基于紋理特征和SVM分類器的鋁鑄件類型識別①

吳 陽,劉振華,周曉鋒,張宜弛

1(無錫太湖學(xué)院 機(jī)電工程學(xué)院,無錫 214064)

2(中國科學(xué)院 沈陽自動化研究所,沈陽 110016)

圖像的紋理分類作為圖像處理應(yīng)用中的一個重要方面,其現(xiàn)實意義在于可以對某些未知類別的圖像樣本集根據(jù)其紋理的差異進(jìn)行歸類,而且紋理分析技術(shù)一直是計算機(jī)視覺、圖像處理、圖像分析、圖像檢索等的活躍研究領(lǐng)域,在遙感圖像處理、工業(yè)產(chǎn)品識別等眾多科學(xué)領(lǐng)域都起著關(guān)鍵作用.對于圖像的紋理特征可以分為結(jié)構(gòu)方法、統(tǒng)計方法、模型方法和變換方法[1].鋁鑄件作為一種建筑門窗、幕墻、室內(nèi)外裝飾及建筑結(jié)構(gòu)常用的工業(yè)型材,其表面質(zhì)量尤其受到重視,在針對不同的型材進(jìn)行表面缺陷檢測時候需要對其類型進(jìn)行自動識別來匹配檢測參數(shù).由于不同的型材往往對應(yīng)著不同的紋理,所以可以根據(jù)其表面不同的紋理對其進(jìn)行合理的分類.但是由于傳統(tǒng)的工業(yè)生產(chǎn)方式的限制,還沒有一種方法被應(yīng)用于解決此問題,因此研究設(shè)計一種自動化識別型材種類的方法顯得十分必要.

在眾多的紋理特征中,1973年由Haralick提出的灰度共生矩陣法作為統(tǒng)計方法中的代表有著很強(qiáng)的適應(yīng)性,Clausi對灰度共生矩陣進(jìn)行了深入的分析并做了較好的改進(jìn)[2].Arebey等采用灰度共生矩陣提取垃圾箱俯拍圖像紋理特征進(jìn)行分類[3].Amol等采用灰度共生矩陣進(jìn)行虹膜識別[4].而Gabor小波濾波,是一種重要的基于變換的紋理特征提取方法,該方法借鑒心理生理學(xué)的研究成果,模擬了一些方向可選神經(jīng)元的計算機(jī)制,通過把Gabor函數(shù)作為小波變換的基函數(shù),來實現(xiàn)對圖像的多方向和多尺度的特征提取,Shen等人使用Gabor小波變換進(jìn)行了相應(yīng)的改進(jìn)[5],并結(jié)合了LBP特征,使用最近鄰分類法對硬幣圖像進(jìn)行分類識別,得到了很好的結(jié)果.Yang等人使用Gabor紋理特征進(jìn)行人臉識別應(yīng)用的研究,并對比了多種分類器的分類識別結(jié)果[6].Rahman等人研究了Gabor小波紋理特征的旋轉(zhuǎn)、尺度不變性特點,在基于內(nèi)容的圖像檢索中取得了很好的結(jié)果[7].另外,對于不同特征的融合研究.Cui等人采用圖像融合和小波去噪進(jìn)行了肋骨分割及特征提取[8,9].

1 紋理特征提取及分類

鋁鑄件生產(chǎn)包括熔鑄(M e l t i n g)、擠壓(Extruding)、氧化(Anodizing)、檢測(QC)、包裝(Packing)等幾個過程.熔鑄過程中可能會混入雜質(zhì),使得鋁鑄件材質(zhì)不符合要求;擠壓過程中容易造成氣泡和劃痕等缺陷;氧化過程中容易有氧化不均勻等;如圖1所示,而我們的工作就是在檢測階段用機(jī)器視覺技術(shù)代替人工檢測,避免了人工檢測過程中不穩(wěn)定因素對質(zhì)量檢測結(jié)果的干擾,能夠最大程度的檢測出鋁鑄件不同種類的表面缺陷,保證檢測缺陷的速度、精度以及一致性.

圖1 鋁鑄件生產(chǎn)處理過程

不同的應(yīng)用場合需要有不同的鋁鑄件.中國鋁鑄件約有300種合金、1500個品種,是世界上產(chǎn)品品種最豐富的國家之一.它們有不同的形狀、結(jié)構(gòu)、顏色、質(zhì)地等.如圖2所示展示了幾種不同的鋁鑄件.在質(zhì)量檢測中,人類可以輕易忽略鋁型材的結(jié)構(gòu)和質(zhì)地等本質(zhì)特征,只關(guān)注其表面缺陷.然而,計算機(jī)很難識別圖案是否是缺陷或者輪廓紋理.

圖2 鋁鑄件種類

1.1 基于灰度共生矩陣的圖像紋理特征提取

由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的,因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關(guān)系,即圖像中灰度的空間相關(guān)特性.灰度共生矩陣就是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法.灰度共生矩陣定義為圖像中相距為δ=(?x,?y)的兩個灰度像素同時出現(xiàn)的聯(lián)合概率分布.設(shè)圖像的灰度級為N,則共生矩陣是N×N矩陣,可表示為Pδ(i,j),其中位于(i,j)的元素p(i,j)的值表示一個灰度為i而另一個灰度為j的兩個相距為δ=(?x,?y)的像素對出現(xiàn)的概率.在實際處理中,為了減少計算量,通常(?x,?y)取以下四個方向,如圖3所示.

圖3 求解灰度共生矩陣當(dāng)前像素與鄰接像素的位置關(guān)系

計算灰度共生矩陣(0°方向).根據(jù)灰度壓縮后的圖像矩陣計算N×N階灰度共生矩陣Pδ(i,j)(例如這里N=4),δ為距離.元素值計算例如:當(dāng)δ=(?x=1,?y=0),則像素對(0,2)出現(xiàn)的次數(shù)為2,且矩陣為對稱矩陣.則共生矩陣中p(0,2)=p(2,0)=2,以此類推.

根據(jù)灰度共生矩陣可以最多得到14個紋理特征向量,實際使用中根據(jù)需要選擇特征值,求解以下特征值,構(gòu)成特征向量.

1.2 基于Gabor小波的圖像紋理特征提取

Gabor小波對于圖像的邊緣敏感,能夠提供良好的方向選擇和尺度選擇特性,而且對于光照變化不敏感,能夠提供對光照變化良好的適應(yīng)性.使用Gabor方法的基礎(chǔ)是認(rèn)為紋理是窄帶寬的信號,主要思想是:不同的紋理一般具有不同的帶寬和中心頻率,根據(jù)不同的頻率和帶寬設(shè)計一組Gabor濾波器對紋理圖像濾波,不同的濾波器只能通過相應(yīng)的紋理,限制其他紋理.通過對每個濾波器的輸出結(jié)果分析,提取紋理特征,用于后續(xù)工作.Gabor濾波器提取紋理特征主要包括兩個過程:設(shè)計濾波器、從濾波器的輸出結(jié)果中提取有效的紋理特征集,二維離散Gabor小波變換過程描述如下式所示:

首先選取Gabor濾波器組的方向數(shù)p、尺度數(shù)q,以及方差等參數(shù)構(gòu)造Gabor小波濾波器組.如p=6,q=4所示,則最終構(gòu)造出的小波基函數(shù)就有4×6=24個,即通過這24個濾波器會最終會得到24個變換圖像(通過與源圖像卷積計算);然后得到不同方向和尺度的Gabor濾波器以后,對圖像濾波(卷積)得到相應(yīng)的變換后圖像,分別提取各個變換后圖像的特征,如基于Gabor濾波器的輸出的幅度響應(yīng)、Gabor能量特征、復(fù)矩特征、柵格元特征、獨立成分分析法等等.

1.3 SVM分類

支持向量機(jī)(Support Vector Machine,SVM)[10],在解決小樣本、非線性即高維模式識別中表現(xiàn)出許多特有的優(yōu)勢,并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中.支持向量機(jī)方法是建立在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上的,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間需求最佳折衷,一起獲得最好的推廣能力(或稱泛化能力).SVM擅長應(yīng)付樣本數(shù)據(jù)線性不可分的情況,主要通過松弛變量和核函數(shù)技術(shù)來實現(xiàn)的,這是SVM的精髓.與傳統(tǒng)的經(jīng)驗風(fēng)險最小化原理相比,在一定程度上克服了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等傳統(tǒng)困難,為研究有限樣本情況下的統(tǒng)計模式識別和更廣泛的機(jī)器學(xué)習(xí)問題建立了一個較好的理論框架.支持向量機(jī)性能的優(yōu)劣主要取決于核函數(shù)及其參數(shù)的選擇,其中核函數(shù)的選擇更加重要.

2 特征提取及訓(xùn)練

分別采用灰度共生矩陣和Gabor小波濾波兩種方法對圖像進(jìn)行特征提取,并借助libSVM對其進(jìn)行分類預(yù)測,圖2是用于需要分類識別的鋁鑄件的9種型材.

實驗的中各個算法中都需要對圖像進(jìn)行分割,去除背景以避免其對提取特征結(jié)果的影響,這里我們是通過OpenCV庫內(nèi)封裝的函數(shù)將BMP格式的圖像讀入,并轉(zhuǎn)換為灰度圖,存儲在IplImage*指向的結(jié)構(gòu)中,每個像素值為char值.然后將整個灰度圖的數(shù)據(jù)存放到以圖像的高和寬作為矩陣行列的double類型的矩陣中,進(jìn)行char到double的轉(zhuǎn)換,然后通過霍夫變換[11]對圖像進(jìn)直線檢測,檢測出型材的上下邊界,得到需要提取特征的范圍,為后續(xù)的共生矩陣求解和Gabor小波濾波變換做準(zhǔn)備.

使用了四種方法對鋁鑄件圖像進(jìn)行特征提取:灰度共生矩陣、Gabor小波變換紋理特征,灰度共生矩陣和Gabor小波變換紋理特征,以及根據(jù)鋁鑄件的特點將Gabor小波變換紋理特征和檢測出的直線特征.

灰度共生矩陣特征提取算法:灰度壓縮為8級,步長距離選擇為1,即對目標(biāo)像素點求解其與相鄰像素的關(guān)系,以計算0°,45°,90°,135°四個方向圖像的灰度共生矩陣.分別計算四個方向共生矩陣的能量、熵、對比度、逆差矩、相關(guān)性五個統(tǒng)計值的均值和方差共十個值作為圖像最終的特征值,如下式所示:

Gabor小波變換紋理特征:根據(jù)鋁鑄件紋理特點,算法中我們使用以下方向和尺度組合,如表1所示:

表1 使用的Gabor小波方向和尺度

根據(jù)不同的方向和尺度,得到不同的Gabor小波核用于對圖像進(jìn)行濾波變換,然后對變換后的圖像進(jìn)行計算,得到圖像的均值和標(biāo)準(zhǔn)方差,得到2×O×S維的特征向量,如下式所示:

共生矩陣和Gabor紋理特征的融合,即將提取到的共生矩陣和Gabor紋理特征組在一起構(gòu)成新的特征向量用于型材分類,如下式所示:

根據(jù)鋁鑄件特點,為了提高識別準(zhǔn)確率,根據(jù)之前檢測出的直線,對型材型進(jìn)行區(qū)域分割,并以直線代表圖中紋理,計算直線所占圖像像素比例,作為另一特征和Gabor紋理特征進(jìn)行組合,如下式所示:

最后,我們使用SVM算法對提取到的特征進(jìn)行分類模型的訓(xùn)練,得到訓(xùn)練模型用于對測試集的測試,我們在這里核函數(shù)選擇RBF核,通過參數(shù)調(diào)優(yōu),懲罰系數(shù)選擇為100,σ =0.5.

3 實驗結(jié)果

實驗在PC上進(jìn)行系統(tǒng)仿真,配置為 Intel 2.2 GHz CPU,4 GB內(nèi)存,軟件平臺為Windows 7下未進(jìn)行優(yōu)化的VS 2010,集成OpenCV 2.5對圖像進(jìn)行處理及特征提取,并借助于libSVM工具包對特征進(jìn)行模型訓(xùn)練,用以對未知類型型材的識別.采用的實驗對象包括九種類別共180幅圖像的訓(xùn)練集,和同樣包括九種類別共90幅圖像的測試集(均為實物圖像),根據(jù)上述方法,實驗結(jié)果如表2所示.

從實驗結(jié)果可以看出,共生矩陣法無論是在圖像特征提取還是類型識別上都是速度最快的,但是準(zhǔn)確率不是很高,只有71%.Gabor小波變換提取圖像紋理特征,雖然速度上比較慢,但是準(zhǔn)確率卻是很高的,最高達(dá)到了98.9%,另外,將Gabor紋理特征和共生矩陣紋理特征合并在一起之后,有效提高識別準(zhǔn)確率,特征提取時間也沒有很大的改變,這說明兩種特征融合會相互不會影響.Gabor紋理特征和直線比率特征進(jìn)行融合,從特征提取時間以及識別時間上和單獨用Gabor紋理特征區(qū)別不大,準(zhǔn)確率上也不相上下.

表2 實驗結(jié)果

從各個時間上來看,無論是灰度共生矩陣還是Gabor小波變換,大部分都花費在特征提取的過程中,所以后續(xù)的工作需要在保證識別準(zhǔn)確率的情況下,優(yōu)化特征提取的過程.

灰度共生矩陣并不適合像鋁鑄件這種紋理比較簡單且訓(xùn)練集不大的圖像的識別,尤其是紋理比較單一的圖像.通過Gabor小波變換提取圖像紋理特征更具有通用性,是比灰度共生矩陣更好的紋理特征表現(xiàn)形式,但是方向尺度過多的話,因為涉及到矩陣的卷積計算,其計算量會比較大,效率會大大降低,所以想要符合實時應(yīng)用,在特征提取的時間上還有待優(yōu)化.

4 結(jié)論及展望

本文從四個角度對鋁鑄件圖像進(jìn)行特征描述,并借助與libSVM對特征進(jìn)行分類識別,通過實驗可以看出,本文使用的方法對于鋁鑄件的類型識別是可行的,由于鋁鑄件紋理比較單一簡單,所以灰度共生矩陣雖然速度比較快,但是準(zhǔn)確率偏低;Gabor小波變換由于計算量比較大,所以耗費的時間更長一些,但是準(zhǔn)確率很高;將兩種特征綜合以后,時間上沒有區(qū)別,準(zhǔn)確率上還有微弱改善;整合直線比率特征以后沒有明顯差別.由于在提取特征時耗費時間太長,本文在下一步工作中將對特征提取過程進(jìn)行優(yōu)化.