一种基于Gabor小波分析的羊毛羊绒识别算法
【技术领域】
[0001] 本发明属于羊毛羊绒识别技术领域，尤其涉及一种基于Gabor小波分析的羊毛羊 绒识别算法。
【背景技术】
[0002] 羊绒纤维细长、均匀、柔软，用其制成的纺织品具有轻柔滑暖的特点，是高档服饰 面临的首选。由于其产量稀少，价格偏高，生产企业常用不同比例的羊绒羊毛进行混纺。羊 毛与羊绒都属于天然的蛋白质纤维，其结构和形态都非常接近，准确的进行纤维种类的判 断是非常困难的。
[0003] 目前常用的纤维鉴别方法是显微镜观测法。检测人员通过观察在显微镜下羊毛羊 绒的鳞片形状与纹理细节等特征，根据其个人经验来对羊绒羊毛的成分进行定性分类，这 种方式不仅耗时耗力，主观性大，测量的一致性也较差。
[0004] 本发明参考标准：1，2,3,提出一种智能的全自动的羊绒羊毛识别方法，首先利用 显微镜与CCD来对羊绒羊毛进行数字化的图像采集，再利用对羊绒羊毛图像进行不同尺度 下的小波卷积提取特征，并利用SVM来构建分类器模型，实现对羊绒羊毛的智能分类识别。
[0005] Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标 的局部空间和频率域信息方面具有良好的特性。Gabor小波对于图像的边缘敏感，能够提供 良好的方向选择和尺度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的 适应性。二维Gabor小波变换是在时频域进行信号分析处理的重要工具，其变换系数有着良 好的视觉特性和生物学背景，因此被广泛应用于图像处理、模式识别等领域。与传统的傅立 叶变换相比，Gabor小波变换具有良好的时频局部化特性。
【发明内容】
[0006] 本发明提供一种基于Gabor小波分析的羊毛羊绒识别算法，可达到识别率高，识别 速度快，识别结果准确率高，适用性强的有益效果。
[0007] 本发明所解决的技术问题采用以下技术方案来实现:本发明提供一种基于Gabor 小波分析的羊毛羊绒识别算法，包括在线识别流程与模型学习流程：
[0008] 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：
[0009] (1)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；
[0010] (2)预处理: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：
[0011] 5(叉，7) = 1(叉，7)\6(叉，7;〇)其中
[0012] b对图像灰度级调整实现图像增强，设数据Xij是图像X中的i行j列元素，maxx，minx 分别是X中的最大、最小值
[0013] (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；
[0014] (4)Gabor小波特征提取:分5个尺度8个方向40个特征描述子;采用PCA降维至100 维；
[0015] Gabor函数可以在频域不同尺度、不同方向上提取相关的特征；二维Gabor函数可 以表示为，
[0016]
[0017]
[0018] 选取一组不同尺度和方向的Gabor基对输入纤维图像进行卷积，具体选取4个尺度 (ν = 0，1，···，3)，8 个方向（BPK = 8，u = 0，l，· · ·，7)，共32 个 Gabor核函数；
[0019] (5)将特征向量输入分类器计算结果;将输入每一个纤维图像统一缩放为48*48大 小，然后提取32个尺度下的Gabor特征图谱，共提取48*48*32 = 73728维向量;进一步我们采 取PCA方法将原始高维数据降至100维，作为SVM的输入特征向量；
[0020] 所述模型学习流程，是要得到一个分类器，采取一种基于SVM的分类器模型，包括 以下步骤：
[0021] (1)模型学习的前提是积累的大量的羊毛羊绒的数据库；
[0022] (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，是一种监督学习方式；
[0023] (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；
[0024] (4)学习过程采取二分类的SVM分类器，并利用开源的libSVM进行训练，选取RBF径 向基核函数，迭代次数设置为100000次，迭代终止偏差〇. 001。
[0025] 本发明的有益效果为：
[0026] 本发明对羊绒羊毛的识别率高，识别速度快，识别结果准确率高且适用性强。
【附图说明】
[0027] 图1是本发明的流程示意图。
【具体实施方式】
[0028] 实施例：
[0029]本发明包括在线识别流程与模型学习流程：
[0030] 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：
[0031] (1)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；
[0032] (2)预处理: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：
[0033] 5(叉，7) = 1(叉，7)\6(叉，7;〇)其中
[0034] b对图像灰度级调整实现图像增强，设数据Xij是图像X中的i行j列元素，maxx，minx 分别是X中的最大、最小值
[0035] (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；
[0036] (4)Gabor小波特征提取:分5个尺度8个方向40个特征描述子;采用PCA降维至100 维；
[0037] Gabor函数可以在频域不同尺度、不同方向上提取相关的特征；二维Gabor函数可 以表示为：
[0038:
[0039:
[0040]选取一组不同尺度和方向的Gabor基对输入纤维图像进行卷积，具体选取4个尺度 (ν = 0，1，···，3)，8 个方向（BPK = 8，u = 0，l，· · ·，7)，共32 个 Gabor核函数；
[0041] (5)将特征向量输入分类器计算结果;将输入每一个纤维图像统一缩放为48*48大 小，然后提取32个尺度下的Gabor特征图谱，共提取48*48*32 = 73728维向量;进一步我们采 取PCA方法将原始高维数据降至100维，作为SVM的输入特征向量；
[0042] 所述模型学习流程，是要得到一个分类器，采取一种基于SVM的分类器模型，包括 以下步骤：
[0043] (1)模型学习的前提是积累的大量的羊毛羊绒的数据库；
[0044] (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，是一种监督学习方式；
[0045] (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；
[0046] (4)学习过程采取二分类的SVM分类器，并利用开源的libSVM进行训练，选取RBF径 向基核函数，迭代次数设置为100000次，迭代终止偏差〇. 001。
[0047]以上通过实施例对本发明的进行了详细说明，但所述内容仅为本发明的较佳实施 例，不能被认为用于限定本发明的实施范围。凡利用本发明所述的技术方案，或本领域的技 术人员在本发明技术方案的启发下，设计出类似的技术方案而达到上述技术效果的，或者 对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。
【主权项】
1. 一种基于Gabor小波分析的羊毛羊绒识别算法，其特征在于:包括在线识别流程与模 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) 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: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：b对图像灰度级调整实现图像增强，设数据xi j是图像X中的i行j列元素，maxx，minx分别 是X中的最大、最小值(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) Gabor小波特征提取:分5个尺度8个方向40个特征描述子;采用PCA降维至100维； Gabor函数可以在频域不同尺度、不同方向上提取相关的特征;二维Gabor函数可以表示为：选取一组不同尺度和方向的Gabor基对输入纤维图像进行卷积，具体选取4个尺度(v = 0，1，· · ·，3)，8个方向（SPK = 8，u = 0，l，· · ·，7)，共32个Gabor核函数； (5) 将特征向量输入分类器计算结果;将输入每一个纤维图像统一缩放为48*48大小， 然后提取32个尺度下的Gabor特征图谱，共提取48*48*32 = 73728维向量;进一步我们采取 PCA方法将原始高维数据降至100维，作为SVM的输入特征向量； 所述模型学习流程，是要得到一个分类器，采取一种基于SVM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， 是一种监督学习方式； (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) 学习过程采取二分类的SVM分类器，并利用开源的libSVM进行训练，选取RBF径向基 核函数，迭代次数设置为100000次，迭代终止偏差0.001。
【专利摘要】一种基于Gabor小波分析的羊毛羊绒识别算法，包括在线识别流程与模型学习流，所述在线识别流程，包括以下步骤：(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，对图像灰度级调整实现图像增强；(3)采用基于canny的边缘检测与轮廓的提取图像目标；(4)提取Gabor特征；(5)计算结果；所述模型学习流程，包括以下步骤：(1)积累的大量的羊毛羊绒的数据库；(2)人工标注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，该步骤与在线识别流程的(2)(4)步骤一致；(4)学习过程采取二分类的SVM分类器。本发明可达到识别率高，识别速度快，识别结果准确率高，适用性强的有益效果。
【IPC分类】G06K9/60, G06K9/62, G06K9/46
【公开号】CN105678341
【申请号】CN201610091974
【发明人】单学蕾, 俞浩, 谢自力, 葛传兵, 魏俊玲, 孙学艳, 李一晗
【申请人】天纺标检测科技有限公司
【公开日】2016年6月15日
【申请日】2016年2月19日