一种工件表面纹理图像的识别分类方法
【专利摘要】本发明公开一种工件表面纹理图像的识别分类方法，具体识别分类步骤为：步骤1：工件表面纹理图像的纹理特征提取；步骤2：工件表面纹理图像的形状特征提取；步骤3：工件表面纹理图像的纹理特征向量和形状特征向量综合；步骤4：利用支持向量机的方法进行工件表面纹理图像的识别分类。本发明通过对工件表面文纹理图像进行两种特征提取，然后进行训练及识别，充分利用扩展Shearlet变换和Krawchouk矩不变量的特征提取性能及支持向量机的识别性能，能更加完整地描述工件表面图像的纹理特征，提高了工件表面纹理图像的识别分类方法的准确性、鲁棒性，采用混沌萤火虫群算法优化的支持向量机完成工件表面图像识别分类，提高了识别率。
【专利说明】
一种工件表面纹理图像的识别分类方法
技术领域
[0001] 本发明涉及图像处理技术领域，具体涉及一种工件表面纹理图像的识别分类方 法。
【背景技术】
[0002] 随着计算机技术和图像处理技术的快速发展，生产自动化程度、加工精度越来越 高，基于工件表面纹理图像的刀具磨损状态检测广泛应用于自动化生产加工中，目前对工 件表面纹理图像的识别是基于工件表面图像的刀具磨损检测的重要内容。
[0003] 现有的工件纹理图像的识别方法有基于神经网络的方法、基于模糊聚类的方法、 基于遗传算法的方法等，但由于在实际的工件表面纹理图像获取过程中，受噪声、光照等外 界随机因素的干扰使得获取的原始纹理图像质量不高，使得现有识别方法往往识别分类的 准确率低。
【发明内容】
[0004] 针对上述问题，本发明提供了一种工件表面纹理图像的识别分类方法，其目的在 于:提高工件表面纹理图像的识别分类方法的准确性、鲁棒性。
[0005] 本发明的技术解决方案： 一种工件表面纹理图像的识别分类方法，具体识别分类步骤为： 步骤1:工件表面纹理图像的纹理特征提取； 步骤2:工件表面纹理图像的形状特征提取； 步骤3:工件表面纹理图像的纹理特征向量和形状特征向量综合； 步骤4:利用支持向量机的方法进行工件表面纹理图像的识别分类。
[0006] 本发明的特征还在于， 步骤1中，图像的纹理特征提取的过程为： 步骤1.1:首先将if X況大小的工件表面纹理图像进行扩展Shearlet分解，得到m个子 带图像(m个水平锥子带图像和m个垂直锥子带图像），可求得不同方向i和不同尺度j的水平 锥子带图像的Shear let变换系数4^和垂直锥子带图像的Shear let变换系数1%/。
[0007] 步骤1.2:首先计算子带图像的平方均值《￡/，即
式中％/表示子带图像的能量分布均值;P和!0分别表示子带图像的行数和列数； 表示水平锥子带图像系数％或垂直锥子带图像系数％。
[0008] 然后计算尺度Jtf的能量均值之和，得到加权后的能量分布均值％，则工件表面 纹理图像的水平锥纹理特征向量为巧= 。
[0009] 步骤1.3:按照步骤1.2，同样可求得工件表面纹理图像的垂直锥纹理特征向量为 ，则整幅工件表面纹理图像的纹理特征向量为双=[巧，好3】。
[0010] 步骤2中，图像的形状特征提取的过程： 设图像大小为Afx况，作为工件表面纹理图像的形状特征的(甲:+声)阶Krawtchouk矩 不变量定义为：
[0011] 贝1J整幅工件表面纹理图像的形状特征向量为
[0012] 步骤3中，纹理特征向量和形状特征向量综合的过程： 步骤3.1:按式(3)将纹理特征向量#=(私，的元素归一化：
得到归一化的工件表面纹理图像的纹理特征向量互。
[0013] 步骤3.2:按照步骤3.1的归一化的过程，可以得到得到归一化的工件表面纹理图 像的形状特征向量…总)。
[0014] 步骤3.3:综合工件表面纹理图像的纹理特征向量g和形状特征向量g，构成整幅 图像的综合特征向量F为，二。
[0015] 步骤4中，工件表面纹理图像的识别分类过程： 首先对工件表面纹理图像的训练样本和测试样本执行步骤1至3,分别得到训练样本和 测试样本特征向量，然后输入到混沌萤火虫群优化的支持向量机中，获得最优的参数设置。 最后对待识别的工件表面纹理图像执行步骤1至3,将得到的工件表面纹理图像特征向量输 入支持向量机，最终得到工件表面纹理图像的识别及分类结果。
[0016] 本发明的有益效果： 本发明通过对工件表面文纹理图像进行两种特征提取，然后进行训练及识别，充分利 用扩展Shearlet变换和Krawchouk矩不变量的特征提取性能及支持向量机的识别性能，能 更加完整地描述工件表面图像的纹理特征，提高了工件表面纹理图像的识别分类方法的准 确性、鲁棒性，采用混沌萤火虫群算法优化的支持向量机完成工件表面图像识别分类，提高 了识别率。
【附图说明】
[0017] 图1:本发明工件表面纹理图像的识别分类方法的流程图。
【具体实施方式】
[0018] 下面结合附图和实施例来对本发明做进一步描述： 本发明是一种工件表面纹理图像的识别分类方法的流程如图1所示，具体步骤如下： 步骤1:图像的纹理特征提取： 本发明采用扩展Shearlet变换得到工件表面纹理图像的纹理特征向量。首先将财 大小的工件表面纹理图像进行扩展Shearlet分解，得到m个子带图像(m个水平锥子带图像 和m个垂直锥子带图像），可求得不同方向i和不同尺度j的水平锥子带图像的Shearlet变换 系数％和垂直锥子带图像的Shearlet变换系数^。然后计算子带图像的平方均值， 即
式中气?表示子带图像的能量分布均值；，和0分别表示子带图像的行数和列数； 表示水平锥子带图像系数％或垂直锥子带图像系数％。
[0019] 然后计算尺度￥下的能量均值之和，得到加权后的能量分布均值\^，则工件表面 纹理图像的水平锥纹理特征向量为巧。同样可求得工件表面纹理图像的垂直锥纹 理特征向量为Α:，则整幅工件表面纹理图像的纹理特征向量为政=1?::爲I。
[0020] 步骤2:图像的形状特征提取： 本发明利用Krawtchouk矩不变量计算得到工件表面纹理图像的形状特征向量。设图像 大小为麻5￡_況，作为工件表面纹理图像的形状特征的im+H)阶Krawtchouk矩不变量定义 为：
[0021] 则整幅工件表面纹理图像的形状特征向量为β=[?^，
[0022] 步骤3:纹理特征向量和形状特征向量综合的过程： 按式(3)将纹理特征向量双·=(札&一的元素归一化，
得到归一化的工件表面纹理图像的纹理特征向量互---=珥)。
[0023] 同样可以得到得到归一化的工件表面纹理图像的形状特征向量 。综合工件表面纹理图像的纹理特征向量S和形状特征向量§，构成整幅图像的综合特征 向量丨为F =
[0024] 步骤4:工件表面纹理图像的识别分类过程： 本发明采用混沌萤火虫群算法优化的支持向量机完成工件纹理图像的识别分类。首先 对工件表面纹理图像的训练样本和测试样本执行步骤1至3,分别得到训练样本和测试样本 特征向量，然后输入到混沌萤火虫群优化的支持向量机中，获得最优的参数设置。最后对待 识别的工件表面纹理图像执行步骤1至3,将得到的工件表面纹理图像特征向量输入支持向 量机，最终得到工件表面纹理图像的识别及分类结果。
[0025]本发明的测试结果测试实验结果如下表1所示，基于Gabor小波和SVM方法的总识 别率为87.8%，基于灰度共生矩阵和BP神经网络方法的总识别率为84.4%，本发明的总识别 率为96.7%。
[0026] 表1 3种方法识别结果的比较
本发明采用扩展Shearlet变换提取工件表面图像的纹理特征，扩展Shearlet变换不仅 具有方向敏感性、空间局部化、抛物线尺度化和最优稀疏的特点，而且其剪切波对各个尺 度、方向和位置均能实现较好的定位，故有效提取工件表面纹理图像的纹理信息。 Krawtchouk矩是离散正交矩，克服Zernike矩、伪Zernike矩等连续矩的误差大、计算量大的 缺点，而且Krawtchouk矩不变量具有平移、旋转和尺度不变性，能有效表征工件表面纹理图 像的形状特征。将扩展Shearlet变换和Krawtchouk矩不变量结合使用，能更加完整地描述 工件表面图像的纹理特征。采用混沌萤火虫群算法优化的支持向量机完成工件表面图像识 别分类，提高了识别率。本发明采用扩展Shearlet变换、Krawchouk矩不变量及混沌萤火虫 优化支持向量机的工件表面纹理图像识别分类方法与基于Gabor小波和SVM方法、基于灰度 共生矩阵和BP神经网络方法的识别分类的对比，如表1所示。
[0027] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应 涵盖在本发明的保护范围之内。
【主权项】
1. 一种工件表面纹理图像的识别分类方法，其特征在于:包括如下步骤： 步骤1:对工件表面纹理图像进行纹理特征提取； 步骤2:对工件表面纹理图像进行形状特征提取； 步骤3:将工件表面纹理图像的纹理特征向量和形状特征向量综合； 步骤4:利用支持向量机的方法进行工件表面纹理图像的识别进行分类。2. 根据权利要求1所述的一种工件表面纹理图像的识别分类方法，其特征在于:所述步 骤1中的图像的纹理特征提取的过程为： 第一步，将AfxiV大小的工件表面纹理图像进行扩展Shearlet分解，得到m个子带图像 (m个水平锥子带图像和m个垂直锥子带图像），可求得不同方向i和不同尺度j的水平锥子带 图像的Shearlet变换系数和垂直锥子带图像的Shearlet变换系数士；； 第二步，计算子带图像的平方均值《技，即其中，气?表示子带图像的能量分布均值，P和旮分别表示子带图像的行数和列数， Μ芯0表示水平锥子带图像系数％或垂直锥子带图像系数％ ; 然后计算尺度/下的能量均值之和，得到加权后的能量分布均值，则工件表面纹理 图像的水平锥纹理特征向量为第三步，按照第二步同样可求得工件表面纹理图像的垂直锥纹理特征向量为则整 幅工件表面纹理图像的纹理特征向量为3. 根据权利要求1所述的一种工件表面纹理图像的识别分类方法，其特征在于:所述步 骤2中的图像的形状特征提取的过程为： 设图像大小为Μχ??，作为工件表面纹理图像的形状特征的阶Krawtchouk矩不 变量定义为：则整幅工件表面纹理图像的形状特征向量为4. 根据权利要求1所述的一种工件表面纹理图像的识别分类方法，其特征在于，所述步 骤3中的纹理特征向量和形状特征向暈综合的过程： 第一步:将纹理特征向量元素归一化：ΛΛ ?BW 得到归一化的工件表面纹理图像的纹理特征向i第二步：按照第一步的归一化的过程，可以得到得到归一化的工件表面纹理图像的形 状特征向量第三步:综合工件表面纹理图像的纹理特征向量Μ和形状特征向量g，构成整幅图像的 综合特征向量瓦为.V .5.根据权利要求1所述的一种工件表面纹理图像的识别分类方法，其特征在于:所述步 骤4中的工件表面纹理图像的识别分类过程为： 首先对工件表面纹理图像的训练样本和测试样本执行步骤1至3,分别得到训练样本和 测试样本特征向量； 然后输入到混沌萤火虫群优化的支持向量机中，获得最优的参数设置； 最后对待识别的工件表面纹理图像执行步骤1至3,将得到的工件表面纹理图像特征向 量输入支持向量机，最终得到工件表面纹理图像的识别及分类结果。
【文档编号】G06K9/62GK105869170SQ201610229339
【公开日】2016年8月17日
【申请日】2016年4月13日
【发明人】马英辉, 张瑜慧, 李海霞, 朱慧博
【申请人】宿迁学院