基于AP聚類算法的地板塊紋理識別研究*

苑毓航，趙智超

（佳木斯大學(xué)信息電子技術(shù)學(xué)院，佳木斯154007）

1 引言

隨著中國經(jīng)濟的發(fā)展，城市居民生活水平不斷提高，人們對于家庭裝飾的消費能力在不斷提升。在注重環(huán)保的當今社會，人們對木質(zhì)地板塊表現(xiàn)出了旺盛的需求。另一方面，人們對地板塊的視覺欣賞要求也越來越高。地板紋理作為地板塊的主要屬性，所呈現(xiàn)出的視覺效果直接影響著用戶的選擇與體驗，也成為了評定地板塊級別的重要指標[1-2]。

當前地板塊紋理識別研究引入機器學(xué)習(xí)模型，來提高地板塊紋理的識別效率，雖然近些年國內(nèi)外學(xué)者在該領(lǐng)域取得了一定的成果，但是由于地板塊紋理結(jié)構(gòu)具有復(fù)雜性，如何提高地板塊紋理的識別效率仍然是有待進一步深入研究的課題。在此背景下，基于近鄰傳播聚類算法（Affinity Propagation,AP）提出了一種無監(jiān)督的地板塊紋理識別方法[3]。

2 AP聚類算法簡介

AP聚類算法是Frey等人于2007年在Science雜志上提出的一種無監(jiān)督聚類算法[4]。該算法無需事先定義類數(shù)，而是通過迭代過程自適應(yīng)地獲取聚類中心[5]，從數(shù)據(jù)點自動識別類中心的位置及數(shù)目，進而使得所有的相近點的相似度之和最大。該算法與普通聚類算法的區(qū)別在于，它主要是通過數(shù)據(jù)點間的交互來實現(xiàn)聚類過程的[6]。

AP聚類算法的關(guān)鍵步驟包括吸引度R=[r(i,k)]和歸屬度A=[a(i,k)]的迭代更新[7-9]，而此吸引度與歸屬度的更新取決于相似度S=[s(i,k)]。三者之間關(guān)系的計算公式如下：

AP聚類算法的流程圖如圖1所示：

圖1 AP聚類算法的流程圖

AP聚類算法的偽代碼總結(jié)如下：

3 算法實施及實驗結(jié)果

首先獲取地板塊紋理圖像，并對圖像進行統(tǒng)一處理，消除圖像中無關(guān)信息，增強信息的可檢測性；然后，基于灰度共生矩陣抽取地板塊紋理的特征；接著，采用AP聚類算法對地板塊紋理圖像進行聚類；最后，與常用的聚類算法K-means[10]和K-medians[11]的聚類結(jié)果進行對比，證明所提方法的有效性。研究思路流程圖如下圖2所示。

實驗選取的樣本包括直紋和彎紋兩類，選取樣本100組（其中直紋、彎紋各50組）。樣本圖片大小均為512×512的BMP格式。樣本展示如圖3所示。

圖2 算法實施流程圖

圖3 地板塊紋理圖

對采集到的紋理圖進行預(yù)處理。先采用中值濾波方法進行濾波處理，之后基于灰度共生矩陣抽取紋理圖片特征，為紋理識別模型提供特征量。將獲得的特征量輸入AP聚類算法中，即可獲得不同紋理圖片的紋理類型。

通過灰度共生矩陣獲得的問題特征展示如下圖4所示：

圖4 地板塊樣本的紋理特征對比圖

與常用聚類算法K-means和K-medians的聚類結(jié)果對比如圖5所示。

實驗結(jié)果數(shù)據(jù)對比結(jié)果如表1.

圖5 三種聚類算法的識別結(jié)果對比

表1 AP聚類算法紋理分類結(jié)果

表1中的實驗結(jié)果表明AP聚類算法的準確率最高，同時AP聚類算法不需要指定聚類中心數(shù)，是一種無監(jiān)督的聚類算法，能夠排除人為干預(yù)因素。而K-means和K-medians需要設(shè)置聚類中心數(shù)，降低了算法的效率和客觀性。三種聚類算法對地板塊直紋紋理識別的精度都比較高，主要區(qū)別在于彎紋紋理，這是由于彎紋紋理主要以粗紋紋理為主，其附近分布著很多的細紋紋理線條，結(jié)構(gòu)相對復(fù)雜，識別較為困難。

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)系到視覺效果和經(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)，提出了基于AP聚類算法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)的聚類方法，具有極高的實用價值。