基于樣本分析的圖像識別分類模型

摘要：利用基于樣本訓練的統計學習原理，在分析各類圖像樣本特征上的差異和相關性的基礎上，提取圖像共同特征和顯著特征參數集合，并加入人為啟發式思想，結合先驗知識的指導和計算機特征分析結果來制訂特征提取規則，應用Dempster－Shafer（DS）理論的思想融合提取的多個特征，形成啟發式分類模型。該模型可解決計算機視覺的精確性與人類視覺的模糊性相矛盾的問題，并能有效地區分在某些特征上有差異的相似物。

關鍵詞：機器視覺；樣本訓練；統計學習；分類模型；啟發式

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)11-0309-03

應用機器視覺進行物體分類的關鍵在于對物體視覺特征的識別與分類。通常，圖像具有很多特征，為了從中提取主要特征作為分類依據，需要通過分析大量給定的圖像樣本中各圖像之間的相似和差異，應用分類技術進行分析和學習，建立識別相應圖像的分類模型。

分類的核心是構建分類器，常用的有神經網絡、向量機、貝葉斯（Bayes）等方法，然而上述方法并沒有考慮到在某些特征上分類的特殊要求。通常在實際應用中，針對不同的需要對物體的分類有不同的要求，而且需要解決機器視覺的精確性與人類視覺的模糊性在物體識別過程中的矛盾。

本文依據人類視覺在物體識別過程中的特點，采用統計學習[1]分析能表征物體的特征集，并引入先驗特征啟發式指導，從眾多圖像特征中提取出共同特征和顯著特征，并應用DS證據推理理論[2]進行特征融合，構建啟發式分類模型。該模型照顧了圖像的某類特征在個性上的要求，亦平衡了人類模糊識別與機器精確識別之間的矛盾。該分類模型從視覺特征的特點出發，結合了物體特征的共性和特性，更接近人類對物體的感知特性。實驗結果表明該算法簡單、分類效果很好，且非常適合分揀系統中的物體分類。

1構造分類模型

1．1圖像特征分析

顏色是圖像最重要的視覺特征，一般用顏色直方圖來表示非常穩定，具有旋轉、平移和尺度不變性[3]，表現出相當強的魯棒性；同時在許多情況下，顏色是描述一幅圖像最簡便而有效的特征。不同的顏色空間有其各自的特點，通常應用的顏色特征有RGB空間的灰度、RGB分量值、8主色，HIS空間的色調H等。紋理是圖像表面所具有的內在特性，表現了物體表面的粗糙程度。紋理表示通常采用基于空間灰度的共生矩陣。形狀則是圖像幾何特征的反映，形狀表示的方法通常有本征方程、幾何常量、Fourier級數和力矩[4]。通常可采用的形狀特征有周長、面積、復雜度、凹點數和力矩等，這些特征不受物體尺寸、方向和位置的影響，是可以選用的特征參數。

1．2共同特征和顯著特征

從實驗可以看出，本文提出的啟發式分類模型能獲得很好的分類效果，能將特征相似但某些顯著特征上具有差異的物體進行準確分類，且對于每次識別后進行參數修正比不進行參數修正的識別率要高。由于所提供樣本訓練的特征集合還不夠完善，不能完全表示物體，并且特征閾值和參數的設定是根據多次實驗分析后得到的，不是最佳的，該模型的識別率還不能達到100%，但是其算法簡單、實用性強，識別效果還是不錯的。

4結束語

本文提出了對彩色圖像識別的啟發式分類模型。通過對彩色圖像的顏色、形狀和紋理特征進行分析，列舉出能很好描述彩色圖像特征的特征集合。應用統計分析方法提取出同類圖像的共同特征集合和顯著特征集合，這兩類特征很好地表示了各類圖像之間的差異。該模型中引入人為給定的先驗特征作分類指導，消除了機器精確計算與人類視覺模糊性的沖突，且能適合有些許形變或顏色變化的圖像分類。該模型很好地描述了各類物體圖像在特征上的表現關系，既體現了同類物體的共性，又體現了物體在分類中的具體要求，即在物體分類中某些特征上的特定要求。該模型能廣泛應用于分揀系統，在基于機器視覺的工業檢測中也具有實用價值。

參考文獻：

［1］祝海龍.統計學習理論的工程應用[D].西安：西安交通大學， 2002.

[2]王延平，袁杰，廖原，等.利用信息融合技術的缺損目標識別方法[J].中國圖象圖形學報，2000，5A(3)：237-240.

[3]SWAIN M J，BALLARD D H.Colorindexing [J].Computer Vision， 1991，7(1):11-32.

[4] 鄔浩，潘云鶴，莊越挺，等.基于對象形狀的圖像查詢技術[J].軟件學報，1998，9(5)：333-339.

[5]黃捷，彭宏，林嘉宜.一種與分布無關的線性分類算法[J].計算機工程與應用，2001，37（21）：87-89.

[6]羅三定，肖飛.不規則類圓形團塊物體圖像識別的新方法[J].中南大學學報：自然科學版，2004，35(4)：632-637.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”