李潤豐

（沈陽市同澤高級中學(xué),沈陽110013）

1 引 言

近年來隨著中國經(jīng)濟快速發(fā)展，城市居民家庭裝飾消費能力明顯提高。在回歸大自然和環(huán)保意識的影響下，木質(zhì)地板作為一種重要的裝飾材料，已表現(xiàn)出旺盛的市場需求。紋理作為木材的天然屬性，其獨有的視覺特性直接影響地板塊的感觀效果及其經(jīng)濟效益，成為評定地板塊質(zhì)量等級的重要標準[1]。因此，在地板塊生產(chǎn)加工過程中，常常需要根據(jù)地板塊表面紋理對其進行分類，以提高產(chǎn)品質(zhì)量。

另一方面，隨著計算機技術(shù)的飛速發(fā)展，國內(nèi)外研究者已將計算機視覺技術(shù)引入木材紋理識別領(lǐng)域，為解決這紋理分類的難題提供了新的思路。雖然近些年國內(nèi)外眾多學(xué)者提出了很多紋理識別分類的方法，取得了一定的成果，但由于紋理結(jié)構(gòu)隨機性大、復(fù)雜度高，很難用準確的數(shù)學(xué)解析式來表達，致使到目前為止仍然沒有統(tǒng)一描述和界定木材紋理的國際標準或行業(yè)準則[2]。因此，紋理識別分類作為計算機視覺和模式識別領(lǐng)域的重要研究課題，其研究方法還不夠成熟和完善，需要對其進一步深入研究。目前國內(nèi)外的研究主要集中于一些傳統(tǒng)的方法，例如：神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(SVM，Support vector machine)方法[4]、貝葉斯方法等，這些方法需要大量的標注訓(xùn)練樣本，才能保證測試樣本的精度，而無監(jiān)督分類方法OCSVM(one-class SVM，一類支持向量機)能夠解決這一局限性[5-6]，實現(xiàn)地板塊紋理的高效識別。

2 OCSVM算法研究

Scholkopf等研究人員對SVM算法進行了擴展，并且研究出了一種新的SVM算法——One-class SVM算法，它的核心思想是通過SVM訓(xùn)練得到具有最大分類間隔的超平面，進而把分類問題轉(zhuǎn)化成一個特殊的二值分類問題[7-8]?，F(xiàn)在己知輸入樣本集合同樣假定有一個從原空間到無限維空間χ的映射φ，并且滿足問題就轉(zhuǎn)化成找到一個這樣的二值分類器，使得在囊括了大多數(shù)正常樣本點的高密度區(qū)域中的樣本點類別記作“+1”，而位于這個高密度區(qū)域之外的異常樣本點類別記作“-1”。則該問題的求解過程如下：

通過式(3)、式(4)和式(5)，我們可以對式(2)進行簡化，得到Wolfe對偶問題：

式(2)中的b能夠根據(jù)滿足條件的支持向量來計算，其計算公式為：

由此可得分類函數(shù)：

如果SVDD(Support Vector Domain Description,支持向量數(shù)據(jù)域描述)的核函數(shù)是徑向基函數(shù)，例如Gaussian核：，則我們可以對函數(shù)進行變換，得到：

3 基于OCSVM的地板塊紋理識別方法

本研究基于OCSVM的地板塊紋理識別分類方案，采用近年來被提出的一種雖簡單但功能強大的紋理分析方法——灰度共生矩陣[9]來提取地板塊表面紋理特征。分類器選用即為OCSVM，具體流程如如圖1所示。

圖1 基于OCSVM的地板塊紋理識別方法研究流程

具體研究內(nèi)容可分為以下幾點：

（1）獲取地板塊紋理圖像進行預(yù)處理

選取2類不同紋理的地板塊作為實驗樣本，獲取樣本的數(shù)字圖像。采集圖像的大小、清晰度等直接影響實驗結(jié)果，為了保證獲取圖像的質(zhì)量，在這一過程中需保證環(huán)境相同且光照均勻。獲取的圖像在視覺效果和識別方便性等方面都或多或少的存在一些問題，不能直接用于分析處理，因此需要對樣本圖像進行預(yù)處理，消除圖像中無關(guān)的信息，增強信息的可檢測性，保證實驗分類結(jié)果的準確性。對比結(jié)果如圖2所示。

圖2 兩類地板塊紋理圖

由圖2可見，類別A地板塊紋理為橫向走勢，紋理較粗，分布稀疏，間隔較大,對比度高；類別B地板塊紋理對比度也較高，但該類別最大的特點是以粗紋理線條為主，其附近分布著很多的細紋理線條，結(jié)構(gòu)相對復(fù)雜。

（2）應(yīng)用灰度共生矩陣提取地板塊紋理特征

將灰度共生矩陣算法引入地板塊紋理分析的研究中，提取地板塊紋理特征。

（3）設(shè)置參數(shù)構(gòu)建OCSVM無監(jiān)督分類識別模型

OCSVM模型在文本分類、異常點識別等方面應(yīng)用廣泛，但在木材紋理識別領(lǐng)域從未使用，本研究選用OCSVM作為分類器。

（4）應(yīng)用OCSVM模型對測試樣本進行分類

應(yīng)用構(gòu)建好的OCSVM模型對測試樣本進行無監(jiān)督分類。

為了驗證本文提出的基于OCSVM算法地板塊紋理識別算法的優(yōu)勢和可行性，針對同樣的訓(xùn)練樣本和測試樣本，采用BP神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯算法分別對提取的紋理特征進行分類識別，比較以上分類算法的優(yōu)缺點及實驗結(jié)果。測試樣本采用500組A類紋理、500組B類紋理，使用灰度共生矩陣提取出測試樣本的特征，獲得1000×10維的特征矩陣，之后使用構(gòu)建出的OCSVM模型進行地板塊的紋理識別。然后進行整體對比。對比實驗結(jié)果如表1所示。輸出結(jié)果細節(jié)如圖3所示。可見在模型輸出結(jié)果中，兩類樣本有明顯的分別，對于A類、B類樣本的區(qū)分度較高。

表1 分類結(jié)果匯總

圖3 基于OCSVM算法的輸出結(jié)果

在表1中，BP神經(jīng)網(wǎng)絡(luò)是借助Matlab中的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)包進行實驗，參數(shù)選擇默認設(shè)置；決策樹與貝葉斯使用weka自帶的程序包進行實驗，參數(shù)選擇默認設(shè)置。

綜上可得出兩點結(jié)論：

（1）對比實驗中，通過灰度共生矩陣獲取的特征值，再使用不同算法得出板塊紋理的識別結(jié)果，對于地板塊紋理的識別，BP神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯方法的識別的正確率差別較小，本文方法高于貝葉斯方法11.8%，并節(jié)約大量手工標注成本，有利于實時信息的獲取。

（2）分類結(jié)果與提取的紋理特征值和分類算法密切相關(guān)。從所有實驗數(shù)據(jù)分析可知，采用灰度共生矩陣提取地板塊紋理特征，應(yīng)用OCSVM模型識別分類正確率高、計算速度快、可行性高，為地板塊紋理分類領(lǐng)域提供了一種準確有效的新方法。

4 結(jié)束語

地板塊表面紋理識別分類是地板生產(chǎn)加工過程中的重要環(huán)節(jié)，直接關(guān)系其視覺效果和經(jīng)濟效益。紋理自動識別分類技術(shù)可以有效地提升生產(chǎn)流水線的自動化程度，提高識別分類的準確率，具有重要的實用意義和顯著的經(jīng)濟效益。

本研究圍繞紋理識別分類技術(shù)，針對該技術(shù)現(xiàn)有算法的局限性，基于地板塊紋理特征，提出了基于OCSVM的地板塊紋理分類算法，驗證其適用于地板塊紋理分類。大量實驗研究證明了該算法優(yōu)于傳統(tǒng)的紋理識別分類方法，具有極高的實用價值。

[1]劉一星.木材視覺環(huán)境學(xué)[M].哈爾濱:東北林業(yè)大學(xué)出版社,2014:85-88.LIU Yixing.Wood visual environics[M].Harbin:Northeast Forestry University Press,2014:85-88.

[2]萬海東,盧彥飛,張濤.一種基于人眼視覺特性的圖像質(zhì)量評價方法[J].中國電子科學(xué)研究院學(xué)報,2015,10(6):567-573.WAN Haidong,LU Yanfei,ZHANG Tao.An image quality evaluation method based on human visual characteristics[J].Journal of China Academy of Electronics and Information Technology,2015,10(6):567-573.

[3]陳立君,王克奇,王輝.基于BP神經(jīng)網(wǎng)絡(luò)木材紋理分類的研究[J].森林工程,2007,23(1):40-42.CHEN Lijun,WANG Keqi,WANG Hui.Research on classification of wood texture based on BP neural network[J].Forest Engineering,2007,23(1):40-42.

[4]楊福剛,孫同景,龐清樂,等.基于SVM和小波的木材紋理分類算法[J].儀器儀表學(xué)報,2006,27(s3):2250-2252.YANG Fugang,SUN Tongjing,PANG Qingle,et al.Classification algorithm of wood texture based on SVM and wavelet[J].Chinese Journal of Scientific Instrument,2006,27(6):2250-2252.

[5]王輝.基于灰度共生矩陣木材表面紋理模式識別方法的研究[D].哈爾濱:東北林業(yè)大學(xué),2007:16-17.WANGHui.Research onthe recognition methodofwoodsurface texture pattern based on grey symbiosis matrix[D].Harbin:Northeast Forestry University,2007:16-17.

[6]葉繼華,陳亞慧,胡蕾.融合加權(quán)顏色相關(guān)圖和改進LBP的彩色人臉圖像識別[J].小型微型計算機系統(tǒng),2015,36(12):2778-2783.YE Jihua,CHEN Yahui,HU Lei.Color face image recognition blending weighted color correlation graph with improved LBP[J].Journal of Chinese Computer Systems,2015,36(12):2778-2783.

[7]林強,董平,林嘉宇.圖割方法綜述[J].微處理機,2015,36(1):35-39.LIN Qiang,Dong Ping,LIN Jiayu.A survey on graph cut techniques[J].Microprocessors,2015,36(1):35-39.

[8]SHANG W,ZENG P,WAN M,et al.Intrusion detection algorithm based on OCSVM in industrial control system[J].Security&Communication Networks,2016,9(10):1040-1049.

[9]FENG P,YU M,Naqvi S M,et al.A robust student's-t distribution PHD filter with OCSVM updating for multiple human tracking[C]//Signal Processing Conference.IEEE,2015:2396-2400.