圖像異常辯識算法的設計

1、圖像異常辯識算法的設計 摘要 圖像異常指相對恒定的連續(xù)監(jiān)測圖像突然出現(xiàn)異常跡象，其在線辨識廣泛應用于治安、環(huán)境、交通、生產過程的監(jiān)測。本文研究異常圖像的在線辨識算法和實現(xiàn)技術，提出了基于BP神經網絡的圖像異常辨識學習算法。 關鍵詞 圖像處理，圖像分析，圖像比較和BP神經網絡。 圖像處理的流程如圖1所示。 圖1圖像處理流程圖1圖像預處理算法與實現(xiàn) 初始圖像是24位真彩色圖像，圖像的每一像素由其RGB分量來表示，所以圖像文件的很長。在對初始圖像進行預處理時，要先對圖像進行轉換。一種方法是將圖像轉換成相應的256級灰度圖像，用一個字節(jié)即可表示圖像的一個像素。在將圖像轉換成灰度圖像后，根據需要可以對圖

2、像進行灰度均衡，目的是增加像素灰度值的動態(tài)范圍從而達到增強圖像整體對比度的效果4，從而有利于圖像的比較。 1.1 24位真彩色圖像 一個BMP文件大體上分成4個部分： ·位圖文件頭：這部分指定了文件類型bfType，文件大小bfSize和文件頭到實際的位圖數據的偏移字節(jié)數bfOffBits等。 ·位圖信息頭：這部分包括了圖像的一些屬性，有寬度biWidth，高度biHeight，深度biBitCount等。 ·調色板：有些位圖需要調色板，有些位圖，如真彩色圖，不需要調色板，它們的位圖信息頭后面直接是位圖數據。 ·實際的圖像數據：對于用到調色板的位圖，圖像

3、數據就是該像素顏色在調色板中的索引值，對于真彩色圖，圖像數據就是實際的RGB值。 通常，在表示真彩色圖像時，每個像素直接用R，G，B這3個分量字節(jié)表示，而不采用調色板技術，故而R，G，B分量的值直接從圖像數據中取。一般來說，BMP文件的數據是從下到上，從左到右的。即從文件中最先讀到的是圖像最下面一行的左邊第一個像素，然后是左邊第二個像素.，接下來是倒數第二行左邊第一個像素，左邊第二個像素，依次類推，最后得到的是最上面一行的最后一個像素。對于真彩色圖，圖像數據就是實際的R，G，B值，從左到右依次是B，G，R的值。 1.2初始圖像轉換成256級灰度圖像 灰度圖像的每個像素有一個 0（黑色）到 25

4、5（白色）之間的亮度值，共256個灰度級。 1.2.1.灰度圖 灰度圖是指只含亮度信息，不含色彩信息的圖像，就像平時看到亮度由暗到明的黑白照片，變化是連續(xù)的。因此，要表示灰度圖，就需要把亮度值進行量化。通常劃分成0到255共256個級別，0最暗（全黑），255最亮（全白）。 但是，BMP格式的文件中并沒有灰度圖這個概念，但可以很容易地用BMP文件來表示灰度圖。方法是用256色的調色板，只不過這個調色板有點特殊，每一項的RGB值都是相同的，也就是說RGB值從（0，0，0），（1，1，1）一直到（255，255，255）。其中，（0，0，0）是全黑色的，（255，255，255）是全白色的，中間的

5、是灰色的。這樣，灰色度圖就可以用256色圖來表示了。對于R=G=B的色彩，帶入YIQ或YUV色彩系統(tǒng)轉換公式中可以看到其顏色分量都是0，即沒有色彩信息1。 1.2.2. 真彩色位圖轉換成灰度圖 要將24位真彩色位圖轉換成灰度圖，首先必須計算每種顏色對應的灰度值?；叶群蚏GB顏色有如下的對應關系： Y = 0.299R + 0.587G +0.114B 然后，將圖像的每一個像素的RGB值替換成相應的灰度值，從而24位真彩色圖像也就被轉換成灰度圖像了。 圖224位真彩色圖像 圖3轉換后的灰度圖像1.3 將灰度圖像均衡化 灰度均衡有時也稱直方圖均衡，目的是增加像素灰度值的動態(tài)范圍從而達到增強圖像整體

6、對比度的效果4。 算法設計 按照圖像的概率密度函數（PDF，歸一化到單位面積的直方圖）的定義1： P（x）H（x）/ A0 其中，x為灰度級，H（x）為直方圖，A0為圖像的面積。 設轉換前圖像的概率密度函數為Pr（r），轉換后圖像的概率密度函數為 Ps（s）。其中r，s分別表示轉換前后的灰度級，轉換函數為s=f（r）。 由概率論知識，我們可以得到： Ps（s）Pr（r）· dr / ds 這樣，如果想使轉換后圖像的概率密度函數為1（即直方圖是均勻的），則必須滿足： Pr（r）ds / dr 等式兩邊對r積分，可得： s=f（r）Pr（u）duH（u）du / A0 （u0r） 該轉換

7、公式被稱為圖像的累積分布函數（CDF）。 上面的公式是被歸一化后推導出的，對于沒有歸一化的情況，只要乘以最大灰度值（DMax，對于灰度圖就是255）即可。灰度均衡的轉換公式為： DBf（x）DMax·H（u）du / A0 （u0x） 對于離散圖像，轉換公式為： DBf（x）DMax / A0·Hi ( i0x) 式中x為灰度級，Hi為第i 級灰度的像素個數。 2 圖像特征的提取 在數字圖像處理中，一種最簡單且最有用的工具是灰度直方圖。它概括了一幅圖像的灰度級內容，任何一幅圖像的直方圖都包括了可觀的信息，某些類型的圖像還可由其直方圖完全描述。 2.1.灰度直方圖 灰度直方圖

8、是灰度級的函數，反映的是一幅圖像中各灰度級像素出現(xiàn)的頻率。它是圖像的重要特征，反映了圖像灰度分布的情況5。 灰度直方圖也有另外一種方式的定義2：假設有一幅由函數D（x，y）所定義的連續(xù)圖像，它平滑地從中心的高灰度級變化到邊沿的低灰度值。我們可以選擇某一灰度級D1，然后定義一條輪廓線，該輪廓線連接了圖像上所有具有灰度級D1的點。所得到的輪廓線形成了包圍灰度級大于等于D1的區(qū)域的封閉曲線。將一幅連續(xù)圖像中被具有灰度級D的所有輪廓線所包圍的面積稱為該圖像的閾值面積函數A（D）。直方圖可定義為： H(D)=lim (A(D)A(D+D) / D=dA(D) / dD (D0) 由上式可以得出結論：一幅

9、連續(xù)圖像的直方圖是其面積函數的導數的負值。負號的出現(xiàn)是由于隨著D的增加A（D）在減小。如果將圖像看成是一個二維的隨機變量，則面積函數相當于其累積分布函數，而灰度直方圖相當于其概率密度函數。 對于離散函數，我們固定D為1，則上式變?yōu)椋?H(D)=A(D)-A(D+1) 2.2. 繪制圖像的灰度直方圖 以灰度級為橫坐標，縱坐標為灰度級的頻率，繪制頻率同灰度級的關系圖就是灰度直方圖。在畫直方圖的時候，先選出象素最多的灰度級作為基準，其余灰度級以適當的比例在圖上一一畫出。 圖4的灰度直方圖3 圖像異常在線辨識算法與實現(xiàn) 經過了上面對初始BMP文件圖像的預處理之后，接下來的工作就是對圖像進行比較了。圖像

10、的比較有多種算法，最簡單的一種是對圖像的灰度直方圖進行粗略的比較，通過計算前后兩幅圖像的灰度直方圖的均方差以大致了解兩幅圖像的差異程度。但是這種方法在實際實現(xiàn)中的效果不是很理想，這主要有兩方面的原因：（1）圖像直方圖反映不出圖像像素的具體位置，更糟糕的情況是兩幅完全不一樣的圖像有可能對應于同一幅灰度直方圖；（2）圖像像素的多少也會產生影響。 綜合以上情況，采用了另一種方法，即計算兩幅圖像的相關程度，它的基本原則就是通過相關函數的計算來確定圖像的相似程度。 3.1. 算法設計 給定兩個函數f（t）和g（t），它們的互相關函數定義為： R（v）f（t）·g（t）f（t）·g（t

11、v）dt （< t <+） 對于離散圖像，我們可以用下列相關函數作相似性測度： Rf（t）·g（t）（sqrt（f2（t）·sqrt（g2（t） 其中，函數f（t）和g（t）分別是要比較的兩幅圖像的某種相同屬性，R就是兩幅圖像的相關系數。 根據施瓦茲不等式可以知道上式中0R1，并且僅在比值f（t）/g（t）為常數時取極大值1。R值越大，說明兩幅圖像的相似程度越高。 以上在比較兩幅圖像的時候，采用的是圖像的灰度直方圖，由于灰度直方圖去除了像素的位置特征，這使得在進行圖像比較的時候可能會出錯。這里提供的一種方法就是先將圖像分成幾個部分，然后分別對圖像進行上面的幾步預

12、處理，最后，對兩幅圖像的相應部分作比較，只要其中的某一部分不相同，即可認為這兩幅圖像不一致。 4 基于BP神經網絡的圖像異常辨識學習算法 BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習

13、訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。 采用BP算法的多層前饋網絡是至今為止應用最廣泛的神經網絡，在多層前饋網的應用中，以圖5所示的單隱層網絡的應用最為普遍。一般習慣將單隱層前饋網稱為三層前饋網或三層感知器，所謂三層包括了輸入層、隱層和輸出層。 圖5單隱層BP網絡當網絡設計完成后，要應用設計值進行訓練。訓練時要對所有樣本正向運行一輪并反向修改權值一次稱為一次訓練。在訓練過程中要反復使用樣本集數據，但每一輪最好不要按固定順序取數據。通常訓練一個網絡需要成千上萬次。 網絡的性能好壞主要看其是否具有很好的泛化能力，而對泛化能力的測試不能用訓練集的

14、數據進行，而要用訓練集以外的測試數據來進行檢驗。一般的作法是，將收集到的可用樣本隨機地分為兩部分：一部分作為訓練集，另一部分作為測試集。如果網絡對訓練集樣本的誤差很小，而對測試集樣本的誤差很大，說明網絡已被訓練得過度吻合，因此泛化能力很差。 在隱節(jié)點數一定的情況下，為獲得好的泛化能力，存在著一個最佳訓練次數。為了說明這個問題，訓練時將訓練與測試交替進行，每訓練一次記錄一次訓練均方差，然后保持網絡權值不變，用測試數據正向運行網絡，記錄測試均方差。利用這兩種誤差數據可繪出圖6中的兩種均方誤差隨訓練次數變化的曲線。 圖6均方誤差隨訓練次數變化曲線從誤差曲線可以看出，在某一個訓練次數之前，隨著訓練次數的增加，兩條誤差曲線同時下降。當超過這個訓練次數時，訓練誤差繼續(xù)減小而測試誤差則開始上升。因此，該訓練次數即為最佳訓練次數，在此之前停止訓練稱為訓練不足，在此之后則稱為訓練過度。 根據以上BP算法的基本思想，我們在進行圖像比較時，也可采用類似的算法。先將一些圖像分為兩組：一組為相似圖像，另一組為與第一組不相似的圖像；然后，也讓計算機進行辨識，把輸出結果與預期結果進行比較，從而確定出一