本發(fā)明屬于網(wǎng)絡(luò)方法領(lǐng)域，更具體地說，本發(fā)明涉及一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法。

背景技術(shù)：

大多數(shù)圖像目標(biāo)識別應(yīng)用中，識別的對象都不是簡單的形狀輪廓，而是一幅態(tài)圖像或一組動態(tài)圖像序列。在圖像識別中，可以將圖像看作現(xiàn)實(shí)事物在平面圖的一個映射。但是，彩色圖像存儲信息量大，相應(yīng)處理更加復(fù)雜，在一般的簡單圖像識別應(yīng)用中，大量的信息被作為無效信息舍棄。因此，圖像處理中，許多處理方法都需要事先把彩色圖像轉(zhuǎn)換成灰度圖像，才能進(jìn)行相關(guān)的后續(xù)計算、識別。灰度圖像成為識別應(yīng)用中一類重要的圖像格式。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的問題是提供一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：

一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法，包括如下步驟：

（1）形狀輪廓提取

采用Canny算法最優(yōu)化數(shù)值方法，獲取最佳邊緣檢測模板，用于輪廓提??；

（2）灰度輪廓提取

采取二值化處理方法，通過對同一幅圖像進(jìn)行處理，生成一系列灰度輪廓，間接保存灰度圖像的顏色信息；

（3）灰度圖像復(fù)雜網(wǎng)絡(luò)建模

對于二值化處理后的形狀輪廓圖和灰度輪廓圖，利用復(fù)雜網(wǎng)絡(luò)對形狀輪廓和灰度輪廓圖進(jìn)行建模，首先要對輪廓中的像素點(diǎn)進(jìn)行重新表示，使其符合下一步建模的要求；

（4）輪廓點(diǎn)集轉(zhuǎn)化為規(guī)則網(wǎng)絡(luò)

接著對輪廓點(diǎn)集進(jìn)行網(wǎng)絡(luò)建模，將集合P以圖G=(V,E)的形式表現(xiàn)，在輪廓點(diǎn)映射為頂點(diǎn)的基礎(chǔ)上，對圖中每一對頂點(diǎn)之間添加一條連接邊，得到全耦合網(wǎng)絡(luò)；

（5）規(guī)則網(wǎng)絡(luò)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)

引入距離閾值和灰度顏色閾值，在閾值范圍內(nèi)產(chǎn)生一組新的連接邊集合，忽略間隔距離較大的節(jié)點(diǎn)間連接關(guān)系，將規(guī)則網(wǎng)絡(luò)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)；

（6）網(wǎng)絡(luò)建模

對特定的形狀輪廓i和灰度輪廓圖j，抽象化為對應(yīng)的圖Gi和Gj，選定距離閾值集合R中的所有值r^j，順序作用在節(jié)點(diǎn)集合中，分別建立相應(yīng)的網(wǎng)絡(luò)模型；

（7）識別參數(shù)提取

根據(jù)Canny算法生成形狀輪廊，根據(jù)灰度閾值生成灰度輪廓集合后，通過不同的距離閾值，將所有輪廓轉(zhuǎn)化為一系列復(fù)雜網(wǎng)絡(luò)模型，并對每一個模型提取識別參數(shù)；

（8）灰度識別

根據(jù)上述步驟得到每一個識別參數(shù)后，進(jìn)行識別。

優(yōu)選的，所述步驟（2）中灰度輪廓提取的具體步驟為

①圖像表示為集合：將灰度圖像的點(diǎn)集記為V₀，任意像素點(diǎn)V₀^，∈V₀；

②二值化處理：對圖像點(diǎn)集合V₀進(jìn)行簡單二值化處理，給定灰度閾值t，其取值范圍限定為0≤t≤max（W₀），對集合中的任意點(diǎn)V₀^，∈V₀，對W₀進(jìn)行變換，記為W；

③灰度輪廓提?。和ㄟ^變換規(guī)則對W進(jìn)行變換。

優(yōu)選的，所述變換規(guī)則為W=｛255，if the value of the pixel equals to 255 or he value of the four adjacent pixels all equal to 0｝。

優(yōu)選的，所述步驟（7）中提取識別參數(shù)的具體步驟為：

①計算單個網(wǎng)絡(luò)模型的單個網(wǎng)絡(luò)參數(shù)；

②匯集網(wǎng)絡(luò)參數(shù)，形成特征參數(shù)。

優(yōu)選的，所述匯集網(wǎng)絡(luò)參數(shù)為最大度、最小度、平均度、度的方差。

優(yōu)選的，所述步驟（8）中灰度識別的具體步驟為：

①建立識別分組：收集已劃分類別的灰度圖像，建立灰度圖像的樣本組，將待分類的灰度圖像歸入測試組，并對兩個分組中的圖像分別建立復(fù)雜網(wǎng)絡(luò)模型；

②計算識別結(jié)果：與形狀輪廓圖像識別方法相似，計算識別對象與灰度圖像樣本組對象之間的識別參數(shù)二階范數(shù)值；

③劃分輪廊分組：二階范數(shù)取得最小值時，該樣本灰度圖像所處的分組就是該測試灰度圖像的分組。

有益效果：本發(fā)明提供了一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法，在識別過程中增加提取輪廓的流程，降低灰度圖像的處理難度，降低復(fù)雜網(wǎng)絡(luò)建模規(guī)模，減少程序所占用的存儲空間，通過對同一幅灰度圖像提取一個形狀輪廓及一組灰度輪廓，全面獲取灰度圖像的形狀和色彩信息，創(chuàng)新識別方式，提升準(zhǔn)確率，增加復(fù)雜網(wǎng)絡(luò)識別參數(shù)，提供更多的識別細(xì)節(jié)，提升識別準(zhǔn)確率。

具體實(shí)施方式

一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法，包括如下步驟：

（1）形狀輪廓提取

采用Canny算法最優(yōu)化數(shù)值方法，獲取最佳邊緣檢測模板，用于輪廓提??；

（2）灰度輪廓提取

采取二值化處理方法，通過對同一幅圖像進(jìn)行處理，生成一系列灰度輪廓，間接保存灰度圖像的顏色信息，所述灰度輪廓提取的具體步驟為

①圖像表示為集合：將灰度圖像的點(diǎn)集記為V₀，任意像素點(diǎn)V₀^，∈V₀；

②二值化處理：對圖像點(diǎn)集合V₀進(jìn)行簡單二值化處理，給定灰度閾值t，其取值范圍限定為0≤t≤max（W₀），對集合中的任意點(diǎn)V₀^，∈V₀，對W₀進(jìn)行變換，記為W；

③灰度輪廓提?。和ㄟ^變換規(guī)則對W進(jìn)行變換，所述變換規(guī)則為W=｛255，if the value of the pixel equals to 255 or he value of the four adjacent pixels all equal to 0｝；

（3）灰度圖像復(fù)雜網(wǎng)絡(luò)建模

對于二值化處理后的形狀輪廓圖和灰度輪廓圖，利用復(fù)雜網(wǎng)絡(luò)對形狀輪廓和灰度輪廓圖進(jìn)行建模，首先要對輪廓中的像素點(diǎn)進(jìn)行重新表示，使其符合下一步建模的要求；

（4）輪廓點(diǎn)集轉(zhuǎn)化為規(guī)則網(wǎng)絡(luò)

接著對輪廓點(diǎn)集進(jìn)行網(wǎng)絡(luò)建模，將集合P以圖G=(V,E)的形式表現(xiàn)，在輪廓點(diǎn)映射為頂點(diǎn)的基礎(chǔ)上，對圖中每一對頂點(diǎn)之間添加一條連接邊，得到全耦合網(wǎng)絡(luò)；

（5）規(guī)則網(wǎng)絡(luò)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)

引入距離閾值和灰度顏色閾值，在閾值范圍內(nèi)產(chǎn)生一組新的連接邊集合，忽略間隔距離較大的節(jié)點(diǎn)間連接關(guān)系，將規(guī)則網(wǎng)絡(luò)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)；

（6）網(wǎng)絡(luò)建模

對特定的形狀輪廓i和灰度輪廓圖j，抽象化為對應(yīng)的圖Gi和Gj，選定距離閾值集合R中的所有值r^j，順序作用在節(jié)點(diǎn)集合中，分別建立相應(yīng)的網(wǎng)絡(luò)模型；

（7）識別參數(shù)提取

根據(jù)Canny算法生成形狀輪廊，根據(jù)灰度閾值生成灰度輪廓集合后，通過不同的距離閾值，將所有輪廓轉(zhuǎn)化為一系列復(fù)雜網(wǎng)絡(luò)模型，并對每一個模型提取識別參數(shù)，所述提取識別參數(shù)的具體步驟為：

①計算單個網(wǎng)絡(luò)模型的單個網(wǎng)絡(luò)參數(shù)；

②匯集網(wǎng)絡(luò)參數(shù)，形成特征參數(shù)，所述匯集網(wǎng)絡(luò)參數(shù)為最大度、最小度、平均度、度的方差；

（8）灰度識別

根據(jù)上述步驟得到每一個識別參數(shù)后，進(jìn)行識別，所述灰度識別的具體步驟為：

①建立識別分組：收集已劃分類別的灰度圖像，建立灰度圖像的樣本組，將待分類的灰度圖像歸入測試組，并對兩個分組中的圖像分別建立復(fù)雜網(wǎng)絡(luò)模型；

②計算識別結(jié)果：與形狀輪廓圖像識別方法相似，計算識別對象與灰度圖像樣本組對象之間的識別參數(shù)二階范數(shù)值；

③劃分輪廊分組：二階范數(shù)取得最小值時，該樣本灰度圖像所處的分組就是該測試灰度圖像的分組。

本發(fā)明提供了一種基于復(fù)雜網(wǎng)絡(luò)的灰度圖像識別方法，在識別過程中增加提取輪廓的流程，降低灰度圖像的處理難度，降低復(fù)雜網(wǎng)絡(luò)建模規(guī)模，減少程序所占用的存儲空間，通過對同一幅灰度圖像提取一個形狀輪廓及一組灰度輪廓，全面獲取灰度圖像的形狀和色彩信息，創(chuàng)新識別方式，提升準(zhǔn)確率，增加復(fù)雜網(wǎng)絡(luò)識別參數(shù)，提供更多的識別細(xì)節(jié)，提升識別準(zhǔn)確率。

以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。