CN109117880A - 基于小波包分解选择系数加权重构的瓷砖图像分类算法 - Google Patents

Abstract

本发明公开了一种基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，包括以下步骤：S1.提取瓷砖图像的颜色空间特征；S2.利用导向滤波算法进行预处理；S3.提取灰度共生矩阵参数作为特征向量；S4.进行小波包分解，提取每个频带的能量作为特征量；S5.计算小波包分解重构系数，提取特征向量的方差，筛选得到前频率成分；S6.根据频率成分重要程度计算度量系数，通过分配权重构造特征向量；S7.使用SVM向量机对颜色空间特征、灰度共生矩阵参数和特征向量进行分类。本发明提出了根据不同尺度得到的独立特征对分类效果影响，选择前8个最重要的尺度，对独立特征分别进行加权，使分类效果更好。

Description

基于小波包分解选择系数加权重构的瓷砖图像分类算法

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于小波包分解选择系数加权重构的瓷砖图像分类算法。

背景技术

目前，小波包变换是在多分辨率分析基础上形成的一种对信号更为精细的分解方法，它不仅对低频部分进行分解，而且对高频部分也进行分解，因而克服了小波变换在低频端时间分辨率低而高频端频率分辨率差的缺点，可以对信号在全频范围内进行正交分解，在刻画信号的特征方面具有更强的优势，得到了更为广泛的应用。近些年来国内外许多学者对小波包应用进行了研究，A.S.Tolba把小波包应用到医学图像的压缩，压缩效果显著，S.Kasaei等人把小波包分析应用到指纹图像重构研究，取得了比传统方法更好的效果。在国内，刘卓夫等人将小波包应用到水下目标识别，陈亦文把小波包应用到谐波分析，王琪等把小波包分析应用到虹膜特征提取等等，均取得了较好效果。但到目前为止，尚无小波包在瓷砖图像分类的应用的方案。

发明内容

本发明为克服上述现有技术所述的缺陷，对基于小波包分解重构系数提取特征向量的算法进行改进，引入度量系数对特征进行加权，提供一种基于小波包分解选择系数加权重构的瓷砖图像分类算法。

为解决上述技术问题，本发明的技术方案如下：

一种基于小波包分解选择系数加权重构的瓷砖图像分类算法，包括以下步骤：

S1.获取瓷砖图像，提取瓷砖图像的颜色空间特征；

S2.利用导向滤波算法对瓷砖图像进行预处理；

S3.根据瓷砖图像提取灰度共生矩阵参数作为特征向量；

S4.对瓷砖图像进行小波包分解，提取每个频带的能量作为特征量；

S5.计算小波包分解重构系数，提取特征向量的方差，筛选得到前频率成分；

S6.根据频率成分重要程度计算度量系数，通过分配权重构造特征向量；

S7.使用SVM向量机对所述步骤S1的颜色空间特征、步骤S3的灰度共生矩阵参数和步骤S6的特征向量进行分类。

优选地，所述步骤S1的具体过程如下：

通过以下公式分别提取所述瓷砖图像的颜色矩μ_i、σ_i和s_i：

其中，pi,_j表示瓷砖图像第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像的像素个数；

将所述颜色矩μ_i、σ_i和s_i与每个颜色矩的颜色分量H、S和V组成9维直方图向量，即图像的颜色特征F_color表示如下：

F_color＝[μ_H,σ_H,s_H,μ_S,σ_S,s_S,μ_V,σ_V,s_V]。

优选地，所述步骤S2中预处理具体包括以下步骤：

S21.读取导向图像I与输入图像P；

S22.计算窗口半径大小r；

S23.利用boxfilter滤波器，积分图计算导向图像I的均值和方差,以及输入图像P的均值，互相关均值以及自相关均值；

S24.根据所述步骤S23得到的各均值计算系数参数，包括自相关与互相关方差；

S25.计算窗口线性变换参数系数a,b；

S26.根据公式计算参数a,b的均值；

S27.利用参数得到导向滤波输出矩阵q。

对任意像素I来说，w_k窗口下I的线性变换可以表述如下：

q_i＝a_kI_i+b_k其中(a_k,b_k)是窗口w_k范围内的参数常量。

为了寻找线性相关性，窗口w_k定义的损失函数为:

其中ε是对a_k值过大时候的正则化补偿。作用是抑制a_k值过大。ε是调整图像模糊程度与边缘检测精度的参数。如果导向图像I没有边缘信息，则输出是均值模糊结果，如果导向图像I包含边缘信息，则边缘信息迁移到输出图像中实现边缘保留滤波。其中上述损失函数可以看成一个线性回归问题，其两个参数求解如下：

μk与是导向图像在wk窗口大小的均值与方差，|w|表示窗口内像素总数，表示在w_k窗口内的输入图像像素均值。使用线性相关参数(a_k,b_k)，滤波输出图像就可以通过如下线性模型计算得到q_i＝a_kI_i+b_k。

优选地，所述步骤S3的具体过程如下:

将对比度con、能量Asm、熵Ent、逆方差和相关性Corr作为特征提取的特征向量，灰度共生矩阵为从灰度为i的像素点出发，离开某个固定位置相隔距离为d、方位为θ的点上灰度值为的概率；

θ的取值为00,450,900,1350,具体表示如下:

其中，矩阵的行数和列数为灰度级别，N为灰度图像灰度级的总数；

对比度Con是度量矩阵的值是如何分布和图像中局部变化的值，具体计算公式为：

能量值为Asm，用于反映图像灰度分布均匀程度和纹理粗细度，具体表达式为：

图像包含信息量的随机性度量，当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂；熵Ent的表达式为：

逆方差H反映图像纹理局部变化的大小，具体表达式为：

相关性Corr用来度量图像的灰度级在行或列方向上的相似程度，具体表达式如下：

瓷砖图像的基于灰度矩阵的特征表示如下：

F_gray＝[Asm,Con,Corr,Ent,H]。

优选地，所述步骤S4的具体过程如下：

小波包分解，提取各频带的能量作为特征量。小波包分解可以为图像提供一个全面的描述，可以分析各个频率区域的信号。随着分解级数的增加，得到的分解子图的个数也会成指数增长，这就使得进一步特征提取以及分类计算的复杂度大大的增加。为了减少分解级数同时保持特征个数的稳定，本发明选择二级小波包分解，分别提取第一层和第二层从低频到高频20个频率成分的信号特征。

优选地，所述步骤S5的具体过程如下：

提取各频带范围的信号后，从20个频带信号的总能量选择前8个能最大化分类的能量特征；选择准则为：计算同一类样本20个频率成分特征量的均值mean_same、方差var_same；计算不同类样本20个频率成分特征量的均值mean_diff、方差var_diff；作为分类特征，当同类别各频率var_same越小，不同类别各频率var_diff越大时分类效果更好；度量系数向量coff＝var_diff-var_same；coff向量降序排列，选择出前8个系数，并得到对应的频带信号的总能量。

优选地，所述步骤S6的具体过程如下：

在度量系数矩阵coff中选择出前8个度量系数作为权值w,分别分配给对应的8个频带信号能量特征，构造特征向量，特征向量的表达式如下：

S＝[w₁·E₁；w₂·E₂；w₃·E₃；w₄·E₄；w₄·E₄；w₅·E₅；w₆·E₆；w₇·E₇；w₈·E₈]；

其中，w_i为排序后的权向量系数，E_j为排序后对应的频带信号总能量。

优选地，所述步骤S7中使用SVM向量机进行分类的具体过程如下：

结合所述步骤S1-S6中提取的颜色、纹理、能量22个特征，选用支持向量机作为特征分类器；在多个训练子集中训练模型并测试，总的特征向量A为：

A＝[F_gray,S,F_color]。

与现有技术相比，本发明技术方案的有益效果是：

本发明利用小波包分解各个频率区域的信号能量构造特征向量，通过计算同类样本及不同类样本构造的特征向量的方差，引入一种新的度量系数准则，对特征向量系数加权，使构造的新的特征向量更加有益于分类。

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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是基于小波包分解选择系数加权重构的瓷砖图像分类算法流程示意图。

图2是导向滤波增强瓷砖图像纹理前后对比图。

图3是小波包二层分解树结构。

图4是普通小波包分解同类样本与非同类样本单特征方差。

图5是小波包分解选择系数加权重构特征向量的同类样本与非同类样本单特征方差。

图6是普通小波包重构特征向量分类结果。

图7是本发明方法的分类结果。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

一种基于小波包分解选择系数加权重构的瓷砖图像分类算法，其具体流程如图1所示，包括以下步骤：

S1.获取瓷砖图像，提取瓷砖图像的颜色空间特征；

S2.利用导向滤波算法对瓷砖图像进行预处理；

S3.根据瓷砖图像提取灰度共生矩阵参数作为特征向量；

S4.对瓷砖图像进行小波包分解，提取每个频带的能量作为特征量；

S5.计算小波包分解重构系数，提取特征向量的方差，筛选得到前频率成分；

S6.根据频率成分重要程度计算度量系数，通过分配权重构造特征向量；

S7.使用SVM向量机对所述步骤S1的颜色空间特征、步骤S3的灰度共生矩阵参数和步骤S6的特征向量进行分类。

在本实施例中，所述步骤S1的具体过程如下：

基于HSV颜色空间，分别提取颜色的一阶矩、二阶矩和三阶矩，作为特征向量。因此，图像的颜色矩一共只需要9个分量，3个颜色分量，每个分量上3个低阶矩，通过以下公式分别提取所述瓷砖图像的颜色矩μ_i、σ_i和s_i：

其中，p_i,j表示瓷砖图像第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像的像素个数；

将所述颜色矩μ_i、σ_i和s_i与每个颜色矩的颜色分量H、S和V组成9维直方图向量，即图像的颜色特征F_color表示如下：

F_color＝[μ_H，σ_H，s_H，μ_S，σ_S，s_S，μ_V，σ_V，s_V]。

在本实施例中，利用导向滤波，增强瓷砖图像纹理，处理前后的对比图如图2所示。对于各向同性滤波(例如简单平滑或高斯平滑)而言，在去噪的同时，图像中具有重要地位的边缘、纹理和细节也同时丢失了。而导向滤波，具有各向异性，是使用导向图像作为滤波内容图像，在导向图像上实现局部线性函数表达，实现各种不同的线性变换，输出变换之后的导向滤波图像。根据需要，导向图像可以跟输入图像不同或者一致。本发明中，导向图像即是输入图像。假设I是导向图像、p是输入图像、q是导向滤波输出图像，导向滤波是作为局部线性模型描述导向图像I与输出图像q之间的关系。所述步骤S2中预处理具体包括以下步骤：

S21.读取导向图像I与输入图像P；

S22.计算窗口半径大小r；

S23.利用boxfilter滤波器，积分图计算导向图像I的均值和方差,以及输入图像P的均值，互相关均值以及自相关均值；

S24.根据所述步骤S23得到的各均值计算系数参数，包括自相关与互相关方差；

S25.计算窗口线性变换参数系数a,b；

S26.根据公式计算参数a,b的均值；

S27.利用参数得到导向滤波输出矩阵q。

对任意像素I来说，w_k窗口下I的线性变换可以表述如下：

q_i＝a_kI_i+b_k其中(a_k,b_k)是窗口w_k范围内的参数常量。

为了寻找线性相关性，窗口w_k定义的损失函数为:

其中ε是对a_k值过大时候的正则化补偿。作用是抑制a_k值过大。ε是调整图像模糊程度与边缘检测精度的参数。如果导向图像I没有边缘信息，则输出是均值模糊结果，如果导向图像I包含边缘信息，则边缘信息迁移到输出图像中实现边缘保留滤波。其中上述损失函数可以看成一个线性回归问题，其两个参数求解如下：

μ_k与是导向图像在wk窗口大小的均值与方差，|w|表示窗口内像素总数，表示在w_k窗口内的输入图像像素均值。使用线性相关参数(a_k,b_k)，滤波输出图像就可以通过如下线性模型计算得到q_i＝a_kI_i+b_k。

在本实施例中，所述步骤S3的具体过程如下:

为了计算瓷砖图像的灰度共生矩阵G(d,θ)，将对比度con、能量Asm、熵Ent、逆方差和相关性Corr作为特征提取的特征向量，灰度共生矩阵为从灰度为i的像素点出发，离开某个固定位置相隔距离为d、方位为θ的点上灰度值为的概率；

θ的取值为00,450,900,1350,具体表示如下:

其中，矩阵的行数和列数为灰度级别，N为灰度图像灰度级的总数；

对比度Con是度量矩阵的值是如何分布和图像中局部变化的值，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊，对比度Con具体计算公式为：

能量值Asm用于反映图像灰度分布均匀程度和纹理粗细度，若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式，能量值Asm具体表达式为：

图像包含信息量的随机性度量，当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂；熵Ent的表达式为：

逆方差H反映图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较大，反之较小，逆方差H具体表达式为：

相关性Corr用来度量图像的灰度级在行或列方向上的相似程度，具体表达式如下：

瓷砖图像的基于灰度矩阵的特征表示如下：

F_gray＝[Asm,Con,Corr,Ent,H]。

在本实施例中，所述步骤S4的具体过程如下：

采用小波包分解提取各频带的能量作为特征量，具体分解方式和结果如图3所示。小波包分解可以为图像提供一个全面的描述，可以分析各个频率区域的信号。随着分解级数的增加，得到的分解子图的个数也会成指数增长，这就使得进一步特征提取以及分类计算的复杂度大大的增加。为了减少分解级数同时保持特征个数的稳定，本发明选择二级小波包分解，分别提取第一层和第二层从低频到高频20个频率成分的信号特征。

在本实施例中，所述步骤S5的具体过程如下：

提取各频带范围的信号后，从20个频带信号的总能量选择前8个能最大化分类的能量特征；选择准则为：计算同一类样本20个频率成分特征量的均值mean_same、方差var_same；计算不同类样本20个频率成分特征量的均值mean_diff、方差var_diff；作为分类特征，当同类别各频率var_same越小，不同类别各频率var_diff越大时分类效果更好；度量系数向量coff＝var_diff-var_same；coff向量降序排列，选择出前8个系数，并得到对应的频带信号的总能量。上述方差var_same、var_diff如图4-5所示。

在本实施例中，所述步骤S6的具体过程如下：

在度量系数矩阵coff中选择出前8个度量系数作为权值w,分别分配给对应的8个频带信号能量特征，构造特征向量，特征向量的表达式如下：

S＝[w₁·E₁；w₂·E₂；w₃·E₃；w₄·E₄；w₄·E₄；w₅·E₅；w₆·E₆；w₇·E₇；w₈·E₈]；

其中，w_i为排序后的权向量系数，E_j为排序后对应的频带信号总能量。

在本实施例中，所述步骤S7中使用SVM向量机进行分类的具体过程如下：

结合所述步骤S1-S6中提取的颜色、纹理、能量22个特征，选用支持向量机作为特征分类器；在多个训练子集中训练模型并测试，总的特征向量A为：

A＝[F_gray,S,F_color]。

分类的结果如图7所示，相较于常规小波包重构特征向量分类的结果，本发明方案根据不同尺度得到的独立特征对分类效果影响，选择前8个最重要的尺度，对独立特征分别进行加权，使分类效果更好。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，包括以下步骤：

S1.获取瓷砖图像，提取瓷砖图像的颜色空间特征；

S2.利用导向滤波算法对瓷砖图像进行预处理；

S3.根据瓷砖图像提取灰度共生矩阵参数作为特征向量；

S4.对瓷砖图像进行小波包分解，提取每个频带的能量作为特征量；

S5.计算小波包分解重构系数，提取特征向量的方差，筛选得到前频率成分；

S6.根据频率成分重要程度计算度量系数，通过分配权重构造特征向量；

S7.使用SVM向量机对所述步骤S1的颜色空间特征、步骤S3的灰度共生矩阵参数和步骤S6的特征向量进行分类。

2.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S1的具体过程如下：

通过以下公式分别提取所述瓷砖图像的颜色矩μ_i、σ_i和s_i：

其中，p_i,j表示瓷砖图像第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像的像素个数；

将所述颜色矩μ_i、σ_i和s_i与每个颜色矩的颜色分量H、S和V组成9维直方图向量，即图像的颜色特征F_color表示如下：

F_color＝[μ_H,σ_H,s_H,μ_S,σ_S,s_S,μ_V,σ_V,s_V]。

3.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S2中预处理具体包括以下步骤：

S21.读取导向图像I与输入图像P；

S22.计算窗口半径大小r；

S23.利用boxfilter滤波器，积分图计算导向图像I的均值和方差,以及输入图像P的均值，互相关均值以及自相关均值；

S24.根据所述步骤S23得到的各均值计算系数参数，包括自相关与互相关方差；

S25.计算窗口线性变换参数系数a,b；

S26.根据公式计算参数a,b的均值；

S27.利用参数得到导向滤波输出矩阵q。

4.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S3的具体过程如下:

将对比度con、能量Asm、熵Ent、逆方差和相关性Corr作为特征提取的特征向量，灰度共生矩阵为从灰度为i的像素点出发，离开某个固定位置相隔距离为d、方位为θ的点上灰度值为的概率；

θ的取值为00,450,900,1350,具体表示如下:

其中，矩阵的行数和列数为灰度级别，N为灰度图像灰度级的总数；

对比度Con是度量矩阵的值是如何分布和图像中局部变化的值，具体计算公式为：

能量值为Asm，用于反映图像灰度分布均匀程度和纹理粗细度，具体表达式为：

熵值Ent表明图像灰度分布的复杂程度，熵Ent的表达式为：

逆方差H反映图像纹理局部变化的大小，具体表达式为：

相关性Corr用来度量图像的灰度级在行或列方向上的相似程度，具体表达式如下：

瓷砖图像的基于灰度矩阵的特征表示如下：

F_gray＝[Asm,Con,Corr,Ent,H]。

5.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S5的具体过程如下：

提取各频带范围的信号后，从20个频带信号的总能量选择前8个能最大化分类的能量特征；选择准则为：计算同一类样本20个频率成分特征量的均值mean_same、方差var_same；计算不同类样本20个频率成分特征量的均值mean_diff、方差var_diff；作为分类特征，当同类别各频率var_same越小，不同类别各频率var_diff越大时分类效果更好；度量系数向量coff＝var_diff-var_same；coff向量降序排列，选择出前8个系数，并得到对应的频带信号的总能量。

6.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S6的具体过程如下：

在度量系数矩阵coff中选择出前8个度量系数作为权值w,分别分配给对应的8个频带信号能量特征，构造特征向量，特征向量的表达式如下：

S＝[w₁·E₁；w₂·E₂；w₃·E₃；w₄·E₄；w₄·E₄；w₅·E₅；w₆·E₆；w₇·E₇；w₈·E₈]；

其中，w_i为排序后的权向量系数，E_j为排序后对应的频带信号总能量。

7.根据权利要求1所述的基于小波包分解选择系数加权重构的瓷砖图像分类算法，其特征在于，所述步骤S7中使用SVM向量机进行分类的具体过程如下：

结合所述步骤S1-S6中提取的颜色、纹理、能量22个特征，选用支持向量机作为特征分类器；在多个训练子集中训练模型并测试，总的特征向量A为：

A＝[F_gray,S,F_color]。