CN102136074A

CN102136074A - 一种基于mmi的木材图像纹理分析与识别方法

Info

Publication number: CN102136074A
Application number: CN 201110050779
Authority: CN
Inventors: 汪杭军; 汪碧辉; 徐天龙; 张广群; 祁亨年
Original assignee: Zhejiang A&F University ZAFU
Current assignee: Zhejiang A&F University ZAFU
Priority date: 2011-03-03
Filing date: 2011-03-03
Publication date: 2011-07-27
Anticipated expiration: 2031-03-03
Also published as: CN102136074B

Abstract

本发明涉及一种基于MMI的木材图像纹理分析和识别方法，包括如下步骤：在给定木材图像的特征明显部位选取一块子区域，得到该区域的二值图；用HLAC模板取二值图的匹配图；在匹配图上提取连通区域特征、直方图特征和区域矩特征；重复步骤1～3，形成训练样本集；对待识别木材图像重复步骤1～3，基于提取到的特征集与训练样本集采用SVM进行分类，得出识别结果。由于模板匹配图包含了该模板下的图像的所有信息，所以，在匹配图基础上进行的特征提取包含了木材图像上丰富的纹理特征（包括统计和几何特征），集成上述几类提取到的特征能够有效表达图像的纹理结构和空间关系，能够有效地对图像进行纹理分析，更易于后续的分类和识别的应用。

Description

一种基于MMI的木材图像纹理分析与识别方法

技术领域

本发明涉及一种木材图像纹理分析与识别方法，尤其是一种基于模板匹配图（MMI）的木材图像纹理分析与识别方法。

背景技术

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分析技术作为计算机视觉、图像处理、图像分析、图像检索等应用的基础性研究领域之一，其研究内容主要包括：纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状。这些研究内容的一个最基本的问题则是纹理特征提取。纹理特征提取的目标是：提取的纹理特征维数不大、鉴别能力强、稳定性好，提取过程中，计算量小，能够指导实际应用。

按照纹理特征提取方法所基于的方法所基于的基础理论和研究思路的不同，纹理特征提取的方法可以分为四大类，分别是统计类方法、模型类方法、信号处理类方法和结构类方法，具体的说：

统计类方法是基于像元及邻域的灰度属性，研究纹理区域中的统计特性，或像元及其邻域内的灰度一阶、二阶或高阶统计特性，具有思想简单，易于实现的优点，具有代表性的为GLCM方法和半方差图方法；

模型类方法是从纹理图像的实现来估计计算模型参数，将纹理特征提取归结为参数估计问题，以参数为特征或采用分类策略进行图像分割，因此如何采用各种优化参数估计的方法进行模型参数的估计是该类方法的核心问题，主要包括随机场方法和分形方法；

信号处理类方法是建立在时、域分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换后，在提取保持相对平稳的特征值，依次特征值作为特征表示区域内的一致性以及区域间的相异性，其共同之处在于用某种线性变换、滤波器或滤波器组将纹理转到变换域，然后应用某种能量准则提取纹理特征，主要包括数字图像变换方法、小波变换方法；

结构类方法基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元组成，不同类型的纹理基元、不同的方向及数目等，决定了纹理的表现形式，其中具有代表性的是句法纹理描述方法和数学形态学方法。

高阶局部自相关（HLAC）是一种比较有效的纹理分析方法，以统计HLAC模板在图中出现的个数作为图片的特征。但是这种方法也存在着缺陷，例如，它所提取的特征仅能反映出图像的局部结构特征，而且只记录了模板出现的次数或符合模板的灰度值做简单的累积求和，无法获得更多、更有效的表达图像的特征，特别是空间关系的结构特征。

发明内容

本发明的内容在于克服现有技术中HLAC及其扩展方法的不足，提出一种基于模板匹配图（MMI）的图像纹理分析与识别方法，由于模板匹配图包含了该模板下的图像的所有信息，所以，在此基础上进行的特征提取，能够有效地对图像进行纹理分析，更易于后续的分类和识别的应用。

为达到上述目的，本发明所采用的技术方案是：

一种基于MMI的木材图像纹理分析和识别方法，包括如下步骤：

（1）在给定木材图像的特征明显部位选取一块子区域，得到该区域的二值图；

（2）用HLAC模板取二值图的匹配图；

（3）在匹配图上提取连通区域特征、直方图特征和区域矩特征；

（4）重复步骤（1）～（3），形成训练样本集；

（5）对待识别木材图像重复上述步骤（1）～（3），基于提取到的特征集与训练样本集采用SVM进行分类，得出识别结果。

本发明提出了一种基于模板匹配图（MMI）的图像纹理分析与识别方法，由于模板匹配图包含了该模板下的图像的所有信息，所以，在匹配图基础上进行的特征提取包含了木材图像上丰富的纹理特征（包括统计和几何特征），如连通区域特征、直方图特征、区域矩特征等，集成上述几类提取到的特征能够有效表达图像的纹理结构和空间关系，能够有效地对图像进行纹理分析，更易于后续的分类和识别的应用。

上述技术方案还可以进一步完善：

作为优选，特征明显部位为木材上两个年轮线之间的部位。

作为优选，对子区域图像进行灰度转化和二值化处理，得到二值图。

作为优选，在步骤（2）中，如果二值图上的任意一点与HLAC模板匹配，则将当前点赋为黑色，否则将当前点赋为白色。

作为优选，在步骤（2）中应用多个HLAC模板，每一个HLAC模板得到一幅匹配图。

作为优选，连通区域特性包括连通度、黑点总数、连通区域的像素最大值和最小值，包括如下步骤：（1）用广搜的方法统计匹配图，图片中黑色点连通区域的个数即为连通度；（2）统计每块连通区域中黑点的个数，得到连通区域的像素最大值和最小值。

作为优选，直方图特征的提取包括如下步骤：

（1）扫描一张m×n的匹配图上的每个像素点；

（2）如果为黑色点，则提取该点水平方向和竖直方向上相邻黑色点的个数，作为该当前黑色像素点的权值；

（3）以宽度方向连续黑点的个数a（a=1,2,…n）作为横轴，以a个连续黑点出现的个数作为纵轴，形成一张宽度直方图；

（4）以长度方向连续黑点的个数b（a=1,2,…m）作为横轴，以b个连续黑点出现的个数作为纵轴，形成一张长度直方图。

作为优选，步骤（3）中，区域矩特征包括中心矩（Central Moment）特征、中心不变矩（Central Moment Invariant）特征和辐射矩（Radial Moment）特征。

由于上述技术方案的采用，本发明与现有技术相比具有以下优点：

本发明所涉及的方法优于一般的HLAC类方法的关键点在于特征提取是基于匹配图的基础上进行的，在匹配图上所提取的特征包含了图像丰富的纹理特征（包括统计特征和几何特征）。在匹配图上，进一步提取的三类特征及其意义分别是——1、连通区域特征，在图的连通性判定、连通块的划分上具有显著的效果；2、直方图特征，本发明对于直方图特征的提取具有方法新颖的特点，提取到的直方图特征对图的结构特征能够进行有效的表达；3、区域矩特征，该特征能够有效的利用木材图像中纹理的轮廓特征，以获得更优的木材图像纹理分析和识别效果。集成上述几类提取到的特征能够有效表达图像的纹理结构和空间关系，能够有效地对图像进行纹理分析，更易于后续的分类和识别的应用。

附图说明

图1为本发明的一种流程图。

具体实施方式

下面结合附图，对本发明的具体实施方式做进一步说明。

请参见图1所示的基于MMI的木材图像纹理分析和识别方法，包括如下步骤：

（1）在给定木材图像的特征明显部位选取一块子区域，例如，大小为100×100像素的子区域，对子区域图像进行灰度转化和二值化处理，得到该区域的二值图，特征明显部位为木材上两个年轮线之间的部位；

（2）应用c个HLAC模板分别取二值图的匹配图，如果二值图上的任意一点与HLAC模板匹配，则将当前点赋为黑色，否则将当前点赋为白色，得到c个匹配二值图，；

（3）在匹配图上提取连通区域特征、直方图特征、区域矩特征（包括：中心矩（Central Moment）特征、中心不变矩（Central Moment Invariant）特征和辐射矩（Radial Moment）特征）；

（4）重复步骤（1）～（3），形成训练样本集；

SVM法（即，支持向量机(Support Vector Machine)法），由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由边界样本的类别即可决定最后的分类结果。换句话说，SVM法的目的在于寻找一个超平面H(d)，该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。

步骤（3）中，连通区域特性包括连通度、黑点总数、连通区域的像素最大值和最小值，包括如下步骤：

（1）用广搜（BFS）的方法统计匹配图，图片中黑色点连通区域的个数即为连通度；

（2）统计每块连通区域中黑点的个数，得到连通区域的像素最大值和最小值。

步骤（3）中，直方图特征的提取包括如下步骤：

（1）扫描一张m×n的匹配图上的每个像素点；

（2）如果为黑色点，则提取该点水平方向和竖直方向上相邻黑色点的个数，分别设为p和q，p、q作为该当前黑色像素点的权值；

（3）以宽度方向连续黑点的个数a（a=1,2,…n）作为横轴，以a个连续黑点出现的个数作为纵轴，形成一张宽度直方图width_Histogram[a]，a= a=1,2,…n；

（4）以长度方向连续黑点的个数b（b=1,2,…m）作为横轴，以b个连续黑点出现的个数作为纵轴，形成一张长度直方图Heigh_Histogram[b]，b= b=1,2,…m;

由上述过程可以得出，c幅匹配图可以得到c幅宽度直方图和c幅长度直方图。

每幅匹配图都提取三个子特征（辐射矩、中心矩、中心不变矩），在步骤（3）中，辐射（Radial Moment）特征Y_RM、中心矩（Central Moment）特征Y_CM、中心不变矩（Central Moment Invariant）特征Y_CMI的提取过程如下。

设定图像域的一个连通子图为，以

Figure 2011100507794100002DEST_PATH_IMAGE003

表示区域面积，k=1,2,…,L，L表示连通子图的数量。对于任意

Figure 2011100507794100002DEST_PATH_IMAGE004

，有。

设定中心矩

Figure 2011100507794100002DEST_PATH_IMAGE006

，定义n（n≥2）阶中心矩矢量为：

Figure 2011100507794100002DEST_PATH_IMAGE007

其中，中心矩为：

Figure 2011100507794100002DEST_PATH_IMAGE008

p，q是两个整数，x，y为该连通域中的坐标，

Figure 2011100507794100002DEST_PATH_IMAGE009

，。

设定中心不变矩，i=1,2,…,7，则中心不变矩特征为：

设定辐射矩

，则n（n≥1）阶辐射矩特征为：

其中，辐射矩

为：

为图像的几何质心。

应理解，该实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims

1.一种基于MMI的木材图像纹理分析和识别方法，包括如下步骤：

（2）用HLAC模板取所述的二值图的匹配图；

（3）在所述的匹配图上提取连通区域特征、直方图特征和区域矩特征；

（4）重复步骤（1）～（3），形成训练样本集；

（5）对待识别木材图像重复上述步骤（1）～（3），基于提取到的特征集与所述的训练样本集采用SVM进行分类，得出识别结果。

2.根据权利要求1所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，所述的特征明显部位为木材上两个年轮线之间的部位。

3.根据权利要求1所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，对所述的子区域图像进行灰度转化和二值化处理，得到所述的二值图。

4.根据权利要求1或2或3所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，在步骤（2）中，如果所述的二值图上的任意一点与所述的HLAC模板匹配，则将当前点赋为黑色，否则将当前点赋为白色。

5.根据权利要求4所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，在步骤（2）中应用多个HLAC模板，每一个HLAC模板得到一幅匹配图。

6.根据权利要求1所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，所述的连通区域特性包括连通度、黑点总数、连通区域的像素最大值和最小值，包括如下步骤：（1）用广搜的方法统计所述的匹配图，图片中黑色点连通区域的个数即为所述的连通度；（2）统计每块所述的连通区域中黑点的个数，得到所述的连通区域的像素最大值和最小值。

7.根据权利要求1所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，所述的直方图特征的提取包括如下步骤：

（1）扫描一张m×n的所述的匹配图上的每个像素点；

（4）以长度方向连续黑点的个数b（b=1,2,…m）作为横轴，以b个连续黑点出现的个数作为纵轴，形成一张长度直方图。

8.根据权利要求1所述的基于MMI的木材图像纹理分析和识别方法，其特征在于，所述的步骤（3）中，区域矩特征包括中心矩（Central Moment）特征、中心不变矩（Central Moment Invariant）特征和辐射矩（Radial Moment）特征。