一種工件表面紋理圖像的識(shí)別分類方法
【專利摘要】本發(fā)明公開(kāi)一種工件表面紋理圖像的識(shí)別分類方法，具體識(shí)別分類步驟為：步驟1：工件表面紋理圖像的紋理特征提??；步驟2：工件表面紋理圖像的形狀特征提取；步驟3：工件表面紋理圖像的紋理特征向量和形狀特征向量綜合；步驟4：利用支持向量機(jī)的方法進(jìn)行工件表面紋理圖像的識(shí)別分類。本發(fā)明通過(guò)對(duì)工件表面文紋理圖像進(jìn)行兩種特征提取，然后進(jìn)行訓(xùn)練及識(shí)別，充分利用擴(kuò)展Shearlet變換和Krawchouk矩不變量的特征提取性能及支持向量機(jī)的識(shí)別性能，能更加完整地描述工件表面圖像的紋理特征，提高了工件表面紋理圖像的識(shí)別分類方法的準(zhǔn)確性、魯棒性，采用混沌螢火蟲(chóng)群算法優(yōu)化的支持向量機(jī)完成工件表面圖像識(shí)別分類，提高了識(shí)別率。
【專利說(shuō)明】
一種工件表面紋理圖像的識(shí)別分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種工件表面紋理圖像的識(shí)別分類方 法。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的快速發(fā)展，生產(chǎn)自動(dòng)化程度、加工精度越來(lái)越 高，基于工件表面紋理圖像的刀具磨損狀態(tài)檢測(cè)廣泛應(yīng)用于自動(dòng)化生產(chǎn)加工中，目前對(duì)工 件表面紋理圖像的識(shí)別是基于工件表面圖像的刀具磨損檢測(cè)的重要內(nèi)容。
[0003] 現(xiàn)有的工件紋理圖像的識(shí)別方法有基于神經(jīng)網(wǎng)絡(luò)的方法、基于模糊聚類的方法、 基于遺傳算法的方法等，但由于在實(shí)際的工件表面紋理圖像獲取過(guò)程中，受噪聲、光照等外 界隨機(jī)因素的干擾使得獲取的原始紋理圖像質(zhì)量不高，使得現(xiàn)有識(shí)別方法往往識(shí)別分類的 準(zhǔn)確率低。

【發(fā)明內(nèi)容】

[0004] 針對(duì)上述問(wèn)題，本發(fā)明提供了一種工件表面紋理圖像的識(shí)別分類方法，其目的在 于:提高工件表面紋理圖像的識(shí)別分類方法的準(zhǔn)確性、魯棒性。
[0005] 本發(fā)明的技術(shù)解決方案： 一種工件表面紋理圖像的識(shí)別分類方法，具體識(shí)別分類步驟為： 步驟1:工件表面紋理圖像的紋理特征提??； 步驟2:工件表面紋理圖像的形狀特征提取； 步驟3:工件表面紋理圖像的紋理特征向量和形狀特征向量綜合； 步驟4:利用支持向量機(jī)的方法進(jìn)行工件表面紋理圖像的識(shí)別分類。
[0006] 本發(fā)明的特征還在于， 步驟1中，圖像的紋理特征提取的過(guò)程為： 步驟1.1:首先將if X況大小的工件表面紋理圖像進(jìn)行擴(kuò)展Shearlet分解，得到m個(gè)子 帶圖像(m個(gè)水平錐子帶圖像和m個(gè)垂直錐子帶圖像），可求得不同方向i和不同尺度j的水平 錐子帶圖像的Shear let變換系數(shù)4^和垂直錐子帶圖像的Shear let變換系數(shù)1%/。
[0007] 步驟1.2:首先計(jì)算子帶圖像的平方均值《￡/，即
式中％/表示子帶圖像的能量分布均值;P和!0分別表示子帶圖像的行數(shù)和列數(shù)； 表示水平錐子帶圖像系數(shù)％或垂直錐子帶圖像系數(shù)％。
[0008] 然后計(jì)算尺度Jtf的能量均值之和，得到加權(quán)后的能量分布均值％，則工件表面 紋理圖像的水平錐紋理特征向量為巧= 。
[0009] 步驟1.3:按照步驟1.2，同樣可求得工件表面紋理圖像的垂直錐紋理特征向量為 ，則整幅工件表面紋理圖像的紋理特征向量為雙=[巧，好3】。
[0010] 步驟2中，圖像的形狀特征提取的過(guò)程： 設(shè)圖像大小為Afx況，作為工件表面紋理圖像的形狀特征的(甲:+聲)階Krawtchouk矩 不變量定義為：
[0011] 貝1J整幅工件表面紋理圖像的形狀特征向量為
[0012] 步驟3中，紋理特征向量和形狀特征向量綜合的過(guò)程： 步驟3.1:按式(3)將紋理特征向量#=(私，的元素歸一化：
得到歸一化的工件表面紋理圖像的紋理特征向量互。
[0013] 步驟3.2:按照步驟3.1的歸一化的過(guò)程，可以得到得到歸一化的工件表面紋理圖 像的形狀特征向量…總)。
[0014] 步驟3.3:綜合工件表面紋理圖像的紋理特征向量g和形狀特征向量g，構(gòu)成整幅 圖像的綜合特征向量F為，二。
[0015] 步驟4中，工件表面紋理圖像的識(shí)別分類過(guò)程： 首先對(duì)工件表面紋理圖像的訓(xùn)練樣本和測(cè)試樣本執(zhí)行步驟1至3,分別得到訓(xùn)練樣本和 測(cè)試樣本特征向量，然后輸入到混沌螢火蟲(chóng)群優(yōu)化的支持向量機(jī)中，獲得最優(yōu)的參數(shù)設(shè)置。 最后對(duì)待識(shí)別的工件表面紋理圖像執(zhí)行步驟1至3,將得到的工件表面紋理圖像特征向量輸 入支持向量機(jī)，最終得到工件表面紋理圖像的識(shí)別及分類結(jié)果。
[0016] 本發(fā)明的有益效果： 本發(fā)明通過(guò)對(duì)工件表面文紋理圖像進(jìn)行兩種特征提取，然后進(jìn)行訓(xùn)練及識(shí)別，充分利 用擴(kuò)展Shearlet變換和Krawchouk矩不變量的特征提取性能及支持向量機(jī)的識(shí)別性能，能 更加完整地描述工件表面圖像的紋理特征，提高了工件表面紋理圖像的識(shí)別分類方法的準(zhǔn) 確性、魯棒性，采用混沌螢火蟲(chóng)群算法優(yōu)化的支持向量機(jī)完成工件表面圖像識(shí)別分類，提高 了識(shí)別率。
【附圖說(shuō)明】
[0017] 圖1:本發(fā)明工件表面紋理圖像的識(shí)別分類方法的流程圖。
【具體實(shí)施方式】
[0018] 下面結(jié)合附圖和實(shí)施例來(lái)對(duì)本發(fā)明做進(jìn)一步描述： 本發(fā)明是一種工件表面紋理圖像的識(shí)別分類方法的流程如圖1所示，具體步驟如下： 步驟1:圖像的紋理特征提?。?本發(fā)明采用擴(kuò)展Shearlet變換得到工件表面紋理圖像的紋理特征向量。首先將財(cái) 大小的工件表面紋理圖像進(jìn)行擴(kuò)展Shearlet分解，得到m個(gè)子帶圖像(m個(gè)水平錐子帶圖像 和m個(gè)垂直錐子帶圖像），可求得不同方向i和不同尺度j的水平錐子帶圖像的Shearlet變換 系數(shù)％和垂直錐子帶圖像的Shearlet變換系數(shù)^。然后計(jì)算子帶圖像的平方均值， 即
式中氣?表示子帶圖像的能量分布均值；，和0分別表示子帶圖像的行數(shù)和列數(shù)； 表示水平錐子帶圖像系數(shù)％或垂直錐子帶圖像系數(shù)％。
[0019] 然后計(jì)算尺度￥下的能量均值之和，得到加權(quán)后的能量分布均值\^，則工件表面 紋理圖像的水平錐紋理特征向量為巧。同樣可求得工件表面紋理圖像的垂直錐紋 理特征向量為Α:，則整幅工件表面紋理圖像的紋理特征向量為政=1?::爲(wèi)I。
[0020] 步驟2:圖像的形狀特征提?。?本發(fā)明利用Krawtchouk矩不變量計(jì)算得到工件表面紋理圖像的形狀特征向量。設(shè)圖像 大小為麻5￡_況，作為工件表面紋理圖像的形狀特征的im+H)階Krawtchouk矩不變量定義 為：
[0021] 則整幅工件表面紋理圖像的形狀特征向量為β=[?^，
[0022] 步驟3:紋理特征向量和形狀特征向量綜合的過(guò)程： 按式(3)將紋理特征向量雙·=(札&一的元素歸一化，
得到歸一化的工件表面紋理圖像的紋理特征向量互---=珥)。
[0023] 同樣可以得到得到歸一化的工件表面紋理圖像的形狀特征向量 。綜合工件表面紋理圖像的紋理特征向量S和形狀特征向量§，構(gòu)成整幅圖像的綜合特征 向量丨為F =
[0024] 步驟4:工件表面紋理圖像的識(shí)別分類過(guò)程： 本發(fā)明采用混沌螢火蟲(chóng)群算法優(yōu)化的支持向量機(jī)完成工件紋理圖像的識(shí)別分類。首先 對(duì)工件表面紋理圖像的訓(xùn)練樣本和測(cè)試樣本執(zhí)行步驟1至3,分別得到訓(xùn)練樣本和測(cè)試樣本 特征向量，然后輸入到混沌螢火蟲(chóng)群優(yōu)化的支持向量機(jī)中，獲得最優(yōu)的參數(shù)設(shè)置。最后對(duì)待 識(shí)別的工件表面紋理圖像執(zhí)行步驟1至3,將得到的工件表面紋理圖像特征向量輸入支持向 量機(jī)，最終得到工件表面紋理圖像的識(shí)別及分類結(jié)果。
[0025]本發(fā)明的測(cè)試結(jié)果測(cè)試實(shí)驗(yàn)結(jié)果如下表1所示，基于Gabor小波和SVM方法的總識(shí) 別率為87.8%，基于灰度共生矩陣和BP神經(jīng)網(wǎng)絡(luò)方法的總識(shí)別率為84.4%，本發(fā)明的總識(shí)別 率為96.7%。
[0026] 表1 3種方法識(shí)別結(jié)果的比較
本發(fā)明采用擴(kuò)展Shearlet變換提取工件表面圖像的紋理特征，擴(kuò)展Shearlet變換不僅 具有方向敏感性、空間局部化、拋物線尺度化和最優(yōu)稀疏的特點(diǎn)，而且其剪切波對(duì)各個(gè)尺 度、方向和位置均能實(shí)現(xiàn)較好的定位，故有效提取工件表面紋理圖像的紋理信息。 Krawtchouk矩是離散正交矩，克服Zernike矩、偽Zernike矩等連續(xù)矩的誤差大、計(jì)算量大的 缺點(diǎn)，而且Krawtchouk矩不變量具有平移、旋轉(zhuǎn)和尺度不變性，能有效表征工件表面紋理圖 像的形狀特征。將擴(kuò)展Shearlet變換和Krawtchouk矩不變量結(jié)合使用，能更加完整地描述 工件表面圖像的紋理特征。采用混沌螢火蟲(chóng)群算法優(yōu)化的支持向量機(jī)完成工件表面圖像識(shí) 別分類，提高了識(shí)別率。本發(fā)明采用擴(kuò)展Shearlet變換、Krawchouk矩不變量及混沌螢火蟲(chóng) 優(yōu)化支持向量機(jī)的工件表面紋理圖像識(shí)別分類方法與基于Gabor小波和SVM方法、基于灰度 共生矩陣和BP神經(jīng)網(wǎng)絡(luò)方法的識(shí)別分類的對(duì)比，如表1所示。
[0027] 以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng) 涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種工件表面紋理圖像的識(shí)別分類方法，其特征在于:包括如下步驟： 步驟1:對(duì)工件表面紋理圖像進(jìn)行紋理特征提?。? 步驟2:對(duì)工件表面紋理圖像進(jìn)行形狀特征提??； 步驟3:將工件表面紋理圖像的紋理特征向量和形狀特征向量綜合； 步驟4:利用支持向量機(jī)的方法進(jìn)行工件表面紋理圖像的識(shí)別進(jìn)行分類。2. 根據(jù)權(quán)利要求1所述的一種工件表面紋理圖像的識(shí)別分類方法，其特征在于:所述步 驟1中的圖像的紋理特征提取的過(guò)程為： 第一步，將AfxiV大小的工件表面紋理圖像進(jìn)行擴(kuò)展Shearlet分解，得到m個(gè)子帶圖像 (m個(gè)水平錐子帶圖像和m個(gè)垂直錐子帶圖像），可求得不同方向i和不同尺度j的水平錐子帶 圖像的Shearlet變換系數(shù)和垂直錐子帶圖像的Shearlet變換系數(shù)士；； 第二步，計(jì)算子帶圖像的平方均值《技，即其中，氣?表示子帶圖像的能量分布均值，P和旮分別表示子帶圖像的行數(shù)和列數(shù)， Μ芯0表示水平錐子帶圖像系數(shù)％或垂直錐子帶圖像系數(shù)％ ; 然后計(jì)算尺度/下的能量均值之和，得到加權(quán)后的能量分布均值，則工件表面紋理 圖像的水平錐紋理特征向量為第三步，按照第二步同樣可求得工件表面紋理圖像的垂直錐紋理特征向量為則整 幅工件表面紋理圖像的紋理特征向量為3. 根據(jù)權(quán)利要求1所述的一種工件表面紋理圖像的識(shí)別分類方法，其特征在于:所述步 驟2中的圖像的形狀特征提取的過(guò)程為： 設(shè)圖像大小為Μχ??，作為工件表面紋理圖像的形狀特征的階Krawtchouk矩不 變量定義為：則整幅工件表面紋理圖像的形狀特征向量為4. 根據(jù)權(quán)利要求1所述的一種工件表面紋理圖像的識(shí)別分類方法，其特征在于，所述步 驟3中的紋理特征向量和形狀特征向暈綜合的過(guò)程： 第一步:將紋理特征向量元素歸一化：ΛΛ ?BW 得到歸一化的工件表面紋理圖像的紋理特征向i第二步：按照第一步的歸一化的過(guò)程，可以得到得到歸一化的工件表面紋理圖像的形 狀特征向量第三步:綜合工件表面紋理圖像的紋理特征向量Μ和形狀特征向量g，構(gòu)成整幅圖像的 綜合特征向量瓦為.V .5.根據(jù)權(quán)利要求1所述的一種工件表面紋理圖像的識(shí)別分類方法，其特征在于:所述步 驟4中的工件表面紋理圖像的識(shí)別分類過(guò)程為： 首先對(duì)工件表面紋理圖像的訓(xùn)練樣本和測(cè)試樣本執(zhí)行步驟1至3,分別得到訓(xùn)練樣本和 測(cè)試樣本特征向量； 然后輸入到混沌螢火蟲(chóng)群優(yōu)化的支持向量機(jī)中，獲得最優(yōu)的參數(shù)設(shè)置； 最后對(duì)待識(shí)別的工件表面紋理圖像執(zhí)行步驟1至3,將得到的工件表面紋理圖像特征向 量輸入支持向量機(jī)，最終得到工件表面紋理圖像的識(shí)別及分類結(jié)果。
【文檔編號(hào)】G06K9/62GK105869170SQ201610229339
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年4月13日
【發(fā)明人】馬英輝, 張瑜慧, 李海霞, 朱慧博
【申請(qǐng)人】宿遷學(xué)院