基于成组小波-变分关联向量机断口图像识别方法
【技术领域】
[0001] 本发明设及图像处理的方法，特别设及一种基于成组小波-变分关联向量机金属 断口图像识别方法。
【背景技术】
[0002] 在机械装备的各类失效中，W断裂失效最主要、危害最大，断裂失效的诊断与分析 一直是人们非常重视的研究课题之一，而断口图像的模式识别与分类是进行断裂故障智能 化分析的关键性问题。由于小波变换在时域和频域同时具有良好的局部化特性，可有效地 提取断口图像的纹理信息，目前，已经成为金属断口图像特征提取的主要方法。然而，随 着问题的研究深入，小波变换方法在金属断口图像处理中的不足也充分暴露出来，由于小 波基的支撑区间是正方形，不能有效逼近奇异性曲线；小波变换只能获取图像有限的方向 信息，不能充分地利用图像本身的几何正则性。另外，小波变换中的小波基和参数如何选择 对金属断口图像识别具有重要影响，而如何选择最佳的小波基和参数，目前，并没有任何依 据。
[0003] 因此，针对基于小波变换在金属断口方法在金属断口图像识别方面存在的不足， 迫切需要寻求新的金属断口图像识别方法。为此，李志农博±将超小波分析思想引入到金 属断口图像处理中，并进行了深入研究b-w。文献[6, 7]结合Contourlet变换和RVM的各 自优点，提出一种基于Contourlet-RVM的航空构件断口形貌识别方法，即WContourlet 变换进行特征提取，WRVM为分类器，对金属断口形貌进行识别。同时，将提出的方法与 Contourlet-SVM识别方法进行对比分析。文献巧,9]将Bandelet变换应用于金属断口图 像处理中，提出了基于Bandelet变换的金属断口图像识别方法，并进行了实验验证。然而， 随着问题的研究深入，现有的一些超小波分析方法的弊端也逐步显现出来了，如当图像的 几何结构比较复杂时，Bandlet变换表示图像并不是很好，原因在于几何流计算的不准确性 和它比较难逼近。Contourlet变换和小波变换一样，存在一个共同的不足，即缺乏平移不变 性，在处理图像的奇异点（边缘或纹理）附近会产生伪Gibbs现象，重构后的图像在奇异点 附近交替出现较大的上下幅值振动。另外，Contourlet变换的低频变换（LP分解）是有冗 余的，其冗余度为4/3。基于此，需要提出新的x-let变换来解决现有方法存在的不足。
[0004] 成组小波（Grouplet)变换是Mallat^w在2009年提出的一种全新的图像多尺 度分析技术，可W通过化ar变换实现一种二维图像处理快速算法，其优越性能大大优于现 有的小波分析方法和其他方向性小波。该变换突破了多尺度图像分解的限制，可W在任意 时间和空间上进行变换，拥有根据图像纹理结构自适应的改变基的能力，从而具有更好的 稀疏表示能力、更大的灵活性和更为优越的性能。由于Grouplet变换崭新的理论面貌和 独到的应用特点，特别是在处理纹理信息丰富图像上的优势，该变换一提出，就已经开始引 起国内外学者的强烈关注hww。Peyr6在文献[11]中提出了一种基于紧框架Grouplet 变换的动态纹理合成方法；在文献[12]中提出了一种利用Grouplet变换来合成和修补 自然图像的方法。Maalou护3-1?在Grouplet变换上做了一些工作，如文献[14]给出了 一种基于Grouplet变换的图像质量评价方法，文献[1引提出了一种基于Grouplet变换 的彩色图像超分辨率算法。Tak址irofhe呼ij用硬色收缩和Grouplet变换来对图像消噪。 WeiM提出了一种视听Grouplet方法，并进行了试验验证。在国内，灿头大学目敬文教 授hs'iw在Grouplet变换上做了一些工作，结合贪婪算法（Greedyalgorithm)和动态规 划算法值ynamicProgrammingalgorithm)对关联域的剪裁过程进行改进，提出一种新的 AGT(AdvancedGroupletTransform)变换，避免在对关联域剪裁的过程中出现将一条流线 截成多段流线的情况。
[0005]目前，Grouplet变换的研究仅处在理论研究上，在图像处理中仅限定在图像修复 和Grouplet变换消噪。通过查阅国内外重要的数据库，并没有找到Grouplet变换在工程 和材料科学中的应用，也就是说Grouplet变换在工程和材料科学研究中仍是一个空白。基 于此，在2014年，我们课题组叫尋Grouplet变换引入到断口学分析中，提出了基于 Groupiet-RVM的识别方法，提出的方法WGrouplet平均能量、Grouplet调和滴和Grouplet 峭度为特征量，RVM为识别器，并成功地应用到金属断口图像识别中。实验结果表明，与小 波-RVM识别方法相比较，提出的方法克服了小波-RVM识别方法只能获取图像有限的方向 信息，取得了更高的识别率。和Grouplet-SVM识别方法相比较，Grouplet-RVM识别方法和 Grouplet-SVM识别方法有同样好的识别率，该是因为Grouplet-RVM所需要的支持向量数 量要少得多，在核函数的选择上不受Mercer定理的限制，可W构建任意的核函数。因而，提 出的方法的识别速度明显优于Grouplet-SVM识别方法，特别是随着训练样本的增加，该种 优势越明显。
[0006] 然而，随着问题的进一步深入研究，我们发现，Grouplet-RVM识别方法的计算量 还是非常大，有必要在确保识别率的情况下，能否大幅度提高识别速度？该在工程中是非 常有意义的。在此背景的推动下，本发明在Grouplet-RVM识别方法的基础上，提出了一 种新的Grouplet-VRVM(成组小波-变分关联向量机）识别方法，同时，将提出的方法与 Grouplet-RVM识别方法进行了对比分析，实验结果验证了提出的方法的有效性。
【发明内容】
[0007] 基于上述【背景技术】，本发明所要解决的技术问题是，提供一种基于成组小波-变 分关联向量机断口图像识别方法，WGrouplet调和滴、Grouplet平均能量、Grouplet峭度 作为特征量，VRVM作为识别器，应用到金属断口图像识别中，在保持相同的识别率情况下， 大幅度提高训练速度。
[0008] 本发明采取W下技术方案实现上述目的。基于成组小波-变分关联向量机断口图 像识别方法，采用Grouplet变换处理断口图像，对Grouplet系数分别计算Grouplet调和 滴、Grouplet峭度和Grouplet平均能量，然后，将特征数据送入VRVM分类器进行识别，具 体过程如下：
[0009] 1)对断口图像进行Grouplet变换，得到图像的Grouplet系数子带；
[0010] 2)针对各频带输出的Grouplet系数进行计算，得到基于Grouplet调和滴、 Grouplet平均能量和Grouplet峭度的断口图像特征数据；
[0011]Grouplet局部滴；
；
[0016] 其中；x为Grouplet变换后的各个频带的Grouplet系数，MXN为该频带尺度大 小，m，n对应为该频带的行与列；
[0017]pXq为所有Grouplet系数综合后的尺度大小，P,q为对应的行和列；
[0018]i，j分别代表该频带图像的行和列；X为该频带的Grouplet系数；无为该频带 Grouplet系数的均值；0为标准差。
[0019] 3)将断口图像特征数据分为两部分；一部分断口图像特征数据用于训练，建立 VRVM识别模型；另一部分断口图像的特征数据用于测试分类，送入已经建立好的识别模型 中进行分类识别。
[0020] 由上面S个特征向量计算式子可知，提出的Grouplet调和滴既反映了图像的局 部纹理信息，又反映了全局的整体信息。提出的Grouplet平均能量是断口图像纹理信息的 平均反映，由于Grouplet平均能量、Grouplet调和滴是Grouplet系数的二次方关系，提出 的Grouplet峭度是Grouplet系数的四次方关系，因此，Grouplet峭度比Grouplet平均能 量、Grouplet调和滴更能反映微小的纹理特征变化，对纹理特征更敏感，有利于断口图像的 特征提取。
[0021] 本发明继承了成组小波和变分关联向量机的所有优点，与基于小波的金属断口图 像识别方法相比较，克服了该方法只能捕捉有限的方向信息，不能有效地提取图像的边缘 信息的缺陷；与基于Contourlet变换的图像识别方法相比较，克服了该方法缺乏平移不变 性和低频分解）的冗余性；与基于Bandelet变换的图像识别方法相比较，克服了该方法在 几何表示上的局限性，使其无法高效表示自然纹理结构中的那种毫无规律的几何结构；与 Grouplet-RVM识别方法相比较，在保证识别率不降低的情况下，大幅度提高了识别速度，而 且随着训练样本数量的增加，该种优势同样表现得越明显。
[0022] 本发明的有益效果主要体现在W下四方面：
[0023] 1、与基于小波变换的图像识别方法相比较，克服了基于小波变换只能捕捉有限的 方向信息，不能有效地提取图像的边缘信息的缺陷；
[0024] 2、与基于Contourlet变换的图像识别方法相比较，Contourlet变换和小波