基于混合加权特征向量的模式识别.pdf

《基于混合加权特征向量的模式识别.pdf》由会员分享，可在线阅读，更多相关《基于混合加权特征向量的模式识别.pdf（4页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、http:/ 基于混合加权特征向量的模式识别基于混合加权特征向量的模式识别*颜云辉 马朋仁 陈世礼 (东北大学机械工程与自动化学院 沈阳 110004)摘要摘要：图像特征向量的选取，对断口图像模式识别具有十分重要的作用。本文采用小波变换和共生灰度矩阵分析两种方法对断口图像进行特征提取，提出一种混合加权断口图像特征提取方法，并用于断口图像模式识别。关键词：模式识别，特征提取，小波变换，灰度共生矩阵.1.引引 言言:金属断口都表现出比较明显的纹理特性，如何提取断口图像的纹理特征信息是分类的关键。纹理分析方法分变换域和空间域两种。变换域方法常用的变换方法有 Fourier 变换、余弦变换、小波变换等

2、。空间域的方法常用的方法有直方图统计特征分析、灰度共生矩阵分析、灰度-梯度共生矩阵分析等。这两类方法在图像纹理特征的提取方面都有较为成熟的应用。但是，两种方法分别提取出的特征向量用于断口图像模式识别，识别率不是很理想。鉴于此，本文将主要采用小波变换和共生灰度矩阵分析两种方法对断口图像进行特征提取，最后综合两类方法，提出混合加权特征提取方法，提高识别率，减少误判率。2.类别可分离性判据类别可分离性判据 对于有 c 类样本的情况，令 xk(i)为i类中的 D 维特征向量，n为类的样本数，Piiwi是相应类别的先验概率。则类别可分离性判据：=+=cinkiTiiikTiikiidimmmmmxmxn

3、PJ11)()()()()()(1 （1）（其中=inkikiixnm1)(1为第 i 类样本集的均值向量，所有类别样本集总平均向量）=ciiimPm13.小波变换方法小波变换方法 小波变换的纹理分类方法采用小波变换后各频带输出的范数作为纹理分析的特征。1L1L范数：=MnmnmxM1,2),(1e 其中，MM 为频带图像的大小，和分别指示图像的行和列，mnx为该频带的小波系数。根据式（1）计算采用L1范数所提取的样本特征的类别可分离性。据表 1 的样本数据，可得 Jd 12.3 其单一特征的类别可分离性为：=7ddJJ1.76*高等学校博士学科点专项科研基金（20020145023）、国家自

4、然科学基金（50075016）资助项目 1http:/ 4.灰度共生矩阵分析灰度共生矩阵分析 从图像的灰度共生矩阵中抽取以下这些二次统计量作为分类识别的特征系数：角二阶矩，对比度，相关，熵方差，逆差矩。可以将它们组合起来成为纹理分析的特征参数。根据表 2 所得试验样本数据，由式（1）可得 Jd 8.7 其单一特征的类别可分离性为：=6ddJJ1.45 5混合加权特征的提取 5混合加权特征的提取 设 h 表示混合加权特征向量，选取敏感特征向量：L1范数特征的第一、第二、第三、第五、第六、第七维分量作为它的前六个特征分量，灰度共生矩阵特征向量的第一、第二维特征向量作为它的后两个特征分量，即 h 为

5、一八维特征向量。据表 3 所得样本数据，由式（1）可得 Jd 17.6 其单一特征的类别可分离性为：=8ddJJ2.2 6断口图像模式识别实验断口图像模式识别实验 从这 5 种断口图像中分别提取 40 幅128 128的灰度图像，共 200 幅。每一类取其中 3 幅作为训练样本，共 15 幅，余下的 185 幅和训练样本一起作为测试样本图像。结果表明，利用混合加权特征进行识别分类明显比仅用小波变换特征和灰度共生矩阵特征为好。表表 1 实验结果比较实验结果比较 正确识别率（）误判情况 断口类型 样本 总量 训练样 本数量 灰度共生矩阵 小波 变换 混合加权特征灰度共生矩阵小波变换 混合加权特征等

6、轴塑坑 40 3 90 100 100 拉长塑坑 腐蚀疲劳 40 3 95 100 100 河流花样 河流花样 40 3 80 97.5 97.5腐蚀疲劳 韧性疲劳 等轴塑坑 等轴塑坑拉长塑坑 40 3 90 92.5 100 腐蚀疲劳 河流花样 河流花样 韧性疲劳 韧性疲劳 40 3 92.5 95 97.5河流花样 拉长塑坑 河流花样 韧性疲劳 拉长塑坑 表表 2 五类断口图像的五类断口图像的 L1 范数特征范数特征 f1 f2 f3 f4 f5 f6 f7 样本 1 412.233 24.67924.80824.74927.63931.196 41.610 样本 2 444.134 25

7、.35824.49724.97929.16031.455 41.618 等轴塑坑 样本 3 437.874 24.78421.86624.95228.64531.596 42.001 样本 4 620.578 27.68527.77925.81828.05829.365 33.540 腐蚀疲劳 样本 5 583.425 28.36531.30125.26828.23231.189 34.306 2http:/ 样本 6 524.806 30.14936.25428.03030.34532.738 35.825 样本 7 771.583 21.20722.58220.64416.76418.45

8、8 34.999 样本 8 792.533 20.21821.65120.59715.74917.386 33.142 河流花样 样本 9 780.966 20.11723.27921.84116.06317.821 34.799 样本 10 520.516 19.43728.31223.88723.97727.765 45.733 样本 11 515.286 18.50226.97823.74823.11527.000 44.735 拉长塑坑 样本 12 440.015 20.63228.36023.64923.86827.462 44.382 样本 13 534.951 32.44637.

9、52224.03323.36825.972 46.671 样本 14 591.120 30.74738.69123.30821.73524.472 42.956 韧性疲劳 样本 15 511.963 37.787 25.691 23.999 22.014 25.112 46.434 表表 3 五类断口图像的灰度共生矩阵特征样本参数范数特征五类断口图像的灰度共生矩阵特征样本参数范数特征 g1 g2 g3 g4 g5 g6 样本 1 69.662 23.89820.80142.21713.436 27.749 样本 2 66.809 25.89919.28442.35714.467 27.421

10、等轴塑坑 样本 3 66.047 26.67018.72542.41316.199 26.999 样本 4 75.725 27.83117.37141.97224.482 26.747 样本 5 72.355 29.89715.80642.12422.928 25.040 腐蚀疲劳 样本 6 75.890 27.48816.89741.94623.879 27.743 样本 7 120.898 21.8552.10340.16338.198 28.435 样本 8 119.727 22.6431.37840.19838.087 27.983 河流花样 样本 9 121.877 22.5616.

11、32040.10836.869 28.038 样本 10 63.066 32.10915.16442.56718.883 23.921 样本 11 63.069 34.36713.25042.56617.695 21.092 拉长塑坑 样本 12 66.520 34.35211.42442.37113.935 21.446 样本 13 70.633 36.8424.86742.11415.361 18.982 样本 14 68.633 37.7414.43942.22514.397 19.182 韧性疲劳 样本 15 66.145 41.2736.01642.41524.183 18.983

12、表表 4 五类断口图像混合加权特征样本参数统计表五类断口图像混合加权特征样本参数统计表 h1 h2 h3 h4 h5 h6 h7 h8 样本 1 440.822 23.614 23.75027.74628.73339.18171.680 24.074样本 2 443.100 23.267 23.23528.06629.04939.49972.060 23.984等轴塑坑 样本 3 435.484 24.639 25.15827.02129.97540.14670.296 24.323样本 4 606.002 29.059 34.54528.92125.96531.61182.857 27.65

13、9样本 5 661.604 24.873 31.63429.44927.19534.40288.554 27.773腐蚀疲劳 样本 6 637.360 34.044 28.37531.23929.42934.16178.100 29.220流花样本 7 727.321 21.975 20.92417.63819.74538.989111.832 25.486 3http:/ 样本 8 733.333 22.376 21.49217.65918.86937.315115.277 24.870样本 9 740.421 21.664 23.06117.61919.88538.572111.849 2

14、4.964样本 10 508.529 21.109 28.72825.52827.06943.80964.378 33.134样本 11 469.933 21.436 28.79125.64027.71944.41365.462 32.828拉长塑坑 样本 12 435.294 22.939 27.92423.42026.21342.24166.737 31.198样本 13 520.369 33.279 29.65422.52724.97145.76063.237 43.283样本 14 522.342 29.974 28.70322.69224.39646.75167.237 42.784

15、韧性疲劳 样本 15 510.930 32.930 25.485 22.814 23.989 46.494 66.479 40.901 7 结论 7 结论 本文提出的结合小波变换和灰度共生矩阵的混合加权特征向量的提取方法，能够获得类别可分离性很好的特征向量，提高断口图像的识别率，减少断口图像的误判。参考文献 1.VAPNIC V.Statistical Learning TheoryM，NewYork：Wiley,1998 2.VAPNIC V.An Overview of Statistical Learning TheoryJ，IEEE Trans on Neural Networks，1

16、999,10(5)：988-999 3.B.Scholkopf,A.Smola.Nonlinear Component Analysis as Kernel Eigenvalue Problem,Neural Computation,1998,10(5):1299-1319 4.John C P.Fast Training of Support Vector Machines using Sequential Minimal Optimization，In Scholkopf B.et al(ed.),Advances in Kernel MethodsSupport Vector Learn

17、ing,Cambridge,MA,MIT Press,1999,185208 5.石美红,张军英 一种新的纹理图像特征提取的方法 纺织高校基础科学学报 2002，15（3）6薛笑荣，张艳宁，赵荣椿，申家振，胡伏原 利用小波尺度共生矩阵和灰度共生矩阵的 SAR 图像分类 中国体视学与图像分析 2002，7（4）7阎威武,邵惠鹤 支持向量机和最小二乘支持向量机的比较及应用研究 控制与决策 2003，18（3）Pattern Recognition Based on Omnibus Weighing Eigenvector Yan Yunhui Ma PengRen Chen ShiLi (The

18、School of Mechanical Engineering and Automation,Northeastern University,Shenyang 110004)Abstract:Image feature extraction is important for image rupture pattern recognition.The method of Wavelet transformation and symbiosis gray scale matrix can be used in image feature extraction.In this thesis we synthesize the two methods and propose a new method,and utilize it in image rupture pattern recognition.Keywords:pattern recognition,feature extraction,wavelet transformation,symbiosis gray scale matrix 4