基于大数据的警示性图像颜色纹理特征选取研究

陈明

(四川工商职业技术学院 信息工程系,四川 都江堰611837)

基于大数据的特征选取常被看作是模式分类,将图像颜色纹理的描述模式转化为较简单的子模式的组合,进而获得基于大数据的图像颜色纹理特征树形结构描述。在基于大数据的警示性图像颜色纹理特征选取中,需要警示性图像基元行为模式是紧凑的、具化的,以及容易被非句法方法加以描述的[1]。此外,基于大数据的特征选取方法还可以以模糊数字为基础,将警示性图像颜色纹理特征的选取从二值逻辑推向连续逻辑,更符合人类的思维模式。通常情况下,基于大数据的警示性图像颜色纹理特征选取的方法需要大量相关信息,而在对数据进行预处理的前提下,为避免图像颜色纹理失真或变形,需要除去混入的警示性图像干扰数据。在基于大数据的警示性图像颜色纹理特征选取过程中,将警示性图像转换为输入模式的对象空间,并映射到颜色纹理特征空间[2]。其中,警示性图像颜色纹理可以通过特征空间的某一点,或是矢量来表示[3]。

1 基于大数据警示性图像颜色纹理特征选取方法

1.1 采集基于大数据的警示性图像

在抽取的警示性图像样本中,图像颜色纹理特征之间存在着错综复杂的相互关系,不能对每个单独的颜色纹理特征进行统计,需要根据警示性图像的可分性进行判断,以及排序[4-5]。关于警示性图像的采集,其图像颜色纹理的采集单元作用是通过合适的图像,实时采集警示性图像颜色纹理特征。在所采集的警示性图像中,根据阂值范围找出警示性图像样本的备选区域,并对其进行灰度化,以及二值化处理。基于大数据的警示性图像是以三基色原理为基础的真彩色图像,而经过一段时间的监测,警示性图像颜色纹理会造成一定程度的掉色,甚至造成灰度跳变。

1.2 检索警示性图像特征

通常情况下,警示性图像反射的光直接决定了警示性图像的颜色以及其纹理。基于大数据的警示性图像在可监测的范围内,警示性图像颜色纹理受到物理性质、化学性质以及光源特性的共同决定,其接收器呈现一种颜色。在某个三维颜色空间内,受电子设备,以及面向视觉感知的影响,基于大数据的警示性图像颜色包含所有可见光子集的颜色纹理特征。警示性图像颜色纹理特征选取,直接影响着其选取复杂性,一定程度上影响了特征选取效率。具体的警示性图像颜色纹理特征选取流程如图1所示。受到原始尺寸的影响,所选取警示性图像颜色纹理特征也具有差异性,不利于警示性图像检索的准确评价。警示性图像颜色纹理特征选取中常用的颜色空间有RGB、HSV以及YIQ等多种图像颜色空间。在计算警示性图像的间距时,要考虑到其图像颜色纹理特征的分配权重距离。

图1 警示性图像颜色纹理特征选取流程

1.3 运用均值漂移分割法实现颜色纹理特征选取

在基于大数据的计算中,警示性图像颜色纹理特征主要表现在特定的警示性图像中像素与其区域灰度的变化。通常情况下,警示性图像颜色纹理反映其画像表面特征所对应的内部纹理特征。这不仅反映警示性图像的灰度,还反映基于大数据的图像中进行组织排列的颜色纹理。

根据灰度共生矩阵,描述警示性图像颜色纹理中灰度级,以及灰度级间存在的空间关联性。在警示性图像中距离为 (△x,△y)的两个颜色纹理灰度像素,同时出现颜色纹理特征选取的联合频率用灰度共生矩阵来表示。

度的分布特性,具体表达式如公式(1)所示:

其中,J表示警示性图像的能量；h,k表示为警示性图像灰度；m(hk)的分布参数值可以通过J的参数值来表示。

警示性图像颜色的变换空间惯量(G)的具体表达式如公式(2)所示:

其中,警示性图像颜色纹理的粗细和惯量(G)成反比,因此,警示性图像颜色纹理的粗细与(h,k)的灰度也是成反比。在基于大数据的警示性图像颜色纹理特征选取中,要充分考虑共生矩阵中其图像颜色纹理特征的关联程度。因此,关于警示性图像颜色纹理特征的相关性(C),可以得到具体表达式如公式(3)所示:

在基于大数据的警示性图像颜色纹理特征选取中,灰度直方图可以反映图像颜色内部灰度值的构造情况,但是不能准确反映警示性图像内的像素位置。可以将基于大数据计算的图像直方图进行划分,并根据划分的不同区域,调整警示性图像颜色纹理特征的直方图。其中,在警示性图像中,横坐标表示为大数据条件下图像灰度级；纵坐标表示为其颜色纹理灰度级的频次。得到警示性图像颜色纹理特征参数归一化的直方图表达式,具体如公式(4)所示:

公式(4)中,rk表示为k级灰度；P(rk)表示为灰度级为rk发生纹理特征选取的概率值；nk示为灰度级为rk的像素在大数据条件下图像个数；n表示为大数据条件下图像的总像素数。

在大数据条件下,其警示图像颜色纹理特征不仅仅是通过图像颜色以及图像亮度,来实现警示性图像颜色纹理特征的视觉选取。因此,广泛应用于检索的图像,通过视觉中的对比度、方向感、粗糙度、规整度以及线性度等方面,对图像颜色纹理特征进行选取。

2 实验

2.1 实验准备

在基于大数据的警示性图像颜色纹理特征选取研究实验中,通过串口将实验宿主机以及其目标机进行连接,并保证实验电脑主机和目标板处理器一致。根据实验的测试环境,警示性图像颜色纹理特征选取采用交叉编译环境,并在电脑主机首先获取可执行文件。建立与目标机相匹配的连接环境,便可将警示性图像颜色纹理特征可执行文件读写到目标机。

基于大数据的警示性图像颜色纹理特征选取研究的具体开发过程,主要是安装VMware的虚拟机软件,并在其虚拟系统中安装Ubuntu 10.04 操作系统。其中,实验中的警示性图像数据编写主要是在电脑主机的Windows系统实现；而警示性图像颜色纹理特征选取的编译过程是在Linux系统内完成。此外,在基于Linux系统的编译过程中,需要安装SDK软件开发工具包,实现源代码的编写。

2.2 实验过程及结果

在基于大数据的警示性图像颜色纹理特征选取研究中,所研究的数据值变化较大,而在提高警示性图像颜色纹理特征选取效率的同时,还要充分考虑警示性图像颜色纹理特征选取的精准度。为了防止警示性图像颜色纹理特征相关参数初始值差异大,因此要将其进行规范化,避免权重过大,设定一个规定区间。

为了验证在大数据条件下,具有警示性作用的图像,在进行颜色纹理特征选取具有有效性,将其特征选取的精准度与传统的选取结果进行对比。在警示性图像像素为150的基础上,通过计算的方式获取实验对比精准度,具体的实验结果如表1所示。

表1 不同特征选取方法的试验结果对比

根据实验对比结果可知,在像素点总数一定的前提下,传统的警示性图像颜色纹理特征选取方法精准率在90%上下波动；而在大数据条件下,具有警示性作用的图像颜色纹理特征选取像素个数最多,且准确率能够达到96.6 %,且误差率仅为2.3 %。因此,在大数据条件下,具有警示性作用的图像颜色纹理特征选取在保证精准率的基础上,还能够提高效率。

结束语

在对具有警示性图像颜色纹理特征进行选取时,需要明确与视觉感知更接近的颜色相似性度量方法。警示性图像颜色纹理特征选取前期充分利用其直方图,并根据颜色纹理像素点,对其特征选取的相关参数进行计算,以此实现基于大数据的特征提取。[1]刘欣谊,仲晓春,陈晨,刘涛等.利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测[J].麦类作物学报,2020,40(08):1002-1007.