CN106023228A - 一种基于支持向量机的假币紫外荧光图像分割方法 - Google Patents

一种基于支持向量机的假币紫外荧光图像分割方法 Download PDF

Info

Publication number
CN106023228A
CN106023228A CN201610388263.3A CN201610388263A CN106023228A CN 106023228 A CN106023228 A CN 106023228A CN 201610388263 A CN201610388263 A CN 201610388263A CN 106023228 A CN106023228 A CN 106023228A
Authority
CN
China
Prior art keywords
sample
image
training
counterfeit money
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610388263.3A
Other languages
English (en)
Inventor
邹积鑫
林雷祥
齐凤亮
于健
李世峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Forensic Science Ministry of Public Security PRC
Original Assignee
Institute of Forensic Science Ministry of Public Security PRC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Forensic Science Ministry of Public Security PRC filed Critical Institute of Forensic Science Ministry of Public Security PRC
Priority to CN201610388263.3A priority Critical patent/CN106023228A/zh
Publication of CN106023228A publication Critical patent/CN106023228A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明涉及一种基于支持向量机的假币紫外荧光图像分割方法，其包括以下步骤：1)获得训练好的SVM分类器；(1.1)选择M幅假币荧光图像作为训练图像，并进行预处理；(1.2)对M幅训练图像均进行颜色空间转换，得到的每个像素的通道值作为该像素的特征值；(1.3)提取训练图像的正例样本和负例样本，正例样本和负例样本共同构成SVM模型训练数据data；(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器；2)使用SVM分类器对待分割图像进行分割。本发明基于统计学习理论的结构风险最小化原则，得到最佳的假币荧光图像分割结果。

Description

一种基于支持向量机的假币紫外荧光图像分割方法
技术领域
本发明涉及一种图像分割方法，特别是关于一种在假币图像处理领域中使用的基于支持向量机的假币紫外荧光图像分割方法。
背景技术
近年来，假币犯罪呈现为假币伪造方式不断翻新、伪造技术不断升级等新特点。一是伪造方式，不仅有印刷，还有彩色喷墨打印、彩色激光打印、彩色复印等新兴伪造方式出现；二是伪造技术，印刷方式印刷人民币，印刷质量越来越好、印刷时间越来越短、伪装手段越来越高；在仿人民币的防伪特征方面，制作更加全面、精细。总之，亟需从技术角度，从假币票样上尽可能发现更多地线索。
假币在油墨品牌、配比、犯罪嫌疑人的伪造手法、再加工特征等方面的不同，可反映为紫外光源下荧光特征的差异，通过对这些荧光特征进行比较，可判断假币是否是同一批次生产的，这对于判定假币窝点数量、假币关联程度等有重要意义。判定假币批次问题从本质上就是假币紫外荧光图像的分类问题，而假币荧光图像的分割是分类的基础，其质量将直接决定分类的准确性。因此，研究对假币荧光图像的分割有重要的意义。
发明内容
针对上述问题，本发明的目的是提供一种基于支持向量机的假币紫外荧光图像分割方法，其操作简单，能得到最佳的假币荧光图像分割结果。
为实现上述目的，本发明采取以下技术方案：一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于它包括以下步骤：1)获得训练好的SVM分类器；(1.1)选择M幅假币荧光图像作为训练图像，并进行预处理；(1.2)对M幅训练图像均进行颜色空间转换，得到的每个像素的通道值作为该像素的特征值；(1.3)提取训练图像的正例样本和负例样本，所有训练图像的正例样本构成SVM模型训练的正例样本data_T，所有训练图像的负例样本构成SVM模型训练的负例样本data_F，正例样本和负例样本共同构成SVM模型训练数据data；(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器；2)使用SVM分类器对待分割图像进行分割。
优选地，所述步骤2)中，对待分割图像进行分割过程如下：(2.1)对待分割图像进行预处理，预处理后图像大小为m×n；(2.2)对预处理后的待分割图像进行颜色空间转换，得到R、G、B、H、S、V功能6个通道，每个像素作为一个测试样本，按列优先原则，使所有测试样本构成一个待识别的样本集S，每个样本对应的6个通道值串联，构成该样本的特征值；(2.3)应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性，样本集S对应的类别属性结果记为C；(2.4)按列优先原则，将C重塑成m×n的矩阵，即为最终假币荧光图像分割结果。
优选地，所述步骤(1.3)中，正例样本的选取方法为：选取每个训练图像的R通道，对其均进行2级阈值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行正例像素的选择；用宽度为L1、高度为L2的滑动采样窗对训练图像进行采样，采样点个数为N1和N2：
其中，W为训练图像的宽度；H为训练图像的高度；N1为水平方向采样点的个数；N2为竖直方向采样点的个数；滑动采样窗宽度为L1＝5；滑动采样窗高度为L2＝5；对于二值图BW中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大值为该采样窗口内的正例像素，记录其坐标为(i,j)，则该采样窗口的正例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为1。
优选地，所述步骤(1.3)中，负例样本选取方法为：选取每个训练图像的R通道，对其均进行2级阈值分割，得到最高级别的二值图BW，在二值图BW的背景像素中，背景像素数目在训练图像中所占比例较大，用宽度为L3、高度为L4的滑动采样窗对训练图像进行采样，采样点个数为N3和N4：
其中，N3为水平方向采样点的个数；N4为竖直方向采样点的个数；滑动采样窗宽度为L3＝7；滑动采样窗高度为L4＝7；对于二值图BW中每个采样窗口的背景像素，分别选取采样窗口内R通道的中值者作为该窗口内的负例像素，记录其坐标为(i,j)，则该负例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为0。
优选地，所述步骤(1.1)中，对训练图像的预处理为：在紫光照射下扫描得到的待分割图像，去除扫描引入的黑色背景，并使用高斯平滑对图像进行去噪。
优选地，所述步骤(1.2)中，颜色空间转换是从RGB空间转换到HSV空间，得到R、G、B、H、S、V共6个通道。
本发明由于采取以上技术方案，其具有以下优点：1、本发明采用支持向量机(SVM)的假币紫外荧光图像分割方法，使整个分割流程全自动实现，无需人工干预。2本发明采用SVM的假币紫外荧光图像分割方法，基于统计学习理论的结构风险最小化原则，得到最佳的假币荧光图像分割结果。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种基于支持向量机的假币紫外荧光图像分割方法，其具体步骤如下：
1)获得训练好的SVM分类器；
(1.1)选择M幅假币荧光图像作为训练图像，并进行预处理，即对在紫光照射下扫描得到的待分割图像，去除扫描引入的黑色背景，并使用高斯平滑对图像进行去噪；
(1.2)对M幅训练图像均进行颜色空间转换，即从RGB空间转换到HSV空间，得到R、G、B、H、S、V共6个通道，每个像素的这6个通道的值作为该像素的特征值；
(1.3)提取训练图像的正例样本和负例样本，所有训练图像的正例样本构成SVM模型训练的正例样本data_T，所有训练图像的负例样本构成SVM模型训练的负例样本data_F，正例样本和负例样本共同构成SVM模型训练数据data；
其中，正例是训练图像中的荧光像素(前景)，正例样本是训练图像前景像素的特征值及类别属性；负例是训练图像中的非荧光像素(背景)，负例样本是训练图像背景像素的特征值及类别属性；
(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器；
2)使用SVM分类器对待分割图像进行分割；
(2.1)对待分割图像进行预处理，预处理后图像大小为m×n；
(2.2)对预处理后的待分割图像进行颜色空间转换，得到R、G、B、H、S、V功能6个通道，每个像素作为一个测试样本，按列优先原则，使所有测试样本构成一个待识别的样本集S，每个样本对应的6个通道值串联，构成该样本的特征值；
(2.3)应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性，样本集S对应的类别属性结果记为C；
(2.4)按列优先原则，将C重塑成m×n的矩阵，即为最终假币荧光图像分割结果。
上述步骤(1.3)中，正例样本的选取方法为：选取每个训练图像的R通道，对其均进行2级阈值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行正例像素的选择；用宽度为L1、高度为L2的滑动采样窗对训练图像进行采样，采样点个数为N1和N2：
其中，W为训练图像的宽度；H为训练图像的高度；N1为水平方向采样点的个数；N2为竖直方向采样点的个数；滑动采样窗宽度为L1＝5；滑动采样窗高度为L2＝5；
对于二值图BW中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大值为该采样窗口内的正例像素，记录其坐标为(i,j)，则该采样窗口的正例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为1。
上述步骤(1.3)中，负例样本选取方法为：在二值图BW的背景像素中，使用同样的均匀采样方式进行负例样本选取，由于背景像素数目在训练图像中所占比例较大，训练图像用宽度为L3、高度为L4的滑动采样窗对训练图像进行采样，采样点个数为N3和N4：
其中，N3为水平方向采样点的个数；N4为竖直方向采样点的个数；滑动采样窗宽度为L3＝7；滑动采样窗高度为L4＝7；
对于二值图BW中每个采样窗口的背景像素，分别选取采样窗口内R通道的中值者作为该窗口内的负例像素，记录其坐标为(i,j)，则该负例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为0。
上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：它包括以下步骤：
1)获得训练好的SVM分类器；
(1.1)选择M幅假币荧光图像作为训练图像，并进行预处理；
(1.2)对M幅训练图像均进行颜色空间转换，得到的每个像素的通道值作为该像素的特征值；
(1.3)提取训练图像的正例样本和负例样本，所有训练图像的正例样本构成SVM模型训练的正例样本data_T，所有训练图像的负例样本构成SVM模型训练的负例样本data_F，正例样本和负例样本共同构成SVM模型训练数据data；
(1.4)使用训练数据data，进行SVM模型训练，获得训练好的SVM分类器；
2)使用SVM分类器对待分割图像进行分割。
2.如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：所述步骤2)中，对待分割图像进行分割过程如下：
(2.1)对待分割图像进行预处理，预处理后图像大小为m×n；
(2.2)对预处理后的待分割图像进行颜色空间转换，得到R、G、B、H、S、V功能6个通道，每个像素作为一个测试样本，按列优先原则，使所有测试样本构成一个待识别的样本集S，每个样本对应的6个通道值串联，构成该样本的特征值；
(2.3)应用SVM分类器，对样本集S进行识别，得到其中每个测试样本的类别属性，样本集S对应的类别属性结果记为C；
(2.4)按列优先原则，将C重塑成m×n的矩阵，即为最终假币荧光图像分割结果。
3.如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：所述步骤(1.3)中，正例样本的选取方法为：选取每个训练图像的R通道，对其均进行2级阈值分割，得到最高级别的二值图BW，在二值图BW中使用均匀采样方法进行正例像素的选择；用宽度为L1、高度为L2的滑动采样窗对训练图像进行采样，采样点个数为N1和N2：
其中，W为训练图像的宽度；H为训练图像的高度；N1为水平方向采样点的个数；N2为竖直方向采样点的个数；滑动采样窗宽度为L1＝5；滑动采样窗高度为L2＝5；
对于二值图BW中每个采样窗口内的前景像素，分别选取采样窗口内R通道的最大值为该采样窗口内的正例像素，记录其坐标为(i,j)，则该采样窗口的正例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为1。
4.如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：所述步骤(1.3)中，负例样本选取方法为：选取每个训练图像的R通道，对其均进行2级阈值分割，得到最高级别的二值图BW，在二值图BW的背景像素中，背景像素数目在训练图像中所占比例较大，用宽度为L3、高度为L4的滑动采样窗对训练图像进行采样，采样点个数为N3和N4：
其中，N3为水平方向采样点的个数；N4为竖直方向采样点的个数；滑动采样窗宽度为L3＝7；滑动采样窗高度为L4＝7；
对于二值图BW中每个采样窗口的背景像素，分别选取采样窗口内R通道的中值者作为该窗口内的负例像素，记录其坐标为(i,j)，则该负例样本特征值为[R(i,j),G(i,j),B(i,j),H(i,j),S(i,j),V(i,j)]，类别属性为0。
5.如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：所述步骤(1.1)中，对训练图像的预处理为：在紫光照射下扫描得到的待分割图像，去除扫描引入的黑色背景，并使用高斯平滑对图像进行去噪。
6.如权利要求1所述的一种基于支持向量机的假币紫外荧光图像分割方法，其特征在于：所述步骤(1.2)中，颜色空间转换是从RGB空间转换到HSV空间，得到R、G、B、H、S、V共6个通道。
CN201610388263.3A 2016-06-02 2016-06-02 一种基于支持向量机的假币紫外荧光图像分割方法 Pending CN106023228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610388263.3A CN106023228A (zh) 2016-06-02 2016-06-02 一种基于支持向量机的假币紫外荧光图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610388263.3A CN106023228A (zh) 2016-06-02 2016-06-02 一种基于支持向量机的假币紫外荧光图像分割方法

Publications (1)

Publication Number Publication Date
CN106023228A true CN106023228A (zh) 2016-10-12

Family

ID=57090507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610388263.3A Pending CN106023228A (zh) 2016-06-02 2016-06-02 一种基于支持向量机的假币紫外荧光图像分割方法

Country Status (1)

Country Link
CN (1) CN106023228A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506738A (zh) * 2017-08-30 2017-12-22 深圳云天励飞技术有限公司 特征提取方法、图像识别方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101253511A (zh) * 2005-04-21 2008-08-27 狄奥多·G·帕拉斯科瓦克斯 用于智能货币验证的系统和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101253511A (zh) * 2005-04-21 2008-08-27 狄奥多·G·帕拉斯科瓦克斯 用于智能货币验证的系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
白文斌等: "基于SVM的高粱叶片病斑图像自动分割提取方法研究", 《农学学报》 *
陈树根等: "基于荧光光谱分析的钞票识别研究", 《红外与激光工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506738A (zh) * 2017-08-30 2017-12-22 深圳云天励飞技术有限公司 特征提取方法、图像识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US10783641B2 (en) Systems and methods for adaptive histopathology image unmixing
EP3151192B1 (en) Method and system for automated analysis of cell images
US10438096B2 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
CN107977682B (zh) 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置
CN110400318B (zh) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
US10453195B2 (en) Method of detecting tissue area of interest in digital pathology imaging by executing computer-executable instructions stored on a non-transitory computer-readable medium
JP2014110797A (ja) 色原体分離に基づく画像解析の方法
CN110766020A (zh) 一种面向多语种自然场景文本检测与识别的系统及方法
JP2011527056A (ja) 印環細胞検出器及び関連する方法
CN104008401A (zh) 一种图像文字识别的方法及装置
CN116071763B (zh) 基于文字识别的教辅图书智能校编系统
US20200193139A1 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN113537182B (zh) 染色体中期分裂相显微图像的自动识别方法与系统
CN102289665B (zh) 基于墨粉堆积纹理分析的打印文件鉴别方法
CN113724235B (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
Khoshdeli et al. Deep learning models delineates multiple nuclear phenotypes in h&e stained histology sections
CN106023228A (zh) 一种基于支持向量机的假币紫外荧光图像分割方法
CN109147932A (zh) 癌细胞her2基因扩增分析方法及系统
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
CN111882521A (zh) 一种细胞涂片的图像处理方法
CN113989799A (zh) 一种宫颈异常细胞识别方法、装置和电子设备
CN113053521B (zh) 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统
Dannemiller et al. A new method for the segmentation of algae images using non-uniform background improvement and support vector machine
CN113344868B (zh) 一种基于混合转移学习的无标记细胞分类筛查系统
Jan et al. Detection of tuberculosis bacteria in sputum slide image using morphological features

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20161012