陳宇　臧美英　李紅波

摘要：為解決地板塊紋理分類難度大的問題，提出了一種基于SIFT（scale-invariant featuretransform），尺度不變特征轉換的地板塊紋理分類方法，該方法首先采用SIFT算法提取地板塊圖像特征值，并采用K-means聚類算法降低關鍵點數(shù)目，得到用于分類的特征行向量，最后構造DEELM分類器進行分類.實驗結果表明，該方法不僅減少了描述圖片的關鍵點數(shù)目便于分類，而且提高了木材紋理分類的準確性，為地板塊紋理分類的研究提供了一個新的思路.

關鍵詞：木材紋理分類；SIFT算法；K-means算法；差分演化優(yōu)化極限學習機

DOI：10.15938/j.jhust.2016.04.002

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1007-2683（2016）04-0007-06

0引言

隨著人們生活水平的日益提高，越來越多的人在房屋裝修時不單單追求美觀而更加注重健康與環(huán)保，木地板具有無甲醛、防滑、美觀、舒適等優(yōu)點，受到了廣大人民的喜愛，因此對木地板生產提出更大的挑戰(zhàn).如何提高生產效率和分選質量是實木地板生產過程中的一個重要環(huán)節(jié)，但自然紋理結構精細復雜，很難用數(shù)學公式精確表達，也是木材學術界的一大難題.國內外學者提出利用計算機視覺進行木材紋理分類，取得了不錯的效果.我國對于木材紋理分類的研究起步較晚，初期主要是對國外的經(jīng)驗總結，優(yōu)化傳統(tǒng)的分類算法.現(xiàn)階段我國的紋理分類技術發(fā)展較好，但也存在一定缺陷，主要由于實際應用的訓練樣本在個體之間存在著差異，導致分類結果的差異性較大.本文正是基于這種項目背景進行的木材紋理分類算法研究.

現(xiàn)實生活中每一幅圖像中都包含著許多像素點，而且每幅圖像中都具有其他像素點所沒有的優(yōu)點，這就是特征點，每個特征點都包含著大量的圖像信息，可以說是整幅圖片的骨架.David Lowe在1999年所提出，2004年完善總結的尺度不變特征轉換算法（簡稱SIFT算法）是一種電腦視覺的算法，SIFT算法在特征點提取方面獨具特色，它選擇高斯殘差在尺度空間上的極值點為特征點，并計算特征點局部鄰域內的梯度方向直方圖為描述子，對光線變化、尺度變化和視角變化都具有較強的魯棒性，在計算機視覺領域得到一致認可.本文首先采用SIFT算法提取地板塊圖像特征值，并采用K-means聚類算法降低關鍵點數(shù)目，得到用于分類的特征行向量，最后構造DEELM分類器進行分類取得預期效果，不失為木材紋理分類提供一種有效方法.

1.算法原理

1.1 SIFT提取特征值

SIFT特征不只具有尺度不變性，即使改變旋轉角度，圖像亮度或拍攝視角，仍然能夠得到好的檢測效果.SIFT算法首先通過建立圖像的尺度空間搜索該尺度空間中圖像局部極值點，將所得極值點作為候選關鍵點，并將其中不穩(wěn)定及對比度較低的點刪除，從而最終確定關鍵點的主方向，進而生成每個關鍵點的特征描述符，SIFT算法提取圖像特征點的流程如下圖所示：

每一個采樣點通過和它所有的相鄰點相比較，這樣就能夠檢測到DOG空間的局部極值點，如果該檢測點為最大值或者最小值，則該點就作為圖像在這個尺度下的一個候選關鍵點.

為了增強關鍵點的穩(wěn)健性，需要去除低對比度的點和邊緣點。

用海森矩陣求出主曲率，高斯差分算子的極值如果定義不好的話在橫跨邊緣的地方有較大的主曲率，而在垂直邊緣的方向有較小的主曲率.

為了生成關鍵點描述子，讓坐標軸方向與關鍵點的方向一致，以關鍵點為中心取16×16的窗口，最后在4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，這樣就能形成一個種子點.對于每個關鍵點，16×16的鄰域內可以形成4×4共16個種子點，每個種子點有8個方向的方向向量信息，因此每個關鍵點就獲得了一個4×4×8=128維的特征描述符.

為進一步去除光照影響，將描述子向量歸一化：

2.3 DE-ELM構造分類器

極限學習機（ELM）是一種單隱層前饋神經(jīng)網(wǎng)絡的學習算法，在算法執(zhí)行過程中只需要設置網(wǎng)絡的隱含層個數(shù)，不需要調整網(wǎng)絡的輸入權值以及隱元的偏置，就可以產生唯一的最優(yōu)解.

由于ELM算法是在訓練前通過設置網(wǎng)絡隱含層的個數(shù)，訓練過程中隨機選取輸入連接權值和閾值，最終獲取目標值，這樣會導致在選取中產生非最優(yōu)或不必要的輸入，且對未知測試數(shù)據(jù)響應較慢，針對這個問題利用差分進化算法（differential evolu.tion，DE）對ELM的權值進行優(yōu)化，尋求全局最優(yōu)解.本文提出用差分演化算法優(yōu)化極限學習機（DE—ELM），來達到獲得最優(yōu)網(wǎng)絡目的，實現(xiàn)較準確的分類，同時，差分演化優(yōu)化極限學習機可以完成更緊湊的網(wǎng)絡規(guī)模，且具有更好的泛化能力，速度較快，適用于木材紋理的分類實驗.

差分演化優(yōu)化極限學習機算法描述如下：

在實驗過程中，訓練、測試的時間與迭代次數(shù)、隱含層數(shù)成正比，繼而選取木材紋理樣本數(shù)NP=200，交叉概率cR=0.8，縮放因子F=0.02進行實驗.實驗發(fā)現(xiàn)當達到一定迭代次數(shù)時，目標值為0且保持不變，結果如圖5所示.

當隱含層數(shù)確定，隨著迭代次數(shù)的增加，目標函數(shù)最小值越收斂，當達到一定的迭代次數(shù)，目標函數(shù)最小值越穩(wěn)定于O.而迭代次數(shù)一定時，增加隱含層數(shù)將可以降低算法的誤差但會延長實驗的完成時間，差分演化優(yōu)化極限學習機算法的分類時間隨隱含層比例增長，下圖為迭代次數(shù)為20，樣本數(shù)分別為20、40、80、100的分類時間隨隱含層數(shù)增加的對比圖：

同時為了使試驗達到最佳效果，即誤差最小，時間最短，又統(tǒng)計了隨隱含層數(shù)增加的訓練準確度如表1

在隱含層節(jié)點數(shù)為15時，DEELM算法達到誤差最小點，并且趨于穩(wěn)定.為了減短實驗時間，因此，又在隱含層數(shù)為10的基礎上增加隱含層數(shù)，設定隱含層數(shù)為11、12……，發(fā)現(xiàn)當隱含層數(shù)為12時誤差最小，且時間相對最短.綜上所述，選擇隱含層數(shù)為12和迭代次數(shù)20的DEELM分類器進行分類.

3.實驗結果

實驗中選用了兩種典型的地板塊紋理進行分類，如圖7所示，從圖中可以看出，A類地板塊的紋路橫向走勢，均勻分布，結構簡單；B類地板塊紋路環(huán)狀走勢，曲折蜿蜒，結構復雜.

實驗中選取A、B兩類樣本共200個，每類100個，圖片大小均為512?！?12 bmp格式.首先在MATLAB平臺上用SIFT算法分別提取每個樣本的特征點，每幅圖片生成一個K×128維（K為圖片特征點的數(shù)目，每幅圖片K值不同）的特征矩陣，此時SIFT特征向量已經(jīng)去除了尺度變化、旋轉等幾何變形因素的影響，對于每一個關鍵點，擁有3個信息：位置、尺度以及方向，完成特征提取的兩類紋理圖如下圖所示。

利用K-means算法分別對每幅圖片產生的特征矩陣進行聚類，得到描述顯著目標的1×128維特征向量.選取其中100個地板塊圖像作為訓練樣本，其中A類訓練樣本50個，B類訓練樣本50個.將聚類后的數(shù)據(jù)保存在train_100之中，作為訓練輸入數(shù)據(jù)，如下圖所示：

把訓練樣本輸入DEELM分類器進行訓練，本文所用方法與BP分類算法、SVM分類算法進行了比較，統(tǒng)計了測試樣本數(shù)在20、40、80和100時的錯誤數(shù)，如表3.

從表3可以看出，不同算法在處理不同樣本數(shù)的類別上的錯誤個數(shù)有較為明顯差距，本文所用的DEELM分類器在分類本次樣本上面的效果明顯要優(yōu)于BP神經(jīng)網(wǎng)絡SVM支持向量機.最后又統(tǒng)計了3種分類方法的準確率如下圖所示，實驗證明，DEELM分類器模型在木材紋理分類有一定的競爭性，效果明顯.

4.結論

SIFT在圖像的不變特征提取方面擁有無與倫。比的優(yōu)勢，該方法不但對于旋轉、尺度縮放、亮度變化保持不變性，而且對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性，且該方法對特征點的個數(shù)和有效點的比例沒有要求，當圖片特征點數(shù)目不是很多時，甚至可以達到實時的要求.本文提出的基于SIFt木材紋理分類方法，利用SIFT算法提取木材圖片的特征點，再用K-means聚類得到描述圖片的特征行向量，最后訓練DEELM得到分類器進行分類.實驗結果證明了該算法適用于木材紋理分類，準確率高，有一定的實用性，為解決木材紋理分類問題提供了一種新的解決思路.