本發(fā)明涉及基于機(jī)器視覺(jué)的檢測(cè)和分級(jí)系統(tǒng)，具體是指一種珍珠分類(lèi)的方法。

背景技術(shù)：

2005年以來(lái)，中國(guó)的珍珠產(chǎn)量已經(jīng)達(dá)到1500噸，其中淡水珍珠1270噸，產(chǎn)量占據(jù)全球95％以上的市場(chǎng)份額，淡水珍珠的產(chǎn)量占全球淡水珍珠的99％，中國(guó)珍珠把昔日“世界第一產(chǎn)珠大國(guó)”日本遠(yuǎn)遠(yuǎn)拋在后面，中國(guó)珍珠正“一統(tǒng)天下”。浙江省是中國(guó)淡水珍珠最主要的產(chǎn)地和銷(xiāo)售集散地，全省約有12000個(gè)淡水珍珠養(yǎng)殖戶(hù),養(yǎng)殖、加工的從業(yè)人員近20萬(wàn),珍珠的產(chǎn)量占全國(guó)淡水珍珠產(chǎn)量的1/3，淡水珍珠養(yǎng)殖主要分布在金華、杭州、紹興、衢州等地區(qū),以紹興諸暨市為養(yǎng)殖中心。

目前我國(guó)的珍珠企業(yè)多依賴(lài)人工方式對(duì)珍珠進(jìn)行粗略分選。由于珍珠體積小、數(shù)量多，分級(jí)工作負(fù)荷大、效率低。隨著養(yǎng)殖珍珠國(guó)家分級(jí)標(biāo)準(zhǔn)的出臺(tái)，對(duì)珍珠進(jìn)行準(zhǔn)確而快速的分級(jí)成為了珍珠生產(chǎn)企業(yè)的迫切要求。然而已有文獻(xiàn)中的珍珠分級(jí)方法大多數(shù)都脫離企業(yè)的真實(shí)需求，不能很好地代替或者部分代替企業(yè)的人工分揀。

中國(guó)發(fā)明申請(qǐng)?zhí)?01210411980.5公開(kāi)了一種基于單目多視角機(jī)器視覺(jué)的珍珠大小形狀在線自動(dòng)分級(jí)裝置，包括用于對(duì)珍珠進(jìn)行自動(dòng)檢測(cè)和分類(lèi)的流水線，用于拍攝被檢珍珠圖像的單目多視角機(jī)器視覺(jué)裝置，用于對(duì)被檢珍珠圖像進(jìn)行圖像處理、檢測(cè)、識(shí)別、分類(lèi)以及協(xié)調(diào)控制流水線上各動(dòng)作機(jī)構(gòu)的協(xié)調(diào)動(dòng)作的微處理器，流水線包括上料動(dòng)作機(jī)構(gòu)、送檢動(dòng)作機(jī)構(gòu)、下料動(dòng)作機(jī)構(gòu)、分級(jí)動(dòng)作機(jī)構(gòu)和分級(jí)執(zhí)行機(jī)構(gòu)。該發(fā)明在珍珠形狀大小識(shí)別模塊中根據(jù)國(guó)家標(biāo)準(zhǔn)中將珍珠的外形分為正圓、圓、近圓、橢圓、扁平和異形6種類(lèi)型，但是在形狀判斷過(guò)程中需要借助10個(gè)珍珠樣本獲得其形狀特征參數(shù)作為形狀判斷依據(jù)，具有較大的誤差。并且經(jīng)過(guò)調(diào)研發(fā)現(xiàn)，該外形分類(lèi)對(duì)珍珠生產(chǎn)廠家的分級(jí)過(guò)程沒(méi)有很好的輔助幫助作用。

因此，一種基于SVM的珍珠多分類(lèi)方法迫切需要解決以下幾個(gè)問(wèn)題：1)如何獲得更加有價(jià)值的珍珠特征；2)如何更好地利用已有已知外觀特征的珍珠幫助進(jìn)行珍珠分類(lèi)3)如何利用珍珠的特征進(jìn)行對(duì)珍珠生產(chǎn)廠家有意義的分類(lèi)。

技術(shù)實(shí)現(xiàn)要素：

為了克服已有的基于機(jī)器視覺(jué)的珍珠分級(jí)系統(tǒng)與珍珠生產(chǎn)企業(yè)的實(shí)際需求不兼容、正確率較低、不能很好地代替或部分代替人工分揀的不足，在調(diào)研珍珠生產(chǎn)企業(yè)實(shí)際需求和人工分揀流程的基礎(chǔ)上，本發(fā)明提供一種正確率較高、代替或部分代替人工分揀的基于SVM的珍珠多分類(lèi)方法，基于多種特征提取的SVM分類(lèi)方法，根據(jù)珍珠生產(chǎn)企業(yè)的實(shí)際人工分揀流程進(jìn)行珍珠分級(jí)。

本發(fā)明實(shí)現(xiàn)上述發(fā)明目的所采用的技術(shù)方案為：

一種基于SVM的珍珠多分類(lèi)方法，包括以下步驟：

1)將珍珠圖像存儲(chǔ)于原始圖像數(shù)據(jù)庫(kù)，構(gòu)建樣本庫(kù)，珍珠圖像包括左、主、右、后、俯視圖；

2)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的形狀特征；

3)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的局部紋理特征；

4)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的全局紋理特征；

5)利用珍珠樣本圖像訓(xùn)練多個(gè)二分類(lèi)SVM模型構(gòu)造SVM多分類(lèi)器，利用所構(gòu)造的SVM多分類(lèi)器根據(jù)所述特征識(shí)別器獲得的待分類(lèi)珍珠特征進(jìn)行等級(jí)分類(lèi)。

進(jìn)一步，所述步驟1)中，采集廠家提供的8種類(lèi)別的珍珠圖像數(shù)據(jù)作為SVM的訓(xùn)練集和測(cè)試集，包括8點(diǎn)差米形、8點(diǎn)二檔沖頭、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠、8點(diǎn)短螺紋、8點(diǎn)高檔顆頭螺紋、8點(diǎn)高檔面光和10點(diǎn)四面光。當(dāng)然，根據(jù)不同廠家需求，可以提供其他形式的珍珠圖像數(shù)據(jù)。

再進(jìn)一步，所述步驟2)，形狀特征識(shí)別包括以下步驟：

2.1)圖像預(yù)處理，對(duì)采集的所述珍珠圖像進(jìn)行灰度化；

2.2)對(duì)灰度化后的圖像進(jìn)行二值化，并進(jìn)行形態(tài)學(xué)開(kāi)操作、閉操作來(lái)去除圖像噪點(diǎn)；

2.3)利用八領(lǐng)域搜索算法獲得珍珠的輪廓坐標(biāo)和長(zhǎng)短徑，并轉(zhuǎn)化到極坐標(biāo)系下；

2.4)求取極坐標(biāo)系下珍珠輪廓的半徑序列，將其歸一化為半徑為1的標(biāo)準(zhǔn)圓，并求取其離散傅立葉變換；

2.5)利用離散傅立葉變換得到的系數(shù)和珍珠的長(zhǎng)短徑來(lái)代表珍珠形狀的主要信息；

2.6)在得到珍珠左、主、右、后、俯視圖的形狀信息后，按照離散傅立葉變換得到的第一個(gè)系數(shù)從小到大將形狀特征排序并組合，所得到的即是該珍珠的形狀特征；

更進(jìn)一步，所述步驟3)中，局部紋理特征識(shí)別包括以下步驟：

3.1)圖像預(yù)處理，對(duì)采集的所述珍珠圖像進(jìn)行灰度化；

3.2)對(duì)灰度化后的圖像采取中值濾波去除其噪點(diǎn)并平滑圖像；

3.3)選擇圖像下半部分的一行灰度值；

3.4)對(duì)這一行灰度值進(jìn)行預(yù)處理，然后找出其中所有的極大值、極小值；

3.5)重復(fù)3.3和3.4的步驟3次，并計(jì)算這3次結(jié)果中相鄰的極大值和極小值之間的差值，統(tǒng)計(jì)這些差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)，用來(lái)代表珍珠局部紋理的主要信息；

3.6)在得到珍珠左、主、右、后、俯視圖的局部紋理信息后，將各個(gè)視圖下差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)進(jìn)行對(duì)應(yīng)相加，統(tǒng)計(jì)出5幅視圖的上述差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)，所得到統(tǒng)計(jì)數(shù)據(jù)即是該珍珠的局部紋理特征。

所述步驟3.4)中，對(duì)這一行灰度值進(jìn)行預(yù)處理是將這行灰度值中出現(xiàn)的多個(gè)連續(xù)且數(shù)值相同的灰度值用1個(gè)灰度值代替，該灰度值為這些連續(xù)且數(shù)值相同的灰度值的均值。

所述步驟4)中，全局紋理特征識(shí)別包括以下步驟：

4.1)圖像預(yù)處理，對(duì)采集的所述珍珠圖像進(jìn)行灰度化；

4.2)提取圖像的灰度共生矩陣P，

其中L為圖像灰度級(jí)；θ為角度，取0°方向，則灰度共生矩陣P是計(jì)算兩個(gè)灰度值在圖像中水平相鄰的次數(shù)，P(i,j)代表P在第i行，第j列的值，為圖像中灰度值i、灰度值j水平相鄰的次數(shù)；

4.3)獲取圖像的4個(gè)紋理特征參數(shù)：對(duì)比度Contrast、自相關(guān)Correlation、能量Energy和同質(zhì)性Homogeneity，即為圖像的全局紋理信息，其中：

a.對(duì)比度Contrast，即Con的計(jì)算式：

CON＝∑_i,j|i-j|²P(i,j)

其中，P(i,j)是灰度共生矩陣P在第i行，第j列上的值；

b.自相關(guān)Correlation，即COR的計(jì)算式：

$COR={\mathrm{\Σ}}_{i,j}\frac{(i-u_i)(j-u_j)P(i,j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}$

其中u_i、u_j、σ_i、σ_j分別是行和列上的灰度共生矩陣元素統(tǒng)計(jì)的期望和方差值；

c.能量Energy，即ENE的計(jì)算式為：

ENE＝∑_i,jP(i,j)²

d.同質(zhì)性Homogeneity，即HOM的計(jì)算式為：

$HOM={\mathrm{\Σ}}_{i,j}\frac{P(i,j)}{1+|i-j|}$

4.4)在得到珍珠左、主、右、后、俯視圖的全局紋理信息后，將5幅視圖的4個(gè)紋理特征參數(shù)取均值，得到的4個(gè)值為該珍珠的全局紋理特征。

所述步驟5)包括以下步驟：

5.1)訓(xùn)練SVM模型1、2、3；

5.2)將待分類(lèi)珍珠的形狀特征、局部紋理特征、全局紋理特征組合成珍珠用于分類(lèi)的特征，作為SVM分類(lèi)的輸入；

5.3)訓(xùn)練好的SVM模型1用于將珍珠分為兩類(lèi)，分別為

第1類(lèi)：8點(diǎn)差米型、8點(diǎn)二檔沖頭、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠；

第2類(lèi)：8點(diǎn)短螺紋、8點(diǎn)高檔顆頭螺紋、8點(diǎn)高檔面光、10點(diǎn)四面光；

訓(xùn)練好的SVM模型2用于將經(jīng)過(guò)模型1分類(lèi)后的8點(diǎn)差米型、8點(diǎn)二檔沖頭、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠分為兩類(lèi)，分別為

第3類(lèi)：8點(diǎn)差米型、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠；

第4類(lèi)：8點(diǎn)二檔沖頭；

訓(xùn)練好的SVM模型3用于將經(jīng)過(guò)模型1分類(lèi)后的8點(diǎn)短螺紋、8點(diǎn)高檔顆頭螺紋、8點(diǎn)高檔面光、10點(diǎn)四面光分為兩類(lèi)，分別為

第5類(lèi)：8點(diǎn)短螺紋、8點(diǎn)高檔面光；

第6類(lèi)：8點(diǎn)高檔顆頭螺紋10點(diǎn)四面光。

本發(fā)明的有益效果為：基于多種特征提取的SVM分類(lèi)方法，根據(jù)珍珠生產(chǎn)企業(yè)的實(shí)際人工分揀流程進(jìn)行珍珠分級(jí)；正確率較高、代替或部分代替人工分揀。

附圖說(shuō)明

圖1為整個(gè)分級(jí)系統(tǒng)的流程示意圖。

圖2為具體珍珠分類(lèi)的流程示意圖。

圖3為將珍珠輪廓圖映射到極坐標(biāo)系中的示意圖。

圖4為提取珍珠灰度圖一行灰度值的極值示意圖，其中，(a)為灰度圖；(b)表示預(yù)處理；(c)表示截取；(d)表示取極值。

圖5為灰度共生矩陣計(jì)算實(shí)例示意圖。

具體實(shí)施方式

下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的描述。

參照?qǐng)D1～圖5，一種基于SVM的珍珠多分類(lèi)方法，包括以下步驟：

1)將珍珠圖像存儲(chǔ)于原始圖像數(shù)據(jù)庫(kù)，構(gòu)建樣本庫(kù)，珍珠圖像包括左、主、右、后、俯視圖；

2)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的形狀特征；

3)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的局部紋理特征；

4)利用特征識(shí)別器，識(shí)別所述原始圖像數(shù)據(jù)庫(kù)中珍珠圖像的全局紋理特征；

5)利用珍珠樣本圖像訓(xùn)練多個(gè)二分類(lèi)SVM模型構(gòu)造SVM多分類(lèi)器，利用所構(gòu)造的SVM多分類(lèi)器根據(jù)所述特征識(shí)別器獲得的待分類(lèi)珍珠特征進(jìn)行等級(jí)分類(lèi)。

針對(duì)已有的基于機(jī)器視覺(jué)的珍珠分級(jí)系統(tǒng)與珍珠生產(chǎn)企業(yè)的實(shí)際需求不兼容、不能很好地代替或部分代替人工分揀的問(wèn)題，在調(diào)研珍珠生產(chǎn)企業(yè)實(shí)際需求和人工分揀流程的基礎(chǔ)上，本發(fā)明提供一種基于多種特征提取的SVM分類(lèi)方法，根據(jù)珍珠生產(chǎn)企業(yè)的實(shí)際人工分揀流程進(jìn)行珍珠分級(jí)，其總體思路如圖1和圖2所示，即先提取8種種類(lèi)的樣本珍珠的左、主、右、后、俯視圖構(gòu)成樣本庫(kù)，提取樣本庫(kù)珍珠的形狀特征、局部紋理特征和全局紋理特征，采用SVM進(jìn)行樣本訓(xùn)練、得到樣本珍珠的分類(lèi)模型1、2、3，并保存模型；采集待識(shí)別珍珠的左、主、右、后、俯視圖，提取待識(shí)別珍珠的形狀特征、局部紋理特征和全局紋理特征，將3個(gè)特征組合在一起，作為SVM模型1的輸入，如圖2所示，先判斷其是第1類(lèi)或第2類(lèi)，若是第1類(lèi)，將特征作為模型2繼續(xù)分類(lèi)，判斷其是第3類(lèi)或第4類(lèi)；若是第2類(lèi)，將特征作為模型3繼續(xù)分類(lèi)，判斷其是第5類(lèi)或第6類(lèi)；

這種基于多種特征提取的SVM分類(lèi)方法，具體的實(shí)現(xiàn)步驟如下：

1)將珍珠圖像存儲(chǔ)于原始圖像數(shù)據(jù)庫(kù)，構(gòu)建樣本庫(kù)，珍珠圖像包括左、主、右、后、俯視圖；

2)提取樣本庫(kù)中珍珠的形狀特征；

先對(duì)圖像進(jìn)行預(yù)處理，對(duì)采集的珍珠圖像進(jìn)行灰度化；

對(duì)灰度化后的珍珠圖像進(jìn)行二值化，并進(jìn)行形態(tài)學(xué)開(kāi)操作、閉操作來(lái)去除圖像噪點(diǎn)；

利用八領(lǐng)域搜索算法獲得珍珠的輪廓坐標(biāo)和長(zhǎng)短徑，計(jì)算并得到目標(biāo)輪廓的形心，以便后續(xù)的極坐標(biāo)變換；

傅立葉變換與傅立葉反變換對(duì)為我們提供了一種描述函數(shù)及其各次諧波方法，利用這一特性，可以對(duì)珍珠的邊緣輪廓進(jìn)行傅立葉變換，用傅立葉級(jí)數(shù)的系數(shù)來(lái)對(duì)珍珠的形狀進(jìn)行描述；本發(fā)明中首先將珍珠輪廓圖映射到極坐標(biāo)系中，如圖3，并求半徑序列r(k)，{k＝1,2,…,360}，由于珍珠的大小不一，使得傅立葉變換得到F(h)不具有可比性；因此，接著需要將其歸一化半徑為1的標(biāo)準(zhǔn)圓，歸一化公式如公式(1)所示，

r_q(k)＝r(k)/r_max (1)

式中，r_q(k)為歸一化的半徑，r(k)為半徑序列，r_max為最大的半徑；

歸一化后的半徑，珍珠無(wú)論其大小都可以進(jìn)行比較，然后用公式(2)對(duì)歸一化后的半徑r_q(k)做離散傅立葉變換，

$F\left(h\right)={\mathrm{\Σ}}_{k=1}^n{r}_q\left(k\right)e^{-j2\mathrm{\π}kh/n},h=0,1,2,...---\left(2\right)$

式中，r_q(k)為歸一化的半徑，F(xiàn)(h)為歸一化的半徑r_q(k)的傅立葉變換；

由于F(h)是對(duì)稱(chēng)的，因此只要計(jì)算其前n/2個(gè)值即可；另一方面，實(shí)驗(yàn)發(fā)現(xiàn)珍珠的輪廓信息大都集中在前3個(gè)F(h)，舍棄后續(xù)的F(h)對(duì)珍珠輪廓線信息損失很??；

進(jìn)一步地，本發(fā)明提出將珍珠輪廓的長(zhǎng)短徑與傅立葉變換后得到的前3個(gè)F(h)組合，經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，這有助于提升分類(lèi)的精度；

由于珍珠有左、主、右、后、俯視圖，每幅視圖都提取得到一組形狀特征，為了消除或部分消除珍珠圖像采集時(shí)擺放位置隨機(jī)性帶來(lái)的誤差，并不丟失所有視圖所包含的形狀信息，本發(fā)明將珍珠所有視圖的形狀特征按照其F(0)的數(shù)值從小到大將5個(gè)形狀特征排序并組合在一起，組合得到的形狀特征即為該珍珠的形狀特征；

3)提取樣本庫(kù)中珍珠的局部紋理特征；

對(duì)樣本庫(kù)中灰度化后的珍珠圖像采取中值濾波去除其噪點(diǎn)并平滑圖像；

由于采集的珍珠圖像的紋理信息大部分處于圖像下半部分，本發(fā)明提出選取珍珠像素矩陣下半部分的多行灰度值，從中提取紋理特征；

對(duì)這各行灰度值進(jìn)行預(yù)處理，預(yù)處理包括截取各行灰度值的中間部分，以避免珍珠邊緣灰度值突變帶來(lái)的不良影響，并將多個(gè)連續(xù)并數(shù)值相同的灰度值用1個(gè)灰度值代替，該灰度值為這些連續(xù)且數(shù)值相同的灰度值的均值，若一行灰度值為[245,198,198,245]，則替換成[245,198,245]，從而保證該行灰度值存在嚴(yán)格的極值點(diǎn)，最后找出各行灰度值中所有的極大值、極小值，如圖4所示；

統(tǒng)計(jì)相鄰的極大值和極小值之間的差值，并統(tǒng)計(jì)這些差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)，用來(lái)代表珍珠局部紋理的主要信息；本發(fā)明中統(tǒng)計(jì)了灰度值的差值在[0,10),[10,20),[20,30),[30,+∞)這4個(gè)區(qū)間的數(shù)量，并用其代表珍珠的局部紋理信息；

在得到珍珠左、主、右、后、俯視圖的局部紋理信息后，將各個(gè)視圖下差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)進(jìn)行對(duì)應(yīng)相加，統(tǒng)計(jì)出5幅視圖的上述差值在不同數(shù)值區(qū)間所出現(xiàn)的次數(shù)，所得到統(tǒng)計(jì)數(shù)據(jù)即是該珍珠的局部紋理特征；

4)提取樣本庫(kù)中珍珠的全局紋理特征；

根據(jù)公式(3)提取樣本珍珠圖像的灰度共生矩陣，灰度共生矩陣的公式定義為：

其中L為圖像灰度級(jí)；θ為角度，取0°方向，則灰度共生矩陣P是計(jì)算兩個(gè)灰度值在圖像中水平相鄰的次數(shù)，P(i,j)代表P在第i行，第j列的值，為圖像中灰度值i、灰度值j水平相鄰的次數(shù)。圖5是個(gè)例子，假設(shè)圖像I的灰度范圍為1-8，圖像大小為4x5，θ為0°，計(jì)算得到的灰度共生矩陣P；

獲取樣本圖像4個(gè)紋理特征參數(shù)：對(duì)比度(Contrast)、自相關(guān)(Correlation)、能量(Energy)、同質(zhì)性(Homogeneity)；

它們的計(jì)算方法如下：

a.對(duì)比度(Contrast)

對(duì)比度不僅可以反映圖像的清晰程度,也可以反映紋理溝紋的深淺度；若圖像的對(duì)比度值較大,則圖像越清晰,對(duì)應(yīng)的紋理溝紋越淺；反之若圖像的對(duì)比度較小,則圖像越模糊,對(duì)應(yīng)的紋理溝紋越深；

CON＝∑_i,j|i-j|²P(i,j)

b.自相關(guān)(Correlation)

自相關(guān)系數(shù)用于反映灰度共生矩陣行或列方向上元素之間的相似度,即圖像中局部紋理的相關(guān)性可以直接通過(guò)自相關(guān)系數(shù)的大小來(lái)反映；若自相關(guān)系數(shù)較大,則矩陣元素值均勾相等；若自相關(guān)系數(shù)較小,則表明矩陣元素值間差異較大。

$COR={\mathrm{\Σ}}_{i,j}\frac{(i-u_i)(j-u_j)P(i,j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}$

其中u_i、u_j、σ_i、σ_j分別是行和列上的矩陣元素統(tǒng)計(jì)的期望和方差值；

c.能量(Energy)

能量為灰度共生矩陣中所有元素值的平方和,能量值反映樣本珍珠圖像的紋理粗細(xì)度；能量值較小的圖像多數(shù)區(qū)域由細(xì)紋理組成,而能量值較大的圖像大多由粗紋理組成。

ENE＝∑_i,jP(i,j)²

d.同質(zhì)性(Homogeneity)

同質(zhì)性度量圖像紋理局部變化的多少，其值大則說(shuō)明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻；

$HOM={\mathrm{\Σ}}_{i,j}\frac{P(i,j)}{1+|i-j|}$

使用上述提到的4個(gè)基本特征:對(duì)比度(Contrast)、自相關(guān)(Correlation)、能量(Energy)、同質(zhì)性(Homogeneity),就可以提取灰度共生矩陣的特征向量,用來(lái)描述珍珠圖像的全局紋理特征；

在得到珍珠左、主、右、后、俯視圖的全局紋理信息后，本發(fā)明將5幅視圖的4個(gè)紋理特征參數(shù)取平均值，作為珍珠的全局紋理特征；

5)利用珍珠樣本圖像訓(xùn)練多個(gè)二分類(lèi)SVM模型構(gòu)造SVM多分類(lèi)器，利用所構(gòu)造的SVM多分類(lèi)器根據(jù)所述特征識(shí)別器獲得的待分類(lèi)珍珠特征進(jìn)行等級(jí)分類(lèi)；

在得到樣本珍珠的形狀特征、局部紋理特征、全局紋理特征后，將其組合得到能夠代表珍珠特征的特征向量用以訓(xùn)練SVM模型；

用種類(lèi)為8點(diǎn)差米形、8點(diǎn)二檔沖頭、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠和8點(diǎn)短螺紋、8點(diǎn)高檔顆頭螺紋、8點(diǎn)高檔面光、10點(diǎn)四面光的珍珠訓(xùn)練模型1；

用種類(lèi)為8點(diǎn)差米形、8點(diǎn)高檔米珠、8點(diǎn)中檔米珠和8點(diǎn)二檔沖頭的珍珠訓(xùn)練模型2；

用種類(lèi)為8點(diǎn)短螺紋、8點(diǎn)高檔面光和8點(diǎn)高檔顆頭螺紋、10點(diǎn)四面光的珍珠訓(xùn)練模型3；

當(dāng)需要對(duì)待測(cè)珍珠進(jìn)行分級(jí)時(shí)，首先采集其圖像，然后按照所述步驟提取其形狀特征、局部紋理特征、全局紋理特征組合成珍珠的特征向量，作為模型1的輸入，SVM模型會(huì)輸出其屬于第1類(lèi)的概率P₁和屬于第2類(lèi)的概率P₂，如圖1、圖2，若P₁大于P₂，則珍珠為第1類(lèi)；反之，若P₁小于P₂；同理，珍珠由SVM模型2、3進(jìn)行分類(lèi)時(shí)同樣遵循該規(guī)則。