閆筑峰

摘 要：將神經(jīng)網(wǎng)絡處理非線性問題的優(yōu)勢和灰度共生矩陣描述紋理的經(jīng)典算法應用于鐵路道床板結(jié)的識別研究。本文通過改進Hough變換的方法來檢測定位道床區(qū)域，然后采用灰度共生矩陣對正常的道床和板結(jié)的紋理圖像進行特征提取，探索基于BP神經(jīng)網(wǎng)絡進行道床板結(jié)檢測和識別的方法，實現(xiàn)了道床板結(jié)識別的算法。實驗結(jié)果表明，有較好的效果。

關鍵詞：Hough變換 灰度共生矩陣 直線檢測 道床板結(jié) BP算法

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）04（a）-0009-02

圖像的紋理特征描述了在圖像中反復出現(xiàn)的局部模式和它們的排列規(guī)則，反映了宏觀意義上灰度變化的一些規(guī)律[1]?；阼F路道床（正常和異常）紋理表面的特點，應用統(tǒng)計方法更適合于分析這兩類特征明顯的紋理。由此所生成的參數(shù)可以描述紋理多方面的統(tǒng)計特征。

模式識別中的紋理檢測識別參數(shù)之間具有不可避免的相關性和非線性，使用例如貝葉斯決策理論進行分類難度比較大，因此采用神經(jīng)網(wǎng)絡對關系復雜的非線性信息具有類似人腦的處理能力，這給本文的模式對象識別提出了新的創(chuàng)新。

本文先應用灰度共生矩陣提取紋理參數(shù)特征，并用BP神經(jīng)網(wǎng)絡進行訓練分類以達到識別道床板結(jié)的目的。

1 道床板結(jié)區(qū)域分割

道床板結(jié)區(qū)域是指枕木和鐵軌之間的區(qū)域，因為鐵軌和枕木都是直線物體，所以我們采用檢測直線的方法來分割道床板結(jié)區(qū)域。

1.1 直線檢測

在圖像處理和機器視覺中，Hough變換[3]是檢測確定曲線的最有效的方法。傳統(tǒng)的Hough變換算法具有很大的盲目性、計算量較大。但是隨著隨機概率Hough變換（PHT）[4]和Hough變換（RHT）[5]等改進Hough變換算法的提出，這種情況得到了有效的改變。對此本文做了一點改進。從端面中心點開始，在端面矩形尺寸的范圍內(nèi)查找8鄰域內(nèi)的邊緣點，依次遞歸查找下去，直到鄰域沒有邊緣點為止。

1.2 確定道床板結(jié)區(qū)域

對紋理圖像進行二值化后，利用Hough變換檢測邊緣，最后得到直線檢測結(jié)果。經(jīng)過實驗驗證，根據(jù)Hough變換改進算法測試的直線成功分割出道床區(qū)域，比較準確的定位道床區(qū)域，并減少對整幅圖像運算帶來的大量不必要的運算。

2 灰度共生矩陣

2.1 灰度共生矩陣的特征值

灰度共生矩陣[2]（記為陣）是統(tǒng)計空間上具有某種位置關系的一對像元灰度對出現(xiàn)的頻度，其實質(zhì)是從圖像灰度為i的像元（位置為）出發(fā)，統(tǒng)計與其距離為d，灰度為j的像元同時出現(xiàn)的頻度數(shù)學表達式為：

按公式（1）生成的灰度共生矩陣是一種對稱陣。陣的分布比較分散；如果的方向與紋理方向一致，那么陣中的元素都集中在主對角線附近，在本文中，規(guī)定灰度連續(xù)的方向是紋理方向。

灰度共生矩陣有15個特征參數(shù)[6]，本文提取5個關鍵特征作為道傳板結(jié)的紋理特征。它們分別是：（1）角二階矩（能量）；（2）對比度（慣性矩）；（3）相關；（4）熵；（5）逆差矩。

2.2 灰度共生矩陣生成間距d的自適應

本文通過選取6個實驗樣本，取0°、45°、90°、135°四個方向分別計算灰度共生矩陣的5個特征值并求其平均值以消除方向上的影響。經(jīng)過試驗數(shù)據(jù)顯示隨像素間距d的增加，角二階矩、逆差矩有減小的趨勢，對比度、熵有增加趨勢，其中相關性有波動；總體上看，在d≥4后各特征參數(shù)的變化趨向穩(wěn)定。

通過對道床區(qū)域大小的分析及樣本實驗兩個因素來自適應的確定灰度共生矩陣生長步長d的取值。從上述實驗可知，本文中選取d=4作為d的最小值，自適應的步長為2，根據(jù)被確定的道床區(qū)域的大小自適應的變化。

3 道床紋理特征提取

研究灰度的空間相關性來描述紋理，并從道床圖像中抽取紋理特征參數(shù)中的灰度共生矩陣作為分類識別的特征參數(shù)。圖像的灰度共生矩陣反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像局部模式結(jié)構(gòu)及其排列規(guī)則的基礎。

同一紋理不同方向的特征參數(shù)是有差異的，為了獲得旋轉(zhuǎn)不變的紋理特征，需對灰度共生矩陣的結(jié)果作適當處理。本文采用的方法是取不同方向（0°，45°，90°，135°）的偏移參數(shù)，作其灰度共生矩陣，分別求取其特征指標，提取二次統(tǒng)計量—— 二階矩、對比度、相關、熵、逆差矩等參數(shù)，可以作為分類的特征向量。

4 分類識別器的設計

4.1 BP神經(jīng)網(wǎng)絡學習算法

本系統(tǒng)采用BP神經(jīng)網(wǎng)絡的模式識別方法對鐵軌道床的圖像進行識別與分類，標準的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示。

BP網(wǎng)絡按有教師樣本（即目標輸出模式）學習方式進行訓練，當一對學習模式提供給網(wǎng)絡后，其神經(jīng)元的激活值將從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元輸出對應于輸入模式的網(wǎng)絡響應。

4.2 分類識別設計的實現(xiàn)

在進行道床圖像的分類識別時，需要有已經(jīng)訓練成型的分類器模型，可以按下面的步驟獲得：

（1）輸入訓練樣本。將輸入樣本進行歸一化處理，使訓練樣本的輸入特征值取在[0，1]之間。

（2）對網(wǎng)絡進行初始化。網(wǎng)絡的權(quán)值與閾值隨機初始化，網(wǎng)絡的輸入節(jié)點取特征向量的維數(shù)為5，輸出節(jié)點取的類別數(shù)為2。

（3）進行BP網(wǎng)絡訓練，獲取最終的權(quán)值與閾值矩陣。

（4）輸入待識別的樣本，進行分類識別。

5 實驗過程及結(jié)論

根據(jù)上述設計，分別選取100個正常道床和板結(jié)道床。首先將100個訓練樣本采用生成步長d為4并在0°、45°、90°、135°四個方向上生成灰度共生矩陣，求解的特征向量作為bp神經(jīng)網(wǎng)絡分類器識別的特征參數(shù)，并訓練成型輸入分類器，產(chǎn)生聚類輸出。endprint

根據(jù)實驗可知，隨著訓練次數(shù)的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結(jié)的圖像（見表1）。

6 結(jié)論

（1）使用改進的Hough變換檢測直線，較快識別道床區(qū)域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現(xiàn)分類。

（3）灰度共生矩陣的生長間距根據(jù)道床區(qū)域的實際情況自適應的調(diào)整。

（4）BP神經(jīng)網(wǎng)絡作為非線性的分類器，僅僅需要系統(tǒng)的輸入輸出為依據(jù)就可判斷那些為道床已板結(jié)的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數(shù)字圖像處理學[M].北京：電子工業(yè)出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint

根據(jù)實驗可知，隨著訓練次數(shù)的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結(jié)的圖像（見表1）。

6 結(jié)論

（1）使用改進的Hough變換檢測直線，較快識別道床區(qū)域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現(xiàn)分類。

（3）灰度共生矩陣的生長間距根據(jù)道床區(qū)域的實際情況自適應的調(diào)整。

（4）BP神經(jīng)網(wǎng)絡作為非線性的分類器，僅僅需要系統(tǒng)的輸入輸出為依據(jù)就可判斷那些為道床已板結(jié)的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數(shù)字圖像處理學[M].北京：電子工業(yè)出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint

根據(jù)實驗可知，隨著訓練次數(shù)的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結(jié)的圖像（見表1）。

6 結(jié)論

（1）使用改進的Hough變換檢測直線，較快識別道床區(qū)域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現(xiàn)分類。

（3）灰度共生矩陣的生長間距根據(jù)道床區(qū)域的實際情況自適應的調(diào)整。

（4）BP神經(jīng)網(wǎng)絡作為非線性的分類器，僅僅需要系統(tǒng)的輸入輸出為依據(jù)就可判斷那些為道床已板結(jié)的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數(shù)字圖像處理學[M].北京：電子工業(yè)出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint