。

对通信机房图像做特征向量匹配是查找、检索相似图像的关键技术。特征值匹配依赖特征值的表现形式。具有不同数学意义的特征值应应用不同的距离度量方法。在检索、识别或匹配的过程中应根据特征向量之间“距离”的不同, 来确定每张或每组图像的“距离”。这种“距离”实质上反应的是特征向量之间的远近程度。特征向量之间的“距离”越小代表图像的内容差距越小。特征向量之间的距离越大代表图像内容之间的“距离”越大。常用的表示向量距离的方法有欧式距离和马氏距离两种。其中马氏距离计算简单, 但欧氏距离比较常用。当采用多特征融合的方法对数字图像进行特征提取时, 所采用的多种特征提取方法的数值应做归一化处理。做归一化处理可以使得融合后的特征向量在识别、检索、匹配中具有相同的权重或地位。

综合考虑本文研究的通信机房图像的特征提取结果。本文基于通信机房图像的图像匹配算法采用欧氏距离进行计算。

3. 实验与分析

通信机房图像特征提取实验就是应用本文方法对机房图像进行特征提取。对提取的特征进行分析判别。看提取的图像是否能区分内容不相似的机房图像。下图是三张通信机房内部图像。本文采用了机房整体图像来测试算法可靠性。

3.1 通信机房图像的特征提取结果分析

3.2 通信机房图像库的特征值的相关性分析

本文随机挑选了三个机房图像库, 且每个机房图像库内图像具有相似的宏观视觉特征。三个图像库共470张实验图片。然后分别求得每张图像的P值。为了模拟P值得数学意义, 分别计算每张图像上半部分P值和下半部分P值然后做比值。。

若本文方法可行, 则实验结果应满足:P1与P2线性相关, 相关系数r有相关性。比值常数A集中分布在某一区域。

3.3 通信机房图像库的特征值的线性拟合分析

在实验 (2) 中, 对本文特征提取方法做相关性分析, 结果表明本方法的合理性。下面对实验 (2) 中提到的数据库做线性拟合实验。实验方法是计算图像库中每张图像的E和P值, 若本文方法可以提取图像的宏观视觉特征, 则同一个图像库中具有相似视觉特征的图像结果, E、P二维拟合结果应为一条直线。图2是通信机房图像库的特征值线性拟合实验的实验结果。

实验结果表明, 宏观视觉特征相同的通信机房图像提取的特征值呈线性关系。表明可以把相同内容的图像通过线性关系表示出来。本文提出的图像特征提取方法可以提取通信机房图像的宏观视觉特征。且对于通信机房图像可以反应图像的宏观视觉特征。并且对于具有相似宏观视觉特征的图像具有相似的特征提取结果。具有不同的宏观视觉特征的图像具有不同的特征提取结果。若进一步计算特征向量的欧氏距离, 则可以得出结果即:宏观视觉特征的通信机房图像的特征向量相距较近, 宏观视觉特征不相似的机房图像的特征向量相距较远。

4. 特征提取的应用

4.1 在图像聚类中的应用

基于特征的图像聚类就是把图像的特征向量做聚类分析。常用的聚类分析方法有K-means法和A法。聚类结果往往具有一定的应用价值。它可以把相似的图像归类到一起加一分析。为了方便呈现分析结果, 本文提取了通信机房图像的两个特征值, 然后做K-means聚类。图3是聚类结果, 结果表明文本提出的通信机房图像的特征提取方法可以应用到图像聚类当中去。

通过机房图像的聚类计算, 可以把大量的通信机房图像进行聚类分析。可以做到把相似设备摆放、相似功能以及相似设备类型的机房统一考虑加以分析。

4.2 基于特征的图像检索

基于特征的图像检索是基于内容的图像检索, 即CBIR (Content-based image retrieval) 的一种方法。所达到的功能就是以图搜图, 这种功能往往在相关领域具有很强的应用价值。综合分析本文的各种实验结果, 讲本文提出的通信机房图像的特征提取方法应用到通信机房图像的图像检索中, 可以检索具有相似宏观视觉特性的通信机房图像。若加上用户用户满意程度反馈, 等反馈功能, 可以达到令人满意的查询结果。

5.5 结论

一个地区往往具有大量的通信机房和通信基站。这些通信机房根据自己的尺寸、地点不同往往具有不同的功能和定位。如何在一个地区或多个地区的所有通信机房图像中找到相似的机房图像数据。对于通信工程领域具有一定的应用价值。本文提出的数字图像特征提取方法可以提取表示图像的宏观视觉特性。对于通信机房图像聚类、通信机房图像检索甚至智能机房机器人的机器视觉方面都可表现出很强的可用性。

摘要：本文提出了一种通信机房图像的特征提取方法及其在图像检索中的应用。通信机房图像不同于其他类型的图像。传统的基于颜色、纹理、形状甚至特征点的特征提取方法很难区分通信机房图像的差异。本文结合通信机房图像的特点提出了表示图像宏观视觉特性的图像特征描述子。最后实验了所提方法的几种应用情况, 验证了本文方法的合理性和有效性。

关键词：特征提取,通信机房图像,基于内容图像检索,特征值匹配