大數據環境下實驗室局域網絡含噪字符識別模型設計

郭 杰

（安徽財經大學，安徽 蚌埠233000）

0 引言

隨著圖像處理技術的發展，采用多視覺成像技術進行實驗室局域網絡含噪字符的三維檢測和特征識別，提高實驗室局域網絡含噪字符的檢測能力，在進行實驗室局域網絡含噪字符特征識別過程中，需要結合實驗室局域網絡含噪字符的相關特性對其進行有效識別，相關的實驗室局域網絡含噪字符檢測方法研究受到人們的極大重視［1］.

對實驗室局域網絡含噪字符的檢測是建立在圖像的三維視覺信息融合基礎上，結合特征優化識別方法，進行實驗室局域網絡含噪字符的信息融合和特征檢測.提出基于視覺信息增強的實驗室局域網絡含噪字符識別模型，采用關鍵特征點提取方法進行實驗室局域網絡含噪字符的特征檢測，進行實驗室局域網絡含噪字符的邊緣輪廓特征檢測［2］，結合小波多級降噪方法進行實驗室局域網絡含噪字符的降噪處理，采用模板特征匹配方法實現實驗室局域網絡含噪字符的特征配準，實現大數據環境下實驗室局域網絡含噪字符識別模型的優化設計，最后進行仿真測試分析，展示了本文方法在提高實驗室局域網絡含噪字符識別能力方面的優越性.

1 視覺信息采樣和特征檢測

1.1 實驗室局域網絡含噪字符視覺信息采樣

為了實現大數據環境下實驗室局域網絡含噪字符識別，采用模板特征匹配方法實現實驗室局域網絡含噪字符的特征配準，首先進行實驗室局域網絡含噪字符的特征信息采樣，構建實驗室局域網絡含噪字符圖像的三維視覺信息采集模型［3］，結合特征配準的方法進行計算機視覺圖像采集，設實驗室局域網絡含噪字符集合為D=｛d1，d2，…，dn｝，其中待檢測的字符為F，該集合可以表示為F=｛f1，f2，…，fm｝，

設置實驗室局域網絡含噪字符的均勻像素特征量表示為：

式中，k為實驗室局域網絡含噪字符的采集時間，fm（k）為實驗室局域網絡含噪字符最終待檢測數據量；將含噪字符視為坐標系中的點，將其在不同軸上點的索引值表示為：

其中，D（x（k））和DFx（k）分別為實驗室局域網絡含噪字符特征分組的目標分布場和候選區域分布場，根據上述分析，進行實驗室局域網絡含噪字符的特征采樣和信息提取，采用邊緣輪廓特征提取方法進行實驗室局域網絡含噪字符的尺度分解和灰度信息提取，采用多維度的三維跟蹤和信息采樣方法，獲取實驗室局域網絡含噪字符的特征.根據一定特征權重值將其進行分解，分解過程如圖1.

圖1 特征分解模型

1.2 含噪字符信息獲取

為實現實驗室局域網絡含噪字符的精準識別，需要對其進行整體信息的檢測，以獲取其關鍵特征.

通過構建實驗室局域網絡含噪字符的三維特征成像模型，采用多分量像素空間特征重組的方法，進行實驗室局域網絡含噪字符特征點匹配設計［4］，結合點掃描跟蹤技術，進行實驗室局域網絡含噪字符圖像空間視覺特征分布式重建，得到含噪字符圖像的分布式信息采樣輸出為：

其中，assoc（A，V）是機器視覺下實驗室局域網絡含噪字符圖像的像素點子集，建立實驗室局域網絡含噪字符圖像空間視覺融合的二值模型（Dominant LBP，DLBP）［5］，構造匹配濾波器，得到實驗室局域網絡含噪字符信息分布為：

其中，k表示實驗室局域網絡含噪字符的特征辨識系數，m表示實驗室局域網絡含噪字符的分塊信息素，μ表示實驗室局域網絡含噪字符的噪聲強度.

在上述分析基礎上，將實驗室局域網絡含噪字符特征分布的像素值設為：

其中，Lxx（x，σ）代表移動尺度，Lxy和Lyy為實驗室局域網絡含噪字符特征匹配系數和低頻系數.采用三維視覺重構技術進行實驗室局域網絡含噪字符特征配準設計，定義實驗室局域網絡含噪字符的梯度模特征，進行實驗室局域網絡含噪字符的位置點區域特征重構［6-7］，為：

在公式（7）中，γi代表含噪字符的粗糙點的特征量，φ（a，b）代表含噪字符特征量點值，φi代表含噪字符區域特征關鍵值.

2 實驗室局域網絡含噪字符識別

2.1 字符的小波多級降噪

進行實驗室局域網絡含噪字符的邊緣輪廓特征檢測，結合小波多級降噪方法進行實驗室局域網絡含噪字符進行降噪處理.對實驗室局域網絡含噪字符的模糊跟蹤識別［8］，結合圖像濾波檢測方法，得到實驗室局域網絡含噪字符的三維信息增強模型為：

式中，β代表含噪字符的增強強度.

采用單位移動尺度關聯分配方法進行實驗室局域網絡含噪字符圖像空間視覺特征配準，進行梯度模特征提取，采用模糊C均值分類的方法進行實驗室局域網絡含噪字符的特征分類識別，采用點目標重構法進行圖像重建［9-10］，提取實驗室局域網絡含噪字符圖像視覺特征量，輸出結果為：

結合RGB特征分解方法，進行實驗室局域網絡含噪字符的三維渲染，構建實驗室局域網絡含噪字符圖像的高精度特征配準模型，進行字符圖像的小波多級降噪處理.

2.2 字符識別優化輸出

采用灰度特征點標記方法進行實驗室局域網絡含噪字符的幀點掃描，提取實驗室局域網絡含噪字符特征.輸出含噪字符的像素特征點為：

在上述公式中，Tk代表局域網絡含噪字符增強后的幀點.

在上述分析基礎上，實驗室局域網絡含噪字符的識別結果為：

構建實驗室局域網絡含噪字符的像素分布灰度共生矩陣，根據矩陣的特征解分布實現對實驗室局域網絡含噪字符的優化檢測，對實驗室局域網絡含噪字符特征進行再次劃分，在含噪字符存在的坐標中，將分布點的面積表示為M，此時獲取的含噪字符特征模型表示為：

其中，n表示實驗室局域網絡含噪字符個數，M（D，F）表示實驗室局域網絡含噪字符特征量，采用目標模板特征匹配方法，得到實驗室局域網絡含噪字符跟蹤模型為：

其中，U（k）（u）表示三維視覺下實驗室局域網絡含噪字符輪廓線，D（k）（u） 表示實驗室局域網絡含噪字符點間隔調整像素集，L（k）（u） 表示實驗室局域網絡含噪字符的特征匹配集，實現實驗室局域網絡含噪字符匹配.

3 仿真實驗與結果分析

為了驗證本文方法在實現實驗室局域網絡含噪字符識別中的應用性能，對實驗室局域網絡含噪字符采集的像素值為800×900，實驗室局域網絡含噪字符的灰度像素集分布為120，圖像的輸入信噪比為-13dB，具體實驗參數如表1所示.

表1 實驗參數

根據上述參數設定，進行實驗室局域網絡含噪字符的識別，得到實驗室局域網絡含噪字符如圖2所示.

根據圖2中實驗室局域網絡含噪字符的特征檢測結果，進行實驗室局域網絡含噪字符識別，將其與理想值進行對比，結果如表2所示.

圖2 實驗室局域網絡含噪字符

分析表2中數據可以看出，隨著迭代次數的不斷變化，采用本文方法對實驗室含噪字符識別的精度較好，與理想識別精度相比相差較小，符合理想識別精度，驗證了所提方法的科學有效性.

表2 實驗室局域網絡含噪字符識別精度%

4 結語

本文提出基于視覺信息增強的實驗室局域網絡含噪字符識別模型，采用關鍵特征點提取方法進行實驗室局域網絡含噪字符的特征檢測，進行實驗室局域網絡含噪字符的邊緣輪廓特征檢測，結合小波多級降噪方法進行實驗室局域網絡含噪字符的降噪處理，對實驗室局域網絡含噪字符特征點匹配設計，結合點掃描跟蹤技術，進行實驗室局域網絡含噪字符圖像空間視覺特征分布式重建，結合圖像信息增強處理技術實現實驗室局域網絡含噪字符的優化識別.分析得知，采用該方法進行實驗室局域網絡含噪字符識別的精度較高，具有很好的自動識別能力.