一种基于支持向量机的假币紫外荧光图像分割方法
【专利摘要】本发明涉及一种基于支持向量机的假币紫外荧光图像分割方法，其包括以下步骤：1)获得训练好的SVM分类器；(1.1)选择M幅假币荧光图像作为训练图像，并进行预处理；(1.2)对M幅训练图像均进行颜色空间转换，得到的每个像素的通道值作为该像素的特征值；(1.3)提取训练图像的正例样本和负例样本，正例样本和负例样本共同构成SVM模型训练数据data；(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器；2)使用SVM分类器对待分割图像进行分割。本发明基于统计学习理论的结构风险最小化原则，得到最佳的假币荧光图像分割结果。
【专利说明】
-种基于支持向量机的假币紫外黄光图像分割方法
技术领域
[0001] 本发明设及一种图像分割方法，特别是关于一种在假币图像处理领域中使用的基 于支持向量机的假币紫外巧光图像分割方法。
【背景技术】
[0002] 近年来，假币犯罪呈现为假币伪造方式不断翻新、伪造技术不断升级等新特点。一 是伪造方式，不仅有印刷，还有彩色喷墨打印、彩色激光打印、彩色复印等新兴伪造方式出 现;二是伪造技术，印刷方式印刷人民币，印刷质量越来越好、印刷时间越来越短、伪装手段 越来越高;在仿人民币的防伪特征方面，制作更加全面、精细。总之，亟需从技术角度，从假 币票样上尽可能发现更多地线索。
[0003] 假币在油墨品牌、配比、犯罪嫌疑人的伪造手法、再加工特征等方面的不同，可反 映为紫外光源下巧光特征的差异，通过对运些巧光特征进行比较，可判断假币是否是同一 批次生产的，运对于判定假币窝点数量、假币关联程度等有重要意义。判定假币批次问题从 本质上就是假币紫外巧光图像的分类问题，而假币巧光图像的分割是分类的基础，其质量 将直接决定分类的准确性。因此，研究对假币巧光图像的分割有重要的意义。
【发明内容】
[0004] 针对上述问题，本发明的目的是提供一种基于支持向量机的假币紫外巧光图像分 割方法，其操作简单，能得到最佳的假币巧光图像分割结果。
[0005] 为实现上述目的，本发明采取W下技术方案:一种基于支持向量机的假币紫外巧 光图像分割方法，其特征在于它包括W下步骤：1)获得训练好的SVM分类器；（1.1)选择M幅 假币巧光图像作为训练图像，并进行预处理；（1.2)对M幅训练图像均进行颜色空间转换，得 到的每个像素的通道值作为该像素的特征值；（1.3)提取训练图像的正例样本和负例样本， 所有训练图像的正例样本构成SVM模型训练的正例样本data_T，所有训练图像的负例样本 构成SVM模型训练的负例样本da ta_F，正例样本和负例样本共同构成SVM模型训练数据 data;(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器;2)使用SVM分 类器对待分割图像进行分割。
[0006] 优选地，所述步骤2)中，对待分割图像进行分割过程如下：（2.1)对待分割图像进 行预处理，预处理后图像大小为mXn; (2.2)对预处理后的待分割图像进行颜色空间转换， 得到3、6、8、山5、￥功能6个通道，每个像素作为一个测试样本，按列优先原则，使所有测试样 本构成一个待识别的样本集S，每个样本对应的6个通道值串联，构成该样本的特征值； (2.3)应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性，样本集S对 应的类别属性结果记为C; (2.4)按列优先原则，将C重塑成mXn的矩阵，即为最终假币巧光 图像分割结果。
[0007] 优选地，所述步骤（1.3)中，正例样本的选取方法为:选取每个训练图像的R通道， 对其均进行2级阔值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行 正例像素的选择;用宽度为^、高度为L2的滑动采样窗对训练图像进行采样，采样点个数为 化和化：
[000引
[0009] 其中，W为训练图像的宽度;H为训练图像的高度;化为水平方向采样点的个数;化为 竖直方向采样点的个数;滑动采样窗宽度为^ = 5;滑动采样窗高度为L2 = 5;对于二值图BW 中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大值为该采样窗口内的正 例像素，记录其坐标为(i，j)，则该采样窗口的正例样本特征值为[R(i，j)，G(i，j)，B(i，j)， ^王^)，5。，如，八1，如]，类别属性为1。
[0010] 优选地，所述步骤（1.3)中，负例样本选取方法为:选取每个训练图像的R通道，对 其均进行2级阔值分割，得到最高级别的二值图BW，在二值图BW的背景像素中，背景像素数 目在训练图像中所占比例较大，用宽度为L3、高度为L4的滑动采样窗对训练图像进行采样， 采样点个掛为Ns巧Nzi，
[0011]
[0012]其中，化为水平方向采样点的个数;N4为竖直方向采样点的个数;滑动采样窗宽度 为L3 = 7;滑动采样窗高度为L4 = 7;对于二值图BW中每个采样窗口的背景像素，分别选取采 样窗口内R通道的中值者作为该窗口内的负例像素，记录其坐标为Q J)，则该负例样本特 征值为阳。，如，6(1^)，8。，如，化1^)，5。，如，八1，如]，类别属性为0。
[0013] 优选地，所述步骤（1.1)中，对训练图像的预处理为:在紫光照射下扫描得到的待 分割图像，去除扫描引入的黑色背景，并使用高斯平滑对图像进行去噪。
[0014] 优选地，所述步骤（1.2)中，颜色空间转换是从RGB空间转换到HSV空间，得到R、G、 6、山5、￥共6个通道。
[0015] 本发明由于采取W上技术方案，其具有W下优点：1、本发明采用支持向量机(SVM) 的假币紫外巧光图像分割方法，使整个分割流程全自动实现，无需人工干预。2本发明采用 SVM的假币紫外巧光图像分割方法，基于统计学习理论的结构风险最小化原则，得到最佳的 假币巧光图像分割结果。
【附图说明】
[0016] 图1是本发明的整体流程示意图。
【具体实施方式】
[0017] 下面结合附图和实施例对本发明进行详细的描述。
[0018] 如图1所示，本发明提供一种基于支持向量机的假币紫外巧光图像分割方法，其具 体步骤如下：
[0019] 1)获得训练好的SVM分类器；
[0020] (1.1)选择M幅假币巧光图像作为训练图像，并进行预处理，即对在紫光照射下扫 描得到的待分割图像，去除扫描引入的黑色背景，并使用高斯平滑对图像进行去噪；
[0021] (I. 2)对M幅训练图像均进行颜色空间转换，即从RGB空间转换到HSV空间，得到R、 0、8、山5、￥共6个通道，每个像素的运6个通道的值作为该像素的特征值；
[0022] (1.3)提取训练图像的正例样本和负例样本，所有训练图像的正例样本构成SVM模 型训练的正例样本data_T，所有训练图像的负例样本构成SVM模型训练的负例样本data_F， 正例样本和负例样本共同构成SVM模型训练数据da化；
[0023] 其中，正例是训练图像中的巧光像素(前景），正例样本是训练图像前景像素的特 征值及类别属性；负例是训练图像中的非巧光像素（背景），负例样本是训练图像背景像素 的特征值及类别属性；
[0024] (1.4)使用训练数据da化，进行SVM模型训练，获得训练好的SVM分类器；
[0025] 2)使用SVM分类器对待分割图像进行分割；
[0026] (2.1)对待分割图像进行预处理，预处理后图像大小为mXn;
[0027] (2.2)对预处理后的待分割图像进行颜色空间转换，得到3、6、8、山5、￥功能6个通 道，每个像素作为一个测试样本，按列优先原则，使所有测试样本构成一个待识别的样本集 S，每个样本对应的6个通道值串联，构成该样本的特征值；
[0028] (2.3)应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性， 样本集S对应的类别属性结果记为C;
[0029] (2.4)按列优先原则，将C重塑成mXn的矩阵，即为最终假币巧光图像分割结果。
[0030] 上述步骤(1.3)中，正例样本的选取方法为:选取每个训练图像的R通道，对其均进 行2级阔值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行正例像素 的选择;用宽度为^、高度为L2的滑动采样窗对训练图像进行采样，采样点个数为化和化：
[0031] U)
[0032] (2)
[0033] 其中，W为训练图像的宽度;H为训练图像的高度;化为水平方向采样点的个数;化为 竖直方向采样点的个数;滑动采样窗宽度为b = 5;滑动采样窗高度为L2 = 5;
[0034] 对于二值图BW中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大 值为该采样窗口内的正例像素，记录其坐标为（i，j )，则该采样窗口的正例样本特征值为[R 。，如，6(1^)，8。，如，化1^)，5。，如，八1，如]，类别属性为1。
[0035] 上述步骤（1.3)中，负例样本选取方法为:在二值图BW的背景像素中，使用同样的 均匀采样方式进行负例样本选取，由于背景像素数目在训练图像中所占比例较大，训练图 像用宽度为L3、高度为L4的滑动采样窗对训练图像进行采样，采样点个数为化和N4:
[0036] C3)
[0037] 4)
[0038] 其中，化为水平方向采样点的个数;N4为竖直方向采样点的个数;滑动采样窗宽度 为L3 = 7;滑动采样窗高度为L4 = 7;
[0039] 对于二值图BW中每个采样窗口的背景像素，分别选取采样窗口内R通道的中值者 作为该窗口内的负例像素，记录其坐标为(i，j)，则该负例样本特征值为[R( i，j)，G( i，j)，B 。，如，化1^)，5。，如，八1，如]，类别属性为0。
[0040] 上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可W 有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等 同变换，均不应排除在本发明的保护范围之外。
【主权项】
1. 一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于:它包括以下步骤： 1) 获得训练好的SVM分类器； (1.1) 选择M幅假币荧光图像作为训练图像，并进行预处理； (1.2) 对M幅训练图像均进行颜色空间转换，得到的每个像素的通道值作为该像素的特 征值； (1.3) 提取训练图像的正例样本和负例样本，所有训练图像的正例样本构成SVM模型训 练的正例样本data_T，所有训练图像的负例样本构成SVM模型训练的负例样本data_F，正例 样本和负例样本共同构成SVM模型训练数据data; (1.4) 使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器； 2) 使用SVM分类器对待分割图像进行分割。2. 如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在 于:所述步骤2)中，对待分割图像进行分割过程如下： (2.1) 对待分割图像进行预处理，预处理后图像大小为mXn; (2.2) 对预处理后的待分割图像进行颜色空间转换，得到1?、6、8、!1、5、￥功能6个通道，每 个像素作为一个测试样本，按列优先原则，使所有测试样本构成一个待识别的样本集S，每 个样本对应的6个通道值串联，构成该样本的特征值； (2.3) 应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性，样本 集S对应的类别属性结果记为C; (2.4) 按列优先原则，将C重塑成mXn的矩阵，即为最终假币荧光图像分割结果。3. 如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在 于:所述步骤(1.3)中，正例样本的选取方法为:选取每个训练图像的R通道，对其均进行2级 阈值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行正例像素的选 择;用宽度SL 1、高度SL2的滑动采样窗对训练图像进行采样，采样点个数为NjPN2:其中，W为训练图像的宽度;H为训练图像的高度;N1为水平方向采样点的个数;N2为竖直 方向采样点的个数;滑动采样窗宽度为Li = 5;滑动采样窗高度为L2 = 5; 对于二值图BW中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大值为 该采样窗口内的正例像素，记录其坐标为（i，j )，则该采样窗口的正例样本特征值为[R( i， 」），6(1，」），8(1，」），!1(1，」），5(1，」），￥(1，」）]，类别属性为1。4. 如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在 于:所述步骤(1.3)中，负例样本选取方法为:选取每个训练图像的R通道，对其均进行2级阈 值分割，得到最高级别的二值图BW，在二值图BW的背景像素中，背景像素数目在训练图像中 所占比例较大，用宽度为L 3、高度为L4的滑动采样窗对训练图像进行采样，采样点个数为N3 和N4:其中，N3为水平方向采样点的个数;N4为竖直方向采样点的个数;滑动采样窗宽度为L3 =7;滑动采样窗高度为L4=7; 对于二值图BW中每个采样窗口的背景像素，分别选取采样窗口内R通道的中值者作为 该窗口内的负例像素，记录其坐标为（i，j)，则该负例样本特征值为[R(i，j)，G(i，j)，B(i， 」），讯1，」_)，5(1，」_)，￥(1，」_)]，类别属性为0。5. 如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在 于:所述步骤(1.1)中，对训练图像的预处理为:在紫光照射下扫描得到的待分割图像，去除 扫描引入的黑色背景，并使用高斯平滑对图像进行去噪。6. 如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在 于:所述步骤（1.2)中，颜色空间转换是从RGB空间转换到HSV空间，得到R、G、B、H、S、V共6个 通道。
【文档编号】G06T7/00GK106023228SQ201610388263
【公开日】2016年10月12日
【申请日】2016年6月2日
【发明人】邹积鑫, 林雷祥, 齐凤亮, 于健, 李世峰
【申请人】公安部物证鉴定中心