摘 要：圖像技術目前在工業檢測、生物醫學、X射線圖像增強、遙感圖像分析和空間技術等方面具有廣泛的應用價值。該文對圖像預處理，進行多種特征提取，建立主成分評價模型得到指標。首先針對圖片的顏色矩、峰值信噪比、結構相似指數等多種特征進行特征提取，歸一化處理后建立主成分分析模型對指標進行篩選，通過 MATLAB求解的分辨真假圖像的5個判斷指標，分別為相似度和梯度、顏色矩、峰值信噪比、均值方差和像素數，實驗結果表明模型適用性良好。

　　關鍵詞：圖像技術 HSV 顏色模型 主成分分析 圖形識別

　　圖像技術目前在工業檢測、生物醫學、X射線圖像增強、遙感圖像分析和空間技術等方面具有廣泛的應用價值[1]。圖像作為最直觀且有效傳達信息的載體，是記錄生活真實場景的重要方式。寬帶業務與多媒體的主要內容載體是圖像，圖像中蘊含了大量的信息，百聞不如一見，一圖勝千言，且都客觀地反映了這個事實[2];另一方面，多媒體信息的多樣化和多維化，不利于進行有序的、高效的管理;而如何高效地、快速地在急速膨脹的海量多媒體數據庫中查詢用戶所需數據信息逐漸成為一個亟待處理的問題[3]。

　　1 圖片預處理：特征提取

　　可以明顯從圖1(a)(b)看出，原圖和對比度增強后的圖像相比發暗。根據顏色特征值分析，顏色一階矩運行結果顯示圖1(a)的值小于圖1(b)，同樣反映了圖1(a)比圖1(b)要灰暗些;顏色二階矩運行結果顯示圖1(a)的灰度分布比圖1(b)灰度分布均勻;顏色三階矩值反映圖1(a)灰度偏暗，而圖1(b)圖偏亮，二者灰度值偏斜的方向相反。運行結果統計如表1所示。

　　如表1可知，以ILSVRC2012_val_00033985.JPEG 圖片為例，原圖的一階矩、二階矩和三階矩分別為127.307 1、32.014 2和9.599 5。該文利用顏色一階矩(平均值Average)、顏色二階矩(方差Variance)和顏色三階矩(偏斜度Skewness)來描述顏色分布。

　　2 HSV 顏色模型

　　由于HSV顏色空間的色調、飽和度、明度與人眼對顏色的主觀認識相對比較符合，與其他顏色空間相比HSV空間能更好地反映人類對顏色的感知，所以該文采用HSV顏色空間下的顏色矩作為顏色特征[4-6]。

　　圖像的顏色有多種表示方式，其中HSV顏色模型是一種適合肉眼分辨的模型，它把彩色信息表示為3種屬性，即色調h、飽和度s和亮度v，這種顏色模型可用三維空間坐標系統表示。

　　3 基于主成分綜合評價的指標判斷

　　該文采用主成分回歸分析將原先的回歸自變量變換到另一組變量，即主成分。通過圖片的預處理，該文已提取到的有關圖片的特征值如表2所示。

　　根據表2數據可知，該文分別對全部真實圖片的均值、方差、信噪比、相似度、水平梯度、垂直梯度、像素數、一階矩、二階矩和三階矩10個指標做了特征提取。該文通過MATLAB對10個評價指標進行主成分分析，得到相關矩陣的特征值。在這里將省略對表內容的展示。我們可以得出前5個特征根的累計貢獻率可達80%以上，主成分分析效果很好[7-10]。因此該文選取前5個主成分(累計貢獻率達到82.37%)進行綜合評估。前5個特征根對應的特征向量如表3所示。

　　從表3可以看出，第一主成分主要反映了指標4、指標5和指標6(相似度和梯度)的信息，第二主成分主要反映了圖像的顏色特征方面的信息(指標8、指標9和指標10)，第三主成分主要反映了峰值信噪比的信息，第四主成分主要為圖像的均值和方差，第五個主成分主要反映了圖像的基本屬性，即像素個數。分別以5個主成分貢獻率為權重，構建主成分綜合評價模型，即

　　把各個圖像的5個主成分值代入上式，可以得到分辨真假圖像的5個判斷指標，分別為相似度和梯度、顏色矩、峰值信噪比、均值方差和像素數。

　　4 結語

　　該文對圖像預處理，進行多種特征提取，建立主成分評價模型得到指標。首先針對圖片的顏色矩、峰值信噪比、結構相似指數等多種特征進行特征提取，歸一化處理后建立主成分分析模型對指標進行篩選，通過MATLAB求解的分辨真假圖像的5個判斷指標，分別為相似度和梯度、顏色矩、峰值信噪比、均值方差和像素數，實驗結果表明模型適用性良好。

　　參考文獻

　　[1] 郝彤，趙杰.面向雙曲線形態的探地雷達圖像識別技術綜述[J].電子學報，2019，47(6)：1366-1372.

　　[2] 張曰花，王紅，馬廣明.基于深度學習的圖像識別研究[J].現代信息科技，2019(11)：111-112，114.

　　[3] 張琦，張榮梅，陳彬.基于深度學習的圖像識別技術研究綜述[J].河北省科學院學報，2019(3)：28-36.

　　[4] 劉嘉政，王雪峰，王甜.基于深度學習的5種樹皮紋理圖像識別研究[J].北京林業大學學報，2019， 41(4)：150-158.

　　[5] 侯加林，田林，李天華，等.基于雙側圖像識別的大蒜正芽及排種試驗臺設計與試驗[J].農業工程學報， 2020(1)：50-58.

　　[6] 江健生.四元數聚類算法在蘋果圖像識別中的應用[J].安慶師范大學學報：自然科學版，2020，26(3)：57-61.

　　[7] 王港，陳金勇，高峰，等.基于深度學習的遙感影像基礎設施目標檢測研究[J].無線電工程，2018，48(3)：219-224.

　　[8] 劉慧力，賈洪雷，王剛，等.基于深度學習與圖像處理的玉米莖稈識別方法與試驗[J].農業機械學報， 2020，51(4)：207-215.

　　[9] 趙欣洋.基于深度學習的不規則特征識別檢測技術[J].輕工機械，2019，37(3)：60-65.

　　[10] 陳鶴森.基于深度學習的細粒度圖像識別研究[D]. 北京郵電大學，2018.

　　推薦閱讀：圖像增強方向論文投稿期刊