一种基于灰度共生矩阵模型的羊毛羊绒识别算法

摘要

一种基于灰度共生矩阵模型的羊毛羊绒识别算法，包括在线识别流程和模型学流程，所述在线识别流程，包括：(1)对羊绒羊毛纤维进行取像；(2)采用高斯滤波器对图像进行平滑滤波；(3)采用基于canny的边缘检测与轮廓对图像目标提取；(4)计算纹理特征量，采用反差、能量、熵、相关性4种统计量来表示纹理特征；(5)将得到的特征向量直接作为输入特征向量；所述模型学流程，包括：(1)积累大量羊毛羊绒数据库；(2)人工标注使机器明确目标纤维的种类与所处的位置；(3)对数据库中纤维图像进行预处理、特征提取；(4)采取三层的人工神经网络。本发明可达到智能的对羊毛与羊绒准确进行纤维种类判断的有益效果。

主权项

一种基于灰度共生矩阵模型的羊毛羊绒识别算法，其特征在于：包括在线识别流程和模型学习流程：所述在线识别流程，对实时采集的纤维图像进行定性分析，包括以下步骤：(1)对图像的获取：采用300万像素工业级ccd配合奥林巴斯CX41生物显微镜，对羊绒羊毛纤维进行取像；(2)预处理：包括两方面，a采用高斯滤波器对图像进行平滑滤波，以去除图像中的噪点；高斯滤波器是一种低通滤波器，其过程可以形式化表达为输入图像I(x,y)与高斯核函数G(x,y)的卷积：S(x,y)＝I(x,y)×G(x,y；σ)，其中$G(x,y)=\frac{1}{2{\mathrm{\pi \sigma }}^2}\exp (-\frac{x^2+y^2}{2{\sigma }^2});$b对图像灰度级调整实现图像增强，设数据x_ij是图像X中的i行j列元素，max_x,min_x分别是X中的最大、最小值；$x_{ij}=\frac{x_{ij}-{\min }_X}{{\max }_X-{\min }_X}\times 255$(3)图像目标提取：采用基于canny的边缘检测与轮廓的提取，canny边缘检测是一个多级边缘检测算法；其基本步骤主要有：a获取x，y的梯度，b非最大值抑制，c边缘跟踪；这里直接采用opencv里面的canny算子；(4)特征提取：灰度共生矩阵是图像中相距为D的两个灰度像素同时出现的联合概率分布，共生矩阵方法用条件概率来反映文理，是相邻像素的灰度相关性的表现；首先计算灰度共生矩阵，设f(x,y)为一幅数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：F(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j}其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)；其中元素(i,j)的值表示一个灰度为i，另一个灰度为j的两个相距为d的像素对在角的方向上出现的次数；这里角度分别取(0306090120150)距离D取(2,4,8)，共18组参数；将输入每一个纤维图像统一缩放为48*48大小，因此每一幅输入纤维图像会的得到18个对应的灰度共生矩阵图像，对应的维数为48*48*18＝41472；在此基础上计算纹理特征量，采用反差、能量、熵、相关性4种统计量来表示纹理特征(也可以采取一种无监督的降维方式如PCA,ICA等等)；具体计算公式如下:反差：又称为对比度，$Con=\underset{i}{\Sigma }\underset{j}{\Sigma }{(i-j)}^{2}p(i,j)$能量：是灰度共生矩阵各元素值的平方和，Asm＝∑∑p(i,j)²熵：是图像包含信息量的随机性度量，Ent＝‑∑∑p(i,j)log p(i,j)相关性：也称为同质性，$Corr=\frac{\underset{i}{\Sigma }\underset{j}{\Sigma }\left(\right(ij\left)p\right(i,j\left)\right)-{\mu }_x{\mu }_y}{{\sigma }_x{\sigma }_y}$(5)将通过上一步骤得到的特征向量(18*4＝72维)直接作为人工神经网络的输入特征向量；所述模型学习流程，是为了得到一个分类器，采取一种基于人工神经网络的分类器模型，包括以下步骤：(1)模型学习的前提是积累的大量的羊毛羊绒的数据库；(2)在此基础之上，采用人工标注的方式，使机器明确目标纤维的种类与所处的位置，属于一种监督学习方式；(3)对数据库中纤维图像进行预处理、特征提取，该步骤与在线识别流程的(2)(4)步骤一致；(4)学习过程采取三层的人工神经网络，包括输入层72个节点,隐层60个节点,输出层2个节点，激活函数为RBF径向基函数。