【正文】 將聯(lián)合分布 T 得到的結(jié)果按環(huán)形鄰域上像素的特定順序排序構(gòu)成了一個(gè) 01序列本文按逆時(shí)針?lè)较蛞灾行南袼攸c(diǎn)的右邊鄰域像素為起始像素開始計(jì)算通過(guò)給每一項(xiàng)賦予二項(xiàng)式因子可以將像素的局部空間紋理結(jié)構(gòu)表示為一個(gè)唯一的十進(jìn)制數(shù)該十進(jìn)制數(shù)被稱為 LBPPR數(shù)這也是該紋理算子被稱為局部二值模式 Local Binary Pattern 的原因 LBPPR 數(shù)可通過(guò)式 6 計(jì)算 6 具體的 LBP紋理特征計(jì)算過(guò)程如圖 29所示將圖 29左邊模板閾值化使各鄰域像素點(diǎn)與中心像 素作比較大于 0 置 1 小于 0 置 0 得到圖 29 中圖按逆時(shí)針順序構(gòu)造 01序列 10100101最后計(jì)算出對(duì)應(yīng)的十進(jìn)制數(shù) 165該像素點(diǎn)的 LBP紋理特征值就是 165對(duì)圖像中的每個(gè)像素求 LBP特征值就得到了圖像的 LBP紋理特征圖如圖210所示因?yàn)閳D像邊緣處的 LBP紋理特征受鄰域影響較小所以本文對(duì)于圖像邊緣的像素點(diǎn)保留了原始像素灰度值 圖 29 計(jì)算局部二值模式紋理特征 P 8 R 2 圖 210 LBP 紋理特征圖 本文對(duì)待測(cè)區(qū)域的所有像素點(diǎn)構(gòu)造 LBP 直方圖以構(gòu)成待測(cè)區(qū)域的紋理特征其 LBP 直方圖表示如下 為該局部區(qū)域的像素點(diǎn)的 總數(shù) 由于本文采用的局部二值模式紋理特征 P 8 R 2 則的取值為 0－ 255 建立統(tǒng)計(jì)直方圖 Hist LBP 并且對(duì)直方圖進(jìn)行歸一化處理 為了對(duì)直方圖的相似度進(jìn)行度量本文采用 Bhattacharyya 距離巴氏距離Bhattacharyya 距離 []的計(jì)算公式如下所示 其中 Bhattacharyya 距離 Bhattacharyya 距離 第 1 組 第 2 組 第 3 組 第 4 組 第 5 組 第 6 組 第 7 組 第 8 組 第 9 組 211 LBP 紋理測(cè)試樣本 組別 Bhattacharyya 值 1 0702 2 0721 3 0711 4 0728 5 0671 6 0801 7 0331 8 0511 9 0412 可以看出本文采用的基于 LBP 的布匹紋理表示方法可以比較好的區(qū)分紋理相近和紋理不相近的待測(cè)目標(biāo) 263 基于混合高斯模型 GMM 的算法建模 混合高斯模型是想對(duì)應(yīng)于單高斯模型而言的其應(yīng)用可以在一定程度上解決多維特征向量的分類判別問(wèn)題就是數(shù)據(jù)可以看作是從數(shù)個(gè)高斯分布中生成出來(lái)的每個(gè) GMM 由 K 個(gè) Gaussian 分布組成每個(gè) Gaussian 稱為一個(gè) Component這些 Component 線性加成在一起就組成了 GMM 的概率密度函數(shù) 其中表示選中這個(gè) ponent 部分的概率我們也稱其為加權(quán)系數(shù)色品差色品差色度差飽和度差亮度差構(gòu)造特征向量構(gòu)造混合高斯模型 其中根據(jù) PCA 主成分分析法的原理去除以上所有特征中的冗余信息得到以下簡(jiǎn)化公式 其中分別表示混合高斯模型中各高斯核心的權(quán)重 以下圖組為以某一單一顏色的布匹采集樣本為例子 212 混合高斯模型待測(cè)樣本 訓(xùn)練其高斯混合模型參數(shù)訓(xùn)練結(jié)果參數(shù)為 檢測(cè)分量 高斯核中心 高斯核權(quán)重 A 0102 03 B 0134 03 H 0142 02 V 0821 02 即可得到混合高斯核函數(shù)為 264 基于 LBP 和混合高斯模型 GMM 的算法建模 在以上兩節(jié)內(nèi)容中本文討論了基于局部二值模式的紋理提取和基于混合高斯模型的顏色建模方法在此基礎(chǔ)上本文提出了一種融合 LBP 和混合高斯模型的特征建模算法 LBPGMM通過(guò)將待測(cè)目標(biāo)的 LBP直方圖與混合高斯模型結(jié)合在一起構(gòu)造出一種新的目標(biāo)高維特征 其中表示目標(biāo)的 LBP 歸一化直方圖特征表示目標(biāo)顏色信息的顏色混合高斯模型建立 LBPGMM 相似度計(jì)算公式 其中為混合高斯模型中的相似性度量 0－ 1 以下為試驗(yàn)樣本的融合 LBP 與混合高斯模型的相似性度量值的測(cè)試結(jié)果 第 1 組 第 2 組 第 3 組 第 4 組 第 5 組 第 6 組 第 7 組 第 8 組 第 9 組 213 基于 LBPGMM 模型的測(cè)試樣本 值計(jì)算結(jié)果 組別 值 1 0612 2 0621 3 0581 4 0568 5 0671 6 0676 7 0231 8 0141 9 0310 可以看出在待測(cè)目標(biāo)與標(biāo)準(zhǔn)目標(biāo)相似的情況下計(jì)算出的值比較高也即相似度較高在待測(cè)目標(biāo)與標(biāo) 準(zhǔn)目標(biāo)不相似的情況下計(jì)算出的值比較低 27 本章小結(jié) 本章主要包括一下內(nèi)容圖像預(yù)處理方法常用色差公式系統(tǒng)結(jié)構(gòu)及原理以及色差評(píng)價(jià)模型的建立 首先介紹了去除圖像噪聲的的三種圖像預(yù)處理方法鄰域平均法濾波中值濾波及高斯模板濾波法總結(jié)分析三種方法的優(yōu)缺點(diǎn)后本文決定所有樣本圖像使用高斯模板濾波 接著介紹了近年來(lái)色差公式的發(fā)展闡述和比較各個(gè)公式的優(yōu)缺點(diǎn)然后主要介紹了系統(tǒng)的平臺(tái)搭建并闡述了檢測(cè)過(guò)程中工業(yè)相機(jī)的選型鏡頭的選型圖像采集卡照明光源等問(wèn)題針對(duì)研究?jī)?nèi)容的需要本論文將采用 AD50 及 D65 標(biāo)準(zhǔn)光源 最后本節(jié)重點(diǎn)研究了一 種圖案的紋理特殊提取方法局部二值模式和顏色信息模型混合高斯模型并且提出了一種融合局部紋理信息 LBP和高斯混合模型 GMM的特征構(gòu)造方法為染色布匹的顏色質(zhì)量的分類判別做好了數(shù)據(jù)基礎(chǔ) 第三章 染色品色差檢測(cè)中顏色分類算法的研究 染色品的色差檢測(cè)中顏色分類是一個(gè)十分重要的環(huán)節(jié)本文首先討論幾種常見(jiàn)的分類算法并對(duì)其性能進(jìn)行了分析包括基于支持向量的分類算法基于級(jí)聯(lián)弱分類器的 boosting 分類算法 [18]最后根據(jù)待檢測(cè)目標(biāo)是非剛體且易受光照影響的特點(diǎn)提出了一種基于 LBPGMM 模型的支持向量機(jī)色差 [19]分類算法該算 法針對(duì)文章前部分提出的一種基于 LBPGMM 的特征描述可有效對(duì)檢測(cè)目標(biāo)的色差進(jìn)行檢測(cè)和分類識(shí)別 31 支持向量機(jī)原理 支持向量機(jī) SVM 算法是建立在統(tǒng)計(jì)學(xué)習(xí)理論 SLTstatistical learning theory 之上的方法目前該方法已被廣泛用于網(wǎng)絡(luò)流量檢測(cè)特征分類和人臉識(shí)別等多個(gè)研究領(lǐng)域并取得了良好的效果由于是針對(duì)有些檢測(cè)情況下樣本比較小難以通過(guò)大樣本進(jìn)行訓(xùn)練分類的情況 一方面在分類時(shí)該方法采用非線性轉(zhuǎn)換方法將樣本空間的分類轉(zhuǎn)換到高維特征空間 feature space 中有效地排除了冗 余特性 redundant attribute 和無(wú)關(guān)特性 irrelevant attribute 對(duì)分類輸出的影響 另一方面根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 [2942]在指了定特定的約束條件下將分類轉(zhuǎn)化為尋找最優(yōu)超平面的兩次尋優(yōu)問(wèn)題這將有效避免了分類模型依賴樣本先驗(yàn)概率的現(xiàn)象有效地提高了分類模型對(duì)于小樣本分類問(wèn)題的穩(wěn)定性和準(zhǔn)確性 支持向量機(jī)方法在進(jìn)行分類時(shí)先依據(jù)區(qū)域中樣本的屬性值計(jì)算該區(qū)域的分類曲面然后由該分類曲面來(lái)判定該區(qū)域中樣本的類別 樣本 x 為 m 維向量在某個(gè)區(qū)域內(nèi)存在 n 個(gè)樣本 3 1 若存在超平面 hyperplane 將訓(xùn)練樣本正確地區(qū)分令該超平面滿足條件 3 2 假如此超平面使得分類間隔最大那么此超平面即為最優(yōu)超平面 另外考慮到可能存在一些被超平面錯(cuò)誤分類的樣本因此引入松弛因子slack variable 3 3 令超平面滿足 3 4 得到最小泛函 3 5 公式中定義非負(fù)常數(shù)為懲罰因子它的值越大說(shuō)明對(duì)支持向量機(jī)的錯(cuò)誤分類懲罰度越大 利用拉格朗日乘子法并結(jié)合 KuhnTucker 定理轉(zhuǎn)化為最大化目標(biāo)泛函 3 6 至于對(duì)于非線性情況則是通過(guò)核函數(shù)將其轉(zhuǎn)化為高維變換空間中的線性問(wèn)題進(jìn)行求解 如果核函數(shù) k x y 滿足 mercer 條件它就對(duì)應(yīng)于某一變換空間的內(nèi)積運(yùn)算用k x y 代替 3 6 式中的內(nèi)積運(yùn)算得到目標(biāo)泛函為 3 7 相應(yīng)的分類判決函數(shù)轉(zhuǎn)變?yōu)? 3 8 式 3 7 中不 等于 0 的所對(duì)應(yīng)的訓(xùn)練樣本為支持向量 32 AdaBoost 分類算法 組合分類的方法是指通過(guò)分類學(xué)習(xí)獲得多個(gè)分量分類器然后按照某種方法把他們組裝起來(lái)由于利用了多個(gè)分量分類器的多樣性因此可以降低分類誤差 Freund 和 SchapireAdaBoost 算法 AdaBoost 的分量分類器的分類精度和差異性之間存在矛盾以至于降低了AdaBoost 算法的分類精度和泛化性針對(duì)于此本文提出了通過(guò)改變高斯寬度σ的基于 Adaboost 的 SVM 分類器并使用它對(duì)染色效果評(píng)價(jià)指標(biāo)進(jìn)行模型重建 根據(jù)染色品的訓(xùn)練樣本調(diào)整各個(gè)分量分類器 的核函數(shù)參數(shù)值使它們?cè)诰群筒町愋灾g達(dá)到一定的平衡從而提高了集成分類器的泛化性和分類精度 AdaBoost 算法是提取若干簡(jiǎn)單特征組成的若干個(gè)弱分類器再由弱分類器組陳的一個(gè)強(qiáng)分類器的算法它是在 boosting算法基礎(chǔ)上提出的與 Boosting算法不同的是 adaBoost 算法不需要預(yù)先知道弱學(xué)習(xí)算法學(xué)習(xí)正確率的下限弱分類器的誤差并且最后得到的強(qiáng)分類器的分類精度依賴于所有弱分類器的分類精度可以深入挖掘弱分類器算法的能力該算法其實(shí)是一個(gè)簡(jiǎn)單的弱分類算法提升過(guò)程這個(gè)過(guò)程通過(guò)不斷的訓(xùn)練可以提高對(duì)數(shù)據(jù)的分類通過(guò)對(duì) N 個(gè)訓(xùn) 練樣本的學(xué)習(xí)得到第一個(gè)弱分類器將分錯(cuò)的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個(gè)新的 N 個(gè)的訓(xùn)練樣本通過(guò)對(duì)這個(gè)樣本的學(xué)習(xí)得到第二個(gè)弱分類器將和分錯(cuò)了的樣本其他的新樣本構(gòu)成新的 N 個(gè)的訓(xùn)練樣本通過(guò)對(duì)這個(gè)樣本的學(xué)習(xí)得到第三個(gè)弱分類器最終經(jīng)過(guò)提升的強(qiáng)分類器 AdaBoost 算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的樣本對(duì)應(yīng)的權(quán)重是相同的在此樣本分布下訓(xùn)練出一弱分類器分類樣本加大其對(duì)應(yīng)的權(quán)重而對(duì)于分類正確的樣本降低權(quán)重這樣分錯(cuò)的樣本就被突顯出來(lái)從而得到一個(gè)新的樣本分布在新的樣本分布下再次對(duì)樣本進(jìn)行訓(xùn)練得到弱分類器依次類推 T 次循環(huán)得到 T 個(gè)弱分類器把這 T 個(gè)弱分類器按一定的權(quán)重疊加 boost 起來(lái)得到最終想要的強(qiáng)分類器給定訓(xùn)練樣本集 S X和 Y 分別對(duì)應(yīng)例樣本和負(fù)例樣本 T為訓(xùn)練的最大循環(huán)次數(shù)初始化樣本權(quán)重為 1n 即為訓(xùn)練樣本的初始概率分布第一次迭代訓(xùn)練樣本的概率分布相訓(xùn)練弱分類器計(jì)算弱分類器的錯(cuò)誤率選取合適閾值使得誤差最小更新樣本權(quán)重經(jīng) T次循環(huán)后得到 T個(gè)弱分類器按更新的權(quán)重疊加最終得到的強(qiáng)分類器 作為本文中支持向量機(jī)核函數(shù)的選擇一方面可以利用支持向量機(jī)設(shè)計(jì)結(jié)構(gòu)的優(yōu)勢(shì)另一方面可以對(duì)采集樣本的紋理特征與顏色特征進(jìn)行較好的提取 對(duì)于將作為標(biāo)準(zhǔn)模型的參數(shù)信息進(jìn)行離線學(xué)習(xí)由于支持向量機(jī)本身的特點(diǎn)因此對(duì)樣本的數(shù)量不要求很好這一點(diǎn)與 Adaboost 算法有著很大的區(qū)別也給本文在實(shí)際應(yīng)用中的實(shí)施帶來(lái)了較大的工程化可行性 高斯函數(shù)的寬度σ規(guī)則化參數(shù) C 構(gòu)造 LBP 直方圖的 PR 參數(shù)是本文中提出的基于 LBPGMM 模型的 SVM 分類算法的三個(gè)重要的參數(shù)本文中 P 8R 2 選擇合適的C和σ值可以有效地避免出現(xiàn)過(guò)擬合現(xiàn)象對(duì)采用 LBPGMM 的 SVM的性能進(jìn)行分析