基于OCSVM的地板塊紋理識(shí)別算法研究

李潤(rùn)豐

（沈陽(yáng)市同澤高級(jí)中學(xué),沈陽(yáng)110013）

1 引 言

近年來(lái)隨著中國(guó)經(jīng)濟(jì)快速發(fā)展，城市居民家庭裝飾消費(fèi)能力明顯提高。在回歸大自然和環(huán)保意識(shí)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(chǎng)需求。紋理作為木材的天然屬性，其獨(dú)有的視覺(jué)特性直接影響地板塊的感觀效果及其經(jīng)濟(jì)效益，成為評(píng)定地板塊質(zhì)量等級(jí)的重要標(biāo)準(zhǔn)[1]。因此，在地板塊生產(chǎn)加工過(guò)程中，常常需要根據(jù)地板塊表面紋理對(duì)其進(jìn)行分類，以提高產(chǎn)品質(zhì)量。

另一方面，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，國(guó)內(nèi)外研究者已將計(jì)算機(jī)視覺(jué)技術(shù)引入木材紋理識(shí)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(guó)內(nèi)外眾多學(xué)者提出了很多紋理識(shí)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(jī)性大、復(fù)雜度高，很難用準(zhǔn)確的數(shù)學(xué)解析式來(lái)表達(dá)，致使到目前為止仍然沒(méi)有統(tǒng)一描述和界定木材紋理的國(guó)際標(biāo)準(zhǔn)或行業(yè)準(zhǔn)則[2]。因此，紋理識(shí)別分類作為計(jì)算機(jī)視覺(jué)和模式識(shí)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(duì)其進(jìn)一步深入研究。目前國(guó)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(jī)(SVM，Support vector machine)方法[4]、貝葉斯方法等，這些方法需要大量的標(biāo)注訓(xùn)練樣本，才能保證測(cè)試樣本的精度，而無(wú)監(jiān)督分類方法OCSVM(one-class SVM，一類支持向量機(jī))能夠解決這一局限性[5-6]，實(shí)現(xiàn)地板塊紋理的高效識(shí)別。

2 OCSVM算法研究

Scholkopf等研究人員對(duì)SVM算法進(jìn)行了擴(kuò)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(guò)SVM訓(xùn)練得到具有最大分類間隔的超平面，進(jìn)而把分類問(wèn)題轉(zhuǎn)化成一個(gè)特殊的二值分類問(wèn)題[7-8]。現(xiàn)在己知輸入樣本集合同樣假定有一個(gè)從原空間到無(wú)限維空間χ的映射φ，并且滿足問(wèn)題就轉(zhuǎn)化成找到一個(gè)這樣的二值分類器，使得在囊括了大多數(shù)正常樣本點(diǎn)的高密度區(qū)域中的樣本點(diǎn)類別記作“+1”，而位于這個(gè)高密度區(qū)域之外的異常樣本點(diǎn)類別記作“-1”。則該問(wèn)題的求解過(guò)程如下：

通過(guò)式(3)、式(4)和式(5)，我們可以對(duì)式(2)進(jìn)行簡(jiǎn)化，得到Wolfe對(duì)偶問(wèn)題：

式(2)中的b能夠根據(jù)滿足條件的支持向量來(lái)計(jì)算，其計(jì)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(duì)函數(shù)進(jìn)行變換，得到：

3 基于OCSVM的地板塊紋理識(shí)別方法

本研究基于OCSVM的地板塊紋理識(shí)別分類方案，采用近年來(lái)被提出的一種雖簡(jiǎn)單但功能強(qiáng)大的紋理分析方法——灰度共生矩陣[9]來(lái)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(shí)別方法研究流程

具體研究?jī)?nèi)容可分為以下幾點(diǎn)：

（1）獲取地板塊紋理圖像進(jìn)行預(yù)處理

選取2類不同紋理的地板塊作為實(shí)驗(yàn)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(shí)驗(yàn)結(jié)果，為了保證獲取圖像的質(zhì)量，在這一過(guò)程中需保證環(huán)境相同且光照均勻。獲取的圖像在視覺(jué)效果和識(shí)別方便性等方面都或多或少的存在一些問(wèn)題，不能直接用于分析處理，因此需要對(duì)樣本圖像進(jìn)行預(yù)處理，消除圖像中無(wú)關(guān)的信息，增強(qiáng)信息的可檢測(cè)性，保證實(shí)驗(yàn)分類結(jié)果的準(zhǔn)確性。對(duì)比結(jié)果如圖2所示。

圖2 兩類地板塊紋理圖

由圖2可見(jiàn)，類別A地板塊紋理為橫向走勢(shì)，紋理較粗，分布稀疏，間隔較大,對(duì)比度高；類別B地板塊紋理對(duì)比度也較高，但該類別最大的特點(diǎn)是以粗紋理線條為主，其附近分布著很多的細(xì)紋理線條，結(jié)構(gòu)相對(duì)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(wú)監(jiān)督分類識(shí)別模型

OCSVM模型在文本分類、異常點(diǎn)識(shí)別等方面應(yīng)用廣泛，但在木材紋理識(shí)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(duì)測(cè)試樣本進(jìn)行分類

應(yīng)用構(gòu)建好的OCSVM模型對(duì)測(cè)試樣本進(jìn)行無(wú)監(jiān)督分類。

為了驗(yàn)證本文提出的基于OCSVM算法地板塊紋理識(shí)別算法的優(yōu)勢(shì)和可行性，針對(duì)同樣的訓(xùn)練樣本和測(cè)試樣本，采用BP神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、貝葉斯算法分別對(duì)提取的紋理特征進(jìn)行分類識(shí)別，比較以上分類算法的優(yōu)缺點(diǎn)及實(shí)驗(yàn)結(jié)果。測(cè)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(cè)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(jìn)行地板塊的紋理識(shí)別。然后進(jìn)行整體對(duì)比。對(duì)比實(shí)驗(yàn)結(jié)果如表1所示。輸出結(jié)果細(xì)節(jié)如圖3所示。可見(jiàn)在模型輸出結(jié)果中，兩類樣本有明顯的分別，對(duì)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(jìn)行實(shí)驗(yàn)，參數(shù)選擇默認(rèn)設(shè)置；決策樹(shù)與貝葉斯使用weka自帶的程序包進(jìn)行實(shí)驗(yàn)，參數(shù)選擇默認(rèn)設(shè)置。

綜上可得出兩點(diǎn)結(jié)論：

（1）對(duì)比實(shí)驗(yàn)中，通過(guò)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(shí)別結(jié)果，對(duì)于地板塊紋理的識(shí)別，BP神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、貝葉斯方法的識(shí)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(biāo)注成本，有利于實(shí)時(shí)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(shí)驗(yàn)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(shí)別分類正確率高、計(jì)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(zhǔn)確有效的新方法。

4 結(jié)束語(yǔ)

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

本研究圍繞紋理識(shí)別分類技術(shù)，針對(duì)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(yàn)證其適用于地板塊紋理分類。大量實(shí)驗(yàn)研究證明了該算法優(yōu)于傳統(tǒng)的紋理識(shí)別分類方法，具有極高的實(shí)用價(jià)值。

[1]劉一星.木材視覺(jué)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(wàn)海東,盧彥飛,張濤.一種基于人眼視覺(jué)特性的圖像質(zhì)量評(píng)價(jià)方法[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),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(lè),等.基于SVM和小波的木材紋理分類算法[J].儀器儀表學(xué)報(bào),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(shí)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(jìn)LBP的彩色人臉圖像識(shí)別[J].小型微型計(jì)算機(jī)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(qiáng),董平,林嘉宇.圖割方法綜述[J].微處理機(jī),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.