CN106203440A - 一种基于复杂网络的灰度图像识别方法 - Google Patents

一种基于复杂网络的灰度图像识别方法 Download PDF

Info

Publication number
CN106203440A
CN106203440A CN201610485822.2A CN201610485822A CN106203440A CN 106203440 A CN106203440 A CN 106203440A CN 201610485822 A CN201610485822 A CN 201610485822A CN 106203440 A CN106203440 A CN 106203440A
Authority
CN
China
Prior art keywords
gray level
network
level image
complex network
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201610485822.2A
Other languages
English (en)
Inventor
董雄飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Kurui Network Technology Co Ltd
Original Assignee
Hefei Kurui Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Kurui Network Technology Co Ltd filed Critical Hefei Kurui Network Technology Co Ltd
Priority to CN201610485822.2A priority Critical patent/CN106203440A/zh
Publication of CN106203440A publication Critical patent/CN106203440A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于复杂网络的灰度图像识别方法，在识别过程中增加提取轮廓的流程，降低灰度图像的处理难度，降低复杂网络建模规模，减少程序所占用的存储空间，通过对同一幅灰度图像提取一个形状轮廓及一组灰度轮廓，全面获取灰度图像的形状和色彩信息，创新识别方式，提升准确率，增加复杂网络识别参数，提供更多的识别细节，提升识别准确率。

Description

一种基于复杂网络的灰度图像识别方法
技术领域
本发明属于网络方法领域，更具体地说，本发明涉及一种基于复杂网络的灰度图像识别方法。
背景技术
大多数图像目标识别应用中，识别的对象都不是简单的形状轮廓，而是一幅态图像或一组动态图像序列。在图像识别中，可以将图像看作现实事物在平面图的一个映射。但是，彩色图像存储信息量大，相应处理更加复杂，在一般的简单图像识别应用中，大量的信息被作为无效信息舍弃。因此，图像处理中，许多处理方法都需要事先把彩色图像转换成灰度图像，才能进行相关的后续计算、识别。灰度图像成为识别应用中一类重要的图像格式。
发明内容
本发明所要解决的问题是提供一种基于复杂网络的灰度图像识别方法。
为了实现上述目的，本发明采取的技术方案为：
一种基于复杂网络的灰度图像识别方法，包括如下步骤：
（1）形状轮廓提取
采用Canny算法最优化数值方法，获取最佳边缘检测模板，用于轮廓提取；
（2）灰度轮廓提取
采取二值化处理方法，通过对同一幅图像进行处理，生成一系列灰度轮廓，间接保存灰度图像的颜色信息；
（3）灰度图像复杂网络建模
对于二值化处理后的形状轮廓图和灰度轮廓图，利用复杂网络对形状轮廓和灰度轮廓图进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求；
（4）轮廓点集转化为规则网络
接着对轮廓点集进行网络建模，将集合P以图G=(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；
（5）规则网络转化为复杂网络
引入距离阈值和灰度颜色阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络；
（6）网络建模
对特定的形状轮廓i和灰度轮廓图j，抽象化为对应的图Gi和Gj，选定距离阈值集合R中的所有值rj，顺序作用在节点集合中，分别建立相应的网络模型；
（7）识别参数提取
根据Canny算法生成形状轮廊，根据灰度阈值生成灰度轮廓集合后，通过不同的距离阈值，将所有轮廓转化为一系列复杂网络模型，并对每一个模型提取识别参数；
（8）灰度识别
根据上述步骤得到每一个识别参数后，进行识别。
优选的，所述步骤（2）中灰度轮廓提取的具体步骤为
①图像表示为集合：将灰度图像的点集记为V0，任意像素点V0 ，∈V0；
②二值化处理：对图像点集合V0进行简单二值化处理，给定灰度阈值t，其取值范围限定为0≤t≤max（W0），对集合中的任意点V0 ，∈V0，对W0进行变换，记为W；
③灰度轮廓提取：通过变换规则对W进行变换。
优选的，所述变换规则为W=｛255，if the value of the pixel equals to 255or he value of the four adjacent pixels all equal to 0｝。
优选的，所述步骤（7）中提取识别参数的具体步骤为：
①计算单个网络模型的单个网络参数；
②汇集网络参数，形成特征参数。
优选的，所述汇集网络参数为最大度、最小度、平均度、度的方差。
优选的，所述步骤（8）中灰度识别的具体步骤为：
①建立识别分组：收集已划分类别的灰度图像，建立灰度图像的样本组，将待分类的灰度图像归入测试组，并对两个分组中的图像分别建立复杂网络模型；
②计算识别结果：与形状轮廓图像识别方法相似，计算识别对象与灰度图像样本组对象之间的识别参数二阶范数值；
③划分轮廊分组：二阶范数取得最小值时，该样本灰度图像所处的分组就是该测试灰度图像的分组。
有益效果：本发明提供了一种基于复杂网络的灰度图像识别方法，在识别过程中增加提取轮廓的流程，降低灰度图像的处理难度，降低复杂网络建模规模，减少程序所占用的存储空间，通过对同一幅灰度图像提取一个形状轮廓及一组灰度轮廓，全面获取灰度图像的形状和色彩信息，创新识别方式，提升准确率，增加复杂网络识别参数，提供更多的识别细节，提升识别准确率。
具体实施方式
一种基于复杂网络的灰度图像识别方法，包括如下步骤：
（1）形状轮廓提取
采用Canny算法最优化数值方法，获取最佳边缘检测模板，用于轮廓提取；
（2）灰度轮廓提取
采取二值化处理方法，通过对同一幅图像进行处理，生成一系列灰度轮廓，间接保存灰度图像的颜色信息，所述灰度轮廓提取的具体步骤为
①图像表示为集合：将灰度图像的点集记为V0，任意像素点V0 ，∈V0；
②二值化处理：对图像点集合V0进行简单二值化处理，给定灰度阈值t，其取值范围限定为0≤t≤max（W0），对集合中的任意点V0 ，∈V0，对W0进行变换，记为W；
③灰度轮廓提取：通过变换规则对W进行变换，所述变换规则为W=｛255，if the valueof the pixel equals to 255 or he value of the four adjacent pixels all equalto 0｝；
（3）灰度图像复杂网络建模
对于二值化处理后的形状轮廓图和灰度轮廓图，利用复杂网络对形状轮廓和灰度轮廓图进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求；
（4）轮廓点集转化为规则网络
接着对轮廓点集进行网络建模，将集合P以图G=(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；
（5）规则网络转化为复杂网络
引入距离阈值和灰度颜色阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络；
（6）网络建模
对特定的形状轮廓i和灰度轮廓图j，抽象化为对应的图Gi和Gj，选定距离阈值集合R中的所有值rj，顺序作用在节点集合中，分别建立相应的网络模型；
（7）识别参数提取
根据Canny算法生成形状轮廊，根据灰度阈值生成灰度轮廓集合后，通过不同的距离阈值，将所有轮廓转化为一系列复杂网络模型，并对每一个模型提取识别参数，所述提取识别参数的具体步骤为：
①计算单个网络模型的单个网络参数；
②汇集网络参数，形成特征参数，所述汇集网络参数为最大度、最小度、平均度、度的方差；
（8）灰度识别
根据上述步骤得到每一个识别参数后，进行识别，所述灰度识别的具体步骤为：
①建立识别分组：收集已划分类别的灰度图像，建立灰度图像的样本组，将待分类的灰度图像归入测试组，并对两个分组中的图像分别建立复杂网络模型；
②计算识别结果：与形状轮廓图像识别方法相似，计算识别对象与灰度图像样本组对象之间的识别参数二阶范数值；
③划分轮廊分组：二阶范数取得最小值时，该样本灰度图像所处的分组就是该测试灰度图像的分组。
本发明提供了一种基于复杂网络的灰度图像识别方法，在识别过程中增加提取轮廓的流程，降低灰度图像的处理难度，降低复杂网络建模规模，减少程序所占用的存储空间，通过对同一幅灰度图像提取一个形状轮廓及一组灰度轮廓，全面获取灰度图像的形状和色彩信息，创新识别方式，提升准确率，增加复杂网络识别参数，提供更多的识别细节，提升识别准确率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于复杂网络的灰度图像识别方法，其特征在于，包括如下步骤：
（1）形状轮廓提取
采用Canny算法最优化数值方法，获取最佳边缘检测模板，用于轮廓提取；
（2）灰度轮廓提取
采取二值化处理方法，通过对同一幅图像进行处理，生成一系列灰度轮廓，间接保存灰度图像的颜色信息；
（3）灰度图像复杂网络建模
对于二值化处理后的形状轮廓图和灰度轮廓图，利用复杂网络对形状轮廓和灰度轮廓图进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求；
（4）轮廓点集转化为规则网络
接着对轮廓点集进行网络建模，将集合P以图G=(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；
（5）规则网络转化为复杂网络
引入距离阈值和灰度颜色阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络；
（6）网络建模
对特定的形状轮廓i和灰度轮廓图j，抽象化为对应的图Gi和Gj，选定距离阈值集合R中的所有值rj，顺序作用在节点集合中，分别建立相应的网络模型；
（7）识别参数提取
根据Canny算法生成形状轮廊，根据灰度阈值生成灰度轮廓集合后，通过不同的距离阈值，将所有轮廓转化为一系列复杂网络模型，并对每一个模型提取识别参数；
（8）灰度识别
根据上述步骤得到每一个识别参数后，进行识别。
2.按照权利要求1所述的一种基于复杂网络的灰度图像识别方法，其特征在于：所述步骤（2）中灰度轮廓提取的具体步骤为
①图像表示为集合：将灰度图像的点集记为V0，任意像素点V0 ，∈V0；
②二值化处理：对图像点集合V0进行简单二值化处理，给定灰度阈值t，其取值范围限定为0≤t≤max（W0），对集合中的任意点V0 ，∈V0，对W0进行变换，记为W；
③灰度轮廓提取：通过变换规则对W进行变换。
3.按照权利要求2所述的一种基于复杂网络的灰度图像识别方法，其特征在于：所述变换规则为W=｛255，if the value of the pixel equals to 255 or he value of thefour adjacent pixels all equal to 0｝。
4.按照权利要求1所述的一种基于复杂网络的灰度图像识别方法，其特征在于：所述步骤（7）中提取识别参数的具体步骤为：
①计算单个网络模型的单个网络参数；
②汇集网络参数，形成特征参数。
5.按照权利要求4所述的一种基于复杂网络的灰度图像识别方法，其特征在于：所述汇集网络参数为最大度、最小度、平均度、度的方差。
6.按照权利要求1所述的一种基于复杂网络的灰度图像识别方法，其特征在于：所述步骤（8）中灰度识别的具体步骤为：
①建立识别分组：收集已划分类别的灰度图像，建立灰度图像的样本组，将待分类的灰度图像归入测试组，并对两个分组中的图像分别建立复杂网络模型；
②计算识别结果：与形状轮廓图像识别方法相似，计算识别对象与灰度图像样本组对象之间的识别参数二阶范数值；
③划分轮廊分组：二阶范数取得最小值时，该样本灰度图像所处的分组就是该测试灰度图像的分组。
CN201610485822.2A 2016-06-28 2016-06-28 一种基于复杂网络的灰度图像识别方法 Withdrawn CN106203440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610485822.2A CN106203440A (zh) 2016-06-28 2016-06-28 一种基于复杂网络的灰度图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610485822.2A CN106203440A (zh) 2016-06-28 2016-06-28 一种基于复杂网络的灰度图像识别方法

Publications (1)

Publication Number Publication Date
CN106203440A true CN106203440A (zh) 2016-12-07

Family

ID=57462505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610485822.2A Withdrawn CN106203440A (zh) 2016-06-28 2016-06-28 一种基于复杂网络的灰度图像识别方法

Country Status (1)

Country Link
CN (1) CN106203440A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063716A (zh) * 2018-08-28 2018-12-21 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN112801098A (zh) * 2019-11-14 2021-05-14 临沂市拓普网络股份有限公司 一种基于轮廓技术的数学符号识别方法
CN116664960A (zh) * 2023-07-28 2023-08-29 深圳弗瑞奇科技有限公司 一种基于图像处理的猫便识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063716A (zh) * 2018-08-28 2018-12-21 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN109063716B (zh) * 2018-08-28 2021-05-11 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN112801098A (zh) * 2019-11-14 2021-05-14 临沂市拓普网络股份有限公司 一种基于轮廓技术的数学符号识别方法
CN112801098B (zh) * 2019-11-14 2023-01-10 临沂市拓普网络股份有限公司 一种基于轮廓技术的数学符号识别方法
CN116664960A (zh) * 2023-07-28 2023-08-29 深圳弗瑞奇科技有限公司 一种基于图像处理的猫便识别方法

Similar Documents

Publication Publication Date Title
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN107563381B (zh) 基于全卷积网络的多特征融合的目标检测方法
CN105956582B (zh) 一种基于三维数据的人脸识别系统
CN110717896B (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
Silberman et al. Instance segmentation of indoor scenes using a coverage loss
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN105335725A (zh) 一种基于特征融合的步态识别身份认证方法
CN104077577A (zh) 一种基于卷积神经网络的商标检测方法
CN107424161B (zh) 一种由粗至精的室内场景图像布局估计方法
CN105046252A (zh) 一种人民币冠字码识别方法
CN107945200A (zh) 图像二值化分割方法
CN107527054B (zh) 基于多视角融合的前景自动提取方法
CN103218605A (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN105825233B (zh) 一种基于在线学习随机蕨分类器的行人检测方法
CN107316059B (zh) 学习者姿态识别方法
CN103971112A (zh) 图像特征提取方法及装置
CN104966285A (zh) 一种显著性区域的检测方法
CN106203440A (zh) 一种基于复杂网络的灰度图像识别方法
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN111898566B (zh) 姿态估计方法、装置、电子设备和存储介质
CN106909881A (zh) 基于无人机遥感影像提取玉米育种基地垄数的方法及系统
CN104463122A (zh) 一种基于pcnn的印章识别方法
CN106485733A (zh) 一种在红外图像中跟踪感兴趣目标的方法
CN106778789A (zh) 一种多视点图像中的快速目标提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20161207

WW01 Invention patent application withdrawn after publication