亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于CGLCM和GA-SVM的混凝土圖像分類方法 *

        2022-03-12 09:16:06焦宇倩侯宇超白艷萍李建軍
        關(guān)鍵詞:步長(zhǎng)共生紋理

        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.

        猜你喜歡
        步長(zhǎng)共生紋理
        基于Armijo搜索步長(zhǎng)的BFGS與DFP擬牛頓法的比較研究
        人與熊貓 和諧共生
        共生
        基于BM3D的復(fù)雜紋理區(qū)域圖像去噪
        軟件(2020年3期)2020-04-20 01:45:18
        優(yōu)生共生圈培養(yǎng)模式探索
        優(yōu)生共生圈培養(yǎng)模式探索
        使用紋理疊加添加藝術(shù)畫特效
        TEXTURE ON TEXTURE質(zhì)地上的紋理
        Coco薇(2017年8期)2017-08-03 15:23:38
        消除凹凸紋理有妙招!
        Coco薇(2015年5期)2016-03-29 23:22:15
        基于逐維改進(jìn)的自適應(yīng)步長(zhǎng)布谷鳥搜索算法
        久久99精品久久久久久清纯| 激情亚洲一区国产精品| 欧美在线a| 国产自在自线午夜精品视频在| 中文字幕色婷婷在线视频| 天堂丝袜美腿在线观看| 中国国产不卡视频在线观看| 女人高潮内射99精品| 亚洲国产精品日韩av不卡在线| 99精品国产99久久久久久97| 中文字幕喷水一区二区| 国产性一交一乱一伦一色一情| 国模精品二区| 日本一级二级三级在线| 新久久国产色av免费看| 国语自产偷拍在线观看| 国产精品后入内射日本在线观看 | 亚洲成人激情深爱影院在线| 欧美 日韩 人妻 高清 中文| 国产无遮挡又黄又爽在线观看| 大地资源中文在线观看官网第二页| 亚洲性无码av在线| 日韩激情av不卡在线| 久久精品国产av麻豆五月丁| 特黄aaaaaaaaa毛片免费视频| 丰满女人又爽又紧又丰满| 欧美亚洲国产人妖系列视| 久久精品国产亚洲av试看| 麻豆视频在线播放观看| 777亚洲精品乱码久久久久久| 久久国产精品波多野结衣av| 久久久久亚洲AV片无码乐播| 少妇人妻在线伊人春色| 欧美性xxxxx极品老少| 亚洲色在线v中文字幕| 国产短视频精品区第一页| av中文字幕性女高清在线| 国产午夜激无码av毛片不卡| 国产精品伦一区二区三级视频| 欧美人与动牲交片免费| 在线视频一区二区三区中文字幕|