基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法
【专利摘要】基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法，涉及实木板材表面缺陷检测领域。解决了现有的实木板材表面纹理与缺陷分类方法存在的分类精度低、分类效率低等问题。实木板材图像应用双树复小波变换进行特征提取后进行特征降维；基于压缩感知理论对优化后的特征向量进行分类：将优化后的特征向量作为样本列，由训练样本矩阵建立数据字典矩阵；用训练样本线性地表示测量样本，计算测试样本在数据字典上的稀疏表示向量，具有残差最小的类为测试样本的类别。双树复小波良好的方向性能够表达板材表面复杂的信息，基于粒子群算法特征选择能够进一步的提高分类效率，压缩感知分类器与传统分类器相比结构简单且具有较高的分类精度。
【专利说明】基于双树复小波特征提取及压缩感知的实木板材表面纹理 与缺陷协同分类方法
【技术领域】
[0001] 本发明涉及一种实木板材表面纹理与缺陷协同分类方法，涉及实木板材表面纹理 与缺陷检测【技术领域】。
【背景技术】
[0002] 实木板材表面的检测和优选是生产过程中的重要工序，将会直接影响到产品质量 和生产效率。在对实木板材加工及应用前，首先要对实木板材的缺陷和纹理进行检测。国内 在板材表面缺陷检测、颜色、纹理等方面的研究主要有东北林业大学的板材表面粗糙度检 测研究、基于计算机视觉的木材表面纹理模式识别方法、基于数字图像处理学的木材纹理 定量化研究、以及南京林业大学的基于颜色矩的木材缺陷聚类识别等；国外有代表性的研 究有加拿大的国家林产工业技术研究所（FPInnovations F0RINTEK)、美国的UnionBrother 集团公司、Venten公司和芬兰Mecano公司等。
[0003] 实木板材表面缺陷和纹理的计算机视觉检测过程主要包括图像获取、特征提取、 特征选择和分类器设计。其中，特征提取与选择、分类器的选用直接影响分类速度与精度。 特征提取方法主要包括结构分析法、统计法、模型法和信号处理方法。由于实木板材表面纹 理与缺陷呈现不规则性，随机性强，以上方法都有各自的局限性
[0004]普通的小波变换具有平移的敏感性，可能使在提取信号（图像）特征时，丢失一些 重要信息，产生错误的结果。双树复小波变换具有平移不变性，意味着信号的微小平移不会 导致各尺度上能量的变化，因此在特征提取和重构中不会丢失信息。在图像处理中，图像 纹理和边界方向变化一般是连续的，但是离散小波方向有限的局限性很难反映出图像在 不同的分辨率上多个方向的变化情况。双树复小波不单融合了离散小波所具有的良好时频 特性，同时还有更好的方向分析手段。
[0005]压缩感知是Donoho和Candes等提出信号处理理论。信号通过某种变换可以稀疏 表示或可压缩的，则可设计一个与变换基不相关的测量矩阵测量信号，将得到的测量值通 过求解优化问题，实现信号的精确或近似重构。压缩感知可以很大程度地减少测量时间、采 样速率及测量设备的数量。
【发明内容】
[0006]本发明的目的是提供一种基于双树复小波特征提取及压缩感知的实木板材表面 纹理与缺陷协同分类方法，以解决现有的实木板材表面纹理与缺陷分类方法存在的分类精 度低、分类效率低等问题。
[0007]本发明为解决上述技术问题采取的技术方案是：
[0008] -种基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类 方法，其特征在于 ：
[0009]所述方法的实现过程为：
[0010] 步骤一、获取的实木板材图像，一部分用作训练样本，另一部分用作测试样本；对 获取的实木板材图像应用双树复小波变换进行特征提取（由于双树复小波具有近似的平 移不变性和更多的方向选择性，这些特征能较为全面和完整的表征实木板材图像的纹理与 缺陷信息），并选取利用粒子群算法（PS0)优选后的特征作为用于训练及识别的图像特征 向量；
[0011] 步骤二、根据压缩感知理论，构建数据字典，将每个训练样本图像优选后的低维特 征向量作为数据字典矩阵的一列，形成数据字典矩阵；
[0012] 步骤三、根据测试样本在所述数据字典矩阵上的稀疏表示，用训练样本线性地表 示测试样本，并计算未知测试样本的残差，具有残差最小的类即为测试样本的纹理类别或 缺陷类别。
[0013] 在步骤一中，应用双树复小波变换进行实木板材纹理与缺陷的特征提取过程为：
[0014] (1)对实木板材表面图像进行3级双树复小波变换；
[0015] (2)3级双树复小波变换后得到低频子带及18个高频子带，一幅图像变化后得到 19子带；
[0016] (3)计算每个子带图像系数矩阵的均值y i，公式如下：
【权利要求】
1. 一种基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方 法，其特征在于 ： 所述方法的实现过程为： 步骤一、获取的实木板材图像，一部分用作训练样本，另一部分用作测试样本；对获取 的实木板材图像应用双树复小波变换进行特征提取（由于双树复小波具有近似的平移不 变性和更多的方向选择性，这些特征能较为全面和完整的表征实木板材图像的纹理与缺陷 信息），并选取利用粒子群算法（PSO)优选后的特征作为用于训练及识别的图像特征向量； 步骤二、根据压缩感知理论，构建数据字典，将每个训练样本图像优选后的低维特征向 量作为数据字典矩阵的一列，形成数据字典矩阵； 步骤三、根据测试样本在所述数据字典矩阵上的稀疏表示，用训练样本线性地表示测 试样本，并计算未知测试样本的残差，具有残差最小的类即为测试样本的纹理类别或缺陷 类别。
2. 根据权利要求1所述的基于双树复小波特征提取及压缩感知的实木板材表面纹理 与缺陷协同分类方法，其特征在于：在步骤一中，应用双树复小波变换进行实木板材纹理与 缺陷的特征提取过程为： (1) 对实木板材表面图像进行3级双树复小波变换； (2) 3级双树复小波变换后得到低频子带及18个高频子带，一幅图像变化后得到19子 带； (3) 计算每个子带图像系数矩阵的均值μ i，公式如下：
式中：N表示实木板材表面图像的大小，为像素个数；f(Xl，X2)表示子带图像系数的幅 值；X1, X2表示图像的二维坐标；μ i中的下脚标i表示子带个数，取值范围为1?19 ; (4) 计算每个子带图像系数矩阵的标准差〇 i，公式如下：
式中：f(Xl，X2)表示子带图像系数的幅值；下脚标i表示子带个数，取值范围为1? 19 ； (5) 计算整幅图像的熵e和标准差〇 '，计算公式如下：
式中：e表示整幅图像的熵，t的取值范围为0?255,表示图像灰度值范围，ρ (t)表示 图像灰度值为t的概率，〇 '表示整幅图像的标准差，z (Xl，X2)表示实木板材图像上每个点 的灰度值，表不整幅图像的均值，以表不整幅图像的大小； (6)将得到40个参数作为样本的特征向量，一幅图像变化后得到19子带图像系数，由 此计算得到19个均值和19个标准差加上计算整幅图像的熵和标准差共40个参数，即40 维特征向量，作为一个样本的特征向量。
3. 根据权利要求2所述的基于双树复小波特征提取及压缩感知的实木板材表面纹理 与缺陷协同分类方法，其特征在于：在步骤一中，利用粒子群算法将所述40维特征向量低 至11维特征向量，完成特征向量的优选。
4. 根据权利要求3所述的基于双树复小波特征提取及压缩感知的实木板材表面纹理 与缺陷协同分类方法，其特征在于：在步骤三中，测试样本在所述数据字典矩阵上的稀疏表 示的过程为： 利用粒子群算法得到低维特征向量，用fV表示第i类样本的第j幅图像的特征向量， 将作为训练样本的一列，则第i类训练样本为： Ai = [fAfi2, - e Rnxm 式中：特征向量fV_ e Rlixi;m为第i类实木板材的训练样本数量；i取值为1，2,3,4， 分别表示弦切纹、径切纹、活结和死结； 则由上述4类训练样本构成的数据字典矩阵为 A = [A1, A2, A3, A4] (14) 属于第i类的测试样本的特征向量y用该类图像的训练样本Ai线性表示，即
式中：y为测试样本特征向量，y e Rlixi ; a i为线性表示系数向量，a i e ΓΧ1;m为第 i类实木板材的训练样本数量； 将上式扩展到整个数据字典矩阵A，即 y = Aa (15) 式中：a表示稀疏向量
a e RNX1，N为样本总数；若 测试样本属于第i类，则在向量a只有与第i类实木板材特征对应的m个数值不为0,其他 数值全等于〇,得到稀疏向量a，实现测试样本的稀疏分解。
5. 根据权利要求4所述的基于双树复小波特征提取及压缩感知的实木板材表面纹理 与缺陷协同分类方法，其特征在于：在步骤三中的稀疏向量的求解和计算残差的过程为： 步骤三（一）、稀疏向量的求解： 对属于未知样本的测试样本进行分类，将测试样本特征向量y代入式（15)，其中 y e R11X1，A e Riixn，通过求解式（15)得到稀疏向量a ; 式（15)是一个欠定方程组，向量a是一个稀疏向量，根据压缩感知理论，通过求解式 (16)的I1范数下的最优化问题得到a的精确或近似逼近解a i ; a j = arg min | | a Il1 s. t. | A a -y | | ^ ε (16) 式中：ε为误差阈值； 步骤三（二）计算残差巧(7) 根据Ci1中的非〇值所在项来判定测试样本所属的类别，定义函数Si(X)表示只取在 向量X中与第i类实木板材样本对应的数值，令其他数值等于〇, Si(X)的维数与X相同； 令Yi = A δ i (X)，计算yi与y的距离，二者距离越小，yi越接近y，即yi属于第i类实 木板材特征的可能性越大；通过式（17)计算残差A (y)来判断测试样本的类别：
y为测试图像特征向量。
【文档编号】G06K9/46GK104392242SQ201410642066
【公开日】2015年3月4日 申请日期:2014年11月13日 优先权日:2014年11月13日
【发明者】李超, 于慧伶, 张怡卓 申请人:东北林业大学