基于特征分布的建筑墻體裂縫圖像識(shí)別方法*

曹艷玲， 袁義宏

(華南理工大學(xué) 設(shè)計(jì)學(xué)院， 廣州 510009)

近年來，隨著建筑工程技術(shù)領(lǐng)域快速發(fā)展，人們對(duì)建筑質(zhì)量的要求也越來越嚴(yán)格[1].在工程實(shí)踐及現(xiàn)代工程材料的質(zhì)量研究中，建筑結(jié)構(gòu)最常見的質(zhì)量問題主要是墻體表面的裂縫問題，而建筑墻體的損壞總是從裂縫開始的[2-4]，小的裂縫會(huì)干擾建筑的安全性，大的裂痕會(huì)破壞構(gòu)造整體性，縮短建筑使用壽命，導(dǎo)致安全事故，危害人民的生命和財(cái)產(chǎn)安全，會(huì)產(chǎn)生嚴(yán)重的后果.建筑墻體產(chǎn)生裂縫無法避免，但是可以通過及時(shí)識(shí)別降低建筑裂縫對(duì)建筑的危害水平[5-6].當(dāng)前建筑裂縫有害和無害的邊界主要是依據(jù)工程建設(shè)標(biāo)準(zhǔn)和基本的生活經(jīng)驗(yàn)確定的，針對(duì)一些特殊工程還要考慮心理及美觀的需求.因此，有害及無害墻體裂縫的界定對(duì)不同區(qū)域工程是變化的.隨著建筑越來越高，一些裂縫如何避免在外界干擾下實(shí)現(xiàn)非人工識(shí)別成為該領(lǐng)域亟待解決的問題[7].研究發(fā)現(xiàn)通過識(shí)別建筑墻體裂縫圖像，可提前分析裂縫像素特征，有效識(shí)別建筑墻體裂縫，降低人工成本.

很多研究人員對(duì)傳統(tǒng)的圖像模式識(shí)別方法進(jìn)行了改進(jìn)研究.文獻(xiàn)[8]通過顏色特征區(qū)分法進(jìn)行裂縫圖像識(shí)別，該方法通過梯度與交叉累積剩余熵相結(jié)合的配準(zhǔn)算法配準(zhǔn)兩個(gè)不同的裂縫圖像，采用像素比值法進(jìn)行建筑墻體裂縫圖像的識(shí)別，但是該方法在光照不定的條件下識(shí)別精度較差；文獻(xiàn)[9]主要通過SITF算法提取建筑墻體裂縫圖像特征，并保存XML特征文獻(xiàn)，通過創(chuàng)建圖像特征數(shù)據(jù)庫，保存特征文件信息及圖像的基本信息，最后利用GPS匹配和SITF特征匹配相結(jié)合的方式對(duì)建筑墻體裂縫圖像進(jìn)行識(shí)別，但該方法受到GPS限制，識(shí)別耗時(shí)較長(zhǎng)；文獻(xiàn)[10]提出了一種支持向量機(jī)法，該方法利用Canny算子獲取建筑墻體裂縫的邊緣圖像，采用霍夫變換算法提取出裂縫邊緣圖像中的直線，然后檢測(cè)各直線之間的位置關(guān)系，并通過局部化原理進(jìn)行檢測(cè)，根據(jù)直線之間的位置關(guān)系生成直線關(guān)系圖，最后遍歷直線關(guān)系圖得到封閉幾何圖形，實(shí)現(xiàn)建筑墻體裂縫圖像識(shí)別，但是該方法存在耗時(shí)長(zhǎng)、誤差大的問題.

針對(duì)上述問題，本文提出基于特征分布和高斯混合模型的建筑墻體裂縫圖像識(shí)別方法.通過引入特征分布和高斯混合模型相結(jié)合的方法，實(shí)現(xiàn)對(duì)建筑墻體裂縫圖像的識(shí)別.實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的方法，無論在預(yù)處理效果，還是識(shí)別時(shí)間及準(zhǔn)確度均優(yōu)于傳統(tǒng)的識(shí)別方法，具有一定的優(yōu)勢(shì).

1 圖像預(yù)處理與增強(qiáng)處理

1.1 圖像觀測(cè)特征計(jì)算

在對(duì)墻體裂縫圖像進(jìn)行判斷的過程中，第一步是對(duì)采集的建筑墻體裂縫圖像進(jìn)行預(yù)處理，為建筑墻體裂縫圖像的識(shí)別提供較好的、可識(shí)別的依據(jù).由于采集條件很難做到無干擾，因此采集的建筑墻體裂縫圖像包含很多顏色信息，可被存儲(chǔ)成RGB形式.根據(jù)RGB形式對(duì)墻體圖像設(shè)置了圖像里每個(gè)像素色彩的分量數(shù)值，并存儲(chǔ)成三維數(shù)據(jù)矩陣的形式，如果直接處理該形式的建筑圖像，計(jì)算量會(huì)顯著增加，效率降低.因此，需要在不干擾建筑墻體裂縫識(shí)別精度的前提下對(duì)其進(jìn)行簡(jiǎn)化，而干擾最小的簡(jiǎn)化法就是將RGB格式圖像轉(zhuǎn)化為灰度圖像，其轉(zhuǎn)換公式為

Intensity=0.3R+0.59G+0.11B

(1)

式中：Intensity為建筑墻體裂縫圖像中各像素灰度值；R、G、B分別為RGB形式圖像中各像素紅、綠、藍(lán)3個(gè)顏色的分量數(shù)值，其權(quán)值根據(jù)經(jīng)驗(yàn)設(shè)定.

由于建筑墻體裂縫圖像在采集過程中會(huì)受到各種因素的影響，從而產(chǎn)生噪聲，而噪聲會(huì)直接影響圖像處理的效果.因此，采用中值濾波法對(duì)圖像進(jìn)行去噪處理是預(yù)處理的一個(gè)重要部分.

中值濾波法主要針對(duì)以單獨(dú)點(diǎn)模式展現(xiàn)的圖像噪聲，且所占像素?cái)?shù)較少，建筑墻體裂縫圖像是由多個(gè)像素在一個(gè)比較大的面積內(nèi)構(gòu)成的[11]，因此，中值濾波法對(duì)一個(gè)區(qū)域D里的全部像素灰度值實(shí)行排序處理，取排序結(jié)果的中間值當(dāng)作區(qū)域D中心點(diǎn)的像素灰度值，其數(shù)學(xué)表達(dá)式為

g(c，r)=Intensity·med(p(c，r)，(c，r)∈D)

(2)

式中：p(c，r)為排序結(jié)果的中間值；(c，r)為建筑外墻區(qū)域D的中心點(diǎn)；med(·)為符號(hào)函數(shù).采用Harris角點(diǎn)檢測(cè)算法對(duì)裂縫圖像進(jìn)行角點(diǎn)求解，其表達(dá)式為

(3)

式中：(XA，YA)為角點(diǎn)A在建筑墻體裂縫圖像坐標(biāo)系中的坐標(biāo)；(xA，yA)為角點(diǎn)A在觀測(cè)區(qū)域坐標(biāo)系中的坐標(biāo)；(XZS，YZS)為所設(shè)置觀測(cè)區(qū)域左上角在整個(gè)圖像坐標(biāo)系中的坐標(biāo).

對(duì)建筑墻體圖像的像素進(jìn)行標(biāo)記，可以實(shí)現(xiàn)角點(diǎn)檢測(cè)處理.像素標(biāo)記是為了得到建筑墻體裂縫圖像里像素邊長(zhǎng)的真實(shí)長(zhǎng)度δ，單位為mm.由于在制作觀測(cè)標(biāo)志時(shí)，觀測(cè)特征的實(shí)際尺寸已知，因此在對(duì)建筑墻體圖像像素進(jìn)行標(biāo)記時(shí)，是經(jīng)過鄰域有用角點(diǎn)間的真實(shí)長(zhǎng)度和像素?cái)?shù)進(jìn)行比較獲取的[12]，其表達(dá)式為

(4)

式中：LAB為鄰域有用角點(diǎn)A、B間的真實(shí)間隔；(xB，yB)為角點(diǎn)B在觀測(cè)區(qū)域坐標(biāo)系中的坐標(biāo).

1.2 圖像特征的區(qū)域增強(qiáng)

在對(duì)建筑墻體裂縫圖像進(jìn)行預(yù)處理的基礎(chǔ)上，可采用選擇掩模平滑法進(jìn)行區(qū)域增強(qiáng)處理，為建筑墻體裂縫圖像識(shí)別提供基礎(chǔ)依據(jù).在預(yù)處理過程中，影響閾值去噪因素主要有分解尺度、閾值函數(shù)和閾值，在進(jìn)行圖像增強(qiáng)處理時(shí)，主要考慮閾值函數(shù)中的軟閾值函數(shù)對(duì)建筑外墻圖像的干擾，其數(shù)學(xué)表達(dá)式為

(5)

式中：sgn()為符號(hào)函數(shù)；wj，k為小波系數(shù)；λ為所選閾值.當(dāng)|wj，k|≥λ時(shí)，將wj，k設(shè)置為λ+1；當(dāng)|wj，k|<λ時(shí)，將wj，k設(shè)置為λ-1；當(dāng)-λ

(6)

(7)

式中：Q為建筑區(qū)域圖像各掩模像素點(diǎn)數(shù)量；rj′為第j′個(gè)訓(xùn)練樣本圖像對(duì)應(yīng)的子圖像.由于包括尖銳邊緣的鄰域，其方差較大，而這種特質(zhì)不包括邊緣，邊緣的灰度均勻，鄰域方差較小.方差越小，相應(yīng)的掩模灰度就越平均，像素(x，y)選取這個(gè)掩模的可能性越大；如果(x，y)是邊緣點(diǎn)，則用最小方差的灰度均值替換(x，y)的灰度值，不會(huì)損壞裂縫圖像邊緣的清晰度；如果(x，y)是一噪聲點(diǎn)，使用該方法能起到平滑功效，達(dá)到對(duì)裂縫邊緣圖像的增強(qiáng)處理.

2 圖像識(shí)別方法的改進(jìn)

為了解決全局直方圖均衡化不能局部處理的缺陷，提高建筑墻體裂縫圖像整體識(shí)別性能，采用局部直方圖均衡法，其原理是對(duì)建筑墻體裂縫圖像里的每個(gè)像素在其鄰域里實(shí)行直方圖平衡處理，經(jīng)過部分運(yùn)算疊加自適應(yīng)增強(qiáng)圖像局部信息，增強(qiáng)墻體圖像部分較小區(qū)域里的裂痕細(xì)節(jié).

圖1 鄰域掩模類型Fig.1 Neighborhood mask type

首先定義一個(gè)M×M大小的墻體裂痕鄰域，一般是矩形范圍，把此范圍的中心從一個(gè)像素點(diǎn)轉(zhuǎn)移至另一個(gè)像素點(diǎn)，在每個(gè)像素點(diǎn)(x，y)上，先計(jì)算設(shè)置區(qū)域里的局部直方圖累積分布函數(shù)，其表達(dá)式為

(8)

式中：nj′為圖像尺度參數(shù)；pr為圖像結(jié)構(gòu)元素權(quán)值；β為圖像像素調(diào)節(jié)因子.在對(duì)圖像進(jìn)行局部統(tǒng)計(jì)增強(qiáng)時(shí)，最有效的方法就是根據(jù)局部反差程度來增強(qiáng)圖像的細(xì)節(jié)信息，增強(qiáng)后的圖像可以表示為

T=Si+k[u(i，j)-d(i，j)]

(9)

式中：u(i，j)為輸入圖像在點(diǎn)(i，j)處的灰度值；d(i，j)為以點(diǎn)(i，j)為中心且k>1時(shí)的全局放大因子.當(dāng)k>1時(shí)，若u(i，j)>d(i，j)，此時(shí)該像素點(diǎn)(i，j)的灰度被增強(qiáng)；當(dāng)k<1時(shí)，若u(i，j)

針對(duì)傳統(tǒng)圖像特征局部對(duì)比度增強(qiáng)時(shí)，不能調(diào)節(jié)擴(kuò)大系數(shù)的問題，本文采用局部標(biāo)準(zhǔn)差來動(dòng)態(tài)調(diào)節(jié)放大系數(shù)，對(duì)不同區(qū)域的對(duì)比度同時(shí)增強(qiáng).自適應(yīng)局部對(duì)比度增強(qiáng)算法可表示為

(10)

式中：η為自適應(yīng)增強(qiáng)系數(shù)；Eg為圖像的均值；σs為局部標(biāo)準(zhǔn)差；A(i，j)為圖像在點(diǎn)(i，j)處的分辨率.

在對(duì)裂縫圖像進(jìn)行對(duì)比度增強(qiáng)的基礎(chǔ)上，構(gòu)建馬科維茨模型，使墻體裂縫邊緣和墻體各自的內(nèi)部顏色差異最小，而墻體內(nèi)部的顏色差異最大.馬科維茨模型表達(dá)式為

minδ2(rp)=H(i，j)∑∑2πcov(ri，rj)

(11)

式中：ri為裂縫邊緣顏色變化增益；rj為墻體顏色變化增益；cov(ri，rj)為裂縫邊緣顏色與墻體顏色變化增益間的協(xié)方差.依據(jù)馬科維茨模型，在實(shí)行顏色通道融合時(shí)，其數(shù)學(xué)表達(dá)式為

(12)

式中：N為顏色通道的個(gè)數(shù)；μmq為在顏色區(qū)域m上顏色通道q的期望；μm為在經(jīng)過N個(gè)通道線性組合之后的第m個(gè)顏色區(qū)域的期望值.采用特征分布法確定建筑墻體裂縫圖像特征，其表達(dá)式為

(13)

式中：B為圖像像素矩陣；I(x+u，x+v)為圖像降噪的平滑窗口；I(x，y)為點(diǎn)(x，y)的像素值；u、v為偏移坐標(biāo).以此為基礎(chǔ)，將樣本進(jìn)行改進(jìn)非負(fù)矩陣分解，權(quán)值矩陣為C，此時(shí)特征向量為WT.根據(jù)識(shí)別系數(shù)x0的稀疏條件，通過NMF壓縮識(shí)別法與最小l0范數(shù)(計(jì)算向量中非零元素的個(gè)數(shù))來進(jìn)行求解，獲得的圖像識(shí)別系數(shù)為

(14)

引入高斯混合模型的聚類方法實(shí)現(xiàn)對(duì)建筑墻體裂縫圖像的識(shí)別，其表達(dá)式為

(15)

式中：ms為分量s的均值；ws為分量s的混合系數(shù)；σs為協(xié)方差矩陣.

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證改進(jìn)裂縫圖像識(shí)別方法的有效性及可行性，需要進(jìn)行實(shí)驗(yàn)對(duì)比分析.實(shí)驗(yàn)對(duì)改進(jìn)方法與傳統(tǒng)方法分別進(jìn)行預(yù)處理，其結(jié)果如圖2～5所示.

圖2 原始圖像Fig.2 Original image

圖3支持向量機(jī)方法預(yù)處理結(jié)果
Fig.3Pretreatmentresultswithsupport

vectormachinemethod

圖4改進(jìn)方法預(yù)處理結(jié)果
Fig.4Pretreatmentresultswithimprovedmethod

圖5顏色特征區(qū)分法預(yù)處理結(jié)果
Fig.5Pretreatmentresultswithcolorfeature

discriminationmethod

由此可以看出，在以裂縫吻合程度、清晰度、紋路重合程度及顯示的裂縫寬度為指標(biāo)的情況下，采用顏色特征區(qū)分法時(shí)，其處理效果清晰度較低，裂縫線路不清楚，與原始圖像吻合度也很差，裂縫寬度與原圖裂縫寬度也未準(zhǔn)確顯示；而采用支持向量機(jī)方法進(jìn)行預(yù)處理時(shí)，其處理效果較好，與原始圖像裂縫紋路重合度較低，且未完全表示出裂縫寬度的問題；采用改進(jìn)方法時(shí)，其處理效果清晰度較高，裂縫線路清晰，與原始圖像吻合度較好，裂縫寬度與原圖裂縫寬度非常接近.

為了進(jìn)一步驗(yàn)證改進(jìn)方法在識(shí)別建筑墻體裂縫圖像方面的有效性及可行性，在識(shí)別樣本量不定的情況下，以識(shí)別系數(shù)作為參考進(jìn)行實(shí)驗(yàn)對(duì)比分析，結(jié)果如圖6～8所示.圖中實(shí)線部分為圖像識(shí)別基準(zhǔn)，即圖像“船”，圓點(diǎn)為非零元素.

圖6 改進(jìn)圖像識(shí)別方法Fig.6 Improved image recognition method

由圖6～8可知，采用改進(jìn)方法時(shí)，從圖像可以看出非零元素非常稀疏，大多數(shù)近似為0，且非零項(xiàng)并沒有分布在各類上，主要集中在圖像“船”上，最大的系數(shù)值也對(duì)應(yīng)在此圖像“船”上，識(shí)別效果較好；采用顏色特征區(qū)分法時(shí)，用隨機(jī)的高斯矩陣和NMF得到WT作為測(cè)試樣本在該區(qū)域的系數(shù)，再通過最小范數(shù)進(jìn)行求解.非零項(xiàng)分布在各類上，大系數(shù)比較多，很難判斷出系數(shù)對(duì)應(yīng)在哪一類中，識(shí)別的效果不明顯.

圖7 顏色特征區(qū)分法Fig.7 Color feature distinction method

圖8 支持向量機(jī)法Fig.8 Support vector machine method

為了進(jìn)一步驗(yàn)證改進(jìn)方法在識(shí)別建筑墻體裂縫圖像方面的有效性及可行性，在識(shí)別量不定的情況下，以識(shí)別所需時(shí)間、識(shí)別率及拒識(shí)率為指標(biāo)進(jìn)行實(shí)驗(yàn)對(duì)比分析，結(jié)果如表1所示.

表1 不同算法下時(shí)間、識(shí)別率及拒識(shí)率對(duì)比Tab.1 Comparison in time，recognition rate andrejection rate with different algorithms

由表1可知，采用改進(jìn)圖像識(shí)別方法時(shí)，其識(shí)別率為99.4%，拒識(shí)率為0.6%，所需時(shí)間為10 min，相比支持向量機(jī)法、顏色特征區(qū)分法，其識(shí)別率分別提高了54.1%、49.2%，拒識(shí)率分別降低了54.1%、49.2%，所需時(shí)間分別降低了46、25 min，其識(shí)別率較高，拒識(shí)率較低，所需時(shí)間較短；采用支持向量機(jī)法時(shí)，其識(shí)別率為45.3%，拒識(shí)率為54.7%，所需時(shí)間為56 min，其識(shí)別率較低的同時(shí)，時(shí)間過長(zhǎng)，識(shí)別性能較差；采用顏色特征區(qū)分法，其識(shí)別率為50.2%，拒識(shí)率為49.8%，所需時(shí)間為35 min，雖然相比支持向量機(jī)法識(shí)別率增加，拒識(shí)率降低，時(shí)間縮短，但還是與改進(jìn)方法相差很多，無太大優(yōu)勢(shì).

4 結(jié) 論

本文提出一種基于特征分布和高斯混合模型的建筑墻體裂縫圖像識(shí)別方法.采用Harris角點(diǎn)檢測(cè)算法對(duì)裂縫圖像進(jìn)行角點(diǎn)求解處理，通過選擇掩模平滑法對(duì)圖像進(jìn)行增強(qiáng)處理，以此為基礎(chǔ)，采用局部直方圖均衡法對(duì)局部圖像信息進(jìn)行增強(qiáng)，并將特征分布和高斯混合模型相結(jié)合，實(shí)現(xiàn)對(duì)建筑墻體裂縫圖像的識(shí)別.實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的方法，無論在預(yù)處理效果，還是識(shí)別系數(shù)及識(shí)別率，計(jì)算方法的復(fù)雜度方面均要優(yōu)于傳統(tǒng)的識(shí)別方法，具有一定的優(yōu)勢(shì).

[1] 陳沛.建筑施工中墻體裂縫防治對(duì)策論述 [J].華東科技，2015，36(12)：49.

(CHEN Pei.Discussion on prevention and treatment of wall cracks in building construction [J].East China Science & Technology，2015，36(12)：49.)

[2] 王睿，漆泰岳，朱鑫，等.隧道檢測(cè)裂縫的圖像處理研究 [J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2014，32(10)：93-96.

(WANG Rui，QI Tai-yue，ZHU Xin，et al.Study on tunnel crack detection based on image processing [J].Railway Standard Design，2014，32(10)：93-96.)

[3] 吳迅，王藝橋，趙柏巖.預(yù)應(yīng)力混凝土橋底板縱向裂縫控制 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2012，34(2)：215-219.

(WU Xun，WANG Yi-qiao，ZHAO Bo-yan.Coutrol for longitudinal crack on bottom plate of pre-stressed concrete bridge [J].Journal of Shenyang University of Technology，2012，34(2)：215-219.)

[4] 劉娜，宋偉東，趙泉華.形態(tài)學(xué)和最大熵圖像分割的城市路面裂縫檢測(cè) [J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，20(1)：57-61.

(LIU Na，SONG Wei-dong，ZHAO Quan-hua.Morphology and maximum entropy imge segmentation based urban pavement cracks detection [J].Journal of Liaoning Technical University(Natural Science)，2015，20(1)：57-61.)

[5] 朱力強(qiáng)，白彪，王耀東，等.基于特征分析的地鐵隧道裂縫識(shí)別算法 [J].鐵道學(xué)報(bào)，2015，37(5)：64-70.

(ZHU Li-qiang，BAI Biao，WANG Yao-dong，et al.Subway tunnel crack identification algorithm based on feature analysis [J].Journal of the China Railway Society，2015，37(5)：64-70.)

[6] 王耀東，余祖俊，白彪，等.基于圖像處理的地鐵隧道裂縫識(shí)別算法研究 [J].儀器儀表學(xué)報(bào)，2014，35(7)：1489-1496.

(WANG Yao-dong，YU Zu-jun，BAI Biao，et al.Research on image processing based subway tunnel crack identification algorithm [J].Chinese Journal of Scientific Instrument，2014，35(7)：1489-1496.)

[7] 蔡興泉，柳靜華.建筑物圖像識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [J].現(xiàn)代計(jì)算機(jī)，2015(21)：18-20.

(CAI Xing-quan，LIU Jing-hua.Design and implementation of building image recognition system [J].Modern Computer，2015(21)：18-20.)

[8] 張永梅，季艷，馬禮，等.遙感圖像建筑物識(shí)別及變化檢測(cè)方法 [J].電子學(xué)報(bào)，2014，29(4)：653-657.

(ZHANG Yong-mei，JI Yan，MA Li，et al.A recognition and change detection method for buildings in remote sensing images [J].Acta Electronica Sinica，2014，29(4)：653-657.)

[9] 游應(yīng)德，李成大.一種邊界梯度組合的圖像識(shí)別技術(shù)與分割方法 [J].湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2014，36(2)：99-103.

(YOU Ying-de，LI Cheng-da.A image recognition and segmentation’s method of boundary and gradient composition [J].Natural Science Journal of Xiangtan University，2014，36(2)：99-103.)

[10]龐廣樺，紀(jì)壽慶，王陽萍.基于霍夫變換的全景圖中建筑物識(shí)別方法 [J].蘭州交通大學(xué)學(xué)報(bào)，2014，30(6)：6-10.

(PANG Guang-hua，JI Shou-qing，WANG Yang-ping.Building figure detection in panorama based on Hough transform algorithm [J].Journal of Lanzhou Jiaotong University，2014，30(6)：6-10.)

[11]毛文濤，王文朋，蔣夢(mèng)雪，等.基于局部特征過濾的快速火焰圖像識(shí)別方法 [J].計(jì)算機(jī)應(yīng)用，2016，36(10)：2907-2911.

(MAO Wen-tao，WANG Wen-peng，JIANG Meng-xue，et al.Fast flame recognition approach based on local feature filtering [J].Journal of Computer Applications，2016，36(10)：2907-2911.)

[12]王永強(qiáng)，李慶利.基于顏色特征的衛(wèi)生陶瓷缺陷圖像識(shí)別 [J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24(6)：258-261.

(WANG Yong-qiang，LI Qing-li.Defect image recognition of sanitary ceramics based on color features [J].Computer Systems & Applications，2015，24(6)：258-261.)