文摘

存在大量的方法/算法可用于有氧的分类图像。尽管当前方法用于分类有氧运动图像,它不能有效地去除噪声的有氧运动图像。分类时间长,还有可怜的去噪效果和分类效率低的问题。因此,有氧运动图像分类算法基于模态对称算法。基于结构特征的非局部均值滤波的方法用于降噪有氧运动图像,并介绍了图像的金字塔结构分解有氧运动图像。根据去噪和分解结果,有氧运动图像的增强实现对数图像处理(唇)模型和梯度锐化方法。最后,有氧运动图像增强后由模态对称性分类算法。实验结果表明,该方法具有良好的去噪效果和分类效率高,这表明该算法具有显著效果和高的应用程序的性能。

1。介绍

分类的图像是数字图像处理的主要方面之一。它开始在1950年代末,已广泛应用于各领域像人力汽车跟踪、地质、气候探测、自然灾害监测、医疗、通信、军事等领域的工程(1- - - - - -4]。数字图像处理是信息技术的一个重要分支,包括图像去噪、增强、复原、分割、特征提取(5,6]。随着计算机技术的发展和普及,数字图像的需求在农业、畜牧业、林业、环境、军事、工业和医学也越来越多。可以说,图像处理技术已经渗透到我们生活的方方面面7- - - - - -9]。目前,有些人处于亚健康状态,越来越多的人关注体育锻炼。有氧运动是一个相对简单的和受欢迎的运动,广泛关注。在健美操教学过程中,分解教学是至关重要的,分解动作图像识别的性能直接影响健美操教学的效果。因此,有氧运动图像分类方法已经成为当前研究的重点。目前,有一些有氧运动图像分类中存在的问题,如去噪效果差和分类效率低,因此有必要研究有氧运动图像分类方法(10,11]。

赵和冯提出了健美操基于稀疏编码的图像分类算法和空间金字塔匹配。这个算法稀疏编码的筛选功能有氧运动图像,而不是传统的矢量量化方法,可以有效地降低量化误差,建立一个更精确的图像表示。然后,结合空间金字塔匹配算法,线性分类器是用于有氧运动图像分类和识别。稀疏编码的算法需要很长时间筛选功能,导致很长时间来分类,所以有一个分类效率低的问题12]。沈et al。13)提出了有氧运动基于边缘检测的图像分类算法。有氧运动图像算法进行预处理,包括图像去噪和图像增强。对健美操的兴趣区域获得的图像边缘检测方法,和感兴趣的地区发现的特点是由灰度提取同现矩阵。提取的特征,支持向量机用于分类。去噪后图像信号频率波动较大,这表明算法的去噪效果很差。陆et al。14)提出了健美操的基于特征的图像分类算法的优化。该算法进行阈值分割、形态学滤波、边缘跟踪收集的有氧运动图像获取完整的彩色图像。同时,基于图像集提取纹理特征,结合f值特性评价方法,选择特征参数的最优特征子集,这是作为BP神经网络的输入特征值实现有氧运动图像的分类。该算法需要很长时间来筛选特征参数和分类效率低的问题。赵et al。15)提出了有氧运动图像分类算法基于自适应软同义词和卡方分布模型。算法使用概率潜在语义分析模型,分析了语义共生的概率视觉图像中文字,发掘隐藏的语义主题的形象,然后获得视觉上的语义主题的概率分布。K-L分歧介绍测量视觉词汇之间的语义相关性和获取语义相关的同义词。柔软的筛选特征点和相关的一些语义同义词之间的映射实现通过结合自适应软配置策略。卡方检验模型是用来过滤“视觉停止词”和重建视觉单词的直方图分布和一个支持向量机分类器是用于完成目标分类。该算法不能有效去除有氧运动图像中的噪声,还有去噪效果差的问题。所以基于文献,发现大多数可用的方法不能有效去除有氧运动图像中的噪声。分类时间长,还有可怜的去噪效果和分类效率低的问题。因此,有氧运动图像分类算法基于模态对称算法。该模型的结果比其他现有的方法。

综上所述,本文提出了有氧运动图像分类算法基于模态对称算法。具体过程如下:(1)有氧运动的图像去噪(2)然后有氧运动图像进行增强处理(3)健美操运动的分类图像实现了模态对称算法(4)实验和讨论:有氧运动图像分类算法的整体有效性验证基于模态对称算法去噪效果和分类效率两个方面(5)结论

2。有氧运动图像的预处理

2.1。基于结构特征的非局部均值滤波

灰度图像的基本特征主要包括灰度值、边缘、纹理、几何和空间关系的图像。有氧运动目标特征提取的图像分类算法基于模态对称算法包括当地边缘、形状、特殊点,专线的像素代表图像的局部结构。在某种程度上,这些地方特色可以反映图像中最重要和基本特征信息(16,17]。

有氧运动图像分类算法的去噪过程基于模态对称算法如下:(1)输入噪声图像,减少其与高斯滤波器对噪声的敏感性。(2)每个像素块由一个二进制表示描述符。为了便于计算,选择一组特定的邻域像素代表中央块的特征信息,测量相似,和屏幕功能相似的块。本地块匹配也可以衡量中央块之间的距离和所选参考块的社区通过以下方程: 开始之前,图像平滑的高斯滤波器来减少其对噪声的敏感性。和代表对应的像素值附近街区的中心块和平滑的图像。小区块用于表示特征信息是预选根据实验数据,和是 - - - - - -预选的邻居。为了便于计算,如果当地的距离小于某个阈值 ,这意味着中央像素块相对平坦,没有明显的结构特点,然后,它的二进制串直接设置为0了 在哪里代表了最大的价值 。如果大于 ,这意味着中央像素块包含本地图像特征信息;那么它的二进制字符串中给出的定义是 在哪里代表了 - - - - - -在字符串。当地的距离小于当地相邻两个像素块的距离;即物体的中心点更像比相邻的两个像素块中心块记录为1;其余的是0,来是一个环形。从上面的定义,可以得出的结论是,本地二进制文件描述符是一个16位二进制代码,可以更好地描述像素的地方特色18]。二进制文件描述符的地方相似的阻塞可以区别于其他nonsimilar很快。(3)生成相应的二进制文件描述符为每个二进制文件描述符匹配模板。二进制文件描述符可以有效提高匹配效率通过比较相似的块的二进制代码(和 )中央像素块和邻近像素块。然而,为了提高去噪效果,应该选择更多的相似块,以避免信息丢失。有氧运动的图像分类算法基于模态对称算法采用一个新的本地二进制特征描述符模板选择更相似块通过逻辑操作19]。让中央像素块的编码 ,,让位于两个预选的相似块的编码和是 和 ,分别。为了保留更多的特征信息,编码原中央像素块扩展的左派和右派二进制数的编码中值1也和描述符通过使用 之后,邻居像素块的描述符模板及其编码位操作。如果结果等于社区编码,这被认为是类似于中央像素块;否则,它不是类似,可以表示如下20.]: (4)二进制的一个像素块描述符大于0,这意味着该地区包含特征信息。然后,(1)特性和灰色相似块选择以下预先筛分方程: (2)可以计算相应权重的相似块以下方程: 在哪里之间的欧几里得距离中心像素块块和预选的相似 。它可以计算使用 在哪里代表像素块的大小,和阈值和是由以下方程:

2.2。图像增强

2.2.1。图像金字塔

对于一个图像与 ,半二次抽样在两个方向上可以获得一个1/4原始图像的缩略图。通过连续二次抽样,我们可以得到一系列大小不一的金字塔结构由子图象,和每一层都有不同的大小和屏幕分辨率。层0是最大的大小和分辨率是最高的。与金字塔的上层,运动图像的尺寸和分辨率下降,直到层(21]。

建筑金字塔的过程中,从后来水平前水平,行和列的分辨率是2减少因素,并相应减少图片的大小。为一个完整的二维图像金字塔 层,给出了元素的总数 沙石水平主要显示图像的轮廓信息,而大规模的水平反映了图像的细节特征(22]。

只有根据二次抽样减少图片的大小,我们经常失去很多信息。根据采样定理,它是必要的让所有的图像采样获得的最短波长小于1/4通过平滑滤波器来消除失真。从尺度的角度空间,减少图像大小需要同步与适当的图像的平滑滤波。如果平滑和二次抽样是重复的,可以获得不同分辨率的子图象(23,24]。图像金字塔可以由排序子图象获得的。

以高斯金字塔为例,高斯低通滤波过滤过程可以表示为 ,可以发现的

也就是说,二维图像 高斯滤波器是复杂的 获得平滑的图像 ,高斯滤波器的表达式在哪里 如下:

规模参数是带宽高斯滤波器。使用高斯平滑滤波器,单一操作产生高斯金字塔的子图象可以表示如下:

也就是说, - - - - - -th层高斯图像是用来计算 - - - - - -th层高斯图像 ,在哪里代表了高斯平滑算子及其下标代表二次抽样的抽样率2。金字塔的底层是原始图像,和最高的层对应于最厚的大小。

2.2.2。嘴唇模型的改进算法

增强算法基于唇模型简化了灰度图像通过使用统一补转换。灰度函数的简化处理算法的形式表达 在哪里代表正常化和补充后的输出图像变换,和灰色的函数的值范围定义在区间 非线性变换中表达 在哪里 和 输入和输出像素的灰度值,和分别为实数,的表达 如下:

当 ,非线性转换过程可以扩大图像的动态范围的黑暗区域。当 ,这个过程可能扩大的明亮区域的动态范围图像。当 ,中央像素的平均值之间的差异和周围的像素是非线性放大。越大值越大,图像的边缘增强。

2.2.3。梯度锐化

梯度算法来锐化图像边缘信息。函数的梯度 在一个点 被定义为一个向量是吗

即梯度的方向的方向最大变化速率的函数 ,和梯度的大小定义为通过

一个阈值介绍了确定处理一个像素的灰度值,给出的是哪一个

背景和对象之间的梯度值不会改变太多。明显的灰度变化主要反映在结的对象和背景,即图像的边缘。通过设置阈值, 图像边缘的灰度值大于阈值,使像素点明亮而凸显出优势;同样的像素灰度值 不大于阈值时,它是平滑25,26]。

3所示。有氧运动图像分类算法基于模态对称算法

有氧运动的图像分类算法基于模态对称算法实现有氧运动通过模态对称性图像分类算法。具体步骤如下。

3.1。建立“视觉词汇”

假设我们训练一个场景的MIL分类器 ,让 表示标记图像集, 表示图像属于场景 ,−1表示的图像不属于现场 ,和 表示标记图像设置。如果任何图像分为区域,每个区域的视觉特征向量对应的记录 ,和代表视觉特征向量的维数 MIL培训包,是在包的例子。在所有的例子图像放在一起,被称为示例集,并记录和由 在哪里例子的总数,其计算公式如下:

基于模态的有氧运动的图像分类算法使用对称算法 - - - - - -方法收集的元素成类。因为每个聚类中心通常代表一组图像区域相同的视觉特征,它被称为“视觉词”(27),并记录 ,而这些“视觉语言”被称为“视觉词汇”和记录 。

3.2。构造模糊矩阵“word文档”

为了获得图像的潜在语义模型的LSA方法,根据最小欧氏距离的原理,不同数量的“视觉语言”中出现的多个示例数据包统计;即为代表的多个示例数据包词频向量(28]。让词频向量的多个示例包中是鉴于在 在哪里代表出现的次数 - - - - - -届“视觉词”在 。的词频统计,传统方法如下:如果例子最接近的欧几里得距离“视觉词” ,然后加1 - - - - - -th词频向量的分量值,也就是说, ,有非理性的词频统计。让和代表两种不同的“视觉语言” , , ,和代表四个不同的例子。从图1可以看到,它直观地的信心是高于属于 ,虽然之间的距离和和是一样的,是否有歧义属于或 。传统词频统计方法不考虑这些差异和歧义29日]。

为了解决这个问题,模糊隶属函数 根据欧氏距离定义之间的例子吗X和“视觉词” 。可以说,每个例子multiexample包属于所有的“视觉语言”在同一时间;只有根据距离,隶属程度是不同的。通过上面的分析,定义的模糊词频向量有氧运动图像分类算法基于模态对称算法可以表示为 在哪里代表了 - - - - - -multisample包中的示例和代表的例子 。从上面的公式可以看出,价值的 - - - - - -模糊词频向量的th组件是由模糊隶属度之和之间所有的例子和(30.]。

为了突出不同的“视觉语言”的重要性在图像分类、模糊词频率向量加权frequency-anti-document频率,即 在哪里代表着模糊的频率包含“视觉词” ; 代表的数量多示例包包含“视觉词”在训练集;代表总数的多个样本训练集的数据包。

为了控制范围的变化在同一范围内,由规范化进行

加权和规范化词频向量记录 。通过模糊词频向量对应所有多示例包在训练集,我们可以得到模糊矩阵“word”知识,记录为给定的 每一行的对应于一个“视觉词”,每一列对应一个多个样品包。

3.3。模糊的潜在语义特征

作为自然语言处理方法,LSA的核心思想是建立一个潜在语义空间通过截断奇异值分解和项目词和文档各种维度代表潜在的语义,这样的话可以获得潜在的语义关系,及相关文档可以获得相同的向量表示,即使他们不使用相同的单词(31日,32]。根据奇异值分解定理,矩阵“word”可以分解成三个矩阵乘法,给出的 在哪里是原始特征空间的维数, , 和是左和右奇异向量矩阵对应于矩阵的奇异值吗 ,分别为, 和是对角矩阵排列矩阵的奇异值吗在降序排列。如果只有第一个奇异值和第一列和,也就是说, , ,和 ,然后矩阵的最佳逼近在的感觉 - - - - - -订单最小二乘法,给出的

一般而言,上述公式称为截断奇异值分解。通过这种方式,矩阵降维后可以获得;也就是说, 。在这里,每一列是模糊的潜在语义特征相应的包在训练集,从最初的减少是哪一个维度的维度。让 归一化模糊词频向量的任何新的multiexample包 ,及其模糊是由潜在语义特性

这是来自 ,形成的空间在哪里列向量中称为模糊潜在语义空间,它可以被看作是原来的向量空间的压缩。列向量中是模糊潜在语义空间的基础。

3.4。TSVM训练分类器

初始化, 是作为标记包,其模糊潜在语义特性计算;然后 添加到TS,哪里包装的标签吗 。如果 是一个无名的包,其模糊潜在语义特性 计算。 添加到TS,无名包裹的标签是0。

TS是用于解决优化问题后,和类标签 和TSVM分类器未标记的图像集得到的吗 在哪里的未标记样本总数;损失函数,通常 ; ; 分配给未标记样本的标签在优化过程;样品的数量的比例是标记为积极的未标记样本总数;和控制参数是用来调整算法复杂性和损失函数之间的平衡。

通过上述过程,健美操运动图像的分类。

4所示。实验和讨论

为了验证的总体有效性有氧运动图像分类算法基于模态对称算法,有必要测试有氧运动图像分类算法基于模态对称算法。这个测试是在MATLAB平台上完成。有氧运动的图像分类算法基于模态对称算法(算法1),有氧运动图像分类算法基于稀疏编码空间金字塔匹配算法(2),有氧运动的基于边缘检测的图像分类算法(算法3),和有氧运动的图像分类算法基于特征优化算法(4)用于测试。上面的算法用于降噪有氧运动图像,和图像去噪前后的信号频率与四个不同的方法。测试结果如图2。

图2代表图像的比较前后信号频率由四个不同的去噪算法。可以看出,有氧运动图像分类算法的去噪后的信号频率小于基于模态对称算法,之前所有迭代去噪。去噪效果,更适合算法是实现一个稳定的频率。信号频率趋于稳定,表明有氧运动图像分类算法基于模态对称算法具有良好的去噪效果,因为算法使用一个新的本地二进制特征描述符模板过滤掉更多的相似块通过逻辑操作,以避免信息丢失,提高去噪的效果。

有氧运动图像分类算法基于模态对称算法(算法1),有氧运动基于稀疏编码的图像分类算法空间金字塔匹配算法(2),有氧运动的基于边缘检测的图像分类算法(算法3),基于功能和有氧运动的图像分类算法优化算法(4)进行测试,分别分类的四种不同算法比较,测试结果如下。

图的分析3表明有氧运动图像分类算法的分类时间基于模态对称算法在多个迭代低于有氧运动基于稀疏编码的图像分类算法空间金字塔匹配,有氧运动基于边缘检测的图像分类算法,基于功能和有氧运动的图像分类算法优化,因为有氧运动图像分类算法基于模态之间的对称算法提高了有氧运动图像分类,提高了图像特征的重要性,缩短分类的时间有氧运动图像,提高了分类的效率有氧运动图像分类算法基于模态对称算法。

5。分析

有许多方法和算法对有氧图像进行分类。它们中的大多数都是缓慢的检测。因此,有必要基于模态测试有氧运动图像分类算法对称算法。有氧运动的图像分类算法基于模态对称算法(算法1),有氧运动图像分类算法基于稀疏编码空间金字塔匹配算法(2),有氧运动的基于边缘检测的图像分类算法(算法3),和有氧运动的图像分类算法基于特征优化算法(4)用于测试。测试结果在图表示2表明该方法的去噪效果最好与其他三种方法。另外,图3表明该方法至少处理时间在四个有氧图像降噪的方法。

6。结论

为了进行分类和识别的有氧运动的形象,有必要研究有氧运动图像分类算法。目前,有氧运动图像分类算法的去噪效果差和分类效率低的问题。有氧运动的图像分类算法基于模态对称算法,在有氧运动可以有效地去除噪声的图像在很短的时间内,完成有氧运动图像准确的分类,在当前的方法解决问题,提供有氧运动图像识别的相关信息。在结果与讨论部分给出的结果清楚地表明,该算法具有更多的去噪效果,相比其他方法。也为该方法,处理数据所花费的时间最少。因此,结果表明,该方法优于其他三种方法。

数据可用性

数据将根据要求提供相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。