CN108765397A - 一种基于降维和特征空间构造的木材图像识别方法及装置 - Google Patents
一种基于降维和特征空间构造的木材图像识别方法及装置 Download PDFInfo
- Publication number
- CN108765397A CN108765397A CN201810497479.2A CN201810497479A CN108765397A CN 108765397 A CN108765397 A CN 108765397A CN 201810497479 A CN201810497479 A CN 201810497479A CN 108765397 A CN108765397 A CN 108765397A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- timber
- vector
- module
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于降维和特征空间构造的木材图像识别方法及装置,方法为:源图样采集,进行像素数组采样,记为Rm×n;高维度向量的获取,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);特征向量生成,在获得的X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;降维;对降维处理后的特征向量进行矢量化处理;特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比,实现对图像的识别。本发明提高了木材图像识别效率和识别准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于降维和特征空间构造的木材图像识别方法及装置。
背景技术
随着木材加工业的集约化发展,木材产品的生产量持续大幅度增长。在生产中,对木材表面加工质量高水平的苛求,尤其是一致性的要求,使得传统的人工检测方式已经难以胜任。
木材图像识别的早期方法主要是宏观构造识别,这种方法主要依靠识别者的经验和木材的基本知识,对木材图像进行简单识别。这种木材识别方法的缺点是识别精度不高,识别效率太低,周期长,识别过程受识别者知识、经验、环境、器械等多方面因素影响。
近来年,计算机辅助图像识别成为一种主流的图像识别方法,如公布日为2017年9月8日,公开号为CN107145823A的中国专利公开的“一种图像识别方法、图像识别装置及服务器”,该方法包括:获取观测到的图像数据;将所述图像数据发送给服务器;接收来自所述服务器的所述图像数据的识别信息后,输出所述图像数据的识别信息,所述图像数据的识别信息为所述服务器识别所述图像数据中的物体后查找得到的与所述物体关联的信息。该发明解决了用户在使用图像识别装置观测物体时,不能够及时得到物体的识别信息的问题。又如授权公告日为2016年5月25日,公开号为CN105608169A的中国专利公开的“用基于轨迹的位置确定的图像识别方法”,其包括:确定所述移动装置的近似位置;俘获一个或多个目标对象的一个或多个图像;确定所述移动装置相对于所述近似位置的一个或多个旋转角度;检测特定目标对象的选择;选定目标对象的位置;向远程资源发送一请求,以基于所述选定目标对象的所估计位置和所述所俘获的一个或多个图像而识别所述选定目标对象;以及接收描述所识别的目标对象的所述信息。再如授权公告日为2015年9月9日,公开号为CN104899834A的中国专利公开的“一种基于SIFT算法的模糊图像识别方法及装置”,所述方法包括:对清晰的图像分别进行高斯平滑,灰度运算和运动模糊,生成模糊空间;基于SIFT算法对模糊空间的所有图像进行特征提取和描述;对待识别模糊图像利用S#IFT算法提取所述待识别模糊图像的特征点;将待识别图像的特征点分别和清晰图像所生成的模糊空间中的每一幅图像的特征点进行匹配;基于预定的测评标准来对所有的匹配进行评估,筛选出匹配效果最好的作为最终识别结果。
以上识别方法的缺点是木材图像的采样受到人为因素、环境因素的影响较大;识别精度不高,识别效率太低,周期长,识别过程中易受识别者知识、经验、环境、器械等多方面因素影响;易造成图像产生噪声区域,从而影响识别效果,导致识别准确度下降。
发明内容
本发明的目的是克服上述缺陷,提供一种基于降维和特征空间构造的木材图像识别方法及装置,解决了现有技术中木材图像的识别效率和识别精度较低的问题,提供了一种高精度、高效率的木材图像识别方法及装置,提高了木材图像识别效率和识别准确率。
本发明的技术方案:一种基于降维和特征空间构造的木材图像识别方法,包括:
S1源图样采集,对图像进行像素数组采样,记为Rm×n;
S2高维度向量的获取,进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
S3特征向量生成,在步骤S2获得的X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
S4降维;
S5对降维处理后的特征向量进行矢量化处理;
S6特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比,实现对图像的识别。
降维处理,彩色图片一个像素是有RGB 3色,就算用int保存的话,一个Int4个字节,也要12个字节,需要转换成单色灰色,这样就只需要一个数字来表示颜色了,从而降低了维度,并节约了内存。
进一步的,所述矢量化处理包括:图像的区域标识;图像的边界识别与提取;图像边界的光滑与矢量化。
进一步的,所述特征集是同种木材多个不同图像经过步骤S1-S5处理后生成的特征向量的集合。
进一步的,通过计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标,验证识别结果。
进一步的,S4中所述降维的方法为降采样、金字塔变换(PT)、随机投影(RP)中的一种。
进一步的,S4中所述降维采用二维离散余弦变换法(2DDCT)。
进一步的,所述特征空间分类法为张量子空间法(TSM)。
本发明还提供了一种基于降维和特征空间构造的木材图像识别装置,包括:
源图样采集模块,被配置为对图像进行像素数组采样,记为Rm×n;
高维度向量获取模块,被配置为进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
特征向量生成模块,被配置为X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
降维模块,被配置为对特征向量进行降维处理;
矢量化处理模块,被配置为对降维处理后的特征向量进行矢量化处理;
特征空间分类识别模块,被配置为运用特征空间分类方法将图像的特征向量与特征集进行对比,实现对图像的识别。
进一步的,所述矢量化处理模块包括图像的区域标识模块、图像的边界识别与提取模块和图像边界的光滑与矢量化模块。
进一步的,所述特征集是同种木材多个不同图像经过源图样采集模块、高维度向量获取模块、特征向量生成模块、降维模块和矢量化处理模块处理后生成的特征向量的集合。
进一步的,还包括验证模块,被配置为计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标以验证识别结果。
进一步的,所述降维模块被配置为采用二维离散余弦变换法(2DDCT)进行降维。
进一步的,所述特征空间分类识别模块被配置为采用张量子空间法(TSM)进行分类识别。
本发明还提供了一种基于降维和特征空间构造的木材图像识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
源图样采集,对图像进行像素数组采样,记为Rm×n;
高维度向量的获取,进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
特征向量生成,在X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
降维;
对降维处理后的特征向量进行矢量化处理;
特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比分类,实现对图像的识别。
本发明优点:
1、本发明采用木材图像的特征空间的降维与构造,是木材图像识别的全新技术,提高木材图像识别效率和识别准确率。
2、木材图像频域的向量空间,木材图像识别都是在频域里进行,频域中的图像都是由数值构成的向量空间,达到对各种木材图像的高精度识别的技术效果。
3、本发明木材图像进行二维离散余弦变换法降维,可以对图像进行压缩,还可以对图像去燥,对提高木材图像的识别率和准确度有积极的作用。
4、本发明的降维方法金字塔变换技术(PT),可以将木材图像分解为低频分量,实现多维度分解;随即投影法,对采用图像的矢量化处理,是木材图像识别中的重要步骤,是决定木材图像识别率高低的关键处理,从而达到有效地识别木材图像,提取图像的边界的技术效果。
5、特征空间分类,可以精确识别每种木材,因为每一种木材在频域中的数字化信息不同,所对应的特征空间也不一样。
附图说明
图1是不同降维方法的过程与原理图;
图2是柞木木材图像识别图;
图3是水曲柳木材图像识别图;
图4是马尾松木材图像识别图;
图5是樟子松木材识别图;
图6是云杉木材图像识别图;
图2-6中,a为横切面图像,b为弦切面图像,c为弦切面图像;
图7为本发明实施例1的木材图像识别装置框图;
图8为本发明实施例1的另一种图像识别装置框图;
图9为本发明实施例2的图像识别装置框图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些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修改或改动,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。
实施例1
一种基于降维和特征空间构造的木材图像识别装置100,包括:
源图样采集模块101,被配置为对图像进行像素数组采样,记为Rm×n。
高维度向量获取模块102,被配置为进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n)。
特征向量生成模块103,被配置为在步骤S2获得的X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量。
降维模块104,被配置为对步骤S3获得的特征向量进行降维处理。所述降维模块被配置为采用二维离散余弦变换法(2DDCT)进行降维。
矢量化处理模块105,被配置为对降维处理后的特征向量进行矢量化处理。所述矢量化处理模块105包括图像的区域标识模块1051、图像的边界识别与提取模块1052和图像边界的光滑与矢量化模块1053。
特征空间分类识别模块106,被配置为运用特征空间分类方法将图像的特征向量与特征集进行对比,实现对图像的识别。所述特征集是同种木材多个不同图像经过源图样采集模块101、高维度向量获取模块102、特征向量生成模块103、降维模块104和矢量化处理模块105处理后生成的特征向量的集合。所述特征空间分类识别模块的被配置为采用张量子空间法(TSM)进行分类识别。
验证模块107,被配置为计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标以验证识别结果。
实施例2
一种基于降维和特征空间构造的木材图像识别装置200,可以包括:输入设备201,输出设备202,处理器203和用于存储处理器203可执行指令的存储器204;
其中,所述处理器204被配置为:
源图样采集,对图像进行像素数组采样,记为Rm×n。
高维度向量的获取,进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n)。
特征向量生成,在步骤S2获得的X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量。
降维;所述降维采用二维离散余弦变换法(2DDCT)。
对降维处理后的特征向量进行矢量化处理;所述矢量化处理包括:图像的区域标识;图像的边界识别与提取;图像边界的光滑与矢量化。
特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比分类,实现对图像的识别。所述特征集是同种木材多个不同图像经过上述步骤处理后生成的特征向量的集合。所述特征空间分类法为张量子空间法(TSM)。
通过计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标,验证识别结果。
实施例3
图2-6的木材图像识别方法,包括如下步骤:
1.采样源图像:分别采集50张柞木木材图像,如图2所示;50张水曲柳木材图像,如图3所示;50张马尾松木材图像,如图4所示;50张樟子松木材图像,如图5所示;50张云杉木材图像,如图6所示,所有的图像都截取大小为256×256。在数字图像识别中,对图像进行像素数组采样,记为Rm×n。
2.高维度向量的获取:在抽样过程中,从图像模式中获取一个高维度度量空间中的向量X={xi}T(x=1,2,...,n)。所述抽样是对源图样进行抽样。
3.特征向量生成:在X中将每张木材图像分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成木材图像的特征,运用聚类方法对图像信息进行处理,形成木材的特征向量。
所述图像信息包括阈值、灰度值、梯度方差和角度方差。
4.降维处理,对上述的特征向量进行降维处理,过程及原理见图1。
5.对降维处理后的特征向量进行矢量化处理;所述矢量化处理包括:图像的区域标识;图像的边界识别与提取;图像边界的光滑与矢量化。
6.对不同树种的50张256×256的木材源图样集中的图像重复步骤3,生成一个包含50个特征向量的特征集。
7.将待识别木材图像的特征量与特征集运用特征空间分类方法进行对比分类,实现对图像的识别。计算出图像平均能量损失、距离的平均相对误差、累计贡献率,验证识别结果。
步骤4的降维处理时采样二维离散余弦变换(2DDCT)降维法,具体操步骤:
a.二维随机投影:二维随机数组其中∈Xi∈Rm×n并且E(Xi)=0,设和是RP矩阵,我们定义变换:
b.二维奇异值分解:使用GPCA的最小二成算法:
输入:一组张量,模式1、模式2分别减少的维度k1、k2,最大迭代次数为k;
输出:一组投影矩阵{PL,PR},如果k1=m,k2=n,{PL,PR}给出完整的投影,否则它给出完整的投影截断;
分别通过和的特征分解计算初始矩阵
分别选择和的k1、k2特征向量,构造对应kj,j=1,2的最大特征值,
计算
开始循环:从k=1,2...,k
通过矩阵的特征分解选择k1来计算
通过矩阵的特征分解选择k2来计算
如果|ψk-ψk-1|<η,当时,中断结束。
返回和
使用P1、P2,这些低阶矩阵由下式给出,
Yi=(UP1)TXi(VP2)=LTXiR。 (15)
步骤7特征空间分类法采用二维张量的子空间法(2DTSM)对图像进行处理,具体操作为:
对于矩阵X,设PL,PR为正交投影,称运算:
为X到Y的正交投影,
定义两个矩阵:
和运用拉格朗日乘数法乘以Λr,Λc,找到满足的投影:
I是识别矩阵,方程(21)和(22)的值分别是Mr和Mc的特征值,设定和分别为Mr和Mc的特征向量,其中||uj||=1,||vj||=1。
最后所得到的投影即为我们所识别木材图像的投影。
通过不同树种木材图像的平均能量损失、距离的平均相对误差、累计贡献率这三个参数的数值的不同,我们就可以准确的识别出木材图像,得到结论。
实施例4
与实施例3相比仅降维方法不同,其他操作均相同。本实施例采用降采样的方法进行降维。所谓降采样,就是将图像的尺寸缩减为原来的一半,隔行隔列取值。其matlab操作代码:
clc
clear
closeall
data=imread('X.bmp');%读入图像
[row,line]=size(data);
data_new=data(1:2:row);%隔两行采样
%data_new=data(1:2:line);%隔两列采样
imwrite(data_new,['directory\','filename']);
实施例5
与实施例3相比仅降维方法不同,其他操作均相同。本实施例采用金字塔变换(PT)进行降维。
金字塔变换(PT)定义如下:
定义因子σ的下采样操作Dσ为:
g(x,y)=Dσf(x,y)=(σx,σy) (1)
定义因子σ的上采样操作Uσ为:
上、下采样满足:
和
以及DσUσg(x,y)=g(x,y) (5)
PT是由一对降维运算R及其对偶运算E定义的,运算R定义为:
R的双重运算:
从公式(1)中,通过对卷积核函数的平滑函数ωσ进行简化,从而实现降维,通常取σ=2;
对于一个非线性膨胀映射Φ,在φ(f)≠λf的条件下,满足:
||φ(f)-φ(g)||2≤r||f-g||2,0<r1 (9)
L(f,g)在矩阵空间中满足:
L(φ(f),φ(g))≤L(f,g) (10)
根据规范化的假设,有以下关系:||φ(f)||2≤||f||2,||φ(g)≤||g||2和||φ(f)-φ(g)||2≤||f||2;此外,φ(f)≠λf,φ(g)≠μg和φ(f-g)≠ν(f-g)这些关系暗含:
设
因此,PT降维法减少了两个图像之间距离和维度。
实施例6
与实施例3相比仅降维方法不同,其他操作均相同。本实施例采用随机投影(RP)进行降维。
随机投影(RP)的具体操作为:RP是一个度量值的嵌入方法,在d维的欧氏空间中,对于一个集合映射到K维欧式空间的另一个集合对于向量x=(x1,...,xd)T,定义欧式范数对于一个拥有N≤d个点的集合在d维欧氏空间中,其K*d的标准正交矩阵为:
它的k行向量在Rd(k<d)中扩展成一个k维线性子空间,再乘以标准均匀随机正交矩阵R,得到一个低维
实施例7
与实施例3相比仅特征空间分类方法不同,其他操作均相同。本实施例采用子空间法(SM)。
子空间法(SM):将Rd设为d维欧氏空间,并在其中定义内积(f,g).此外,定义Schatten积为<f,g>.f分别为Rd和Pk,i=1,...,N中第i类的模式和运算,第i类定义为
Gi={f|Pif=f,Pi TPi=I} (16)
构造一个运算Pifi∈Ci,并且
P=arg min(E||f-Pif||2) (17)
当f∈ci,I是恒等于运算,E是Rd的期望;
在SM中采用PT进行年预处理时,这个方法的区别性能会使每一个子空间的差异变小;在采用PT时,SM的识别性会变高。
实施例8
与实施例3相比仅特征空间分类方法不同,其他操作均相同。本实施例采用共同子空间法(MSM)。
共同子空间法(MSM):
Pi和Q分别是Ci、Cg的运算,它们之间的夹角:
对于运算
有X=xij
解决了方程(20)中X的特征值问题,得到了两个子空间的夹角。
实施例9
与实施例3相比仅特征空间分类方法不同,其他操作均相同。本实施例采用共同约束共同子空间法(CMSM)。
约束共同子空间法(CMSM):
定义一个共同子空间,并且满足f≠g,APCf=Pcg,||APcf||2=||PCg||2
在约束子空间上的投影是一个非膨胀映射,两个子空间的夹角变得越来越小。
Claims (10)
1.一种基于降维和特征空间构造的木材图像识别方法,其特征在于,包括:
S1源图样采集,对图像进行像素数组采样,记为Rm×n;
S2高维度向量的获取,进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
S3特征向量生成,在步骤S2获得的X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
S4降维;
S5对降维处理后的特征向量进行矢量化处理;
S6特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比,实现对图像的识别。
2.根据权利要求1所述的木材图像识别方法,其特征在于,所述矢量化处理包括:图像的区域标识;图像的边界识别与提取;图像边界的光滑与矢量化。
3.根据权利要求1所述的木材图像识别方法,其特征在于,所述特征集是同种木材多个不同图像经过步骤S1-S5处理后生成的特征向量的集合。
4.根据权利要求1所述的木材图像识别方法,其特征在于,通过计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标,验证识别结果。
5.根据权利要求1所述的木材图像识别方法,其特征在于:S4中所述降维的方法为降采样、金字塔变换、随机投影中的一种。
6.根据权利要求1所述的木材图像识别方法,其特征在于:S4中所述降维采用二维离散余弦变换法。
7.根据权利要求6所述的木材图像识别方法,其特征在于:所述特征空间分类法为张量子空间法。
8.一种基于降维和特征空间构造的木材图像识别装置(100),其特征在于,包括:
源图样采集模块(101),被配置为对图像进行像素数组采样,记为Rm×n;
高维度向量获取模块(102),被配置为进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
特征向量生成模块(103),被配置为在X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
降维模块(104),被配置为采用二维离散余弦变换法对特征向量进行降维处理;
矢量化处理模块(105),被配置为对降维处理后的特征向量进行矢量化处理;所述矢量化处理模块(105)包括图像的区域标识模块(1051)、图像的边界识别与提取模块(1052)和图像边界的光滑与矢量化模块(1053);
特征空间分类识别模块(106),被配置为采用张量子空间法进行分类识别,将图像的特征向量与特征集进行对比,实现对图像的识别;
验证模块(107),被配置为计算图像的平均能量损失、距离的平均相对误差和累计贡献率三个指标以验证识别结果。
9.根据权利要求8所述的木材图像识别装置,其特征在于,所述特征集是同种木材多个不同图像经过源图样采集模块(101)、高维度向量获取模块(102)、特征向量生成模块(103)、降维模块(104)和矢量化处理模块(105)处理后生成的特征向量的集合。
10.一种基于降维和特征空间构造的木材图像识别装置(200),其特征在于,包括:
处理器(203);
用于存储处理器(203)可执行指令的存储器(204);
其中,所述处理器(204)被配置为:
源图样采集,对图像进行像素数组采样,记为Rm×n;
高维度向量的获取,进行抽样,在抽样过程中,从图像模式中获取高维度度量空间中的向量X={xi}T(x=1,2……n);
特征向量生成,在X中将图像进行分块处理,提取分块图像的局部特征,并将多个分块的局部特征重组形成图像的特征,运用聚类方法对图像信息进行处理,形成图像的特征向量;
降维;
对降维处理后的特征向量进行矢量化处理;
特征空间分类识别,运用特征空间分类方法将图像的特征向量与特征集进行对比分类,实现对图像的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497479.2A CN108765397A (zh) | 2018-05-22 | 2018-05-22 | 一种基于降维和特征空间构造的木材图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497479.2A CN108765397A (zh) | 2018-05-22 | 2018-05-22 | 一种基于降维和特征空间构造的木材图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765397A true CN108765397A (zh) | 2018-11-06 |
Family
ID=64004810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810497479.2A Pending CN108765397A (zh) | 2018-05-22 | 2018-05-22 | 一种基于降维和特征空间构造的木材图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765397A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978867A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
CN110533636A (zh) * | 2019-07-31 | 2019-12-03 | 平安科技(深圳)有限公司 | 一种图像分析装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
US20100246969A1 (en) * | 2009-03-25 | 2010-09-30 | Microsoft Corporation | Computationally efficient local image descriptors |
CN102938070A (zh) * | 2012-09-11 | 2013-02-20 | 广西工学院 | 一种基于动作子空间与权重化行为识别模型的行为识别方法 |
CN103854285A (zh) * | 2014-02-27 | 2014-06-11 | 西安电子科技大学 | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
CN104732216A (zh) * | 2015-03-26 | 2015-06-24 | 江苏物联网研究发展中心 | 基于关键点和局部特征的表情识别方法 |
CN105335500A (zh) * | 2015-10-28 | 2016-02-17 | 厦门大学 | 协变局部特征聚集的图像特征表示法 |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
-
2018
- 2018-05-22 CN CN201810497479.2A patent/CN108765397A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004791A (zh) * | 2007-01-19 | 2007-07-25 | 赵力 | 一种基于二维偏最小二乘法的面部表情识别方法 |
US20100246969A1 (en) * | 2009-03-25 | 2010-09-30 | Microsoft Corporation | Computationally efficient local image descriptors |
CN102938070A (zh) * | 2012-09-11 | 2013-02-20 | 广西工学院 | 一种基于动作子空间与权重化行为识别模型的行为识别方法 |
CN103854285A (zh) * | 2014-02-27 | 2014-06-11 | 西安电子科技大学 | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
CN104732216A (zh) * | 2015-03-26 | 2015-06-24 | 江苏物联网研究发展中心 | 基于关键点和局部特征的表情识别方法 |
CN105335500A (zh) * | 2015-10-28 | 2016-02-17 | 厦门大学 | 协变局部特征聚集的图像特征表示法 |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
Non-Patent Citations (4)
Title |
---|
乔建苹等: "基于矢量量化的模糊参数辨识及分辨率增强方法", 《电子与信息学报》 * |
张之光等: "以非负矩阵分解提取局部特征的SAR目标稀疏表示分类", 《电讯技术》 * |
汪杭军: "基于纹理的木材图像识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王晓云: "基于代数方法的人耳识别研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978867A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
CN110533636A (zh) * | 2019-07-31 | 2019-12-03 | 平安科技(深圳)有限公司 | 一种图像分析装置 |
CN110533636B (zh) * | 2019-07-31 | 2023-08-04 | 平安科技(深圳)有限公司 | 一种图像分析装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Painting-91: a large scale database for computational painting categorization | |
CN108108807B (zh) | 学习型图像处理方法、系统及服务器 | |
Cosmo et al. | SHREC'16: Partial matching of deformable shapes | |
WO2017024963A1 (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
Chang et al. | A novel image segmentation approach for wood plate surface defect classification through convex optimization | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
Hegenbart et al. | A scale-and orientation-adaptive extension of local binary patterns for texture classification | |
CN108875459A (zh) | 一种基于稀疏系数相似的加权稀疏表示人脸识别方法及系统 | |
CN108734520B (zh) | 一种基于机器学习的玉石价格评估方法及装置 | |
US20190385003A1 (en) | Method for identifying works of art at the stroke level | |
CN107886062A (zh) | 图像处理方法、系统及服务器 | |
KR101326691B1 (ko) | 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법 | |
CN108765397A (zh) | 一种基于降维和特征空间构造的木材图像识别方法及装置 | |
Angadi et al. | Hand geometry based user identification using minimal edge connected hand image graph | |
JP2017129990A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
Das et al. | Iris Recognition using a Scalar based Template in Eigen-space | |
CN112949658B (zh) | 一种具有稳定性能的深度学习方法 | |
CN108038467B (zh) | 一种镜像图与粗细层次结合的稀疏人脸识别方法 | |
TW201828156A (zh) | 圖像識別方法、度量學習方法、圖像來源識別方法及裝置 | |
Narwade et al. | Offline signature verification using shape correspondence | |
Abou Nabout | Object shape recognition using wavelet descriptors | |
Bailey et al. | Image analysis of weaverbird nests reveals signature weave textures | |
Bouchemha et al. | Multispectral palmprint recognition methodology based on multiscale representation | |
CN106289364B (zh) | 一种传感器漂移的自适应调节方法 | |
Huang et al. | Skew correction of handwritten Chinese character based on ResNet |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |