CN101739570A - 棉花异性纤维在线分类方法和系统 - Google Patents

Abstract

本发明公开了一种棉花异性纤维在线分类方法和系统。其中方法包括：实时采集棉花异性纤维彩色图像；利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割，得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像；利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的小目标，得到棉花异性纤维目标；提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量；利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。本发明实现了对棉花异性纤维的在线实时分类，有利于后续实现异性纤维的在线计量。

Description

棉花异性纤维在线分类方法和系统

技术领域

本发明涉及机器视觉和模式识别领域，特别涉及一种棉花异性纤维在线分类方法和系统。

背景技术

棉花异性纤维是指在棉花采摘、摊晒、收购等过程中混入棉花中的对棉花及其制品的质量有严重影响的非棉纤维和色纤维，主要包括丙纶丝、塑料布、鸡毛、布条、麻绳和头发等。异性纤维在皮棉中的含量虽少，但对棉纺织品的质量影响严重，一旦混入并参与纺织将影响纱线强力，且在染色时影响着色，会对棉纺织工业造成重大经济损失。

目前可以通过挑拣异性纤维的方法降低棉花异性纤维的含量，或者将棉花生产的样品进行取样后送到纤维检验机构分析确定异性纤维的含量。但是，根据很多棉花行业专家的一致观点，应该从源头抓起，切断异性纤维混入的途径，让棉农、棉花收购和加工企业都自觉地防范异性纤维混入。而这关键是需要在籽棉收购或交易环节中快速准确地分析籽棉中的异性纤维含量，给销售的籽棉分等定级，并按等级定价，这样就可以促使棉花销售者自觉地降低棉花中异性纤维的含量。如果要实现在籽棉收购或交易环节快速准确地确定籽棉中的异性纤维含量，其基础和关键是将异性纤维快速分类。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

由于现有的棉花异性纤维分类方法的理论基础是大数定律，要求样本数量接近无穷大，而实际应用中几乎无法实现。因此，分类方法的适应性差，且分类正确率低。而如果无法实现异性纤维快速准确分类，就无法实现在籽棉收购或交易环节快速准确地确定籽棉中的异性纤维含量，也就不能通过检测籽棉中的异性纤维含量来影响其收购价格，更不可能让棉农主动防范异性纤维的混入，导致棉花质量下降，可能对棉纺织工业造成重大经济损失。

发明内容

本发明的目的是提供一种棉花异性纤维在线分类方法和系统，实现对棉花异性纤维的快速正确分类，为后续实现棉花异性纤维在线计量奠定基础。

本发明实施例提供了一种棉花异性纤维在线分类方法，包括：

步骤1、实时采集棉花异性纤维彩色图像；

步骤2、利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割，得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像；

步骤3、利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的目标，得到棉花异性纤维目标；

步骤4、提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量；

步骤5、利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

所述步骤2中，所述基于像素R、G、B三分量均值与方差的图像分割方法包括：计算所述棉花异性纤维彩色图像中像素的R、G、B三个分量的均值和方差；判断所述均值是否大于设定的均值阈值，或者所述方差是否小于设定的方差阈值；若是，则所述像素为目标像素，否则，所述像素为背景像素。

所述步骤3中，所述的面积阈值法是根据设定的面积阈值移除小于所述面积阈值的小目标；所述面积阈值是通过实验分析与统计得到的经验值，例如，可以为200像素。

所述步骤4中，所述的颜色特征包括R分量的均值、G分量的均值、B分量的均值、RGB三个分量的总均值以及RGB三个分量的标准差等5个特征，所述的形状特征包括形状因子、外观比、扩展比例、充实度、偏心率、球状性和欧拉数等7个特征，所述的纹理特征包括基于灰度直方图的平均亮度、平均对比度、平滑度、三阶矩、一致性、熵，以及基于灰度共生矩阵的角二阶矩、熵和对比度等9个特征。所有这些特征按顺序组成21维特征向量。

所述步骤5中，所述基于有向无环图的一对一多类支持向量机是由K(K-1)/2个一对一标准支持向量机组成的有向无环图，可以实现对K类异性纤维进行分类，所述K表示异性纤维的类别数。

所述步骤5可以包括：根据棉花异性纤维目标的特征向量得到所述棉花异性纤维目标的决策函数值；当所述决策函数值大于0时，所述标准支持向量机的输出为+1；当所述决策函数值小于0时，所述标准支持向量机的输出为-1；根据所述标准支持向量机的输出以及所述标准支持向量机在所述多类支持向量机中的节点位置，并基于所述多类支持向量机，得到所述棉花异性纤维目标的类别。

本发明实施例提供了一种棉花异性纤维在线分类系统，包括：图像采集模块、图像分割模块、分割后处理模块、特征提取模块和分类模块；

所述图像采集模块，用于实时采集棉花异性纤维彩色图像；

所述图像分割模块，用于利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割，得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像；

所述分割后处理模块，用于利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的目标，得到棉花异性纤维目标；

所述特征提取模块，用于提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量。

所述分类模块，用于利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

本发明实施例的棉花异性纤维在线分类方法和系统，通过采用基于有向无环图的一对一多类支持向量机实现对棉花异性纤维目标进行分类，解决了现有技术中存在的分类方法适应性差，且分类正确率低的问题，实现了对棉花异性纤维目标的快速准确分类，为后续实现棉花异性纤维在线计量奠定了基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的棉花异性纤维在线分类方法的流程示意图；

图2是本发明实施例一提供的棉花异性纤维在线分类方法中的多类支持向量机的体系结构示意图；

图3是本发明实施例二提供的棉花异性纤维在线分类系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例一提供的棉花异性纤维在线分类方法的流程示意图，其中，本实施例方法的硬件支撑环境可以为棉花异性纤维检测计量仪，但本实施例不涉及所述棉花异性纤维检测计量仪的硬件实现。如图1所示，本实施例可以包括以下步骤：

步骤101、实时采集棉花异性纤维彩色图像；

该棉花异性纤维彩色图像可以是由棉花异性纤维检测计量仪在线实时拍摄得到的，可以存放在计算机的指定内存中，以便其它模块进行后续处理。

步骤102、利用基于像素R、G、B三分量均值与方差的图像分割方法对棉花异性纤维彩色图像进行直接快速分割，得到目标图像；

棉花异性纤维彩色图像是由多个像素组成的。在该多个像素中，包括标识异性纤维的目标像素和标识非异性纤维的背景像素，该步骤即为将目标像素和背景像素进行区分，得到由目标像素组成的目标图像。具体分割方法可以为，设像素p的R分量为R_p，G分量为G_p，B分量为B_p，则根据下述公式

(1)计算像素p的R、G、B三个分量的均值：

${\mathrm{\μ}}_p=\frac{R_p+G_p+B_p}{3}---\left(1\right)$

按照下述公式(2)计算像素p的R、G、B三个分量的方差：

${\mathrm{\σ}}_p=\sqrt{\frac{{(R_p-{\mathrm{\μ}}_p)}^2+{(G_p-{\mathrm{\μ}}_p)}^2+{(B_p-{\mathrm{\μ}}_p)}^2}{3}}---\left(2\right)$

通过对大量异性纤维图像进行统计分析得知，黑色异性纤维的μ_p一般都小于180，彩色异性纤维的σ_p一般都大于6，因此可以确定对棉花异性纤维彩色图像的分割规则如下：设定像素的均值阈值为180，方差阈值为6；若像素p的均值小于180，或者，像素p的方差大于6，则该像素p为目标像素，否则像素p为背景像素。

步骤103、利用面积阈值法去除所述目标图像中由于噪声和伪异纤产生的小目标，使剩余的目标图像中只包含棉花异性纤维目标；

在步骤102所得到的棉花异性纤维彩色图像中，已经对图像中的目标像素和背景像素进行了区分，得到了由目标像素组成的目标图像。其中，目标图像中又包括若干目标，每一目标都是由若干目标像素组成的。在目标图像中，可能会存在由噪声和伪异性纤维所产生的小目标，需要将该部分小目标进行删除，以得到仅包含棉花异性纤维目标的目标图像。

通过对大量异性纤维图像进行统计分析得知，由噪声和伪异纤产生的小目标的面积一般都小于200个像素，因此可以设定目标像素组成的目标的面积阈值为200像素。将面积小于200像素的目标删除就可以去掉由噪声和伪异纤产生的小目标，从而使剩余的目标图像基本上都是棉花异性纤维目标。

在去掉目标图像中的由噪声和伪异纤产生的小目标之后，可以对剩余的目标进行数学形态学的闭运算操作，以连接由于分割产生的缝隙。

步骤104、提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于精确描述所述棉花异性纤维目标的特征向量；

对步骤103中所得到的棉花异性纤维目标进行特征提取，该特征可以包括颜色特征、形状特征和纹理特征，由上述特征组成的特征向量即可精确描述所述棉花异性纤维目标。具体的，所提取的棉花异性纤维目标的颜色特征可以包括R分量的均值、G分量的均值、B分量的均值、RGB三个分量的总均值以及RGB三个分量的标准差等5个特征；提取的棉花异性纤维目标的形状特征可以包括形状因子、外观比、扩展比例、充实度、偏心率、球状性和欧拉数等7个特征；提取的棉花异性纤维目标的纹理特征可以包括基于灰度直方图的平均亮度、平均对比度、平滑度、三阶矩、一致性、熵，以及基于灰度共生矩阵的角二阶矩、熵和对比度等9个特征。所有这些特征可以按顺序组成21维特征向量，例如，可以按照颜色特征、形状特征和纹理特征的顺序组成。上述得到的对应于每一棉花异性纤维目标的特征向量即可称为一个样本。

步骤105、利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

该步骤主要是通过基于有向无环图的一对一多类支持向量机分类器进行棉花异性纤维的分类。由于该多类支持向量机的分类方法适应性较强，且即使在样本数量较少的情况下也能得到很高的分类正确率，因此，采用该方法进行棉花异性纤维的分类，可以克服目前的分类方法中存在的依赖于大样本的缺陷，使得可以实现快速准确分类。

为构建一个能实现K分类(即棉花异性纤维目标可以分为K类)的基于有向无环图的一对一多类支持向量机，需构建K(K-1)/2个标准支持向量机，每个标准支持向量机用于实现其中一类跟另一类的分类。设C_j ⁱ为某标准支持向量机，用于实现对第i类与第j类的分类，则其决策函数可定义为如下公式(3)所示：

$f^{\mathrm{ij}}\left(X\right)=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{y}_n^{\mathrm{ij}}{\mathrm{\α}}_n^{j}k(X_n^{\mathrm{ij}},X)+b^{\mathrm{ij}}---\left(3\right)$

式中，M为第i类与第j类训练样本的总个数；类别标识 $y_n^{\mathrm{ij}}\∈\{+1,-1\},$ 当样本X_n ^ij属于第i类时，其类别标识 $y_n^{\mathrm{ij}}=+1,$ 当属于第j类时， $y_n^{\mathrm{ij}}=-1;$ α_n ^ij为拉格朗日系数；K(...)为核函数；X_n ^ij为训练C_j ⁱ时的第n个样本；X为待分类的棉花异性纤维目标的特征向量，即步骤104中得到的21维特征向量；b^ij为用于区分第i类和第j类的分类阈值。本实施例中的核函数采用的是高斯径向基核函数，其定义为

$k(X_n^{\mathrm{ij}},X)=\exp \{-\frac{{|X_n^{\mathrm{ij}}-X|}^2}{{\mathrm{\σ}}^2}\}---\left(4\right)$

式中σ为训练样本的方差。

C_j ⁱ的输出由决策函数f^ij(X)值的符号决定，即：若f^ij(X)＞0则输出+1，表示X属于第i类；否则输出-1，表示X属于第j类。但在所述的基于有向无环图的一对一多类支持向量机中，对C_j ⁱ输出的解释随着C_j ⁱ所处的位置不同而有所区别：该基于有向无环图的一对一多类支持向量机中可以包括两类节点位置，即中间节点和叶子节点；若C_j ⁱ处在中间节点，则当f^ij(X)＞0时输出+1，表示X不属于第j类，至于属于哪类还需进一步判断；当f^ij(X)＜0时输出-1，表示X不属于第i类，至于属于哪类还需进一步判断。若C_j ⁱ处在叶子节点，则当f^ij(X)＞0时输出+1，表示X最终属于第i类；当f^ij(X)＜0时输出-1，表示X最终属于第j类。

下面结合图2具体阐述本步骤中所述的利用基于有向无环图的一对一多类支持向量机对棉花异性纤维目标进行分类的过程，图2是本发明实施例一提供的棉花异性纤维分类方法中的多类支持向量机的体系结构示意图，如图2所示，该多类支持向量机为由15个标准支持向量机组成的有向无环图，其可以实现对6类主要的棉花异性纤维进行分类。其中，用标号1表示布条类，用标号2表示鸡毛类，用标号3表示头发类，用标号4表示麻绳类，用标号5表示塑料布类，用标号6表示丙纶丝类。用标有1/6标记的节点表示用于实现1类和6类分类的标准支持向量机，用标有1/5标记的节点表示用于实现1类和5类分类的标准支持向量机，其它依此类推。若要对某个棉花异性纤维目标X进行分类，需要经过整个有向无环图到达叶子节点才能最终判断出它的类别，中间节点只能给出X不属于哪个类别的判断而不能给出属于哪个类别的判断。

例如，假设待识别的棉花异性纤维目标X的实际类别为“麻绳”，则其判别路径为图2中粗线所示的路径：首先由1/6节点进行判断，结果为+1，表示X不是类别6，可能是类别1、2、3、4、5；然后由1/5节点进行判断，结果为+1，表示X也不是类别5，可能是类别1、2、3、4；再由1/4节点进行判断，结果为-1，表示X也不是类别1，可能是类别2、3、4；再由2/4节点进行判断，结果为-1，表示X也不是类别2，可能是类别3或4；最后由3/4节点进行判断，结果为-1，表示X的最终类别是4，即麻绳类。

本实施例的棉花异性纤维在线分类方法，通过采用基于有向无环图的一对一多类支持向量机实现对棉花异性纤维目标进行在线分类，解决了现有技术中存在的分类方法适应性差，且分类正确率低的问题，实现了对棉花异性纤维目标的快速准确分类，为后续实现棉花异性纤维在线计量奠定了基础。

图3是本发明实施例二提供的棉花异性纤维在线分类系统的结构示意图，如图3所示，本实施例的棉花异性纤维在线分类系统可以包括图像采集模块21、图像分割模块22、分割后处理模块23、特征提取模块24和分类模块25。

具体实施中，图像采集模块21，实时采集棉花异性纤维彩色图像。

该棉花异性纤维彩色图像可以是棉花异性纤维检测计量仪在线实时拍摄得到，其可以存放在计算机的指定内存中，以便其它模块进行后续处理。

图像分割模块22，可以利用基于像素R、G、B三分量均值与方差的图像分割方法对图像采集模块21采集到的所述棉花异性纤维彩色图像进行快速分割，以便得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像。

例如，该图像分割模块22可以包括计算单元和处理单元。计算单元可以计算所述棉花异性纤维彩色图像上每个像素的R、G、B三个分量的均值和方差；处理单元可以根据计算单元的计算结果判断该像素是目标像素还是背景像素。若某像素的R、G、B三个分量的均值小于设定的均值阈值例如180，或者其三个分量的方差大于设定的方差阈值例如6，则认为该像素为目标像素，否则认为是背景像素。对所述棉花异性纤维彩色图像上的所有像素进行上述操作就可以实现对所述棉花异性纤维彩色图像的分割，得到由目标像素组成的目标图像。

分割后处理模块23，可以对图像分割模块22分割后的图像进一步处理，利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的目标，得到棉花异性纤维目标。

例如，可以根据设定的面积阈值200像素，移除面积小于200像素的由噪声和伪异纤产生的小目标。此外，还可以在去除所述目标图像中的由噪声和伪异性纤维产生的小目标之后，对所述目标图像中的剩余目标进行数学形态学的闭运算操作，以连接所述目标图像中的缝隙。

特征提取模块24，提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量。

分类模块25，实现对棉花异性纤维目标进行分类，利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

例如，该分类模块25可以包括决策单元、输出单元和分类单元。其中，决策单元可以根据棉花异性纤维目标的特征向量得到所述棉花异性纤维目标的决策函数值；输出单元可以根据所述决策单元获得的决策函数值得到标准支持向量机的输出，所述多类支持向量机为由K(K-1)/2个标准支持向量机组成的有向无环图，所述K表示对所述棉花异性纤维目标进行分类的类别数；分类单元可以根据所述标准支持向量机的输出以及所述标准支持向量机在所述多类支持向量机中的节点位置，并基于所述多类支持向量机，得到所述棉花异性纤维目标的类别。详细的分类过程可以参见方法实施例所述，在此不再赘述。

本实施例的棉花异性纤维在线分类系统，通过图像采集模块得到棉花异性纤维的实时彩色图像，通过图像分割模块对棉花异性纤维彩色图像进行快速分割，通过分割后处理模块去除噪声和伪异纤小目标，通过特征选择模块得到用于精确描述棉花异性纤维目标的特征向量，通过分类模块实现对棉花异性纤维的准确分类，为后续实现棉花异性纤维在线计量奠定了基础。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种棉花异性纤维在线分类方法，其特征在于，包括：

步骤1、实时采集棉花异性纤维彩色图像；

步骤2、利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割，得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像；

步骤3、利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的目标，得到棉花异性纤维目标；

步骤4、提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量；

步骤5、利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

2.根据权利要求1所述的棉花异性纤维在线分类方法，其特征在于，所述步骤2中的利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割包括：

计算所述棉花异性纤维彩色图像中像素的R、G、B三个分量的均值和方差；

判断所述均值是否大于设定的均值阈值，或者所述方差是否小于设定的方差阈值；若是，则所述像素为目标像素，否则，所述像素为背景像素。

3.根据权利要求1所述的棉花异性纤维在线分类方法，其特征在于，所述步骤3中的利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的目标包括：

去除所述目标图像中的面积小于阈值的目标，所述面积小于阈值的目标为所述由于噪声和伪异性纤维产生的目标；所述面积阈值是通过实验分析与统计得到的经验值。

4.根据权利要求1所述的棉花异性纤维在线分类方法，其特征在于，还包括：

在去除所述目标图像中的由噪声和伪异性纤维产生的目标之后，对所述目标图像中的剩余目标进行数学形态学的闭运算操作，以连接所述目标图像中的缝隙。

5.根据权利要求1所述的棉花异性纤维在线分类方法，其特征在于，所述步骤5中，所述基于有向无环图的一对一多类支持向量机为由K(K-1)/2个标准支持向量机组成的有向无环图，所述K表示对所述棉花异性纤维目标进行分类的类别数。

6.根据权利要求5所述的棉花异性纤维在线分类方法，其特征在于，所述步骤5包括：

根据棉花异性纤维目标的特征向量得到所述棉花异性纤维目标的决策函数值；

当所述决策函数值大于0时，所述标准支持向量机的输出为+1；当所述决策函数值小于0时，所述标准支持向量机的输出为-1；

根据所述标准支持向量机的输出以及所述标准支持向量机在所述多类支持向量机中的节点位置，并基于所述多类支持向量机，得到所述棉花异性纤维目标的类别。

7.一种棉花异性纤维在线分类系统，其特征在于，包括：图像采集模块、图像分割模块、分割后处理模块、特征提取模块和分类模块；

所述图像采集模块，用于实时采集棉花异性纤维彩色图像；

所述图像分割模块，用于利用基于像素R、G、B三分量均值与方差的图像分割方法对所述棉花异性纤维彩色图像进行分割，得到由所述棉花异性纤维彩色图像中的目标像素组成的目标图像；

所述分割后处理模块，用于利用面积阈值法去除所述目标图像中由于噪声和伪异性纤维产生的小于阈值的目标，得到棉花异性纤维目标；

所述特征提取模块，用于提取每个所述棉花异性纤维目标的颜色特征、形状特征和纹理特征，产生用于描述所述棉花异性纤维目标的特征向量。

所述分类模块，用于利用所述特征向量和基于有向无环图的一对一多类支持向量机对所述棉花异性纤维目标进行分类。

8.根据权利要求7所述的棉花异性纤维在线分类系统，其特征在于，所述图像分割模块包括：

计算单元，用于计算所述棉花异性纤维彩色图像中像素的R、G、B三个分量的均值和方差；

处理单元，用于判断所述均值是否小于设定的均值阈值，或者所述方差是否大于设定的方差阈值；若是，则所述像素为目标像素，否则，所述像素为背景像素。

9.根据权利要求7所述的棉花异性纤维在线分类系统，其特征在于，所述分割后处理模块还用于在去除所述目标图像中的由噪声和伪异性纤维产生的目标之后，对所述目标图像中的剩余目标进行数学形态学的闭运算操作，以连接所述目标图像中的缝隙。

10.根据权利要求7所述的棉花异性纤维在线分类系统，其特征在于，所述分类模块包括：

决策单元，用于根据棉花异性纤维目标的特征向量得到所述棉花异性纤维目标的决策函数值；

输出单元，用于根据所述决策单元获得的决策函数值得到标准支持向量机的输出，所述多类支持向量机为由K(K-1)/2个标准支持向量机组成的有向无环图，所述K表示对所述棉花异性纤维目标进行分类的类别数；

分类单元，用于根据所述标准支持向量机的输出以及所述标准支持向量机在所述多类支持向量机中的节点位置，并基于所述多类支持向量机，得到所述棉花异性纤维目标的类别。

Images