CN113674219A - 一种基于双重逻辑回归的茶叶杂质识别方法 - Google Patents

Abstract

本发明公开了一种基于双重逻辑回归的茶叶杂质识别方法，第一，把茶叶和杂质实物转换为图像；第二，采用RGB彩色图像模型、中值滤波法、图像分割方法进行图像预处理，得到若干个子块图像g_k(i,j)；第三，提取g_k(i,j)(k＝1,2,…,K)的特征向量，利用颜色直方图方法提取出颜色特征向量X₁，利用边缘方向直方图方法提取出纹理特征向量X₂，利用Hu矩阵方法提取出形状特征向量X₃；第四，对X₁进行逻辑回归分析；第五，对X₂进行逻辑回归分析；第六，对X₃进行逻辑回归分析；第七，对总体特征向量X＝(X₁，X₂，X₃)进行逻辑回归分析。其中，第四、五、六为子特征层面的第一重逻辑回归，第七为总特征层面的第二重逻辑回归。

Description

一种基于双重逻辑回归的茶叶杂质识别方法

技术领域

本发明涉及图像处理领域，特别涉及一种基于双重逻辑回归的茶叶杂质识别方法。

背景技术

我国是茶树的原产地，而普洱茶主要分布在云南省西双版纳、普洱、临沧等地。随着茶文化的推广和盛行，使市场对茶叶的品质要求越来越高。在茶叶加工过程中，往往会掺杂着杂质，如何正确识别茶叶剔除杂质是一个关键的工序。目前，正确识别茶叶剔除杂质主要依靠人工识别、手动剔除，效率低下，人力成本高。而且，在除杂过程中，针对颜色相近、形状微小、轮廓近似的杂质，现有的方法识别率不高，存在误识别和漏识别的问题。为了提高人工效率和方法识别率，本发明由此产生。

发明内容

本发明所要解决的技术问题是提供一种基于双重逻辑回归的茶叶杂质识别方法，以解决现有技术中导致的上述多项缺陷。

为实现上述目的，本发明提供以下的技术方案：一种基于双重逻辑回归的茶叶杂质识别方法，包括如下步骤：

步骤1)通过拍照的方式，把茶叶和杂质实物转换为图像；

步骤2)采用RGB彩色图像模型来采集颜色灰度值，采用中值滤波法来对图像进行平滑处理，采用图像分割把图像分割成若干个子块图像；

步骤3)针对分割出来的每个子块图像，利用颜色直方图方法，提取出颜色特征向量X₁，利用边缘方向直方图方法，提取出纹理特征向量X₂，利用Hu矩阵方法，提取出形状特征向量X₃；

步骤4)对每个子特征进行第一次逻辑回归分析，通过Logit模型，把茶叶和杂质的每一个子特征，识别问题转换为概率问题，利用切割值来比对概率值，从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论；

步骤5)对总体特征进行第二次逻辑回归分析，通过Logit模型，把茶叶和杂质的总体特征识别问题转换为概率问题，从总体特征层面就做出该对象是茶叶还是杂质的结论。

优选的，所述步骤2)中，首先，采用RGB彩色图像模型来采集颜色灰度值，G、R、B分别代表红、绿、蓝三个分量，采用平均值法来对彩色图像进行灰度化操作；

其中，f(i,j)为灰度图像在(i,j)处的灰度值；

其次，采用中值滤波法来对图像进行平滑处理，去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序，取模板中排在中间位置上的享受代替当前处理的像素，即

g(i,j)＝med{f(i-k,j-l),(k,l∈W)}

其中，g(i,j)为处理后的图像，f(i,j)为灰度图像，W为二维模板，通常为奇数*奇数区域；

第三，采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法，把图像分成若干个区域，每个区域对应一个阈值。分割出来的子块满足以下性质：

其中，K为分割出的子块个数，g_k(i,j)区域是连通的，任意两个子区域没有共同元素。

优选的，所述步骤3)中，针对每个g_k(i,j)，分别提取颜色特征向量X₁、纹理特征向量X₂、形状特征向量X₃；

提取颜色特征向量X₁：利用颜色直方图方法，提取出颜色特征向量。

其中，x_1ij为颜色特征向量X₁中的某个特征值，i＝1,…,m；j＝1,…,n；

提取纹理特征向量X₂：利用边缘方向直方图方法，提取出纹理特征向量；

其中，x_2ij为纹理特征向量X₂中的某个特征值，i＝1,…,k；j＝1,…,d；

提取形状特征向量X₃：利用Hu矩阵方法，提取出形状特征向量；

其中，x_3ij为形状特征向量X₃中的某个特征值，i＝1,…,p；j＝1,…,q。

采用以上技术方案的有益效果是：采用双重逻辑回归来进行分析识别，能有效提高杂质识别率；从子特征层面就开始识别杂质，缩小了识别粒度，使用排除法思想缩减了工作量；logit模型方法计算简单易实现。

图1为本发明一种基于双重逻辑回归的茶叶杂质识别方法的流程图。

具体实施方式

下面详细说明本发明的优选实施方式。

一种基于双重逻辑回归的茶叶杂质识别方法，首先，为了方便识别，通过拍照的方式，把茶叶和杂质实物转换为图像；其次，采用RGB彩色图像模型来采集颜色灰度值，采用中值滤波法来对图像进行平滑处理，采用图像分割把图像分割成若干个子块图像；第三，针对分割出来的每个子块图像，利用颜色直方图方法，提取出颜色特征向量，利用边缘方向直方图方法，提取出纹理特征向量，利用Hu矩阵方法，提取出形状特征向量；第四，进行双重逻辑回归分析。a.第一次逻辑回归分析，通过Logit模型，把茶叶和杂质的每一个子特征(颜色特征、纹理特征、形状特征)识别问题转换为概率问题，利用切割值来比对概率值，从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论；b.第二次逻辑回归分析，通过Logit模型，把茶叶和杂质的总体特征识别问题转换为概率问题，从而从总体特征层面就做出该对象是茶叶还是杂质的结论。

针对茶叶与杂质的实物X，在识别过程中，选取颜色、纹理、形状等几种特征，作为处理对象，其中，X₁，X₂，X₃分别代表各自子特征的特征向量，各个子特征又组合成了整个实物的特征向量，即X＝[X₁，X₂，X₃]。

实物转化为图像：

为了方便识别，通过拍照的方式，把实物转换为图像。

图像预处理：

在图像采集过程中，由于外部因素的影响(光线、摄像器材等)，图像会产生噪声，需要对图像进行预处理以便于信息提取。预处理的目的就是改善图像，抑制不需要的信息或增强便于后期操作的特征。

首先，采用RGB彩色图像模型来采集颜色灰度值，G、R、B分别代表红、绿、蓝三个分量，采用平均值法来对彩色图像进行灰度化操作。

其中，f(i,j)为灰度图像在(i,j)处的灰度值。

其次，采用中值滤波法来对图像进行平滑处理，去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序，取模板中排在中间位置上的享受代替当前处理的像素，即

g(i,j)＝med{f(i-k,j-l),(k,l∈W)}

其中，g(i,j)为处理后的图像，f(i,j)为灰度图像，W为二维模板，通常为奇数*奇数区域。

第三，采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法，把图像分成若干个区域，每个区域对应一个阈值。分割出来的子块满足以下性质：

其中，K为分割出的子块个数，g_k(i,j)区域是连通的，任意两个子区域没有共同元素。

提取特征向量：

针对每个g_k(i,j)，分别提取颜色特征向量X₁、纹理特征向量X₂、形状特征向量X₃。

提取颜色特征向量X₁：利用颜色直方图方法，提取出颜色特征向量。

其中，x_1ij为颜色特征向量X₁中的某个特征值，i＝1,…,m；j＝1,…,n。

提取纹理特征向量X₂：利用边缘方向直方图方法，提取出纹理特征向量。

其中，x_2ij为纹理特征向量X₂中的某个特征值，i＝1,…,k；j＝1,…,d。

提取形状特征向量X₃：利用Hu矩阵方法，提取出形状特征向量。

其中，x_3ij为形状特征向量X₃中的某个特征值，i＝1,…,p；j＝1,…,q。

逻辑回归分析(第一次)：

第一次逻辑回归分析，通过Logit模型，把茶叶和杂质的每一个子特征识别问题转换为概率问题，利用选取切割值来比对概率值，从而得出识别对象的每一个子特征是否符合茶叶的标准子特征要求，从而从子特征层面就做出该对象是茶叶还是杂质的结论。

从子特征层面就进行一次判别，可以提高识别率。

对颜色特征向量X₁进行逻辑回归分析：假设对于颜色事件A₁，因变量Y₁的输出值为1(A₁发生，即符合茶叶的颜色特征)或者0(A₁未发生，即不符合茶叶的颜色特征)，解释变量X₁是m*n维向量，Y₁与X₁之间的关系由概率P(Y₁＝1)来解释，因此概率P(Y₁＝1)定义如下：

其中，α_1ij是X₁的线性模型的估计值，ε₁是随机变量误差值。

通过转换公式(1)，可以得到

其中，

使用Logit转换，可以得到逻辑回归模型，如(3)所示。

因此，Y₁可以如下表示：

其中，p₁为切割值，一般情况下p₁可取值为0.5。

通过P(Y₁＝1)与p₁值比较，可得出颜色特征识别结论：

当P(Y₁＝1)≥p₁时，认为该事件A₁发生，即颜色特征向量X₁符合茶叶的颜色特征，进入下一步识别流程；

当P(Y₁＝1)<p₁时，认为该事件A₁不发生，即颜色特征向量X₁不符合茶叶的颜色特征，可以得出该识别对象g_k(i,j)为杂质，识别流程结束。

对纹理特征向量X₂进行逻辑回归分析：假设对于纹理事件A₂，因变量Y₂的输出值为1(A₂发生，即符合茶叶的纹理特征)或者0(A₂未发生，即不符合茶叶的纹理特征)，解释变量X₂是k*d维向量，Y₂与X₂之间的关系由概率P(Y₂＝1)来解释，同理，可得概率P(Y₂＝1)定义：

其中，α_2ij是X₂的线性模型的估计值，ε₂是随机变量误差值。

同理，Y₂可得：

其中，p₂为切割值，一般情况下p₂可取值为0.5。

同理，可得以下结论：

当P(Y₂＝1)≥p₂时，认为该事件A₂发生，即纹理特征向量X₂符合茶叶的纹理特征，进入下一步识别流程；

当P(Y₂＝1)<p₂时，认为该事件A₂不发生，即纹理特征向量X₂不符合茶叶的纹理特征，可以得出该识别对象g_k(i,j)为杂质，识别流程结束。

对形状特征向量X₃进行逻辑回归分析：假设对于形状事件A₃，因变量Y₃的输出值为1(A₃发生，即符合茶叶的形状特征)或者0(A₃未发生，即不符合茶叶的形状特征)，解释变量X₃是p*q维向量，Y₃与X₃之间的关系由概率P(Y₃＝1)来解释，同理，可得概率P(Y₃＝1)定义：

其中，α_3ij是X₃的线性模型的估计值，ε₃是随机变量误差值。

同理，Y₃可得：

其中，p₃为切割值，一般情况下p₃可取值为0.5。

同理，可得以下结论：

当P(Y₃＝1)≥p₃时，认为该事件A₃发生，即形状特征向量X₃符合茶叶的形状特征，进入下一步识别流程；

当P(Y₃＝1)<p₃时，认为该事件A₃不发生，即形状特征向量X₃不符合茶叶的形状特征，可以得出该识别对象g_k(i,j)为杂质，识别流程结束。

逻辑回归分析(第二次)：

第二次逻辑回归分析，通过Logit模型，把茶叶和杂质的总体特征识别问题转换为概率问题，得出识别对象的总体特征是否符合茶叶的标准总特征要求，从而从总体特征层面就做出该对象是茶叶还是杂质的结论。

针对每个g_k(i,j)，总体特征为X＝(X₁，X₂，X₃)，对总体特征向量X进行逻辑回归分析：假设对于总体特征事件A，因变量Y的输出值为1(A发生，即符合茶叶的总体特征)或者0(A未发生，即不符合茶叶的总体特征)，解释变量X是1*3维向量，Y与X之间的关系由概率P(Y＝1)来解释，因此概率P(Y＝1)定义如下：

其中，(α₁，α₂，α₃)是X的线性模型的估计值，ε是随机变量误差值。

同理，Y可得：

同理，可得以下结论：

当P(Y＝1)≥p时，认为该事件A发生，即总体特征向量X符合茶叶的总体特征，可以得出该识别对象g_k(i,j)为茶叶，识别流程结束；

当P(Y＝1)<p时，认为该事件A不发生，即总体特征向量X不符合茶叶的总体特征，可以得出该识别对象g_k(i,j)为杂质，识别流程结束。

第一，把茶叶和杂质实物转换为图像；第二，采用RGB彩色图像模型、中值滤波法、图像分割方法进行图像预处理，得到若干个子块图像g_k(i,j)；第三，提取g_k(i,j)(k＝1,2,…,K)的特征向量，利用颜色直方图方法提取出颜色特征向量X₁，利用边缘方向直方图方法提取出纹理特征向量X₂，利用Hu矩阵方法提取出形状特征向量X₃；第四，对X₁进行逻辑回归分析：当P(Y₁＝1)≥p₁时，进入下一步识别流程；当P(Y₁＝1)<p₁时，得出该识别对象g_k(i,j)为杂质，识别流程结束；第五，对X₂进行逻辑回归分析：当P(Y₂＝1)≥p₂时，进入下一步识别流程；当P(Y₂＝1)<p₂时，得出该识别对象g_k(i,j)为杂质，识别流程结束；第六，对X₃进行逻辑回归分析：当P(Y₃＝1)≥p₃时，进入下一步识别流程；当P(Y₃＝1)<p₃时，得出该识别对象g_k(i,j)为杂质，识别流程结束；第七，对总体特征向量X＝(X₁，X₂，X₃)进行逻辑回归分析：当P(Y＝1)≥p时，得出该识别对象g_k(i,j)为茶叶，识别流程结束；当P(Y＝1)<p时，得出该识别对象g_k(i,j)为杂质，识别流程结束。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种基于双重逻辑回归的茶叶杂质识别方法，其特征在于，包括如下步骤：

步骤1)通过拍照的方式，把茶叶和杂质实物转换为图像；

步骤2)采用RGB彩色图像模型来采集颜色灰度值，采用中值滤波法来对图像进行平滑处理，采用图像分割把图像分割成若干个子块图像；

步骤3)针对分割出来的每个子块图像，利用颜色直方图方法，提取出颜色特征向量X₁，利用边缘方向直方图方法，提取出纹理特征向量X₂，利用Hu矩阵方法，提取出形状特征向量X₃；

步骤4)对每个子特征进行第一次逻辑回归分析，通过Logit模型，把茶叶和杂质的每一个子特征，识别问题转换为概率问题，利用切割值来比对概率值，从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论；

步骤5)对总体特征进行第二次逻辑回归分析，通过Logit模型，把茶叶和杂质的总体特征识别问题转换为概率问题，从总体特征层面就做出该对象是茶叶还是杂质的结论。

2.根据权利要求1所述的基于双重逻辑回归的茶叶杂质识别方法，其特征在于，所述步骤2)中，首先，采用RGB彩色图像模型来采集颜色灰度值，G、R、B分别代表红、绿、蓝三个分量，采用平均值法来对彩色图像进行灰度化操作；

其中，f(i,j)为灰度图像在(i,j)处的灰度值；

其次，采用中值滤波法来对图像进行平滑处理，去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序，取模板中排在中间位置上的享受代替当前处理的像素，即

g(i,j)＝med{f(i-k,j-l),(k,l∈W)}

其中，g(i,j)为处理后的图像，f(i,j)为灰度图像，W为二维模板，通常为奇数*奇数区域；

第三，采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法，把图像分成若干个区域，每个区域对应一个阈值。分割出来的子块满足以下性质：

其中，K为分割出的子块个数，g_k(i,j)区域是连通的，任意两个子区域没有共同元素。

3.根据权利要求1所述的基于双重逻辑回归的茶叶杂质识别方法，其特征在于，所述步骤3)中，针对每个g_k(i,j)，分别提取颜色特征向量X₁、纹理特征向量X₂、形状特征向量X₃；

提取颜色特征向量X₁：利用颜色直方图方法，提取出颜色特征向量。

其中，x_1ij为颜色特征向量X₁中的某个特征值，i＝1,…,m；j＝1,…,n；

提取纹理特征向量X₂：利用边缘方向直方图方法，提取出纹理特征向量；

其中，x_2ij为纹理特征向量X₂中的某个特征值，i＝1,…,k；j＝1,…,d；

提取形状特征向量X₃：利用Hu矩阵方法，提取出形状特征向量；

其中，x_3ij为形状特征向量X₃中的某个特征值，i＝1,…,p；j＝1,…,q。

Images