计算机论文：基于数据挖掘的学生档案照片像素细分算法

　　计算机论文：基于数据挖掘的学生档案照片像素细分算法

　　摘 要：为了提高学生档案照片分类识别和管理能力，提出基于数据挖掘的学生档案照片像素细分算法。设计学生档案照片采集模型和学生档案照片像素点的边缘特征检测模型，采用小波多尺度降噪方法抑制学生档案照片动态特征点边缘模糊集，提取学生档案照片序列几何特征点，进行学生档案照片的分块处理，根据不同特征的相似性进行学生档案照片的关键特征点检测和信息度量，采用分块模板特征匹配方法进行学生档案照片区域重构，在仿射不变区域中进行学生档案照片像素细分和特征点匹配，采用图像分块模板匹配方法实现学生档案照片的自动像素细分识别。仿真结果表明，采用该方法进行学生档案照片像素细分的准确性较高，对学生档案照片特征点的定位性能较好。

　　关键词：数据挖掘；学生档案；照片像素；细分模型

　　0  引言

　　随着图像处理技术的发展，相关的学生档案照片图像处理技术研究受到人们的极大关注。文献[1]采用深度学习中自动图像处理技术进行图片的分类管理，建立图像分析模型，结合图像像素序列分布式融合方法，进行图像信息跟踪识别，提高对图像信息处理能力。文献[2]对图像的分类处理是建立在照片像素结构化的基础上，采用图像信息融合技术，进行具体图像像素的进一步结构细分，在对学生档案照片图像的降噪、图像融合以及特征提取基础上，采用特征标志点的自动提取方法，提高对学生档案照片序列标志点特征分析能力。

　　将图像识别与细分技术运用到学生档案的处理当中，通过对学生档案照片的自动信息融合和特征识别处理，进行学生档案照片的分类检测，是提高学生档案照片的分类识别能力和信息管理能力的有效途径，因此本文提出基于数据挖掘的学生档案照片像素细分算法。设计学生档案照片采集模型和学生档案照片像素点的边缘特征检测算法，采用分块模板特征匹配方法进行学生档案照片区域重构，在仿射不变区域中进行学生档案照片像素细分和特征点匹配，采用图像分块模板匹配方法实现学生档案照片的自动像素细分识别。

　　1学生档案照片像素序列采样和特征提取

　　1.1学生档案照片像素序列采样

　　设计学生档案照片采集模型和学生档案照片像素点的边缘特征检测模型，采用小波多尺度降噪方法抑制学生档案照片动态特征点边缘模糊集，采用主成分分析方法进行学生档案照片序列的像素特征点检测，进行学生档案照片处理和特征分析[3]，构建学生档案照片的几何不变矩的生成序列为：

　　(1)

　　式中，，表示学生档案照片特征采样点，学生档案照片特征点是由图像的边缘轮廓的主特征值所对应的特征向量构成。在未知像素空间中，进行学生档案照片的样本序列重组，得到k个近邻点构建的学生档案照片的分布仿射区域，根据学生档案照片的弱边缘特征量进行几何特征重构[4]，得到学生档案照片的分布分布式信息融合模型，得到学生档案照片的分块特征匹配模型如图1所示。

　　图1 学生档案照片的分块模型

　　根据图1，采用模糊信息跟踪识别方法，进行学生档案照片归入性聚类，采用大数据融合方法，进行学生档案照片的特征分块子空间聚类，得到学生档案照片的局部动态特征点检测输出为：

　　(2)

　　式中，为表示在不同像素聚类空间中学生档案照片的边缘轮廓特征量，为学生档案照片的最大分块像素值，表示学生档案照片的像素强度。

　　根据学生档案照片的梯度信息和边缘轮廓信息，计算学生档案照片的灰度像素值，采用差异性的特征匹配方法[5]，得到学生档案照片三维特征重建轮廓区域分布估计值为：

　　(3)

　　式中，以像素点为中心，进行学生档案照片的仿射不变区域的融合，其中，学生档案照片的三维特征重建的特征分布系数满足及。假定学生档案照片的分块特征分布，即像素序列满足，其中为学生档案照片成像像素强度。根据图像的三维信息特征点分布情况，采用分块特征匹配方法进行学生档案照片的三维信息融合[6]，得到学生档案照片的三维成像轮廓检测方程为：

　　(4)

　　式中，和表示检测次数，表示成像轮廓阈值，为自然函数，则检测函数如下所示：

　　(5)

　　式中，为学生档案照片序列的分块Heaviside函数，是学生档案照片的像素灰度值。对学生档案照片序列进行点跟踪，进行学生档案照片像素序列采样[7]。

　　1.2 学生档案照片动态特征分析

　　将学生档案照片动态特征标志点(x,y)映射为无向图时，标志点为(,)为每条边定义了权值，将学生档案照片关联特征点分布在空间分布域中，学生档案照片的灰度信息特征分布集为：

　　(6)

　　一阶矩和分别表示学生档案照片动态特征标志点边缘模糊特征量，采用小波多尺度降噪方法抑制学生档案照片动态特征点边缘模糊集，提取学生档案照片序列几何特征点[8]，进行学生档案照片的分块处理，得到中心距：

　　(7)

　　采用小波降噪方法抑制学生档案照片的扰动序列，得到三阶中心矩，学生档案照片成像像素的分布特征量为：

　　(8)

　　(9)

　　上式中，为学生档案照片的灰度像素值为k的统计概率，。在像素分布空间，存在一个，进行学生档案照片动态特征重组，得到学生档案照片的灰度像素分布模型为：

　　(10)

　　式中，为照片灰度值若学生档案照片图像的灰度特征边缘像素集为A，结合学生档案照片特征分割结果，得到像素直方图为，根据上述处理，结合RGB特征分解技术，进行学生档案照片的信息融合和特征重构[9]。

　　2 学生档案照片像素细分算法

　　2.1 学生档案照片序列几何特征点提取

　　采用分块模板特征匹配方法进行学生档案照片区域重构，进行学生档案照片像素细分和特征点匹配，学生档案照片序列的标志点跟踪的尺度因子，学生档案照片边缘像素出现的概率为：

　　(11)

　　如果其中且，在学生档案照片的仿射不变区域内进行学生档案照片的三维信息特征重构，设为学生档案照片分布域空间中的像素均衡值，表示学生档案照片的颜色特征分量，结合动态标志点的稳态匹配技术，得到学生档案照片的均衡系数为：

　　， (12)

　　假设学生档案照片的动态特征标志点为G，学生档案照片的灰度像素特征分布范围在~之间的关联特征量为：

　　(13)

　　采用分块融合技术，得到每幅学生档案照片被分为均等的个子图像块，采用大数据挖掘方法，进行学生档案照片的像素细分。

　　2.2 学生档案照片像素细分实现

　　在仿射不变区域中进行学生档案照片像素细分和特征点匹配，采用图像分块模板匹配方法实现学生档案照片的自动像素细分识别，输出的学生档案照片增强模型为：

　　(14)

　　其中, 、、分别代表高亮区域中学生档案照片的细分特征阿玲，假设前个像素集中学生档案照片的几何特征向量，重建轮廓分布特征点，计算学生档案照片的模糊性特征量，得到分块融合特征匹配大小为，各图像块的熵表示为：

　　(15)

　　其中，m和n为图像编号，i和j为学生档案照片的标志点行列编号。模糊度信息特征量为：

　　(16)

　　图像的动态特征标志点自动跟踪的关键在与对图像的边缘角度特征点的检测，根据上述分析，采用图像分块模板匹配方法实现学生档案照片的自动像素细分识别[10]，实现过程如图2所示。

　　图2 实现过程

　　3 仿真测试分析

　　为验证基于数据挖掘的学生档案照片像素细分算法的应用性能，以Googledatasets (https://cloud.google.com/bigquery/public-data/) 为数据源，进行实验采样，其中，设置学生档案照片初始采样的像素级为600600，学生档案照片采样的干扰信噪比为-12dB，灰度特征分布为，，最终选定学生档案照片的张数为1600张人脸图像为样本，在不同的人脸库中进行学生档案照片识别，得到识别结果如图3所示。

　　图3 学生档案照片识别结果

　　根据识别结果，可知在两种人脸库中，样本维数为10-15的范围内的本文方法的识别率较高，说明本文方法可满足实际应用要求。

　　进行学生档案照片的像素细分，测试学生档案照片像素细分对识别率的应用，得到结果如图4和图5所示。

　　图4 学生档案照片像素细分在FERET识别率的影响

　　图5 学生档案照片像素细分在ORL识别率的影响

　　图4中，分析上述仿真结果得知，采用该方法进行学生档案照片像素细分的应用程度较高，因为对学生档案照片特征点的定位性能较好，可提高学生档案照片的识别和优化管理能力。

　　4 结语

　　本文提出基于数据挖掘的学生档案照片像素细分算法。设计学生档案照片采集模型和学生档案照片像素点的边缘特征检测模型，采用小波多尺度降噪方法抑制学生档案照片动态特征点边缘模糊集，提取学生档案照片序列几何特征点，进行学生档案照片的分块处理，根据不同特征的相似性进行学生档案照片的关键特征点检测和信息度量，采用分块模板特征匹配方法进行学生档案照片区域重构，在仿射不变区域中进行学生档案照片像素细分和特征点匹配，采用图像分块模板匹配方法实现学生档案照片的自动像素细分识别。本文方法进行学生档案照片像素细分的准确性较高，对学生档案照片特征点的定位性能较好，提高了学生档案照片的管理能力。

　　参考文献：

　　安强强,郑敏.基于深度学习的图像识别研究[J].自动化与仪器仪表,2018(03):115-118.

　　Abdullah M F A, Sayeed S M, Sonai K M, et al.. Face recognition with symmetric local graph Structure[J]. Expert Systems with Applications, 2014, 41(14): 6131-6137.