CN103927516A - 基于数字图像处理的海水珍珠鉴别系统 - Google Patents

Abstract

本发明公开了一种基于数字图像处理的海水珍珠鉴别系统，包括图像预处理模块、特征提取模块、比对鉴别模块和结果输出显示模块，其中图像预处理模块、特征提取模块、比对鉴别模块和结果输出显示模块依次串联连接；图像预处理模块将采集到的待鉴别珍珠图像进行去噪、分割预处理，特征提取模块提取预处理后的珍珠图像的形状、颜色和纹理特征值，比对鉴别模块是将获取的特征值与特征数据库进行比对，判别出结果，结果输出显示模块向用户呈现海水珍珠的可信度结果。本发明采用数字图像处理技术进行海水珍珠鉴别，给出可信度指标，具有很高的使用价值和市场需求，对促进海水珍珠市场诚信体系的建设和发展，具有重大的意义。

Description

基于数字图像处理的海水珍珠鉴别系统

技术领域

本发明属于水产品鉴别领域，涉及一种海水珍珠鉴别系统，具体是一种基于数字图像处理的海水珍珠鉴别系统。

背景技术

珍珠是一种重要的水产品，在珠宝行业和医药产业中占有重要的位置，珍珠养殖和加工业是中国的传统产业和民族特色产业。自从2005年起，我国珍珠年产量占世界总产量的90%以上，海水珍珠也占世界产量的60％以上。淡水珍珠主要分布在浙江诸暨市，海水珍珠主要分布在海南、广东、广西、福建、山东等地。随着国民经济的持续增长和人民生活水平的不断提高，珠宝首饰逐渐成为新的消费热点，能作为珠宝饰品的珍珠主要是海水珍珠，淡水珍珠不到10%。虽然我国是珍珠产业大国，但并不是强国，我国珍珠产值占全世界产值不到10%。

目前，对于珍珠尤其是海水珍珠的研究方向主要是在养殖领域，海水珍珠的检测、识别与分类都是通过人工对珍珠的形状、大小、颜色、光泽、纹理等特征进行目测来完成，其主要存在有三大问题是：

（1）检测的技术人员水平参差不齐，导致对海水珍珠品质的鉴别准确率低；

（2）现有的海水珍珠鉴别的手段单一，检测的成本费用高；

（3）人工对海水珍珠进行检测，效率低，不能符合市场的需求。

发明内容

本发明的目的是提供一种基于数字图像处理的海水珍珠鉴别系统，利用数字图像处理技术能够解决现有海水珍珠检测面临的问题，具有方便、快捷、准确等特点。

本发明所采用的技术原理：选取不同产地的海水珍珠图像作为样本，并提取形状、颜色和纹理的生物特征建立特征数据库，然后获取待鉴别珍珠图像并经过去噪、分割的预处理，再提取形状、颜色和纹理的特征值，根据获取的特征值与特征数据库进行比对、判别，得出待测珍珠的可信度结果。

本发明所采用的技术方案：

一种基于数字图像处理的海水珍珠鉴别系统，包括图像预处理模块、特征提取模块、比对鉴别模块和结果输出显示模块，其中图像预处理模块与特征提取模块连接，图像预处理模块将采集到的待鉴别海水珍珠整体图像进行去噪、分割的预处理后把图像传输到特征提取模块，由特征提取模块提取预处理后的待鉴别海水珍珠图像的形状、颜色和纹理的特征值；特征提取模块与比对鉴别模块连接，特征提取模块根据经过预处理的待鉴别海水珍珠图像提取形状、颜色和纹理的特征值并传输到比对鉴别模块，由比对鉴别模块将获取的特征值与特征数据库进行比对，判别得出可信度指数；比对鉴别模块与结果输出显示模块连接，比对鉴别模块将判别得出可信度指数传输到结果输出显示模块，由结果输出显示模块向用户显示待鉴别珍珠的可信度结果；

所述图像预处理模块是利用摄像器材获取待鉴别海水珍珠整体图像（包括海水珍珠图像和背景图像），然后采用中值滤波技术消除噪声、光线、灰尘等对整体图像的影响，再利用基于局部灰度自适应的区域生长算法将待鉴别海水珍珠图像从整体图像中分割出来，使得待鉴别海水珍珠图像更加适合于特征的提取；

所述特征提取模块是提取获得的待鉴别海水珍珠图像的形状、颜色、纹理的特征值，提取方式如下：

1）、颜色特征值提取

采用基于信息熵的多分辨率分块颜色直方图法，为了克服珍珠位置的不同，分别采用3×3、4×4、6×6、9×9的分辨率分块进行信息熵的计算，每种分辨率下每个分块的信息熵的计算方法：将海水珍珠图像量化到HSV空间中，将色调分为8份，饱和度和亮度分为3份，量化成72种颜色，并统计每个分块中72柄颜色的特征值计算信息熵；将不同分辨率下所计算出的信息熵作为提取的颜色特征值；

2）、纹理特征值提取

通过计算图像灰度共生矩阵的四中参数得到：首先将彩色图像的R、G、B分量按照0.30、0.59、0.11的比例转为灰度图像，灰度共生矩阵时的距离参数和灰度参数分别选取为140和64，分别从0°、45°、90°和135°四个方向对海水珍珠统计灰度共生矩阵，将各个方向的能量、熵、惯性矩和相关性作为各个方向的纹理参数，对这四个方向上的纹理参数求平均并归一化作为海水珍珠图像的纹理特征值；

3）、形状特征值提取

采用Hu不变矩法得到：首先将彩色的珍珠图像转换为灰度图像,并对图像进行16×16分块处理，求出每个分块的单元信息熵，对分块组成的熵矩阵进行不变矩计算，进而求出图像的七个Hu不变矩参数作为海水珍珠图像的形状特征；

所述比对鉴别模块包括特征数据库，先将得到的待鉴别海水珍珠图像的形状、颜色、纹理的特征值与特征数据库比对计算得到颜色相似度、纹理相似度和形状相似度，其计算过程如下：

1）、颜色相似度：根据信息熵计算各种分块下对应的权重矩阵d、采用颜色直方图相交方法计算标准的海水珍珠图像和待鉴别珍珠图像的各对应分块计算相似度距离得出距离矩阵W，则待鉴别海水珍珠图像与特征数据库的标准图像的图像距离为D=d·W；分别在3×3、4×4、6×6、9×9分块的条件下计算出各个分辨率下的图像距离D，将各个分辨率下的图像距离D相加即为待鉴别海水珍珠图像与特征数据库的标准图像的颜色相似度S_c；

2）、纹理相似度：根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征数据库的标准图像与待鉴别海水珍珠图像间的纹理特征向量T_A和T_B，即可计算出待鉴别海水珍珠图像与特征数据库的标准图像的纹理相似度S_T：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

3）、形状相似度：根据得到的形状参数即可得到7维的形状特征向量S=(S(1),S(2),...,S(7))。根据特征数据库的标准图像与待鉴别海水珍珠图像的形状特征向量S_A和S_B,即可计算出待鉴别海水珍珠图像与特征数据库的标准图像的形状相似度S_S：

$s_s=1-\frac{1}{7}\·{\left({\mathrm{\Σ}}_{i=1}^7(S_A\left(i\right)-S_B{\left(i\right)}^2)\right)}^{1/2}$

信息熵包括颜色信息熵、纹理信息熵、形状信息熵，其中颜色信息熵的计算是将图像量化到HSV空间中，将色调分为8份，饱和度和亮度分为3份，量化成72种颜色，并统计图像72柄颜色特征得出；纹理信息熵由计算图像灰度共生矩阵得出；形状信息熵是由计算图像的信息熵得出；

分别计算待鉴别海水珍珠图像的颜色信息熵H_BC、纹理信息熵H_BT、形状信息熵H_BS，再与特征数据库的颜色信息熵H_AC、纹理信息熵H_AT和形状信息熵H_AS进行融合计算分配颜色、纹理和形状的权重,其计算过程如下：

总信息熵H=H_AC·H_BC+H_AT·H_BT+H_AS·H_BS

分别计算颜色权重系数W_C、纹理权重系数W_T、形状权重系数W_S：

$W_C=\frac{H_{\mathrm{AC}}\·H_{\mathrm{BC}}}{H};W_T=\frac{H_{\mathrm{AT}}\·H_{\mathrm{BT}}}{H};W_S=\frac{H_{\mathrm{AS}}\·H_{\mathrm{BS}}}{H}$

利用相似度计算公式：

S=s_C·W_C+s_T·W_T+s_S·W_S

即可求得两张图像的相似度，得出可信度结果S；所述特征数据库是选取不同产地的海水珍珠图像作为样本，并提取形状、颜色和纹理的生理特征建立而成，其中，颜色特征通过K均值聚类的方法将海水珍珠分为米白、米黄、黑色和其他四个类别。

本发明采用数字图像处理技术对待鉴别海水珍珠进行鉴别，给出海水珍珠的品质等级和可信度指数，可方便、快捷地完成海水珍珠的鉴别，具有很高的实用价值和市场需求，对促进海水珍珠市场诚信体系的建设和发展，具有重大的意义。

附图说明

图1是本发明的系统原理图。

图2、3、4、5为海水珍珠图像（产地：海南陵水县）。

图6、7、8为淡水珍珠图像（产地：浙江诸暨）。

图9、10、11为非珍珠图像（来源：市面上的塑料珍珠）。

图12是图2的HSV颜色特征直方图。

图13是图3的HSV颜色特征直方图。

图14是图4的HSV颜色特征直方图。

图15是图5的HSV颜色特征直方图。

图16是图6的HSV颜色特征直方图。

图17是图7的HSV颜色特征直方图。

图18是图8的HSV颜色特征直方图。

图19是图9的HSV颜色特征直方图。

图20是图10的HSV颜色特征直方图。

图21是图11的HSV颜色特征直方图。

具体实施方式

下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。下列实施例中未注明具体条件的实验方法,通常按照常规条件,或按照制造厂商所建议的条件。

本发明所提供的一种基于数字图像处理的海水珍珠鉴别系统，包括图像预处理模块1、特征提取模块2、比对鉴别模块3和结果输出显示模块4，其中图像预处理模块、特征提取模块、比对鉴别模块和结果输出显示模块依次串联连接，如图1所示。

本发明主要是依据融合颜色特征、纹理特征和形状特征来计算海水珍珠的可信度系数。

实例

一、实验目的

1、验证基于颜色特征、纹理特征、形状特征的海水珍珠鉴别方法的有效性。

2、验证融合多特征鉴别比单一的纹理特征鉴别的效果更佳。

二、实验内容

基于数字图像处理的海水珍珠鉴别的方法主要是依据融合颜色特征、纹理特征和形状特征来计算海水珍珠的可信度结果。其中颜色特征是采用基于信息熵的多分辨率的颜色分块直方图方法，基于采集的海水珍珠的图像的特征和实验结果表明，采用3×3、4×4、6×6、9×9的分块效果最好，根据信息熵计算各种分辨率下下对应的权重矩阵和动态距离矩阵，从而计算出颜色的相似度指数；纹理特征是通过构造参数对珍珠图像的灰度共生矩阵计算得到纹理特征值；形状特征是通过计算珍珠图像各个分块的单元信息熵得到熵矩阵，然后对熵矩阵进行不变矩参数计算得到形状特征。

1、使用本发明对海水珍珠图像组进行测试，记录数据；

2、使用本发明对海水珍珠与淡水珍珠的图像组进行对照试验，记录数据；

3、使用本发明对海水珍珠与非珍珠的图像组进行对照试验，记录数据。

三、实验步骤

本实例中，使用的特征图像及待鉴别图像如图2、3、4、5、6、7、8、9、10、11所示，其中，图2为特征图像，其余为待鉴别图像。

1、海水珍珠图像组测试

1）用数码相机获取待鉴别珍珠图像；

2）将待鉴别珍珠图像通过数据线传到PC端；

3）提取海水珍珠图像（特征图像）与待鉴珍珠图像的颜色、纹理和形状特征；

4）对比鉴别；

5）融合多特征计算得出可信度结果。

2、海水珍珠图像与淡水珍珠图像组测试

1）用数码相机获取待鉴别珍珠图像；

2）将待鉴别珍珠图像通过数据线传到PC端；

3）提取海水珍珠图像（特征图像）与淡水珍珠图像的颜色、纹理和形状特征；

4）对比鉴别；

5）融合多特征计算得出可信度结果。

3、海水珍珠图像与非珍珠图像组测试

1）用数码相机获取待鉴别珍珠图像；

2）将待鉴别珍珠图像通过数据线传到PC端；

3）提取海水珍珠图像（特征图像）与非珍珠图像的颜色、纹理和形状特征；

4）对比鉴别；

5）融合多特征计算得出可信度结果。

4、纹理特征鉴别与融合多特征鉴别测试

1）用数码相机获取待鉴别珍珠图像；

2）将待鉴别珍珠图像通过数据线传到PC端；

3）提取海水珍珠图像（特征图像）与淡水珍珠图像的纹理特征；

4）计算纹理特征相识度，得出可信度结果。

四、实验记录

1、海水珍珠图像组试验

首先，分别提取海水珍珠图像（图2、图3、图4、图5）的颜色、纹理和形状特征，记录数据，结果见图12、图13、图14、图15和表1、表2，然后计算两者的可信度指数，结果见表3。

首先，以图2、图3为例，在采用3×3分块的情况下计算出的距离矩阵和基于信息熵的权重矩阵如下：

$\begin{array}{cc}{d}_1=\left(\begin{array}{ccc}0.0363& 0.0159& 0\\ 0.4146& 2.6425& 0.0064\\ 0.8134& 1.0709& 0\end{array}\right)& w_1=\left(\begin{array}{ccc}0.0175& 0.0175& 0.0175\\ 0.0702& 0.2807& 0.0175\\ 0.2807& 0.2807& 0.0175\end{array}\right)\end{array}$

则第一种分辨率下特征图像（图2）与待鉴别图像（图3）的距离D₁=d₁·w₁。

由此类推，得到4×4、6×6、9×9等各个分辨率下的距离矩阵和基于信息熵的权重矩阵，从而求出各分辨率下特征图像与待鉴别图像的距离D₂、D₃、D₄。则特征图像（图2）与待鉴别图像（图3）的颜色相似度s_c=D₁+D₂+D₃+D₄。

采用上述方法分别计算得到图2与图3、图2与图4、图2与图5的颜色相似度。

根据纹理特征值提取的方法分别提取图2、图3、图4、图5的纹理参数，结果见表1：

表1海水珍珠图像2、3、4、5的纹理特征值

根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征图像与待鉴别图像间的纹理特征向量T_A和T_B，即可计算出特征图像与待鉴别图像的纹理相似度：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

分别计算得到图2与图3、图2与图4、图2与图5的纹理相似度。

根据形状特征值提取的方法分别提取图2、图3、图4、图5的纹理参数，结果见表2：

表2图像2、3、4、5的形状特征

根据得到的形状参数即可得到7维的形状特征向量S=(S(1),S(2),...,S(7))。根据特征图像与待鉴别图像的形状特征向量S_A和S_B,即可计算出特征图像与待鉴别图像的形状相似度：

$s_s=1-\frac{1}{7}\·{\left({\mathrm{\Σ}}_{i=1}^7(S_A\left(i\right)-S_B{\left(i\right)}^2)\right)}^{1/2}$

分别计算得到图2与图3、图2与图4、图2与图5的形状相似度。

分别计算颜色权重系数W_C、纹理权重系数W_T、形状权重系数W_S：

$W_C=\frac{H_{\mathrm{AC}}\·H_{\mathrm{BC}}}{H};W_T=\frac{H_{\mathrm{AT}}\·H_{\mathrm{BT}}}{H};W_S=\frac{H_{\mathrm{AS}}\·H_{\mathrm{BS}}}{H}$

利用相似度计算公式：

S=s_C·W_C+s_T·W_T+s_S·W_S

即可分别计算出图2与图3、图2与图4、图2与图5的相似度，结果见表3：

表3 可信度结果

图像2与3的可信度参数	图像2与4的可信度参数	图像2与5的可信度参数
			0.929236	0.942111	0.897893

2、海水珍珠图像与淡水珍珠图像组试验

首先，分别提取海水珍珠图像（图2）和淡水珍珠图像（图6、图7、图8）的颜色、纹理和形状特征，记录数据，结果见图12、图16、图17、图18和表4、表5，然后计算两者的可信度指数，结果见表6。

首先，以图2、图6为例，在采用3×3分块的情况下计算出的距离矩阵和基于信息熵的权重矩阵如下：

$\begin{array}{cc}{d}_1=\left(\begin{array}{ccc}0.0363& 0.0159& 0\\ 0.4146& 2.6425& 0.0064\\ 0.8134& 1.0709& 0\end{array}\right)& w_1=\left(\begin{array}{ccc}0.0175& 0.0175& 0.0175\\ 0.0702& 0.2807& 0.0175\\ 0.2807& 0.2807& 0.0175\end{array}\right)\end{array}$

则第一种分辨率下特征图像（图2）与待鉴别图像（图6）的距离D₁=d₁·w₁。

由此类推，得到4×4、6×6、9×9等各个分辨率下的距离矩阵和基于信息熵的权重矩阵，从而求出各分辨率下特征图像与待鉴别图像的距离D₂、D₃、D₄。则特征图像（图2）与待鉴别图像（图6）的颜色相似度s_c=D₁+D₂+D₃+D₄。

采用上述方法分别计算得到图2与图6、图2与图7、图2与图8的颜色相似度。

根据纹理特征值提取的方法分别提取图2、图6、图7、图8的纹理参数，结果见表4：

表4图像2、6、7、8的纹理参数

根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征图像与待鉴别图像间的纹理特征向量T_A和T_B，即可计算出特征图像与待鉴别图像的纹理相似度：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

分别计算得到图2与图6、图2与图7、图2与图8的纹理相似度。

根据形状特征值提取的方法分别提取图2、图6、图7、图8的纹理参数，结果见表5：

表5图像2、6、7、8的形状特征

根据得到的形状参数即可得到7维的形状特征向量S=(S(1),S(2),...,S(7))。根据特征图像与待鉴别图像的形状特征向量S_A和S_B,即可计算出特征图像与待鉴别图像的形状相似度：

$s_s=1-\frac{1}{7}\·{\left({\mathrm{\Σ}}_{i=1}^7(S_A\left(i\right)-S_B{\left(i\right)}^2)\right)}^{1/2}$

分别计算得到图2与图6、图2与图7、图2与图8的形状相似度。

分别计算颜色权重系数W_C、纹理权重系数W_T、形状权重系数W_S：

$W_C=\frac{H_{\mathrm{AC}}\·H_{\mathrm{BC}}}{H};W_T=\frac{H_{\mathrm{AT}}\·H_{\mathrm{BT}}}{H};W_S=\frac{H_{\mathrm{AS}}\·H_{\mathrm{BS}}}{H}$

利用相似度计算公式：

S=s_C·W_C+s_T·W_T+s_S·W_S

即可分别计算出图2与图6、图2与图7、图2与图8的相似度，结果见表6：

表6可信度结果

图像2与6的可信度参数	图像2与7的可信度参数	图像2与8的可信度参数
			0.464913	0.437211	0.393193

3、海水珍珠图像与非珍珠图像组试验

首先，分别提取海水珍珠图像（图2）和非珍珠图像（图9、图10、图11）的颜色、纹理和形状特征，记录数据，结果见图12、图19、图20、图21和表7、表8，然后计算两者的可信度指数，结果见表9。

首先，以图2、图9为例，在采用3×3分块的情况下计算出的距离矩阵和基于信息熵的权重矩阵如下：

$\begin{array}{cc}{d}_1=\left(\begin{array}{ccc}0.0363& 0.0159& 0\\ 0.4146& 2.6425& 0.0064\\ 0.8134& 1.0709& 0\end{array}\right)& w_1=\left(\begin{array}{ccc}0.0175& 0.0175& 0.0175\\ 0.0702& 0.2807& 0.0175\\ 0.2807& 0.2807& 0.0175\end{array}\right)\end{array}$

则第一种分辨率下特征图像（图2）与待鉴别图像（图9）的距离D₁=d₁·w₁。

由此类推，得到4×4、6×6、9×9等各个分辨率下的距离矩阵和基于信息熵的权重矩阵，从而求出各分辨率下特征图像与待鉴别图像的距离D₂、D₃、D₄。则特征图像（图2）与待鉴别图像（图9）的颜色相似度s_c=D₁+D₂+D₃+D₄。

采用上述方法分别计算得到图2与图9、图2与图10、图2与图11的颜色相似度。

根据纹理特征值提取的方法分别提取图2、图9、图10、图11的纹理参数，结果见表7：

表7图像2、9、10、11的纹理参数

根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征图像与待鉴别图像间的纹理特征向量T_A和T_B，即可计算出特征图像与待鉴别图像的纹理相似度：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

分别计算得到图2与图9、图2与图10、图2与图11的纹理相似度。

根据形状特征值提取的方法分别提取图2、图9、图10、图11的纹理参数，结果见表8：

表8图像2、9、10、11的形状特征

根据得到的形状参数即可得到7维的形状特征向量S=(S(1),S(2),...,S(7))。根据特征图像与待鉴别图像的形状特征向量S_A和S_B,即可计算出特征图像与待鉴别图像的形状相似度：

$s_s=1-\frac{1}{7}\·{\left({\mathrm{\Σ}}_{i=1}^7(S_A\left(i\right)-S_B{\left(i\right)}^2)\right)}^{1/2}$

分别计算得到图2与图9、图2与图10、图2与图11的形状相似度。

分别计算颜色权重系数W_C、纹理权重系数W_T、形状权重系数W_S：

$W_C=\frac{H_{\mathrm{AC}}\·H_{\mathrm{BC}}}{H};W_T=\frac{H_{\mathrm{AT}}\·H_{\mathrm{BT}}}{H};W_S=\frac{H_{\mathrm{AS}}\·H_{\mathrm{BS}}}{H}$

利用相似度计算公式：

S=s_C·W_C+s_T·W_T+s_S·W_S

即可分别计算出图2与图9、图2与图10、图2与图11的相似度，结果见表9：

表9可信度结果

图像2与9的可信度参数	图像2与10的可信度参数	图像2与11的可信度参数
			0.135492	0.155372	0.095313

由上述结果可以看出，本发明所采用的基于颜色特征、纹理特征、形状特征的海水珍珠鉴别方法可对待鉴别海水珍珠进行鉴别，给出可信度指数，结果可靠，能方便、快捷地完成海水珍珠的鉴别，具有很高的实用价值和市场需求，对促进海水珍珠市场诚信体系的建设和发展，具有重大的意义。

4、单一纹理特征鉴别与融合多特征鉴别的对比测试

第一部分：采用现有的单一纹理特征的相似度计量方法（纹理特征相似度即为图像的相似度），对海水珍珠图像进行识别实验。

根据纹理特征值提取的方法分别提取图2、图3、图4、图5、图9的纹理参数，结果见表10：

表10图像2、3、4、5、9的纹理特征值

根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征图像与待鉴别图像间的纹理特征向量T_A和T_B，即可计算出特征图像与待鉴别图像的纹理相似度：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

分别计算得到图2与图3、图2与图4、图2与图5、图2与图9的纹理相似度，结果见表11。

表11现有方法计算结果

图像	纹理相似度
		图像2与图像3	0.613226
图像2与图像4	0.632592
		图像2与图像5	0.671836
图像2与图像9	0.195738

第二部分：融合多特征的相似度计量方法（融合颜色、纹理、形状特征）进行海水珍珠识别实验，鉴别过程同实例，得到的数据见表12（其中，图2为特征图像，图3、4、5为待鉴别海水珍珠图像，图像9为假珍珠图像）：

表12本发明方法计算结果

图像	相似度
		图像2与图像3	0.929236
图像2与图像4	0.942111
		图像2与图像5	0.897893
图像2与图像9	0.135492

通过表格数据可以看出，本发明算法对海水珍珠识别的效果有明显的提升。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于数字图像处理的海水珍珠鉴别系统，其特征在于：包括图像预处理模块、特征提取模块、比对鉴别模块和结果输出显示模块，其中图像预处理模块与特征提取模块连接，图像预处理模块将采集到的待鉴别海水珍珠整体图像进行去噪、分割的预处理后把图像传输到特征提取模块，由特征提取模块提取预处理后的待鉴别海水珍珠图像的形状、颜色和纹理的特征值；特征提取模块与比对鉴别模块连接，特征提取模块根据经过预处理的待鉴别海水珍珠图像提取形状、颜色和纹理的特征值并传输到比对鉴别模块，由比对鉴别模块将获取的特征值与特征数据库进行比对，判别得出可信度指数；比对鉴别模块与结果输出显示模块连接，比对鉴别模块将判别得出可信度指数传输到结果输出显示模块，由结果输出显示模块向用户显示待鉴别珍珠的可信度结果；

所述图像预处理模块是利用摄像器材获取待鉴别海水珍珠整体图像，然后采用中值滤波技术消除噪声、光线和灰尘对整体图像的影响，再利用基于局部灰度自适应的区域生长算法将待鉴别海水珍珠图像从整体图像中分割出来，使得待鉴别海水珍珠图像更加适合于特征的提取；

所述特征提取模块是提取获得的待鉴别海水珍珠图像的形状、颜色、纹理的特征值，提取方式如下：

1）、颜色特征值提取

采用基于信息熵的多分辨率分块颜色直方图法，分别采用3×3、4×4、6×6、9×9的分辨率分块进行信息熵的计算，每种分辨率下每个分块的信息熵的计算方法：将海水珍珠图像量化到HSV空间中，将色调分为8份，饱和度和亮度分为3份，量化成72种颜色，并统计每个分块中72柄颜色的特征值计算信息熵；将不同分辨率下所计算出的信息熵作为提取的颜色特征值；

2）、纹理特征值提取

通过计算图像灰度共生矩阵的四中参数得到：首先将彩色图像的R、G、B分量按照0.30、0.59、0.11的比例转为灰度图像，灰度共生矩阵时的距离参数和灰度参数分别选取为140和64，分别从0°、45°、90°和135°四个方向对海水珍珠统计灰度共生矩阵，将各个方向的能量、熵、惯性矩和相关性作为各个方向的纹理参数，对这四个方向上的纹理参数求平均并归一化作为海水珍珠图像的纹理特征值；

3）、形状特征值提取

采用Hu不变矩法得到：首先将彩色的珍珠图像转换为灰度图像,并对图像进行16×16分块处理，求出每个分块的单元信息熵，对分块组成的熵矩阵进行不变矩计算，进而求出图像的七个Hu不变矩参数作为海水珍珠图像的形状特征；

所述比对鉴别模块包括特征数据库，先将得到的待鉴别海水珍珠图像的形状、颜色、纹理的特征值与特征数据库比对计算得到颜色相似度、纹理相似度和形状相似度，其计算过程如下：

1）、颜色相似度：根据信息熵计算各种分块下对应的权重矩阵d、采用颜色直方图相交方法计算标准的海水珍珠图像和待鉴别珍珠图像的各对应分块计算相似度距离得出距离矩阵W，则待鉴别海水珍珠图像与特征数据库的标准图像的图像距离为D=d·W；分别在3×3、4×4、6×6、9×9分块的条件下计算出各个分辨率下的图像距离D，将各个分辨率下的图像距离D相加即为待鉴别海水珍珠图像与特征数据库的标准图像的颜色相似度S_c；

2）、纹理相似度：根据得到的纹理参数即为纹理特征向量T=(T(1),T(2),...,T(8))，利用特征数据库的标准图像与待鉴别海水珍珠图像间的纹理特征向量T_A和T_B，即可计算出待鉴别海水珍珠图像与特征数据库的标准图像的纹理相似度S_T：

$s_T=1-\frac{1}{8}\·{\left({\mathrm{\Σ}}_{i=1}^8{(T_A\left(i\right)-T_B\left(i\right))}^2\right)}^{1/2}$

3）、形状相似度：根据得到的形状参数即可得到7维的形状特征向量S=(S(1),S(2),...,S(7))。根据特征数据库的标准图像与待鉴别海水珍珠图像的形状特征向量S_A和S_B,即可计算出待鉴别海水珍珠图像与特征数据库的标准图像的形状相似度S_S：

$s_s=1-\frac{1}{7}\·{\left({\mathrm{\Σ}}_{i=1}^7(S_A\left(i\right)-S_B{\left(i\right)}^2)\right)}^{1/2}$

信息熵包括颜色信息熵、纹理信息熵、形状信息熵，其中颜色信息熵的计算是将图像量化到HSV空间中，将色调分为8份，饱和度和亮度分为3份，量化成72种颜色，并统计图像72柄颜色特征得出；纹理信息熵由计算图像灰度共生矩阵得出；形状信息熵是由计算图像的信息熵得出；

分别计算待鉴别海水珍珠图像的颜色信息熵H_BC、纹理信息熵H_BT、形状信息熵H_BS，再与特征数据库的颜色信息熵H_AC、纹理信息熵H_AT和形状信息熵H_AS进行融合计算分配颜色、纹理和形状的权重,其计算过程如下：

总信息熵H=H_AC·H_BC+H_AT·H_BT+H_AS·H_BS

分别计算颜色权重系数W_C、纹理权重系数W_T、形状权重系数W_S：

$W_C=\frac{H_{\mathrm{AC}}\·H_{\mathrm{BC}}}{H};W_T=\frac{H_{\mathrm{AT}}\·H_{\mathrm{BT}}}{H};W_S=\frac{H_{\mathrm{AS}}\·H_{\mathrm{BS}}}{H}$

利用相似度计算公式：

S=s_C·W_C+s_T·W_T+s_S·W_S

即可求得两张图像的相似度，得出可信度结果S；所述特征数据库是选取不同产地的海水珍珠图像作为样本，并提取形状、颜色和纹理的生理特征建立而成，其中，颜色特征通过K均值聚类的方法将海水珍珠分为米白、米黄、黑色和其他四个类别。