印刷星標(biāo)的Gabor紋理特征分析與自動(dòng)識(shí)別研究

徐卓飛，張海燕，徐倩倩，向晨

1.西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院，西安710048

2.西安理工大學(xué)印刷包裝工程學(xué)院，西安710048

印刷星標(biāo)的Gabor紋理特征分析與自動(dòng)識(shí)別研究

徐卓飛1，張海燕2，徐倩倩2，向晨2

1.西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院，西安710048

2.西安理工大學(xué)印刷包裝工程學(xué)院，西安710048

印刷星標(biāo)是判斷水墨平衡的重要方式，由于其同時(shí)受到水墨關(guān)系與光照等因素影響，難以通過(guò)一般灰度分析方法準(zhǔn)確判斷，故提出通過(guò)圖像紋理識(shí)別星標(biāo)，以實(shí)現(xiàn)水墨狀態(tài)的自動(dòng)判斷。內(nèi)容包括印刷星標(biāo)的采集與預(yù)處理，基于2D-Gabor的印刷星標(biāo)紋理特征提取與融合PCA分析的紋理特征集降維，最后利用SVM實(shí)現(xiàn)決策網(wǎng)絡(luò)的構(gòu)建，實(shí)現(xiàn)了印刷機(jī)工作中對(duì)星標(biāo)的自動(dòng)識(shí)別，相關(guān)研究結(jié)果在減少調(diào)試維修設(shè)備工時(shí)和成本、提高印刷調(diào)節(jié)效率、快速實(shí)現(xiàn)水墨平衡等方面具有實(shí)際應(yīng)用價(jià)值。

印刷星標(biāo)；二維Gabor濾波；水墨平衡；支持向量機(jī)；主成分分析

膠印作為最主要的印刷方式，其工作狀態(tài)在很大程度上依賴于水墨平衡，即利用油水不相溶原理，使得印版具有選擇性吸附特性，使油墨和水在印版上分別處于親油位置和親水位置，從而實(shí)現(xiàn)油墨向承印物的轉(zhuǎn)移，這里的“水”指膠印中的潤(rùn)版液。在這一過(guò)程中需要保持墨量和水量的相互平衡以保證網(wǎng)點(diǎn)轉(zhuǎn)移的最佳效果，達(dá)到印刷品圖像清晰、色彩飽滿的效果[1-3]。為了勻墨均勻，膠印機(jī)墨路設(shè)計(jì)往往較為復(fù)雜，較長(zhǎng)的墨路系統(tǒng)導(dǎo)致墨量易受設(shè)備狀態(tài)變化的影響；水量會(huì)受到較多外界因素如溫度、濕度、氣流等影響，基于上述原因，致使印刷機(jī)在每次停機(jī)、啟動(dòng)、調(diào)試以及維修期間，往往會(huì)浪費(fèi)大量的紙張和油墨，而相應(yīng)的水墨狀態(tài)判斷與調(diào)節(jié)多以人工經(jīng)驗(yàn)為主，若實(shí)現(xiàn)自動(dòng)監(jiān)測(cè)技術(shù)，則可提高生產(chǎn)效率和可靠性[4-5]。

若要脫離人工經(jīng)驗(yàn)判斷模式，需要建立準(zhǔn)確高效的水墨量測(cè)量方案，因此印刷設(shè)備生產(chǎn)商與專家學(xué)者對(duì)于印刷機(jī)水墨檢測(cè)展開了深入的研究：國(guó)外印刷設(shè)備先進(jìn)制造商如德國(guó)海德堡、高寶等企業(yè)都開發(fā)了相應(yīng)的油墨在線預(yù)置系統(tǒng)，通過(guò)在印刷前對(duì)印刷畫面的分析，計(jì)算出各個(gè)色組的墨量值，并以此為依據(jù)通過(guò)遙控墨斗進(jìn)行各墨區(qū)的墨量控制，以便于在印刷中快速達(dá)到墨量要求；張海燕等[6]設(shè)計(jì)了一種以超聲波傳感器為主的印刷機(jī)墨量在線監(jiān)測(cè)系統(tǒng)，可以有效避免工作環(huán)境中噪聲對(duì)監(jiān)測(cè)的干擾，當(dāng)印刷機(jī)墨斗中油墨到達(dá)最低線時(shí)，系統(tǒng)會(huì)發(fā)出報(bào)警聲提示加墨，改進(jìn)后系統(tǒng)可以在線顯示墨斗中的墨量值，實(shí)現(xiàn)了印刷機(jī)供墨裝置的自動(dòng)化控制；考慮到潤(rùn)版液厚度在印刷過(guò)程中變化規(guī)律較為復(fù)雜，管力明等[7]針對(duì)潤(rùn)版液供給量進(jìn)行了監(jiān)控，利用光纖傳感器及相關(guān)檢測(cè)技術(shù)構(gòu)建了監(jiān)控系統(tǒng)，相對(duì)于人工經(jīng)驗(yàn)判斷，具有更高的準(zhǔn)確性；上述研究可測(cè)量水墨關(guān)系，但是都需要在印刷機(jī)上開發(fā)安裝相應(yīng)的測(cè)試設(shè)備，增加了成本，因此Ren Linghui[8]等提出利用BP神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別印刷標(biāo)識(shí)，成功對(duì)印刷墨量的大小進(jìn)行了判斷，脫離了機(jī)械測(cè)試硬件的需求，但由于BP神經(jīng)網(wǎng)絡(luò)存在對(duì)樣本需求量大的問(wèn)題，致使其應(yīng)用難度較大。

隨著數(shù)字化工作流程在行業(yè)全面的推廣，圖像處理技術(shù)越來(lái)越多地應(yīng)用于印刷畫面分析之中，相關(guān)的模式識(shí)別技術(shù)為印刷設(shè)備的狀態(tài)檢測(cè)與故障診斷提供了新的有效方法[9]?？紤]到印刷畫面分析可脫離測(cè)試系統(tǒng)硬件與人工經(jīng)驗(yàn)的束縛，降低成本并提高效率，提出自動(dòng)識(shí)別印刷星標(biāo)以實(shí)現(xiàn)水墨平衡的判斷方法。

1 星標(biāo)檢測(cè)方法概述

圖1代表了常見的印刷檢測(cè)星標(biāo)，其設(shè)計(jì)來(lái)源于美國(guó)印藝技術(shù)基金會(huì)（GATF），其多用于人眼直接觀測(cè)。印刷機(jī)在水墨不平衡時(shí)，如圖2星標(biāo)上會(huì)出現(xiàn)細(xì)微的異常紋理，這里提到的紋理是一種反映像素的空間分布屬性的圖像特征，通常表現(xiàn)為局部的不規(guī)則性和宏觀的規(guī)律性，是一類有效的圖像特征[10]。考慮到印刷圖案隨水墨量變換時(shí)，其紋理會(huì)出現(xiàn)規(guī)律性變化，故提出從紋理角度進(jìn)行模式識(shí)別研究，實(shí)現(xiàn)水墨平衡及相關(guān)異常的識(shí)別，克服灰度能量識(shí)別的不足。

圖1 研究所選取的星標(biāo)

圖2 印刷狀態(tài)出現(xiàn)異常時(shí)的印刷星標(biāo)（以品紅色為例）

實(shí)際生產(chǎn)中，工作人員常通過(guò)目測(cè)星標(biāo)的方式，依據(jù)人工經(jīng)驗(yàn)對(duì)水墨平衡進(jìn)行相關(guān)的判斷并進(jìn)行相應(yīng)設(shè)備調(diào)節(jié)。研究以星標(biāo)為主要檢測(cè)對(duì)象，實(shí)現(xiàn)自動(dòng)水墨狀態(tài)判斷，選用CMYK四色（即青、品、黃、黑印刷基本四色）星標(biāo)，印刷星標(biāo)是尺寸為5 mm×6.5 mm的小矩形，提出技術(shù)路線如圖3所示，主要包括采集印刷圖像、基于二維Gabor濾波的特征提取分析與狀態(tài)決策三個(gè)部分。

圖3 技術(shù)路線

2 星標(biāo)紋理特征提取與分析

2.1 基于2D-Gabor濾波的圖像變換

星標(biāo)檢測(cè)具體有如下困難：首先，印刷作業(yè)環(huán)境光照的變化會(huì)影響到星標(biāo)圖像采集的效果，造成圖像識(shí)別的誤判；此外，星標(biāo)紋理變化會(huì)受到色彩、水墨、濕度及溫度等多重因素影響，變化形式復(fù)雜，單一的特征評(píng)估極易產(chǎn)生誤判。

圖4按照?qǐng)D像灰度能量值進(jìn)行了分類，選取三種狀態(tài)（水量過(guò)大墨量不足，水量不足墨量過(guò)大，水墨平衡）星標(biāo)各20個(gè)，可發(fā)現(xiàn)A區(qū)域是明顯墨量過(guò)大水量不足的標(biāo)識(shí)，C區(qū)域是明顯墨量不足水量過(guò)大的標(biāo)識(shí)，而B區(qū)域包含了三種狀態(tài)，難以區(qū)分。

圖4 基于能量特征的區(qū)分結(jié)果

針對(duì)上述問(wèn)題，提出了融合Gabor小波能量與方向特征向量的星標(biāo)特征提取方法，利用二維Gabor紋理特征具有分辨率強(qiáng)且對(duì)光照的不敏感等特性，可對(duì)星標(biāo)紋理細(xì)節(jié)起到良好的增強(qiáng)效果[11-12]。

Gabor變換是一種加窗傅里葉變換，它很好地兼顧信號(hào)在空間域和時(shí)間域中的分辨能力，且與人眼的生物作用相仿，故常用于紋理識(shí)別[13-14]。二維Gabor濾波是一個(gè)調(diào)制過(guò)的二維高斯函數(shù)，其單位沖擊響應(yīng)函數(shù)為：

其中，σx與σy分別控制高斯函數(shù)在x軸和y軸方向上的變換尺度，f0為中心頻率，為了得到一組Gabor小波基，需對(duì)其進(jìn)行尺度變換和方向旋轉(zhuǎn)，如式（2）～（4）所示，經(jīng)過(guò)方向旋轉(zhuǎn)之后坐標(biāo)為x′和y′：

其中θ為旋轉(zhuǎn)角度，x和y為原坐標(biāo)，θ=nπ/k，k是Gabor總的方向數(shù)，a-m為尺度因子。Gabor特征可通過(guò)將輸入圖像與Gabor小波濾波器組卷積得到。若輸入圖像為I(x，y)，則圖像I和Gabor函數(shù)在尺度m方向n下的卷積定義為：

本文擬采用8個(gè)方向（0°，45°，90°，135°，180°，225°，270°，315°）和5個(gè)尺度(m=1～5)Gabor濾波組，共有8× 5=40個(gè)特征組，圖5是正常星標(biāo)經(jīng)過(guò)Gabor濾波之后得到結(jié)果。

圖5 星標(biāo)的Gabor小波變換

2.2 基于幅度譜與相位譜的紋理特征提取

在不同尺度和方向下，經(jīng)Gabor濾波組濾波后得到幅度譜和相位譜，之后需要提取有效地紋理特征以用于模式識(shí)別。對(duì)于幅度譜而言，其均值與方差廣泛應(yīng)用于紋理分割和圖像檢索，具有良好的模式分類效果，本次研究選取不同尺度方向下濾波組的這兩個(gè)特征值，構(gòu)成特征向量組M，則每一幅圖片的Gabor濾波幅度譜特征是一個(gè)5×8×2=80維的特征向量；對(duì)于相位譜而言，其灰度分布具有很強(qiáng)的不確定性，不能像幅度譜那樣可以用一個(gè)分布來(lái)近似，基于這樣的考慮并針對(duì)相位譜的信息不確定程度，可以從信息論的角度出發(fā)，用熵作為其特征值以描述其信息確定性程度[15]，構(gòu)建相位譜特征向量組N，它由5×8×1=40維特征向量組成，表示每一幅圖片的相位譜特征，相位譜熵的計(jì)算如式（6）所示：

其中，P(i，j)代表圖像中的一個(gè)像素，圖像尺寸為(L-1)× (L-1)。由M與N構(gòu)成二維Gabor濾波后圖像的特征集，每一幅原始圖像對(duì)應(yīng)一個(gè)120維特征組，記為X= [M，N]。

2.3 基于PCA的特征融合

X中包含多尺度多方向的紋理特征，其中存在相當(dāng)?shù)娜哂嗵卣鞑焕谀Ｊ椒诸?，同時(shí)特征組過(guò)大也會(huì)大大降低識(shí)別效率，因此研究對(duì)于特征集X進(jìn)行主成分分析，以便消除特征組之間的冗余信息。主成分分析（Principal Component Analysis，PCA）把多個(gè)變量化為少數(shù)幾個(gè)主成分，這些主成分能夠反映原始變量的大部分信息并表示原始變量的線性組合，為使得這些主成分所包含的信息互不重疊，要求各主成分之間互不相關(guān)[16-17]。

主元分析法的目標(biāo)是在保證星標(biāo)的紋理信息丟失最少的前提下，其尋找一組新變量來(lái)替代原變量，且新變量是原變量的線性組合，對(duì)于特征集為X，對(duì)其進(jìn)行主成分分析時(shí)，需要它的協(xié)方差矩陣Σ或相關(guān)系數(shù)矩陣R，本文選擇對(duì)Σ進(jìn)行估計(jì)，記特征組樣本的觀測(cè)矩陣為：

X的每一行對(duì)應(yīng)一幅圖像的全部Gabor濾波組特征值，p=120，記式（7）S為Σ的估計(jì)，可從S出發(fā)求樣本的主成分：

設(shè)λ1，λ2，…，λp為S的p個(gè)特征值，T=t1，t2，…，tp為相應(yīng)的正交單位特征向量，則有Σti=λiti，t′iti=1，t′itj=0，其中，i≠j；i，j=1，2，…，p。記Λ為對(duì)角線為λ1，λ2，…，λp的對(duì)角陣，則

進(jìn)行如下線性變換：

A為單位向量矩陣，Y=[y1，y2，…，yn]為主元特征集?？紤]y1的方差：

當(dāng)a′1=t1時(shí)，y1=t′1x的方差值達(dá)到最大，最大值為λ1。稱y1=t′1x為第一主成分，以此類推，在約束cov(yk，yi)=0(k=1，2，…，i-1)下可得，當(dāng)ai=ti時(shí)，yi= t′ix(i=1，2，…，p)的方差達(dá)到最大，最大值為λi，稱yi為第i主成分。分解得到主元模型后，根據(jù)式（11）～（12）計(jì)算各個(gè)主元的貢獻(xiàn)率與累積貢獻(xiàn)率，并根據(jù)累積貢獻(xiàn)率選取降維后的主元特征集。

提取后的得到主元特征集Y:Y=[y1y2…yn]，n為選取的主成分個(gè)數(shù)，使n的個(gè)數(shù)大幅小于p，即實(shí)現(xiàn)特征集的冗余信息消除和維數(shù)降低。

將降維之后的主元特征集進(jìn)行后續(xù)模式識(shí)別分類計(jì)算，作為后續(xù)SVM分類的輸入特征，這樣原先p維特征向量被壓縮成n維主元特征向量。

3 基于SVM的印刷狀態(tài)識(shí)別

經(jīng)過(guò)PCA分析，可去除掉特征集中的冗余信息以提高計(jì)算效率。在研究中，要求準(zhǔn)確地識(shí)別水量墨量狀態(tài)，需引入相關(guān)的模式識(shí)別算法，考慮到SVM（Support Vector Machine）對(duì)解決小樣本模式分類問(wèn)題有獨(dú)特的優(yōu)勢(shì)，具有很好的泛化能力，由于印刷生產(chǎn)中不易獲取大量樣本，SVM恰好適應(yīng)小樣本模式分類，故選其進(jìn)行分類研究。研究需根據(jù)主元特征實(shí)現(xiàn)水墨平衡、水量過(guò)大或墨量不足、水量過(guò)小或墨量過(guò)大三種狀態(tài)的分類，在本文中三類決策狀態(tài)是SVM的輸出向量，將經(jīng)過(guò)降維的n維主元特征向量作為輸入集。

SVM的核心思想是通過(guò)非線性核映射關(guān)系將輸入向量映射到一個(gè)高維空間中，構(gòu)造最優(yōu)分類平面以實(shí)現(xiàn)分類。支持向量機(jī)對(duì)于k類問(wèn)題分類時(shí)，只需要k-1個(gè)兩類分類器即可解決，在識(shí)別過(guò)程中選取徑向基函數(shù)作為SVM核函數(shù)，如式（13）所示：

SVM模型中，σ為控制核函數(shù)高寬的參數(shù)，懲罰參數(shù)C主要用于控制錯(cuò)誤分類，其選取由具體的問(wèn)題而定，并取決于數(shù)據(jù)中噪聲的數(shù)量。在確定的特征子空間中：C取值小表示對(duì)經(jīng)驗(yàn)誤差的懲罰小，學(xué)習(xí)機(jī)器的復(fù)雜度小而經(jīng)驗(yàn)風(fēng)險(xiǎn)值較大；C取無(wú)窮大，則表示所有約束條件都必須滿足，這意味著訓(xùn)練樣本必須準(zhǔn)確地分類。每個(gè)特征子空間至少存在一個(gè)合適的C以使得SVM泛化能力最好[18-19]。核函數(shù)參數(shù)會(huì)直接影響映射關(guān)系，其反映樣本數(shù)據(jù)在高維空間分布的復(fù)雜程度；懲罰參數(shù)可調(diào)節(jié)置信區(qū)間和經(jīng)驗(yàn)風(fēng)險(xiǎn)比例，提高SVM的泛化能力。本文采用交叉驗(yàn)證（Cross validation）的方法找到適合工況的最優(yōu)參數(shù)，研究將訓(xùn)練集分為K組，將每一組樣本依次作為驗(yàn)證集，同時(shí)將其余K-1個(gè)樣本作為訓(xùn)練集，采用KCV交叉驗(yàn)證思想，從而尋找到最優(yōu)的C和σ的參數(shù)值，之后利用完成訓(xùn)練的網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)未知樣本的判斷。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)條件

實(shí)際進(jìn)行印刷實(shí)驗(yàn)，以驗(yàn)證所提出方法的可行性和理論的正確性。實(shí)驗(yàn)在紙膠印機(jī)上進(jìn)行（圖6（a），膠印機(jī)光華650，陜西省印刷包裝工程重點(diǎn)實(shí)驗(yàn)室）；采用普通感光CCD（有效像素1 010萬(wàn)，最高分辨率3 648×2 736）進(jìn)行圖像采集；計(jì)算機(jī)（處理器Inter?CoreTM2 Duo CPU T6500，2.1 GHz）進(jìn)行圖像的存儲(chǔ)和處理，圖像的前處理、Gabor濾波、能量方向特征提取、SVM網(wǎng)絡(luò)的訓(xùn)練等所調(diào)用的程序均在Matlab環(huán)境下編寫。研究通過(guò)人為操作印刷機(jī)，分別調(diào)節(jié)進(jìn)墨量和上水量，造成水量過(guò)大墨量不足、水量不足墨量過(guò)大以及水墨平衡三種印刷狀態(tài)，根據(jù)印張的實(shí)際水墨供給印刷狀態(tài)，通過(guò)密度計(jì)反復(fù)測(cè)量印刷色彩控制條，獲取訓(xùn)練樣本與驗(yàn)證樣本并保證樣本的正確性。

根據(jù)圖1星標(biāo)進(jìn)行CTP印版制作，制版完成后上機(jī)印刷，分別按照KCMY（黑青品黃）色序印刷并進(jìn)行套印，部分印刷品如圖6（b）所示，得到印刷品之后進(jìn)行后續(xù)圖像處理與分析。圖6以品紅色為例，記錄了部分印刷標(biāo)識(shí)，7（a）～（c）分別是水量不足與墨量過(guò)大、水量過(guò)大與墨量不足、墨量適中三種狀態(tài)的星標(biāo)，分別從印品中選取訓(xùn)練樣本集和驗(yàn)證樣本集每種狀態(tài)各30個(gè)，共計(jì)2×3×30=180個(gè)樣本。

4.2 紋理特征提取分析

圖6 實(shí)驗(yàn)設(shè)備及印刷品樣張

圖7 部分印刷檢測(cè)星標(biāo)樣本

從原始特征集中每一個(gè)樣本中提取一個(gè)120維特征向量，通過(guò)對(duì)特征集進(jìn)行主成分分析，可得到其主成分分量，根據(jù)累計(jì)貢獻(xiàn)率來(lái)選取合適的維數(shù)。對(duì)訓(xùn)練樣本的120維特征向量矩陣進(jìn)行主成分分析，其累計(jì)貢獻(xiàn)率如圖8所示：經(jīng)過(guò)PCA處理之后，按照式（11）～（12）計(jì)算相應(yīng)累積貢獻(xiàn)率，發(fā)現(xiàn)僅第一主元貢獻(xiàn)率已達(dá)到96.23%，到第二主元其累積貢獻(xiàn)率已達(dá)到97.60%，在第五個(gè)主元處超過(guò)99%，為了有效降低維數(shù)并不丟失信息，選取前5個(gè)主元來(lái)替代原始120為特征向量，這樣極大地減少了特征信息量從而提高了計(jì)算效率。前5個(gè)主元的累積貢獻(xiàn)率已經(jīng)達(dá)到了99%以上，說(shuō)明其中已包含了特征集中主要的信息，雖然信息略有丟失，但相對(duì)于120維原始特征而言，簡(jiǎn)化了SVM輸入集，由于累積貢獻(xiàn)率較高，故未造成識(shí)別率明顯下降。

圖8 Gabor紋理特征的累積貢獻(xiàn)率

4.3 實(shí)驗(yàn)結(jié)果分析

在完成了圖像的采集、特征的提取和PCA分析之后，可從每一幅原始圖像中獲取一個(gè)5維主元向量，以此作為狀態(tài)最終識(shí)別的特征向量，在識(shí)別前對(duì)特征集進(jìn)行標(biāo)準(zhǔn)化，以訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)并用驗(yàn)證集驗(yàn)證識(shí)別效果。研究在Matlab環(huán)境下進(jìn)行，參數(shù)設(shè)定K=5，經(jīng)過(guò)參數(shù)交叉對(duì)比驗(yàn)證后，尋找到最優(yōu)懲罰參數(shù)C=32，核函數(shù)參數(shù)σ=0.125，結(jié)果記錄在表1中，而表2則詳細(xì)記錄了每種狀態(tài)的識(shí)別情況。

表1 識(shí)別結(jié)果

表2 識(shí)別率分析

從識(shí)別結(jié)果可以發(fā)現(xiàn)，當(dāng)n=5時(shí)，即120維原始特征集降維為5維特征之后，星標(biāo)平均準(zhǔn)確率可達(dá)90%以上，符合一般實(shí)際生產(chǎn)要求，遠(yuǎn)高于一般灰度能量分析分類的結(jié)果。

表3為按照第2章內(nèi)容描述采用灰度能量特征進(jìn)行星標(biāo)識(shí)別的結(jié)果，其整體識(shí)別率與本文方法相比明顯偏低，認(rèn)為這主要是由于光照因素、紋理的復(fù)雜程度導(dǎo)致。表2中反映出了識(shí)別產(chǎn)生錯(cuò)誤的情況，可以發(fā)現(xiàn)主要的錯(cuò)誤出現(xiàn)在墨量偏大與墨量適中兩種情況之間，這是由于實(shí)際生產(chǎn)中兩種紋理過(guò)于接近所致，這種錯(cuò)誤發(fā)生時(shí)說(shuō)明印刷品狀態(tài)介于二者之間，對(duì)實(shí)際生產(chǎn)影響較小，可通過(guò)增加濾波尺度適度提高，但會(huì)降低計(jì)算效率。

表3 基于灰度特征的識(shí)別結(jié)果

5 結(jié)論

研究以實(shí)現(xiàn)印刷機(jī)水墨狀態(tài)的自動(dòng)判斷為目的，針對(duì)星標(biāo)進(jìn)行了圖像處理、紋理特征分析與狀態(tài)模式識(shí)別，進(jìn)行了現(xiàn)場(chǎng)印刷實(shí)驗(yàn)，驗(yàn)證了可行性，主要結(jié)論有：（1）通過(guò)對(duì)星標(biāo)圖案的二維Gabor濾波分析，得到了其幅度譜特征和相位譜特征，結(jié)合主成分分析，大大降低了原始紋理特征集的維數(shù)，證明了PCA對(duì)于基于二維Gabor相關(guān)的紋理特征集有著很好的維數(shù)降低和冗余信息排除作用，可在實(shí)際工況中提高識(shí)別效率。（2）通過(guò)基于紋理特征的GATF星標(biāo)模式分類，實(shí)現(xiàn)了印刷機(jī)墨量大小的自動(dòng)識(shí)別，可替代人眼觀察且擁有較高的準(zhǔn)確度，彌補(bǔ)了灰度特征分析在星標(biāo)識(shí)別時(shí)易受光源影響、識(shí)別率低的不足。（3）在利用支持向量機(jī)分類的過(guò)程中，通過(guò)交叉驗(yàn)證的方法，在印刷標(biāo)識(shí)的決策網(wǎng)絡(luò)的建立中實(shí)現(xiàn)了參數(shù)的最優(yōu)選取，保證了小樣本條件下識(shí)別網(wǎng)絡(luò)的分類與泛化能力，最終實(shí)現(xiàn)了水墨狀態(tài)的模式分類。

本研究設(shè)計(jì)了一套印刷星標(biāo)識(shí)別方法，可通過(guò)一般圖像采集設(shè)備快速判斷水墨狀態(tài)，從而為印刷機(jī)調(diào)試提供參考。研究對(duì)于提高印刷生產(chǎn)的自動(dòng)化程度、降低印刷中的人工經(jīng)驗(yàn)依賴程度有著重要意義。

相關(guān)方法存在以下不足：（1）由于水墨量耦合關(guān)系較強(qiáng)，目前實(shí)際生產(chǎn)中缺乏相關(guān)測(cè)量理論與技術(shù)，研究對(duì)水墨量大小進(jìn)行了自動(dòng)判斷，但尚未實(shí)現(xiàn)對(duì)其精確的定量測(cè)量。（2）本方法目前可在印刷車間替代人工目測(cè)判斷，但依然處于離線監(jiān)測(cè)階段，開發(fā)出與印刷機(jī)結(jié)合的在線監(jiān)測(cè)系統(tǒng)可進(jìn)一步提高工作效率，也將是后續(xù)研究的重點(diǎn)。

[1]Koivula H，Kamal A lm H，Toivakka M.Temperature and moisture effects on wetting of calcite surfaces by offset ink constituents[J].Colloids and Surfaces A：Physicochem ical and Engineering Aspects，2011，390（1/3）：105-111.

[2]王儀明，蔡吉飛，趙吉斌.高速膠印機(jī)關(guān)鍵技術(shù)研究現(xiàn)狀及進(jìn)展[J].中國(guó)機(jī)械工程，2007，18（10）：1255-1263.

[3]Maind S D，Chattopadhyay N，Gandhi C，et al.Quantitative evaluation of europium in blue ballpoint pen inks/ offset printing inks tagged with europium thenoyltrifluoroacetonate by spectrofluorometry and ICP-AES[J].Science and Justice，2008，48（2）：61-66.

[4]Zhang Haiyan，Ren Linghui，He Yanling.dynamic simulation of offset printing inking system based on undirected graph[C]//2009 ETP/IITA World Congress in Applied Computing，Computer Science，and Computer Engineering，Sanya，China，2009：193-196.

[5]Shen Wei，Hutton B，Liu Fuping.A new understanding on the mechanism of fountain solution in the prevention of ink transfer to the non-image area in conventional offset lithography[J].Journal of Adhesion Science and Technology，2005，15：1861-1887.

[6]張海燕，閆海濱，趙慶海.印刷機(jī)著墨量在線監(jiān)測(cè)的新方法研究[J].傳感技術(shù)學(xué)報(bào)，2006，19（1）：258-260.

[7]管力明，陳梅.膠印潤(rùn)版液膜厚動(dòng)態(tài)檢測(cè)技術(shù)研究[J].包裝工程，2007，28（1）：58-64.

[8]Ren Linghui，Liu Kai，Zhang Haiyan.Printing machine condition monitoring based on printing image texture[C]// 2011 International Conference on Mechanical Engineering and Technology，London，UK，2011：267-269.

[9]劉東昌，王欣剛，李銳.基于紋理分析的張數(shù)檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào)，2011，16（3）：413-419.

[10]Bovik A C，Clark M，Geisler W S.Multichannel texture analysis using localized spatial filters[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1990，55（12）：798-805.

[11]Arivazhagan S，Ganesan L，Prival S P.Texture classification using Gabor wavelets based rotation invariant features[J]. Pattern Recognition Letters，2006，27（16）：1976-1982.

[12]劉金平，桂衛(wèi)華，牟學(xué)民，等.基于Gabor小波的浮選泡沫圖像紋理特征提取[J].儀器儀表學(xué)報(bào)，2010，31（8）：1769-1775.

[13]王憲，陸友桃，宋書林，等.基于Gabor小波變換與分塊PCA的人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（3）：176-180.

[14]Granlund G H.In search of a general picture processing operation[J].Computer Graphics and Image Processing，1978，8（2）：155-173.

[15]練秋生，陳書貞，劉春亮.融合Gabor小波能量與方向特征的掌紋識(shí)別算法[J].儀器儀表學(xué)報(bào)，2008，29（3）：556-561.

[16]張勇，陳莉.聚類與PCA融合的特征提取方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（11）：148-153.

[17]Perlibakas V.Distance measures for PCA-based recognition[J].Pattern Recognition Letters，2004，25：711-724.

[18]奉國(guó)和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（3）：123-125.

[19]Burges C J C.A tutorial on support vector machines for pattern recognition[J].Data mining and Know ledge Discovery，1998（2）：121-167.

XU Zhuofei1,ZHANG Haiyan2,XU Qianqian2,XIANG Chen2

1.School of Mechanical and Precision Instrument Engineering, Xi’an University of Technology, Xi’an 710048, China
2.School of Printing and Packaging Engineering, Xi’an University of Technology, Xi’an 710048, China

Printing label is the main way to monitor the state of ink balance. As the control for printing ink balance mainly depends on human experience, there are some problems such as strong subjectivity and low efficiency. In this study, the digital image processing and pattern recognition algorithm are used to solve the problem mentioned above and realize the automatic monitoring and identification of the balance of ink and water. The feature of printing label is abstracted with a 2D-Gabor filter and analyzed with a principal component analysis. SVM nets are trained to identify the statement of water and ink with the result of PCA and it has a qualified accuracy in application. This study has a significant in reducing the debugging time and cost of equipment. Both the quality and automation degree of printing will be improved.

printing label; 2D-Gabor filtering; ink-water balance; Support Vector Machine（SVM）; Principal Component Analysis（PCA）

XU Zhuofei, ZHANG Haiyan, XU Qianqian, et al. Study on automatic identification and texture analysis with Gabor filtering for printing label. Computer Engineering and Applications, 2014, 50（17）：230-235.

A

TS825；TH17

10.3778/j.issn.1002-8331.1310-0122

國(guó)家自然科學(xué)基金（No.51275406）；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目（No.2013JM 7009）；陜西省教育廳科學(xué)研究計(jì)劃項(xiàng)目（No.2013JK 1030）。

徐卓飛（1985—），博士研究生，主要研究方向?yàn)橛∷D像處理技術(shù)、機(jī)械故障測(cè)試與診斷。E-mail：xzf_34216606@163.com

2013-10-14

2013-12-20

1002-8331（2014）17-0230-06

CNKI網(wǎng)絡(luò)優(yōu)先出版：2014-03-12,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1310-0122.htm l