吳學(xué)禮，趙 萌，孟凡華，劉浩南

(1.河北科技大學(xué)電氣工程學(xué)院，河北石家莊 050018; 2.燕山大學(xué)電氣工程學(xué)院，河北秦皇島 066000)

隨著多媒體技術(shù)、模式識(shí)別等科學(xué)領(lǐng)域的進(jìn)一步發(fā)展，圖像分類的基礎(chǔ)理論和方法誕生并運(yùn)用到包括精確制導(dǎo)、無人地面車輛、移動(dòng)機(jī)器人視覺導(dǎo)航、道路圖像檢測系統(tǒng)、對圖片特別是對航空照片和衛(wèi)星照片的識(shí)別、理解以及地圖繪制等等各個(gè)方面。

近幾年來，機(jī)器人視覺的研究和工程應(yīng)用越來越受到人們的重視。目前，對于工業(yè)現(xiàn)場工業(yè)儀表的機(jī)器視覺研究主要應(yīng)用在儀表的指針及讀數(shù)識(shí)別方向[1]。識(shí)別裝置多為固定裝置。基于工業(yè)現(xiàn)場儀表和設(shè)備具有較強(qiáng)顏色紋理差異的特點(diǎn)，通過基于顏色、紋理綜合特征的Bp_adaboost工業(yè)儀表圖像分類方法的研究，可以更好的為實(shí)現(xiàn)復(fù)雜工業(yè)控制現(xiàn)場移動(dòng)機(jī)器人的移動(dòng)和工作提供有效的理論基礎(chǔ)，有助于機(jī)器人在工業(yè)現(xiàn)場對儀表進(jìn)行定位。對于在存在輻射，有毒氣體等不適宜人工操作的復(fù)雜工業(yè)控制現(xiàn)場工作的移動(dòng)機(jī)器人的視覺分類應(yīng)用有很廣泛的應(yīng)用前景。

1 圖像特征抽取

1.1 顏色特征提取

顏色特征是描述圖像的重要特征之一，它是人類最直觀的感知和區(qū)分事物的基本特征。相對于其他特征而言，顏色特征具有描述簡便直觀的特點(diǎn)，而且對大小、方向都不敏感，在一些情況下表現(xiàn)出相當(dāng)強(qiáng)的魯棒性[2]。另一方面，彩色圖像所攜帶的信息遠(yuǎn)遠(yuǎn)超過了灰度圖像。因此考慮從圖像顏色方面入手，可以有效地保留一部分由于圖像灰度化處理所丟失的信息，提高分類的準(zhǔn)確率。

有效地提取顏色特征首先要選擇合適的顏色空間，常用的顏色空間[3]有：RGB，HSV，HIS。光譜中最重要的顏色是紅(R)、綠(G)、藍(lán)(B)三基色。所有顏色都可以由三基色相加而成。因此RGB空間是一種常用的也是最基本的顏色空間。RGB空間如圖1所示。但RGB顏色空間與人眼感知差異很大，因此本文采用最符合人的視覺特性的HSV空間作為顏色空間[4]。HSV空間如圖2所示。在進(jìn)行圖像處理時(shí)需將RGB空間轉(zhuǎn)換到HSV空間，轉(zhuǎn)換公式見式(1)—式(4)：

圖1 RGB空間坐標(biāo)示意圖Fig.1 RGB space coordinates

(1)

(2)

(3)

(4)

圖2 HSV空間坐標(biāo)示意圖Fig.2 HSV space coordinates

顏色特征可以采用灰度直方圖、顏色直方圖、顏色矩、顏色集等方法表示[5-7]。本文采用顏色矩方法，色彩的統(tǒng)計(jì)低階矩不僅能描述圖像區(qū)域中主要色彩分量，而且可以反映區(qū)域中的色彩分布情況。僅利用低階矩就可以近似表示顏色矩分布的特征[8-10]。因此，僅采用顏色的一階矩(色彩均值)，二階矩(色彩標(biāo)準(zhǔn)差)，三階矩(色彩偏度)對圖像進(jìn)行特征提取，其數(shù)學(xué)定義[11]見式(5)—式(7)：

(5)

(6)

(7)

其中：Pi,j表示彩色圖像第i個(gè)顏色通道分量中灰度為j的像素出現(xiàn)的概率；N表示圖像中像素的個(gè)數(shù)。

圖像的3個(gè)分量H，S，V的前三階顏色矩組成一個(gè)9維特征向量，即圖像的顏色特征表示如下：

Fcolor=[μhμsμvσhσsσvshsssv]。

1.2 紋理特征提取

紋理特征也是圖像的一個(gè)重要特征，自20世紀(jì)80年代以來，紋理分析方法可大致分為4類：統(tǒng)計(jì)法、結(jié)構(gòu)分析法、基于紋理模型的方法和信號(hào)處理法[12]。其中，紋理特征的統(tǒng)計(jì)是早期關(guān)注的熱點(diǎn)之一[13]。常用的基于統(tǒng)計(jì)的紋理分析方法有：矩、自相關(guān)函數(shù)、灰度共生矩陣、邊緣頻率等。其中，灰度共生矩陣是由文獻(xiàn)[14]提出的一種用來分析圖像紋理特征的重要方法。共生矩陣是由圖像灰度級之間的聯(lián)合概率密度P(i,j,d,θ)所構(gòu)成的矩陣，它是以灰度級i為起點(diǎn)，在給定空間距離d和θ時(shí)，出現(xiàn)灰度級j的像素的概率。反映了圖像中任意兩點(diǎn)間灰度的空間相關(guān)性。其數(shù)學(xué)表達(dá)如式(8)所示：

(8)

式中：i,j=0,1,2，…，L-1；x,y為圖像中的像素坐標(biāo)；L為灰度級的數(shù)目；d為空間距離；θ為空間角度，通常情況下θ一般取0°，45°，90°，135°幾個(gè)方向，以ox軸為起始軸，逆時(shí)針方向計(jì)算；#代表數(shù)量；S為像素對總和的個(gè)數(shù)。這樣得到的共生矩陣是歸一化的。根據(jù)灰度共生矩陣可以提取大量的紋理特征。HARALICK等用灰度共生矩陣提取了14種紋理特征[14]。但由于14維紋理特征計(jì)算量很大，本文所采用以下4種最常用且統(tǒng)計(jì)效果最好的特征來提取圖像紋理特征[15]：

1)角二階矩(能量)

2)熵

3)對比度(主對角線慣性矩)

4)相關(guān)性

相關(guān)性可以用來衡量灰度共生矩陣的元素在行或列方向上的相似度。矩陣元素值相差越小則相關(guān)值越大，相反，若矩陣元素值相差很大則相關(guān)值就小。

本文首先將彩色圖像轉(zhuǎn)化為灰度圖像。接著將灰度圖像量化成為16個(gè)灰度級，空間距離取值為1，θ取0°，45°，90°和135°四個(gè)方向。分別對角二階矩、熵、對比度、相關(guān)性4個(gè)特征向量求取均值和標(biāo)準(zhǔn)差。組成了一個(gè)8維的紋理特征向量，如下所示：

Ftexture=[AmAsEmEsCNmCNsCRmCRs]。

2 分類器

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是由正反向傳播2部分組成的，又被稱作是多層前向反饋式神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。首先是正向傳播過程，由輸入層輸入模式，經(jīng)由隱層神經(jīng)元傳向輸出層，如果所得輸出沒有達(dá)到期望值則進(jìn)入反向傳播過程，誤差從輸出層反向傳入輸入層，調(diào)整連接權(quán)值和閾值，不斷減小誤差直到達(dá)到期望輸出為止[16]。其主要的思想是利用確定的樣本模式對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行圖像的處理和識(shí)別。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法具有自適應(yīng)、自學(xué)習(xí)能力強(qiáng)、在線計(jì)算量小等優(yōu)點(diǎn)在圖像處理和圖像識(shí)別領(lǐng)域廣泛被人們使用。但是同樣BP網(wǎng)絡(luò)存在著泛化能力不夠理想；容易陷入局部極小而得不到全局最優(yōu)等缺點(diǎn)。針對這些局限性，將BP神經(jīng)網(wǎng)絡(luò)結(jié)合帶有權(quán)值更新的集成學(xué)習(xí)算法，形成了增強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)分類算法，即Bp_adaboost算法，將該方法應(yīng)用到工業(yè)儀表圖像分類識(shí)別中，取得了較好的效果。

Bp_adaboost分類器算法是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的，通過增大錯(cuò)分樣本權(quán)重，降低正確分類樣本權(quán)重來得到新的樣本分布。然后，將更新過權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最終將每次訓(xùn)練得到的分類器融合，作為最后的決策分類器。算法主要步驟如下。

2)弱分類器預(yù)測 首先對訓(xùn)練樣本進(jìn)行歸一化處理，根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。對測試數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練數(shù)據(jù)預(yù)測誤差et：

式中:g(t)為實(shí)際輸出序列;y為期望輸出。

3)計(jì)算預(yù)測權(quán)重序列 預(yù)測權(quán)重序列公式為

4)測試數(shù)據(jù)權(quán)重調(diào)整 根據(jù)預(yù)測數(shù)據(jù)權(quán)重調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式為

式中Bt是歸一化因子，目的在權(quán)重比例不變的情況下使權(quán)重分布和為1。

5)強(qiáng)分類器輸出 由T組弱分類函數(shù)f(gt,at)組合得到了強(qiáng)分類函數(shù)H(x)，

H(x)=sign[atf(gt,at)]。

3 實(shí)驗(yàn)結(jié)果與分析

本文針對液位控制系統(tǒng)工業(yè)操作平臺(tái)最主要的2個(gè)組成部分工業(yè)檢測儀表和液位容器設(shè)備進(jìn)行分類圖像采集。圖像采集裝置采用CMOS攝像頭，200萬像素，采集到的圖像尺寸為1 024像素×1 280像素。具體分類樣本圖像示例見圖3與圖4，共35幅待分類圖像。實(shí)驗(yàn)在MatlabR2010b環(huán)境下編程實(shí)現(xiàn)上述算法，首先基于HSV空間進(jìn)行前3階顏色矩特征提取，提取9維顏色特征向量。然后基于灰度共生矩陣進(jìn)行8維紋理特征提取，最后用17維綜合特征向量組成樣本空間。針對BP神經(jīng)網(wǎng)絡(luò)，設(shè)置隱含層神經(jīng)元6個(gè)，最多迭代次數(shù)500次，網(wǎng)絡(luò)學(xué)習(xí)速度0.01，誤差要求0.000 04。分類訓(xùn)練和測試。

圖3 第1類樣本圖像示例Fig.3 First kind of sample images

圖4 第2類樣本圖像示例Fig.4 Second kind of sample images

隨機(jī)抽取樣本總數(shù)的85%作為訓(xùn)練圖像。剩余圖像作為測試圖像。分別用BP弱分類器，BP強(qiáng)分類器和樸素貝葉斯分類器進(jìn)行分類測試。測試結(jié)果見表1。另取樣本總數(shù)的80%和75%作為訓(xùn)練圖像。測試所得數(shù)據(jù)分別見表2和表3。

表1 取樣本總數(shù)的85%作為訓(xùn)練圖像數(shù)據(jù)對比Tab.1 Data comparison with 85% of the total number of samples as training image

表2 取樣本總數(shù)的80%作為訓(xùn)練圖像數(shù)據(jù)對比Tab.2 Data comparison with 80% of the total number of samples as training image

表3 取樣本總數(shù)的75%作為訓(xùn)練圖像數(shù)據(jù)對比Tab.3 Data comparison with 75% of the total number of samples as training image

綜合表1-表3中BP弱分類器準(zhǔn)確度數(shù)據(jù)，可以得到特征向量BP神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率對比圖，如圖5所示。綜合表1數(shù)據(jù)可以得到分類器準(zhǔn)確率對比圖，如圖6所示。

圖5 特征向量BP神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率對比圖Fig.5 Classification accuracy of feature vector of BP neural network

圖6 分類器準(zhǔn)確率對比圖Fig.6 Accuracy of classifier

綜合對比3個(gè)表格的數(shù)據(jù)和圖5、圖6的圖像可知：在特征向量選擇方面，通過特征的組合，綜合特征分類準(zhǔn)確度要明顯高于單純使用顏色特征和紋理特征的分類準(zhǔn)確度。以BP神經(jīng)網(wǎng)絡(luò)弱分類器為例。綜合特征分類準(zhǔn)確率比較顏色特征分類準(zhǔn)確率平均高出13.65%，較紋理特征分類準(zhǔn)確率平均高出18.04%。其次，在分類器選擇方面，以表1數(shù)據(jù)為例，帶有權(quán)值更新的BP強(qiáng)分類器準(zhǔn)確度分別平均高于BP弱分類器13.33%，高于樸素貝葉斯分類器20%。

4 結(jié) 語

基于顏色矩和灰度共生矩陣的綜合特征提取能夠提供更加豐富的圖像整體統(tǒng)計(jì)信息，補(bǔ)充了單純顏色特征提取和單純紋理特征提取在特征描述上的缺失。通過綜合特征的構(gòu)造，為分類提供了更加有效的樣本參數(shù)，提高了圖像分類的準(zhǔn)確度。在有效提取綜合特征的基礎(chǔ)上，運(yùn)用帶有權(quán)值更新的Bp_adaboost神經(jīng)網(wǎng)絡(luò)分類器，相對BP弱分類器和樸素貝葉斯分類器對工業(yè)儀表與設(shè)備圖像能取得較好的分類結(jié)果。

參考文獻(xiàn)/References：

[1] 唐 磊, 畢明德, 孫志剛. 基于視頻圖像的工業(yè)儀表高速自動(dòng)識(shí)別[J]. 機(jī)電工程, 2010,27(9):69-75.

TANG Lei, BI Mingde, SUN Zhigang. An high-speed and automatic recognition method of the industry meter based on video image[J].Joumal of Mechanical & Electrical Engineering, 2010,27(9):69-75.

[2] 曹 建. 圖像目標(biāo)的表示與識(shí)別[M]. 北京:機(jī)械工業(yè)出版社, 2012.

CAO Jian. Representation and Recognition of Image Target[M]. Beijing: Mechanical Engineering Press,2012.

[3] MANJUNATH B S, OHM J R. Color and texture descriptors[J]. IEEE Transactionson Circuitsand Systems for Video Technology, 2001, 11(6):703-715.

[4] KONSCAN A, ABIDI M. 彩色數(shù)字圖像處理[M]. 章毓晉,譯. 北京:清華大學(xué)出版社, 2010.

KONSCAN A, ABIDI M. Color Digital Image Processing [M].ZHANG Yujin, translation. Beijing: Tsinghua University Press, 2010.

[5] 王業(yè)琴, 王克奇, 白雪冰,等. 計(jì)算機(jī)視覺木材表面色差檢測的研究[J]. 林業(yè)科技, 2005,30(2):36-38.

WANG Yeqin, WANG Keqi, BAI Xuebing et al. Wood surface color difference detection of computer vision research [J]. Journal of Forestry Science and Technology, 2005, 30(2): 36-38.

[6] 秦志新, 裴東興. 基于內(nèi)容的圖像檢索技術(shù)概述[J]. 數(shù)字技術(shù)與應(yīng)用, 2012(1):159-161.

QIN Zhixin, PEI Dongxing. Overview of content-based image retrieval technology [J]. Digital Technology & Application, 2012 (1) : 159-161.

[7] 楊紅菊, 張 艷, 曹付元. 一種基于顏色矩和多尺度紋理特征的彩色圖像檢索方法[J]. 計(jì)算機(jī)科學(xué), 2009,36(9):274-277.

YANG Hongju, ZHANG Yan, CAO Fuyuan. Based on multi-scale texture characteristics and color moments of color image retrieval method [J]. Journal of Computer Science, 2009, 36(9): 274-277.

[8] 徐 琨, 李 燕. 基于分塊顏色矩和紋理特征的圖像檢索方法[J]. 西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005,20(2):77-79.

XU Kun, LI Yan. Based on the block color moment and texture features of image retrieval methods [J]. Journal of Xi 'an Petroleum University(Natural Science Edition), 2005, 20(2): 77-79.

[9] 戴天虹, 王克奇, 楊少春. 基于顏色特征對木質(zhì)板材分級的研究[J].系統(tǒng)仿真學(xué)報(bào),2008,20(5):1 372-1 376.

DAI Tianhong, WANG Keqi, YANG Shaochun. Based on the color features of wooden plank classification research [J]. Journal of System Simulation, 2008, 20(5):1 372-1 376.

[10] 曾傳華, 陳 紅, 高 云,等.基于SVM和顏色矩的竹條顏色分級方法[J]. 湖北農(nóng)業(yè)科學(xué),2010,49(2):455-457.

ZENG Chuanhua, CHEN Hong, GAO Yun, et al. Bamboo color classification method based on SVM and color moment [J]. Hubei Province Agricultural Science, 2010,49(2): 455-457.

[11] SRICKER M,ORENGO M. Similarity of color images[J]. Proc SPIE Storage and Retrieval for Image and Video Databases,1995,2420:381-392.

[12] 馬 莉, 范影樂. 紋理圖像分析[M]. 北京:科學(xué)出版社, 2009.

MA Li, FAN Yingle. Texture Image Analysis[M]. Beijing: Science Press, 2009.

[13] BERGEN J R, ADELSEN E H. Early vision and texture perception[J]. Nature, 1988, 333(5)：363-364.

[14] HARALICK R M, SHANMUGAM K, DINSTEIN I H, Texture features for image classification[J]. IEEE Transactions on Systems Man and Cybernetics, 1973, 3(6):610-621.

[15] 馮建輝, 楊玉靜. 基于灰度共生矩陣提取紋理特征圖像的研究[J]. 北京測繪, 2007,3(5):19-22.

FENG Jianhui YANG Yujing. Based on the research of gray level co-occurrence matrix to extract features [J]. Journal of Surveying and Mapping in Beijing, 2007, 3(5):19-22.

[16] 許振偉. BP神經(jīng)網(wǎng)絡(luò)分類器在儲(chǔ)糧害蟲圖像檢索中的應(yīng)用研究[J]. 中國糧油學(xué)報(bào), 2010,25(1):103-106.

XU Zhenwei. Introducing stored-grain pest image retrieval basedon BP neural network[J]. Joural of The Chinese Cereals and Oils Association. 2010,25(1):103-106.