圖像異常辯識算法的設(shè)計(jì)

1、圖像異常辯識算法的設(shè)計(jì) 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(yīng)用于治安、環(huán)境、交通、生產(chǎn)過程的監(jiān)測。本文研究異常圖像的在線辨識算法和實(shí)現(xiàn)技術(shù)，提出了基于BP神經(jīng)網(wǎng)絡(luò)的圖像異常辨識學(xué)習(xí)算法。 關(guān)鍵詞 圖像處理，圖像分析，圖像比較和BP神經(jīng)網(wǎng)絡(luò)。 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(yù)處理算法與實(shí)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(jìn)行預(yù)處理時(shí)，要先對圖像進(jìn)行轉(zhuǎn)換。一種方法是將圖像轉(zhuǎn)換成相應(yīng)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(zhuǎn)換成灰度圖像后，根據(jù)需要可以對圖

2、像進(jìn)行灰度均衡，目的是增加像素灰度值的動態(tài)范圍從而達(dá)到增強(qiáng)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(shí)際的位圖數(shù)據(jù)的偏移字節(jié)數(shù)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(diào)色板：有些位圖需要調(diào)色板，有些位圖，如真彩色圖，不需要調(diào)色板，它們的位圖信息頭后面直接是位圖數(shù)據(jù)。 ·實(shí)際的圖像數(shù)據(jù)：對于用到調(diào)色板的位圖，圖像

3、數(shù)據(jù)就是該像素顏色在調(diào)色板中的索引值，對于真彩色圖，圖像數(shù)據(jù)就是實(shí)際的RGB值。 通常，在表示真彩色圖像時(shí)，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(diào)色板技術(shù)，故而R，G，B分量的值直接從圖像數(shù)據(jù)中取。一般來說，BMP文件的數(shù)據(jù)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(shù)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(shù)據(jù)就是實(shí)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(zhuǎn)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(shí)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(jìn)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(diào)色板，只不過這個調(diào)色板有點(diǎn)特殊，每一項(xiàng)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(zhuǎn)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(zhuǎn)換成灰度圖 要將24位真彩色位圖轉(zhuǎn)換成灰度圖，首先必須計(jì)算每種顏色對應(yīng)的灰度值?；叶群蚏GB顏色有如下的對應(yīng)關(guān)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(yīng)的灰度值，從而24位真彩色圖像也就被轉(zhuǎn)換成灰度圖像了。 圖224位真彩色圖像 圖3轉(zhuǎn)換后的灰度圖像1.3 將灰度圖像均衡化 灰度均衡有時(shí)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(dá)到增強(qiáng)圖像整體

6、對比度的效果4。 算法設(shè)計(jì) 按照圖像的概率密度函數(shù)（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(shè)轉(zhuǎn)換前圖像的概率密度函數(shù)為Pr（r），轉(zhuǎn)換后圖像的概率密度函數(shù)為 Ps（s）。其中r，s分別表示轉(zhuǎn)換前后的灰度級，轉(zhuǎn)換函數(shù)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(zhuǎn)換后圖像的概率密度函數(shù)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(zhuǎn)換

7、公式被稱為圖像的累積分布函數(shù)（CDF）。 上面的公式是被歸一化后推導(dǎo)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?；叶染獾霓D(zhuǎn)換公式為： DBf（x）DMax·H（u）du / A0 （u0x） 對于離散圖像，轉(zhuǎn)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(shù)。 2 圖像特征的提取 在數(shù)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(nèi)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(shù)，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(shè)有一幅由函數(shù)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(diǎn)。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(shù)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(jié)論：一幅

9、連續(xù)圖像的直方圖是其面積函數(shù)的導(dǎo)數(shù)的負(fù)值。負(fù)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(jī)變量，則面積函數(shù)相當(dāng)于其累積分布函數(shù)，而灰度直方圖相當(dāng)于其概率密度函數(shù)。 對于離散函數(shù)，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(biāo)，縱坐標(biāo)為灰度級的頻率，繪制頻率同灰度級的關(guān)系圖就是灰度直方圖。在畫直方圖的時(shí)候，先選出象素最多的灰度級作為基準(zhǔn)，其余灰度級以適當(dāng)?shù)谋壤趫D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(shí)現(xiàn) 經(jīng)過了上面對初始BMP文件圖像的預(yù)處理之后，接下來的工作就是對圖像進(jìn)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(jìn)行粗略的比較，通過計(jì)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(shí)際實(shí)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(yīng)于同一幅灰度直方圖；（2）圖像像素的多少也會產(chǎn)生影響。 綜合以上情況，采用了另一種方法，即計(jì)算兩幅圖像的相關(guān)程度，它的基本原則就是通過相關(guān)函數(shù)的計(jì)算來確定圖像的相似程度。 3.1. 算法設(shè)計(jì) 給定兩個函數(shù)f（t）和g（t），它們的互相關(guān)函數(shù)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(guān)函數(shù)作相似性測度： Rf（t）·g（t）（sqrt（f2（t）·sqrt（g2（t） 其中，函數(shù)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(guān)系數(shù)。 根據(jù)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(shù)時(shí)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(shí)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(jìn)行圖像比較的時(shí)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(jìn)行上面的幾步預(yù)

12、處理，最后，對兩幅圖像的相應(yīng)部分作比較，只要其中的某一部分不相同，即可認(rèn)為這兩幅圖像不一致。 4 基于BP神經(jīng)網(wǎng)絡(luò)的圖像異常辨識學(xué)習(xí)算法 BP算法的基本思想是，學(xué)習(xí)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(shí)，輸入樣本從輸入層傳人，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)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?jǐn)偨o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(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)

13、訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。 采用BP算法的多層前饋網(wǎng)絡(luò)是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，在多層前饋網(wǎng)的應(yīng)用中，以圖5所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。一般習(xí)慣將單隱層前饋網(wǎng)稱為三層前饋網(wǎng)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(wǎng)絡(luò)當(dāng)網(wǎng)絡(luò)設(shè)計(jì)完成后，要應(yīng)用設(shè)計(jì)值進(jìn)行訓(xùn)練。訓(xùn)練時(shí)要對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在訓(xùn)練過程中要反復(fù)使用樣本集數(shù)據(jù)，但每一輪最好不要按固定順序取數(shù)據(jù)。通常訓(xùn)練一個網(wǎng)絡(luò)需要成千上萬次。 網(wǎng)絡(luò)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(xùn)練集的

14、數(shù)據(jù)進(jìn)行，而要用訓(xùn)練集以外的測試數(shù)據(jù)來進(jìn)行檢驗(yàn)。一般的作法是，將收集到的可用樣本隨機(jī)地分為兩部分：一部分作為訓(xùn)練集，另一部分作為測試集。如果網(wǎng)絡(luò)對訓(xùn)練集樣本的誤差很小，而對測試集樣本的誤差很大，說明網(wǎng)絡(luò)已被訓(xùn)練得過度吻合，因此泛化能力很差。 在隱節(jié)點(diǎn)數(shù)一定的情況下，為獲得好的泛化能力，存在著一個最佳訓(xùn)練次數(shù)。為了說明這個問題，訓(xùn)練時(shí)將訓(xùn)練與測試交替進(jìn)行，每訓(xùn)練一次記錄一次訓(xùn)練均方差，然后保持網(wǎng)絡(luò)權(quán)值不變，用測試數(shù)據(jù)正向運(yùn)行網(wǎng)絡(luò)，記錄測試均方差。利用這兩種誤差數(shù)據(jù)可繪出圖6中的兩種均方誤差隨訓(xùn)練次數(shù)變化的曲線。 圖6均方誤差隨訓(xùn)練次數(shù)變化曲線從誤差曲線可以看出，在某一個訓(xùn)練次數(shù)之前，隨著訓(xùn)練次數(shù)的增加，兩條誤差曲線同時(shí)下降。當(dāng)超過這個訓(xùn)練次數(shù)時(shí)，訓(xùn)練誤差繼續(xù)減小而測試誤差則開始上升。因此，該訓(xùn)練次數(shù)即為最佳訓(xùn)練次數(shù)，在此之前停止訓(xùn)練稱為訓(xùn)練不足，在此之后則稱為訓(xùn)練過度。 根據(jù)以上BP算法的基本思想，我們在進(jìn)行圖像比較時(shí)，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(jì)算機(jī)進(jìn)行辨識，把輸出結(jié)果與預(yù)期結(jié)果進(jìn)行比較，從而確定出一