張 莉， 焦宇倩， 續(xù) 婷， 侯宇超， 白艷萍， 李建軍

(1. 中北大學(xué) 理學(xué)院， 山西 太原 030051； 2. 中北大學(xué) 信息與通信工程學(xué)院， 山西 太原 030051)

0 引 言

混凝土配合比的設(shè)計(jì)是混凝土材料設(shè)計(jì)的基礎(chǔ)， 它直接影響混凝土結(jié)構(gòu)設(shè)計(jì)要求的強(qiáng)度、 施工所要求的混凝土拌合物的和易性、 耐久性要求等， 并保證不同用途混凝土所要求的質(zhì)量. 目前， 關(guān)于混凝土裂縫檢測(cè)[1-3]的研究比較多， 而針對(duì)混凝土配合比圖像識(shí)別的研究還很少. 圖像分類主要分三步， 分別是圖像預(yù)處理、 圖像特征提取、 圖像分類. 混凝土圖像特征提取與分類是本文研究的重點(diǎn). 由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的， 因而在圖像空間中相隔某距離的兩像素之間會(huì)存在一定的灰度關(guān)系， 即圖像中灰度的空間相關(guān)特性. 灰度共生矩陣就是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法[4]. 王民等[4]提出了一種多尺度灰度共生矩陣的紋理特征提取方法， 分別提取HSI色彩分量的灰度共生矩陣紋理特征， 實(shí)現(xiàn)了對(duì)中國(guó)畫的分類. 朱琳等[5]結(jié)合灰度共生矩陣?yán)碚搶?duì)CT混凝土圖像在不同荷載作用下的細(xì)觀損傷演化過程進(jìn)行了說明. Relly Andayani等[6]利用灰度共生矩陣紋理特征值對(duì)混凝土塌落度進(jìn)行了分類. Asha Gowda Karegowda等[7]利用彩色共生矩陣， 提高了圖像檢索的性能. 王輝等[8]利用彩色共生矩陣的方法實(shí)現(xiàn)了對(duì)木質(zhì)板材的分類.

根據(jù)上述研究發(fā)現(xiàn)， 單純采用灰度共生矩陣進(jìn)行圖像紋理特征提取， 會(huì)導(dǎo)致顏色信息的損失， 識(shí)別精度較低. 而用彩色共生矩陣進(jìn)行圖像特征提取， 融合了顏色特征， 具有較強(qiáng)的魯棒性， 可以彌補(bǔ)其他特征的不足. 本文提出一種基于彩色共生矩陣和支持向量機(jī)的混凝土圖像識(shí)別方法， 獲得了較為滿意的識(shí)別精度.

1 混凝土數(shù)據(jù)集

選用的兩種數(shù)據(jù)集均來自于中北大學(xué)土木工程專業(yè)構(gòu)建的數(shù)據(jù)集， 每一張圖像都是同一樣本在不同拍攝角度下得到的. 其中CIRD_A的獲取時(shí)間為2019年11月， 共有12類混凝土圖像； CIRD_B的獲取時(shí)間為2020年3月， 共有33類混凝土圖像.

1.1 CIRD_A

該數(shù)據(jù)集中混凝土的配合比有3種， 分別為 4∶6， 5∶5， 6∶4； 粒徑范圍有4種， 分別為： 0.3 mm～0.6 mm， 0.6 mm～1.18 mm， 1.18 mm～2.36 mm， 2.36 mm～4.75 mm. 選取表1 所列的9類混凝土圖像.

表1 CIRD_A文件目錄

1.2 CIRD_B

該數(shù)據(jù)集中混凝土的配合比有11種， 分別為 0∶1， 1∶9， 2∶8， 3∶7， 4∶6， 5∶5， 6∶4， 7∶3， 8∶2， 9∶1， 1∶0； 粒徑范圍有3種， 分別為： 0.075 mm～0.3 mm， 0.3 mm～0.6 mm， 0.6 mm～1.18 mm. 選取表2 所列的9類混凝土圖像.

表2 CIRD_B文件目錄

1.3 圖像處理

由于混凝土圖像存在多余背景， 我們利用PS軟件中的裁切工具對(duì)這72張圖片進(jìn)行處理. 將裁剪出的不規(guī)則四邊形目標(biāo)圖像調(diào)整成2 000*2 000分辨率圖片進(jìn)行保存(原始圖像大小為： 4 752*3 168像素). 目前兩種數(shù)據(jù)集中混凝土圖像樣本數(shù)較少， 因此采用步長(zhǎng)裁剪的方式擴(kuò)充數(shù)據(jù)集. 選擇步長(zhǎng)為230， 將圖像裁剪成 280*280分辨率的圖片， 可以滿足混凝土圖像的真實(shí)配比， 有利于特征的有效提取. 圖 1 為原始圖像和裁切無關(guān)背景后的圖像.

圖 1 圖像處理示例圖

2 基本原理

2.1 遺傳算法優(yōu)化支持向量機(jī)模型

2.1.1 遺傳算法

遺傳算法最早是由Holland教授根據(jù)達(dá)爾文的進(jìn)化論所提出的一種高效啟發(fā)式搜索方法[9]. 它通過遺傳中的選擇、 交叉、 變異等操作產(chǎn)生下一代的解， 使適應(yīng)度函數(shù)值高的個(gè)體被保留， 并逐漸淘汰適應(yīng)度函數(shù)值低的個(gè)體， 如此循環(huán)， 就能得到滿足條件的解， 達(dá)到優(yōu)化目的.

2.1.2 SVM理論

支持向量機(jī)是由Vapnik于1995年提出的一種機(jī)器學(xué)習(xí)理論， 可用于回歸分析與分類[10]. 其分類思想是將低維空間中線性不可分的數(shù)據(jù)樣本映射到高維空間使其線性可分， 并在高維空間中找到一個(gè)最優(yōu)超平面， 使得不同類別數(shù)據(jù)點(diǎn)之間的距離最大化.

設(shè)n個(gè)樣本集{((xi,yi)|i=1,2，…，n)}，xi∈Rn，yi∈{-1,+1}，xi為訓(xùn)練樣本點(diǎn)，yi為其對(duì)應(yīng)標(biāo)簽.使y=+1類與y=-1類數(shù)據(jù)點(diǎn)的間隔最大的超平面為

ωTxi-b=0,i=1,2，…，n.

(1)

為了保證數(shù)據(jù)點(diǎn)xi所允許的偏離差最小， 引入松弛變量ξi(ξi≥0)， 懲罰因子c, 得到如式(2)的目標(biāo)函數(shù)

(2)

為了處理非線性數(shù)據(jù)， 選用RBF核函數(shù)對(duì)SVM進(jìn)行推廣， 利用此函數(shù)將樣本映射到高維空間， 使得線性分類的精確率提升. RBF核函數(shù)公式為

(3)

式中：g為核函數(shù)半徑.

(4)

根據(jù)給定的RBF核函數(shù)， SVM分類器表示為

F(x)=sgn(f(x)),

(5)

式中：f(x)為SVM分類超平面決策函數(shù).

(6)

2.1.3 優(yōu)化模型

為了提升SVM的分類器性能， 提高分類精確率， 通過使用遺傳算法優(yōu)化支持向量機(jī)， 實(shí)質(zhì)上就是通過此方法尋找到合適的懲罰因子c及核函數(shù)半徑g[10]. 優(yōu)化步驟如下：

1) 對(duì)支持向量機(jī)中的參數(shù)c,g進(jìn)行二進(jìn)制編碼， 并產(chǎn)生初始種群；

2) 對(duì)種群進(jìn)行選擇、 交叉、 變異操作及計(jì)算適應(yīng)度函數(shù)， 若滿足GA終止條件， 直接輸出最優(yōu)參數(shù)組合(cbest=29.56，gbest=0.25)；

3) 將參數(shù)cbest,gbest代入SVM進(jìn)行訓(xùn)練及測(cè)試集分類， 判別是否符合實(shí)驗(yàn)設(shè)定的精度， 如不滿足， 返回步驟2)；

4) 利用最優(yōu)參數(shù)， 建立混凝土圖像分類的GA-SVM模型， 對(duì)測(cè)試集利用滿足精度的GA-SVM模型進(jìn)行分類， 并輸出結(jié)果.

如圖 2 為GA算法優(yōu)化SVM模型的參數(shù)尋優(yōu)適應(yīng)度曲線， 從圖中可以看出， GA算法具有良好的收斂性能和尋優(yōu)效率.

圖 2 參數(shù)尋優(yōu)適應(yīng)度曲線

2.2 灰度共生矩陣(GLCM)

灰度共生矩陣是在20世紀(jì)70年代由Haralick[11]首次提出的， 自此被廣泛應(yīng)用于紋理特征提取. 它是通過研究具有一定距離像素對(duì)之間的空間相關(guān)性來表述圖像紋理特征. 由于灰度共生矩陣計(jì)算量較大， 一般不直接應(yīng)用， 而是在此基礎(chǔ)上采用二次統(tǒng)計(jì)量描述紋理信息. Haralick提出了14種灰度紋理特征參數(shù)(Haralick特征能數(shù))， 本文使用了其中的8種， 分別是二階矩、 對(duì)比度、 相關(guān)性、 逆差距、 均值和、 熵、 和方差與差方差.

灰度共生矩陣是圖像的一種二階統(tǒng)計(jì)量. 給定一副數(shù)字圖像I(x,y)， 其灰度級(jí)為L(zhǎng)， 則灰度共生矩陣G(x,y)中(i,j)的值被定義為I(x,y)在θ方向上， 間隔為d的兩個(gè)像素點(diǎn)對(duì)(i,j)的統(tǒng)計(jì)數(shù)目n.G(x,y)的尺寸為L(zhǎng)×L，n為灰度共生矩陣在G(i,j)的像素值. 圖 3 為0°方向上的8級(jí)灰度共生矩陣構(gòu)造.

圖 3 0°方向上的8級(jí)灰度共生矩陣構(gòu)造

2.3 彩色共生矩陣(CGLCM)

彩色共生矩陣的概念最早是由Palm[12]提出的， 其將顏色和紋理相結(jié)合的方法歸結(jié)為平行法、 順序法和綜合法. 平行法和順序法是將顏色和紋理作為獨(dú)立的圖像特征進(jìn)行融合分析， 這樣勢(shì)必會(huì)造成原始彩色圖像信息的損失； 綜合法是指從某幅原始彩色圖像中獲取各個(gè)顏色通道的偽灰度圖像， 分別提取各偽灰度圖像的灰度共生矩陣紋理特征參數(shù)， 用這些提取出來的紋理特征參數(shù)描述原始彩色圖像紋理. 本文采用綜合法.

彩色共生矩陣構(gòu)造步驟[13]如下：

1) 顏色空間選擇. 顏色空間的選擇對(duì)于彩色圖像的識(shí)別是一個(gè)至關(guān)重要的環(huán)節(jié). H(色調(diào))， S(飽和度)， V(明度)空間能夠更加貼近人類的視覺感知. HSV顏色空間是一個(gè)均勻的六角椎體模型， 模型的 3個(gè)坐標(biāo)是獨(dú)立的， 能夠把HSV各個(gè)分量的變化表現(xiàn)得很清晰.

圖 4 混凝土圖像的HSV分量及其共生矩陣

2) 顏色空間轉(zhuǎn)換. 將原始混凝土圖像從RGB空間轉(zhuǎn)換到HSV空間.

3) 對(duì)HSV空間中的每個(gè)顏色通道H， S， V分別構(gòu)造灰度共生矩陣， 并計(jì)算2.2節(jié)中提到的8個(gè) Haralick特征參數(shù).

圖 4 為混凝土圖像的HSV分量及其構(gòu)造的共生矩陣圖像.

3 混凝土圖像紋理特征提取與分析

3.1 紋理特征提取

借助彩色共生矩陣的思想， 提出一種新的獲取混凝土圖像紋理特征的方法. 具體的操作步驟如下：

1) 將預(yù)處理后得到的混凝土圖像全部轉(zhuǎn)換到HSV空間， 并提取H， S， V 3個(gè)色彩分量， 得到的圖像定義為偽灰度圖像. 對(duì)9類混凝土圖像H分量的偽灰度圖像分別提取8個(gè)特征參數(shù)， 并用A，B，C，D，E，F(xiàn)，G，H代替. 例如Anm，n為混凝土圖像的類別；m為對(duì)應(yīng)的色彩分量，m為1時(shí)表示H，m為2時(shí)表示S，m為3時(shí)表示V. 得到如下8維特征矩陣.

(7)

2) 對(duì)S，V色彩分量重復(fù)步驟1)， 這樣就得到了混凝土圖像3個(gè)色彩分量所對(duì)應(yīng)的特征矩陣.

3) 將3個(gè)特征矩陣進(jìn)行融合， 可以得到了一個(gè) 24維的特征矩陣為

3.2 特征分析

特征分析是目標(biāo)識(shí)別、 圖像分割和圖像分類中的重要方法. 本研究應(yīng)用MATLAB2014a軟件編寫的程序來計(jì)算混凝土彩色圖像的特征參數(shù)均值.

圖 5 所示為CIRD_B中9類混凝土圖像彩色共生矩陣特征參數(shù)曲線. 由圖 5 可知， 彩色共生矩陣3個(gè)顏色通道的這8個(gè)特征參數(shù)與混凝土圖像不同類別之間存在著較大的差異， 因此， 利用這些信息， 能夠很好地獲取每一類混凝土圖像樣本的顏色及紋理信息. 因此， 本文方法是可行的.

圖 5 CIRD_B中9類混凝土圖像彩色共生矩陣特征參數(shù)曲線

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)樣本

選取預(yù)處理后的CIRD_B中的混凝土圖像(隨機(jī)選取訓(xùn)練集70%， 測(cè)試集30%)進(jìn)行識(shí)別， 驗(yàn)證彩色共生矩陣提取特征應(yīng)用于混凝土圖像分類的有效性. 圖 6 所示為CIRD_B中9類混凝土圖像. 由于篇幅限制， 不再給出CIRD_A.

圖 6 CIRD_B中的9類混凝土圖像

4.2 實(shí)驗(yàn)流程圖

根據(jù)本文提出的彩色共生矩陣方法， 繪制了如圖 7 所示的流程圖.

圖 7 分類方法框架圖

4.3 實(shí)驗(yàn)結(jié)果分析

彩色共生矩陣容易受到步長(zhǎng)d、 顏色空間、 灰度級(jí)以及方向等參數(shù)的影響. 方向參數(shù)選取0°， 45°， 90°， 135° 4個(gè)方向特征值的平均值， 這樣能大大減少方向?qū)μ卣鲄?shù)的影響[14]. 選擇SVM進(jìn)行分類， 通過多組對(duì)比試驗(yàn)， 分析步長(zhǎng)、 顏色空間、 灰度級(jí)等參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響.

4.3.1 步長(zhǎng)d對(duì)實(shí)驗(yàn)結(jié)果的影響

顏色空間選擇HSV， 灰度級(jí)選擇256步， 討論步長(zhǎng)d對(duì)實(shí)驗(yàn)結(jié)果的影響， 這樣有利于保持混凝土圖像的最大信息量， 保證特征參數(shù)的有用性. 由于步長(zhǎng)d較大時(shí)， 會(huì)導(dǎo)致大量像素點(diǎn)不參與灰度共生矩陣運(yùn)算， 造成紋理信息不準(zhǔn)確， 本實(shí)驗(yàn)中d最大為5.CIRD_B不同步長(zhǎng)的分類精確率見表3.實(shí)驗(yàn)結(jié)果表明， 當(dāng)d=2時(shí)效果最好， 合適的步長(zhǎng)有利于灰度共生矩陣更好地描述混凝土圖像特征.

表3 CIRD_B不同步長(zhǎng)的分類精確率

4.3.2 顏色空間對(duì)實(shí)驗(yàn)結(jié)果的影響

顏色空間的選擇和建立對(duì)獲取混凝土圖像的色彩特征具有重要作用， 合適的色彩空間能夠有效地獲取樣本的色彩特征. 本研究選擇幾種常見的顏色空間并結(jié)合灰度共生矩陣來獲取特征. 其中， 步長(zhǎng)d=2， 灰度級(jí)為256， 選取的顏色空間為HSV， HSI， RGB， 分類精確率見表4. 實(shí)驗(yàn)結(jié)果表明， 顏色空間為HSV效果最好.

表4 CIRD_B不同顏色空間的分類精確率

4.3.3 灰度級(jí)對(duì)實(shí)驗(yàn)結(jié)果的影響

步長(zhǎng)d=2， 顏色空間選擇HSV空間， 灰度級(jí)選擇16， 32， 64， 128， 256時(shí)的分類精確率見表5. 實(shí)驗(yàn)結(jié)果表明， 當(dāng)灰度級(jí)為256時(shí)效果最好. 圖像的灰度級(jí)越大， 圖像紋理越清晰， 越能保留混凝土圖像的真實(shí)信息.

表5 CIRD_B不同灰度級(jí)的分類精確率

4.3.4 基于CGLCM與多種分類器的兩種數(shù)據(jù)集混凝土圖像識(shí)別

根據(jù)步長(zhǎng)、 顏色空間、 灰度級(jí)3組對(duì)比實(shí)驗(yàn)結(jié)果， 得到了較為合適的彩色共生矩陣參數(shù)值： 步長(zhǎng)d=2， 灰度級(jí)為256， 顏色空間為HSV. 為了進(jìn)一步驗(yàn)證彩色共生矩陣(CELCM)的有效性， 將它與傳統(tǒng)灰度共生矩陣(GLCM)進(jìn)行比較， 并且對(duì)比了不同分類器對(duì)實(shí)驗(yàn)結(jié)果的影響. 由于BP神經(jīng)網(wǎng)絡(luò)也是一種經(jīng)典的分類器， 故將BP神經(jīng)網(wǎng)絡(luò)也加入到對(duì)比實(shí)驗(yàn)中. 每種分類器分別對(duì)兩種數(shù)據(jù)集進(jìn)行50次實(shí)驗(yàn)， 并取精確率的平均值， 結(jié)果見表6. 實(shí)驗(yàn)結(jié)果表明， 兩種數(shù)據(jù)集采用CGLCM與GA-SVM的分類效果最好.

表6 兩種數(shù)據(jù)集下傳統(tǒng)GLCM與CGLCM的分類精確率

5 結(jié) 論

本文選用了兩種混凝土圖像數(shù)據(jù)集， 提出了一種基于彩色共生矩陣支持和基于向量機(jī)的分類方法. 利用彩色共生矩陣提取24維特征向量， 將其輸入到BP神經(jīng)網(wǎng)絡(luò)、 SVM、 PSO-SVM、 GS-SVM、 GA-SVM中. 實(shí)驗(yàn)結(jié)果表明， CIRD_A和CIRD_B在GA-SVM上的識(shí)別精度最好， 分別可以達(dá)到 97.76%， 96.34%， 遠(yuǎn)超其他分類器， 用該方法識(shí)別混凝土圖像是可行的.