1、華中科技大學碩士學位論文圖像特征提取方法研究及應用 姓名:常昌申請學位級別:碩士 專業:系統工程指導教師:石曉龍 20090524華 中 科 技 大 學 碩 士 學 位 論 文摘 要隨著科技發展和圖像信息的大量產生和交流,目標圖像的自動識別和分類應用 越來越廣泛,同時實際應用問題對目標識別技術的要求也越來越高,計算機自動識 別技術遠沒有滿足實際應用需求。圖像識別分類技術一般包括幾個階段:圖像預處 理、圖像特征分割、特征提取和自動分類器設計等,其中特征提取的內容和方法尤 為重要。特征提取為分類器提供所有依據,它的表征性能直接決定了識別分類的效 率和精度。在實際問題中,特征提取可能受到背景、視角、

2、光照、大小等噪聲干擾, 如何提取具有良好表征性能且受到噪聲干擾較小的特征參數,是應用研究的重要問 題。本文針對鋼鑄坯圖像的分類和評測的實際應用問題,研究以鑄坯圖像為識別目 標的特征提取技術。針對鋼鑄坯的主要缺陷中心偏析,提出實際特征提取的內容 和方法,分析處理特征參數數據。在圖像分割的基礎上,研究分析中心偏析的特性,提出特征參數提取的主要內 容,主要依據圖像像素點灰度和區域分布特性進行特征提取。針對圖像分割的兩種 結果,提出全局閾值和動態閾值兩組特征的提取。根據中心偏析區域特點,提出使用擬合直線方法確立偏析線方向,提出擬合方 法并研究應用效果。利用擬合的直線,對圖像像素點灰度值進行行投影,為特

3、征提 取提供依據。提出 13種特征參數的提取內容和方法,將 13種特征參數分為三類研 究論述。依據特征提取基本原則對特征參數進行選擇優化,選擇 10種重要參數組成 特征向量,并針對識別分類具體問題提出分類特征向量。本文以針對具體問題構造新的特征提取內容和方法為主要研究方向,并結合樣 本圖像進行數據分析和研究。對后期特征優化和分類器設計的研究不足,將在以后 的研究工作中予以關注。關鍵詞:特征提取 中心偏析 行投影 灰度特征 特征向量華 中 科 技 大 學 碩 士 學 位 論 文AbstractWith the development of science and the generation a

4、nd exchange of a large number of image information, the automatic identification and classification of image has been widely applied. Meanwhile, the requirements of technology of target recognition has been increased because of actual application. The technology of automatic identification with comp

5、uter is far to meet the actual application requirements. Generally, the techniques of image recognition and classification include several stages: image preprocessing, image feature segmentation, feature extraction and automatic classifier design, the content and method of feature extraction is part

6、icularly important. Feature extraction provides all the basis for classifier, and its characterization determines the efficiency and accuracy of recognition and classification directly. In practical applications, the feature extraction may be interfered by background, perspective, illumination, size

7、, etc. How to extract good feature parameters that has good characterization and high noise immunity, is important issues of research of practical applications.In this paper, we research the techniques of feature extraction which the images of steel slab as recognition target, for the application of

8、 the classification and evaluation of steel slab. For the main defect of steel slabcenter segregation, we bring forward the content and methods of actual feature extraction, and analyze the data of feature parameters.Based on image segmentation, we analyze the characteristics of center segregation,

9、and bring forward the content of feature extraction that mainly bases on gray feature and distribution of image pixels. And extract two groups features which are overall threshold features and dynamic threshold features, that based on the two results of image segmentation.According to the regional c

10、haracteristics of center segregation, we bring forward the method of fitting straight line to establish the direction of center segregation, determine the method of fitting straight line and research the results. We use the straight line to row project the gray values of image pixel, to provide basi

11、s for feature extraction. Bring forward the contents and methods of extraction of 13 kinds of feature parameters, and華 中 科 技 大 學 碩 士 學 位 論 文divided them into 3 categories for research. Based on the basic principles of feature extraction, we select 10 kinds important parameters to compose the feature

12、 vectors. And classify different vectors for specific issues of identification.In this paper, the main research is construct new contents and methods of feature extraction for specific issues, analyze and research the data of sample images. The later features optimization and classifier design is no

13、t enough, future research will be concerned to that.Keywords: feature extraction center segregation row project gray feature feature vectors獨創性聲明本人聲明所呈交的學位論文是我個人在導師指導下進行的研究工作及 取得的研究成果。盡我所知,除文中已經標明引用的內容外,本論文不包 含任何其他個人或集體已經發表或撰寫過的研究成果。對本文的研究做出 貢獻的個人和集體,均已在文中以明確方式標明。本人完全意識到本聲明 的法律結果由本人承擔。學位論文作者簽名:日期: 年

14、 月 日學位論文版權使用授權書本學位論文作者完全了解學校有關保留、使用學位論文的規定,即:學校有權保留并向國家有關部門或機構送交論文的復印件和電子版,允許 論文被查閱和借閱。本人授權華中科技大學可以將本學位論文的全部或部 分內容編入有關數據庫進行檢索,可以采用影印、縮印或掃描等復制手段 保存和匯編本學位論文。保密,在_年解密后適用本授權書。本論文屬于不保密。(請在以上方框內打“” 學位論文作者簽名: 指導教師簽名: 日期: 年 月 日 日期: 年 月 日華 中 科 技 大 學 碩 士 學 位 論 文1 緒論1.1 問題的提出及研究意義在信息飛速產生與交流的今天,圖像是獲取信息的主要途徑之一。圖

15、像是直觀 性很強的重要信息表達形式,也是最難獲取、處理與實現的信息,并且圖像的信息 作用很難用其他信息形式代替。圖像技術在科學研究、工業生產、國防科技、航空 航天、醫療衛生、交通管理等各個領域中都有廣泛應用。然而直接獲取的圖像往往不能滿足特定需求,因此需要對圖像進行處理和分類 標識,這就是圖像處理。通常所說的圖像處理主要是指數字圖像處理,也就是利用 計算機技術對數字圖像進行處理 123。隨著計算機和電子技術的快速發展,圖像的 獲取和使用越來越方便,海量圖像信息的分析和處理也顯得愈加重要,對圖像進行 標識和分類具有重要的研究價值和意義。對特定圖像進行標識分類最主要的方法是圖像的特征提取, 圖像的

16、識別過程中, 需要研究圖像固有的、 本質的重要特征或屬性進行量測并將結果數值化 4。 圖像的特 征是指圖像中可用作標志的屬性,包括自然特征(亮度、色彩、紋理等和人為特 征(頻譜、直方圖等 。特征提取是對圖像所包含的信息進行處理和分析,將不易受 隨機因素干擾的信息作為該圖像的特征提取出來 56。 特征提取是去除冗余信息的過 程,具有提高識別精度、減少運算量、提高運算速度等作用。一般情況下,良好的 特征應具有四個特點 1:區別性:不同模式類別的特征之間差別越大越好,對于不同類別對象的特征值 應具有明顯的差異性。例如,對于乒乓球和足球的區分其直徑就是一個很好的特征, 因為它們的直徑有明顯的差別。可靠

17、性:同一模式類別的特征應具有類似的值。例如,對于成熟程度不同的蘋 果來說顏色是一個不好的特征,因為青蘋果和紅蘋果都屬于蘋果一類,但是它們的 顏色差別很大。獨立性:特征之間應該彼此互不相關,若兩個特征反應的基本上是相同的屬性, 則不適合同時使用兩種特征。例如,水果的直徑和重量屬于比較相關的兩個特征, 因為重量大致和直徑的三次方呈正比,它們基本上都反映了水果的大小。有時相關 性很強的特征可以結合起來使用以增強適應性,但它們一般不應該作為單獨的一個華 中 科 技 大 學 碩 士 學 位 論 文特征來使用。數目小:圖像識別系統的復雜度會隨特征個數的增加而快速增加,用來訓練分 類器和測試結果的樣本數量會

18、隨著特征的數量呈指數關系增長。若增加適應性不強 的特征或者與已有特征有較強相關性的特征,反而會使分類器的分類能力下降,降 低系統識別分類的能力。在實際應用中提取特征時,往往是先試驗測試一些直覺和視覺上合理的特征, 然后選擇并優化這些特征以產生數目合適的最佳特征集。通常符合上述四個特點的 理想特征是很少甚至是沒有的。同時在實際鋼鐵生產過程中,需要對生產出的鋼鑄坯進行內部質量信息進行跟 蹤監測,而檢測方法是對經過冷酸蝕后的鋼鑄坯圖像表面缺陷進行觀測,也即依據 于鑄坯圖像評定缺陷的等級 7。目前鑄坯缺陷檢驗評級方法仍然采取人工評級模式, 即將鋼鑄坯圖片與 YB/T 4003-1997連鑄鋼板坯低倍組

19、織缺陷評級圖進行人工目 測對比后給出評級報告,因此這種評級方法不可避免的存在誤差大、評級滯后、缺 乏數據庫支持等缺陷。因此本文提出對鋼鑄坯圖像結合計算機進行自動化處理,對 圖像進行特征提取和自動識別分類,評定缺陷等級,以增強缺陷評定的準確和效能, 充分發揮缺陷評級在鋼鐵生產中的作用。因此如何提取圖像的特征能更滿足具體分類要求?什么樣的特征能夠具有良好 的識別性?怎樣提取簡單、容易快速計算、具有區分性、獨立性的特征?如何度量 圖像間的相似性?都具有重要的研究價值和意義。本文針對鋼鑄坯圖像的分類和評 測的具體需求,研究以鑄坯圖像為對象的特征提取技術,為自動評級技術提出新的 解決方法,也為特征提取技

20、術的實際應用擴展到新的領域。1.2 國內外研究現狀1.2.1 圖像特征提取研究現狀圖像的特征有很多種,相對應的分類也有很多種,如按照特征的表現形式可以 分為點特征、線特征和區域特征,按照特征提取的區域大小可分為全局特征和局部 特征 8,一般情況圖像的特征可分為一下四種:視覺特征:圖像的輪廓、形狀、邊緣、紋理等,這些特征物理意義明確,提取 比較容易 91011。華 中 科 技 大 學 碩 士 學 位 論 文統計特征:灰度直方圖、圖像矩中的均值、方差、峰值等,圖像矩特征在圖像 特征提取中得到了廣泛的應用 1213。變換系數特征:圖像的各種數學變換系數,如小波變換、傅立葉變換等,圖像 變換后的系數可

21、以作為圖像的特征 1415。代數特征:灰度圖像可以表示為矩陣形式,因此可以對其進行各種代數變換, 或者作各種矩陣分解,矩陣的奇異值分解也可以作為圖像的一種特征 161718。 目標圖像的特征提取的內容包括其顏色、灰度、紋理、輪廓、區域、特殊的點 或線等幾何或者算術的描述,在提取圖像特征時,希望特征參數能夠盡量反映圖像 重要的、本質的特征。重要的特征是指圖像的特征點在特征空間中同類相聚、異類 分散,也即在數學描述中符合特征區別性和獨立性的原則;圖像的本質特征是指特 征能夠對圖像特征提取時的環境和條件有較好的抗噪性,不受采集設備、光照條件 等因素的影響 1920。目前一些學者也對各種不同的特征提取

22、方法的提取性能進行了 比較和評估 2122。基于不同的圖像特征屬性和不同的特征提取方法會得到不同的特征描述參數。 對于灰度圖像而言,最簡單特征參數無疑是特征點的灰度特征。雖然灰度特征易于 受到周圍環境影響和干擾,但是灰度特征維數低、計算簡單,是灰度圖像特征最準 確的特征估計,因此其應用依然十分廣泛。近年來,國內外很多學者也在致力于具 有良好不變性特征的研究,并獲得了很多具有應用價值的特征描述參數,例如圖像 紋理描述參數、不變矩描述參數、傅立葉變換描述子、微分不變描述子、顏色描述 參數等 2324,并且對這些特征參數進行了比較性研究。國內外學者也從不同的方向提出了很多描述圖像特征的方法,例如對特

23、征輪廓 和特征區域的基本特性進行描述;對圖像紋理特征進行描述的灰度共生矩陣、基于 紋理基元的結構法;基于能量譜、能量分析的頻譜法等。近年來一些學者通過引入 數學工具,提出了基于小波分析的多尺度特征、分形特征、直方圖分布特征等描述 方法 2526,這些方法目前在圖像處理、特征提取與模式識別等眾多方面得到了廣泛 的應用。目前圖像的特征可以以映射(投影、降維為準則分為兩種,能夠通過線性映 射得到的特征稱為線形特征,經過非線性映射得到的特征稱為非線性特征,而對應 的映射稱為線性特征提取方法和非線性特征提取方法。一般的線性特征提取方法有主分量分析 (PCA 27、 Fisher 線性鑒別 (FLD 28

24、、華 中 科 技 大 學 碩 士 學 位 論 文投影追蹤(PP 等 29。PCA 方法是最常用的一種線性變換方法,也稱為 K-L 變換。 PCA 方法是將圖像 矩陣轉化為圖像向量,然后以該圖像向量作為原始特征進行分析 30。它的目的是去 除輸入隨機向量之間的相關性,以突出原始數據中的隱含特性。Fisher 線性鑒別是一種基于樣本類別進行整體特征提取的方法。 PCA 方法的一 個主要不足在于增大樣本類間距離時,同樣會導致樣本類內距離增大,而 Fisher 線 性鑒別方法在最大化類間離散度的同時會最小化類內類內離散度。這種方法的基本 原理就是找到一個最合適的投影軸, 使各類樣本在該軸上投影之間的距

25、離盡可能遠, 而每一類內的樣本的投影盡可能近,從而達到最佳的分類效果 3132。該方法在圖像 的整體特征提取中有很好的效果,有著廣泛的應用。投影尋蹤方法一般用來分析和處理高維數據,它的基本思想是把高維數據投影 到一維空間上,尋找出能夠反映原來高維數據的結構或特征的投影,在研究和分析 高維數據特征有較好的作用。線性方法一般是建立在正態分布的假設基礎上,有時不能滿足應用需求,因此 需要非線性方法來解決非正態分布的圖像特征提取。一般的非線性特征提取方法有 支持向量機 (SVM 3334、 核主成分分析 (KPCA 35、 核 Fisher 鑒別 (KFLD 3637等,這些方法應用往往比較復雜,具體

26、提取方法在此不再贅述。目前國內外計算機視覺、模式識別與人工智能等領域都對特征提取及其應用進 行了深入研究,在這方面都做了許多工作,取得了很好的成績,一些成果己具備初 步的實用價值。近年來國內外還研發了一系列圖形圖像軟件,它們具備了較強的圖 像特征提取的功能。隨著神經網絡、遺傳算法、統計學理論、形態學理論、小波理論等在圖像特征 提取中的廣泛應用,圖像特征提取技術呈現出以下的發展趨勢 38:多種特征的融合:除了利用圖像的原始灰度特征外,還可利用圖像的視覺特征、 統計特征、變換系數特征等高層次特征,通過多種特征的融合,圖像像素能被全面 描述,從而可以獲得更好的提取結果。多種提取方法的結合:由于目標的

27、多樣性以及目標成像的不確定性,單一的特 征提取方法難以對含復雜目標的圖像取得令人滿意的提取結果。在這種情況下,除 需要利用多種特征的融合外,還需要將多種提取方法進行結合,使各種方法充分發 揮各自的優勢,避免各自的劣勢。華 中 科 技 大 學 碩 士 學 位 論 文與圖像分割方法的相適應:由于圖像的多樣性和各種應用需求的復雜性,圖像 的特征提取應與圖像的分割方法相互結合,選取特定的提取方法結合特定的分割技 術,來達到最好的圖像識別結果。由于圖像特征提取的多樣性和復雜性,以及與多種圖像分割技術的對應,現有 的理論和方法離實際要求還有相當距離,一些根本的問題還有待進一步深入研究, 特征提取技術至今還

28、沒有發展成統一、有效的可應用于所有模式識別的理論。雖然 各特征提取算法在處理速度和提取能力方面各有所長,但是仍然在算法的性能、通 用性、自動化程度、準確率方面存在很多不足。因此對于圖像特征提取技術的研究 需要更多的關注,付出更多的努力。1.2.2 鋼鑄坯圖像特征提取存在的問題上文中已經提到,目前國內鋼鐵企業對于鋼鑄坯缺陷的評級工作仍然采用人工 評級方式。目前只有寶鋼于 03年報告了其鋼鑄坯硫印圖像的自動評級研究成果,但 由于其使用技術不夠完善,且硫印圖像本身評級的落后性,其應用效果并不能滿足 生產需求。國內鋼鑄坯冷酸蝕圖像自動評級的研究尚屬首次,可借鑒的經驗和技術 不多,因此不可避免的存在一些

29、問題和難度。在圖像的特征提取應用于鋼鑄坯圖像 的自動評級中,存在以下三個問題:1 國內鋼鐵企業尚不存在鑄坯自動評級系統,而國外可借鑒資料也難以獲取, 對于鑄坯冷酸蝕圖像的處理識別沒有經驗可取。雖然圖像特征提取的方法眾多,但 針對此類圖像的提取方法研究很少,我們需提出新方法來解決鋼鑄坯圖像的特征提 取問題。2 現場采集的鋼鑄坯圖像質量不高,圖像信噪比較低,缺陷特征信息量不足。 由于是人工數碼相機采集,因此圖像存在光照不均勻的問題,且圖像的大小不一, 背景噪聲較多。這就為圖像的處理和特征提取提出很大的要求,在特征提取前需對 圖像進行較充分的預處理和分割,并在特征提取時需充分提高參數對圖像大小不一

30、的抗噪性。3 圖像的特征根據屬性的不同可以分為很多類,每種特征又具有特定的效果和 提取方法。對于鋼鑄坯圖像的特征類別需要進一步研究并實際應用,研究各種特征 的效果和提取復雜度,提出適用于鑄坯圖像的特征類別,為識別分類提供依據。 因此對于鋼鑄坯圖像的特征提取技術需要進一步的深入研究,針對新的領域和華 中 科 技 大 學 碩 士 學 位 論 文新的問題提出新的方法,為自動識別分類系統提供依據。1.3 本文的工作及創新之處本文所研究的特征提取與分類識別并不是把一幅圖像中的不同特征區域分類出 來,而是不同圖像的相似特征分類,因此為特征數據提取和分類提出了一定難度。 本文研究對鋼鑄坯圖片進行處理和特征提

31、取與分類,提出鋼鑄坯圖像的特征提取的 新方法。其中主要的工作有:1 研究主要的特征參數測定方法及其一般應用,不同類特征對實際圖像的效果 和區分性,提出了鋼鑄坯圖像的像素灰度特征和分布特征類別。2 對圖像灰度特征和分布特征的提取方法進行研究,將模擬退火算法應用于中 心偏析的擬合直線,解決了中心偏析的定位問題。針對于人工評級的各項標準,將 特征提取方法應用于鋼鑄坯圖像的分類識別,提出了圖像像素灰度特征和分布特征 的提取方法,解決了分類識別的特征向量依據問題。3 對提取的特征參數數據進行觀察測定,針對圖像識別的特點提出主要特征向 量,對特征參數進行分類,初步研究對于識別分類的應用效果。本文的內容結構

32、安排如下:緒論:介紹有關背景知識以及特征提取的內容和研究現狀。圖像分割與特征提取方法的建立:通過實驗對方法進行比較, 針對具體運用選取 并改進特征提取算法,結合圖像分割對鑄坯圖像的特征進行研究。圖像特征參數的提取:利用擬合直線的方法確定圖像特征的方向, 提出各種特征 的具體提取方法,針對鑄坯圖像進行特征參數的提取。特征選擇和分類:針對分類需求對特征進行選擇優化, 確立圖像特征向量, 并分 類圖像特征參數。總結與展望:對特征提取方法在鋼鑄坯圖像識別和分類中的應用進行了總結, 并 對下一步工作做出了展望。華 中 科 技 大 學 碩 士 學 位 論 文2 圖像分割與特征提取方法的建立在進行圖像的特征

33、提取和分類之前,需要先對圖像及提取目標的特征進行分析 研究,確立在特征提取之前需要對圖像進行的前期處理,以增強特征的獨立性和有 效性。一般的圖像前期處理需要進行圖像預處理和圖像特征分割,由于鑄坯圖像的 質量不高,更需要進行完整的圖像預處理和圖像分割。針對鑄坯圖像的特點,提出 新的方法進行預處理和分割,以利于特征參數的提取。對圖像的預處理和特征分割尤為重要,它直接影響了整個模式識別系統的效率 和可靠性。特征提取方法是建立與圖像預處理和特征分割結果之上的,只有適當結 合各個階段才能提取良好的特征。本章論述了圖像預處理和分割的新方法和應用結果,對各類特征的提取內容和 效果進行研究比對,提出了像素點灰

34、度特征和分布特征的提取,針對缺陷特征論述 應用效果。2.1 鋼鑄坯圖像研究鋼鑄坯的圖像是現場鑄坯經冷酸蝕以后用數碼相機采集, 一般圖像如下圖所示: 圖 2.1 經冷酸蝕后的鋼鑄坯圖片這種圖片與平時所處理圖像相比具有較大的特殊性,圖像一般都不可避免有黑 色背景存在,且由于數碼相機的閃光作用使得圖像亮度分布不均勻,圖像本身噪聲 點較多,特征分布區域比較離散,并且各個圖像的大小和像素點并不相同,這就為 統一的特征提取和分類帶來了一定的困難,因此在進行特征提取之前還需對圖像進 行預處理達到較理想的效果。華 中 科 技 大 學 碩 士 學 位 論 文根據鋼鑄坯的缺陷評級標準,圖片可以根據缺陷出現部位分為

35、如圖所示的四個 區域: 圖 2.2 鋼鑄坯冷酸蝕圖片各分布部位區域 1:等軸晶層, 鑄坯缺陷最重要的指標中心偏析發生在此區域, 如圖所示的 顏色深淺不一的黑斑或集中的水平黑帶即是中心偏析。區域 2:柱狀晶層, 在此區域發生內裂缺陷, 內裂是鑄坯分類評級的重要指標之 一,針孔、氣泡等小的缺陷也發生在這個區域;區域 3:三角區,鑄坯特裂和角裂一般發生在此區域;區域 4:激冷層,比較純凈,一般沒有缺陷。中心偏析的級別分為兩個層次,第一個層次是根據偏析線是否有裂紋以及連續 性區分 A 、 B 、 C 級別,第二個層次是根據寬度及連續性再細分為 7個等級,依次為 0.0、 0.5、 1.0、 1.5、

36、2.0、 2.5、 3.0級。由偏析線的是否裂紋和連續性區分出鋼坯屬 于 A 、 B 、 C 中哪一級別,有偏析線可見裂紋的,一般為 A 級; A 級以外的若中心偏 析連續或者趨向連續,則一般為 B 級;不連續的為 C 級。同時在 A 級和 B 級中不存 在 0.0級,若不存在中心偏析則為 C0.0級。在細分 7個等級時,一般根據偏析線的 寬度來評定,寬度越大等級越高。一般來講, C0.0級別為最好的鋼鑄坯,即不存在中心偏析,等級越高說明鋼鑄 坯的質量越差。對于 A 級和 B 級同樣適用,但 A 、 B 兩級本身比 C 級嚴重,因為存 在連續或者裂紋,因此一般存在 A 級或者 B 級偏析,說明

37、鋼鑄坯的質量比較差。而 在整個樣本圖像中, C0.01.5級別的圖像占絕大多數,因為隨著煉鋼工藝的提高, 鋼鑄坯的質量也越來越好,因此區分 C0.01.5級別的中心偏析是研究重點。華 中 科 技 大 學 碩 士 學 位 論 文在人工評級標準中,一般通過觀察圖像偏析線來判定級別,具體區分偏析線是 有裂紋、連續、趨于連續還是不連續的方法如下:裂紋:偏析線有連續的鋸齒型裂紋,且具有一定長度和寬度,一般分布在圖片 的一側。如下圖所示是一個被評為 A 級的鑄坯圖片,從上面可以看到左側偏析線呈 鋸齒狀裂紋: 圖 2.3 偏析線裂紋連續:偏析線為水平分布的連續的連接在一起的偏析點,且連續長度超過 100mm

38、 。下圖就是評為 B 級的鑄坯圖像,可以看出偏析線就是由連接在一起的偏析 點組成: 圖 2.4 偏析線連續趨于連續:同連續性類似,偏析線為水平分布的偏析點,但點與點之間邊緣并 未連接在一起,而同時點與點之間距離也并不大,當這個距離在一定范圍內,且這 些趨于連續的長度超過了 100mm ,可判定為趨于連續。下圖是一個被評為 B 級的鑄 坯圖片,可以看到中心偏析線的右側呈現趨于連續的特征:華 中 科 技 大 學 碩 士 學 位 論 文 圖 2.5 偏析線趨于連續不連續:偏析線為不存在或只存在較少黑點, 下圖是 C 級鑄坯圖像的一個例子, 從圖中可以看中心偏析存在但是點分布相對松散, 不存在長度超過

39、 100mm 的連續偏 析線: 圖 2.6 偏析線離散不連續在 A 、 B 、 C 三個級別內各分為 7個小級別,其區分原則以寬度為劃分原則。根 據經驗,一般以 1mm 寬度作為一個等級的劃分標準,比如 C 級鑄坯偏析線寬度為 6mm 左右的,則判定為 C3.0級。在評定中參考偏析線長度適當增大或減小等級,但 不作為標準原則。在進行圖像前期預處理和圖像分割之后,圖像特征提取和分類主要研究的缺陷 是鑄坯的中心偏析帶和內裂。2.2 圖像分割的研究和結果如前所述,在對圖像進行特征提取和分類之前,需要針對鑄坯圖像進行圖像預 處理和圖像分割,以更好的進行特征提取。目前在圖像處理方面,針對鋼鑄坯圖像華 中

40、 科 技 大 學 碩 士 學 位 論 文的預處理和分割研究尚少,我們對于算法的選擇和優化進行了探索和研究。所謂圖像預處理,是指在對輸入圖像進行特征分割、特征提取和分類前所進行 的處理,圖像預處理的主要目的是消除圖像中無關的信息,增強有關信息的可檢測 性和最大限度地簡化數據。我們針對鑄坯圖像的光照不均勻、背景噪聲大等,提出 圖像預處理主要步驟為圖像灰度化、圖像背景去除和圖像光照補償。針對實際圖像, 提出了背景去除和光照補償的新方法,獲得了較理想的效果。圖像分割就是按照對圖像的灰度級、頻譜和紋理等特征的分析,將圖像劃分為 一系列具有一定意義且互不重疊的區域,提取出感興趣的目標的技術和過程。在鑄 坯

41、圖像中,除了偏析、內裂等缺陷外其他灰度較低的點都應視為噪聲點,因此在對 圖像進行了預處理后,應對缺陷特征圖像分割,將圖像有效特征點初步分離出來。 在研究了圖像基本特性后,我們研究了邊緣檢測、閾值、區域增長等各種圖像 分割的方法和效果,經過實際應用比對后,確立圖像分割主要采用基于閾值的兩種 方法:全局閾值和動態閾值。全局閾值是整張圖片都是用一個灰度閾值進行分割, 因此一般需要選取最佳閾值來進行分割,當圖像灰度直方圖具有雙峰特性時,需選 取兩峰之間的谷對應的灰度作為閾值。動態閾值又稱自適應閾值,是指在圖像不同 區域使用不同的閾值,來達到更好的效果。在對大量圖片進行仿真處理和測試后,確定使用全局閾值

42、的算法如下:其中 s 為任意一點像素的灰度 , 為常系數,根據對 1000張樣本圖片分割結果 的分析,并結合專家評級的原則和方法,把 定為 115。如下圖所示的原始圖像:華 中 科 技 大 學 碩 士 學 位 論 文 圖 2.7 鋼鑄坯待處理原始圖像使用全局閾值進行分割的效果如下圖所示: 圖 2.8 全局閾值分割圖像結合鑄坯圖像的特點,動態閾值采用關聯位置的方法,其基本思想是采用不同 的閾值對圖像中不同的像素行進行分割,閾值由中心到兩邊逐漸變化,具體方法如 下:1 取每個像素點的兩個基本參數:灰度值 h 和縱坐標 j ;2 根據連個基本參數 h 和 j 得到二維參數向量:歸一化灰度值 H 和歸

43、一化中心 距離 L ,計算方法如下所示:j W L W華 中 科 技 大 學 碩 士 學 位 論 文 式(2.3中 W 為鑄坯圖像寬度的一半;3 取灰度和位置的權重向量 12, 0.7,0.3w w w =;4 計算像素參數 ,根據所選擇的閾值進行閾值處理。 12, H t w L =w 使用動態閾值對圖 2.7所示圖像進行分割的效果如下圖所示: 圖 2.9 動態閾值分割圖像使用全局閾值和動態閾值所處理分割出的圖像各有優缺點,各對特定級別的圖 像有更好的效果,因此在特征提取和分類中要分別使用兩種分割結果來綜合進行處 理,以達到最佳的效果。2.3 特征提取內容和方法的建立圖像特征提取是在圖像的預

44、處理和分割之后進行并基于預處理和分割的,這樣 更容易提取出較好的特征,使特征更具有區別性和獨立性。根據對所提取特征內容 的不同,特征提取主要分為輪廓特征提取、區域特征提取、紋理特征提取、矩特征 提取和灰度代數特征提取 38等,不同的特征所選取的方法也不盡相同 39。本文主要 研究基于鑄坯圖像的特點并結合圖像分割的結果所進行的特征提取,對特征提取的 內容和方法進行研究分析。2.3.1 輪廓的基本參數及提取輪廓的基本參數有輪廓的長度、輪廓的直徑、斜率、曲率和角點等,下文研究 輪廓的這些基本參數和提取方法。華 中 科 技 大 學 碩 士 學 位 論 文 1 輪廓的長度輪廓的長度是一種簡單的區域特征,

45、它是特征區域的周長。圖像中的特征區域 可以看成是由特征區域內部點和輪廓點構成,區域的輪廓是由所有輪廓點按 4方向 或者 8方向連接組成的, 區域的其他點稱為區域的內部點。 4方向和 8方向的方向定 義如下圖所示: 123圖 2.10 4方向和 8方向示意圖對于區域 R 來說,它的每一個輪廓點 P 都應滿足兩個條件:P 本身屬于區域 R ; P 的鄰域中有點不屬于區域 R 。此外,如果區域 R 的內部點連通是用 8方向來判定 的,則其輪廓為 4方向連通的;而如果區域 R 的內部點連通是用 4方向來判定的, 則其輪廓為 8方向連通的。由上述條件可分別定義 4方向連通輪廓 B 4和 8方向連通 輪廓

46、 B 8如下:(48, |, B x y R N x y R =0 (2.4 (84, |, B x y R N x y R =0 (2.5 式中右邊第一個條件表示輪廓點本身屬于區域,第二個條件表示輪廓點的鄰域中有 不屬于區域的點, 和 (8, N x y (4, N x y 分別表示內部點采用 8方向和 4方向判定。若 輪廓已用單位鏈碼表示,則這種逐點表示的輪廓長度可以用碼數相加來表示,即水 乘以對角碼的個數。若輪廓所有點從 0到 K-1(K 個輪廓 點排列,則輪廓長度可用下式計算: 華 中 科 技 大 學 碩 士 學 位 論 文 ( (11411#|, , |, , k k k k k k

47、 D k k B k x y N x y k x y N x y +=+(2.6 式中 #表示數量, k+1的模按 k 計算,右邊第一項表示兩個像素間的直線段,第二項 表示兩個像素間的對角線段。2 輪廓的直徑輪廓的直徑是指區域中距離最遠的兩點之間的距離,即這兩點間的直線線段長 度,它的長度和取向對描述區域的特征有一定的作用。輪廓 B 的直徑 (d Dia B 可用 下式計算:(, max , i jd d i j Dia B D b b = (2.7 其中 、 i b j b 都屬于輪廓 B , 可以是任意一種距離量度, 不同的量度對應的 d D (d Dia B 也會不同。3 輪廓的斜率、曲

48、率和角點輪廓的斜率可以表示輪廓上各點的指向。曲率則是斜率的改變率,它表示了輪 廓上各點沿輪廓方向變化的情況。一般曲率所描述的是輪廓在該點的凸凹性,若順 時針方向跟蹤輪廓,則當一個點的曲率大于零時表示該點是凸段的一部分,否則為 凹段的一部分。角點是指曲率的局部極值點,它在一定程度上反映輪廓的復雜性。 在離散圖像中的區域輪廓上計算點的曲率經常由于離散邊界的粗糙不平滑而變得不 可靠,因此曲率在未經特殊處理的圖像特征提取中應用不多。鑄坯圖像在圖像分割之后特征帶呈長條狀,并且邊緣比較粗糙,沒有固定的較 平滑輪廓,并且樣本圖片大小不一,統計輪廓長度和曲率的計算意義不大。輪廓的 直徑雖然一般應用于閉合類圓形

49、區域,但在鑄坯特征中可以具體應用為中心偏析線 的長度,對圖像的分類具有一定的作用。2.3.2 區域的基本參數及測定圖像特征區域的基本參數包括區域面積、區域重心和區域的形狀特征,一般要 用所有屬于特征區域的像素集合來計算 4041。1 區域面積特征區域的面積是區域的一個基本特性,它表示了區域的大小,對一個區域 R 來說,它的面積 A 計算公式如下:華 中 科 技 大 學 碩 士 學 位 論 文 (, , x y x y R A d =式中 (, x y 表示像素點的坐標。由公式可以看出,計算區域的面積就是統計特征 區域內的像素個數。這種方法不僅簡單,而且是對原始區域面積的無偏和一致的最 好估計。

50、2 區域重心區域重心是對特征區域的一種全局描述符,區域中心的點坐標是根據所有屬于 區域的點計算出來的,如下式所示:(, 1x y R x x A= (2.9 (, 1x y R y A =由于區域的點一般數量比較多,因此區域重心的坐標一般不為整數。當區域本 身大小相對于其他區域的距離較小時,可將區域重心的坐標來近似代表區域,來表 示區域的空間位置。3 形狀參數區域的形狀參數一般用于描述目標區域的形狀,形狀參數 F 是根據區域輪廓的 周長和區域的面積來計算的:2若一個特征區域為圓形是, F 為 1;當區域為其他形狀是 F 大于 1。形狀參數在一定 程度上描述了區域的緊湊型,對區域大小的變化并不敏

51、感。區域的大小即特征像素點的個數無疑對鑄坯圖像中心偏析特征有較好的區分 性,尤其在區分 A 、 B 、 C 級別內部的 7個小級別時。而區域重心和形狀參數對區域 大小變化并不敏感,因此并不具備區別性。形狀特征中另有球狀性和圓形性等參數, 對中心偏析的區分并無用處,在此不再贅述。2.3.3 紋理特征參數提取一個實際圖像中,各個區域通常有自己的灰度分布特征,很多圖像在區域內灰度華 中 科 技 大 學 碩 士 學 位 論 文 分布在宏觀上呈現周期性或結構性,例如布匹、編織物、磚墻、草地、一堆硬幣等, 這種灰度分布在宏觀上非嚴格意義下的規律性稱為圖像紋理 4243。對于灰度分布在宏觀上呈現周期性的紋理

52、可以認為區域內的灰度函數是一個確 定性的函數并附加一個隨機場函數;當灰度分布在宏觀上呈現結構性的紋理可以認 為區域內存在一些基本的紋理單元,即紋理基元,區域的紋理是這些基元按一定結 構和規律形成的 45。因此,函數的周期、隨機場每點的方差、紋理基元的大小和規 律等決定了圖像紋理的最基本特征。常用的分析和描述紋理的方法有三種:統計法、結構法和頻譜法。頻譜法即傅立 葉頻譜分析,將圖像劃分成若干個區域,對每個區域進行傅立葉變換,則粗紋理的 頻譜能量主要集中在低頻率域上,細紋理的頻譜能量則集中在高頻率域上。傅立葉 變換可由下式表示:(, , exp 2F u v f x y j ux vy dxdy

53、+=+ (2.12 二維傅立葉變換的頻譜定義如下式所示:2*FFF = (2.13 式中 為 的共軛。頻譜 *F F 2F 則反映了整個圖像的性質。結構法主要應用于存在按某種規律重復出現的紋理基元的圖像(尤其是人工制 品的圖像 ,研究這些紋理基元的重復規律就是結構法的基本內容。鑄坯圖像所呈現 的特點顯然不屬于結構法的研究對象,因此在此不再描述,下面著重描述通用的統 計法紋理分析。統計法描述紋理一般借助于灰度共生矩陣來進行,共生矩陣用兩個位置的像素 的聯合概率密度來定義的,一幅圖像的灰度共生矩陣能反映出圖像灰度關于方向、 相鄰間隔、變化幅度的綜合信息 44。若 S 為特征區域 R 中具有特定空間

54、聯系的像素 對集合,則共生矩陣 P 的定義如下式所示:(1g 2g華 中 科 技 大 學 碩 士 學 位 論 文 在共生矩陣的基礎上,可以定義圖像的紋理描述符,若定義如下數據:(1(1, Ny i P j P i j =其中式(2-16中 1, 2, , i =,式(2-15中 1, 2, , j N =,則從這些數據中可以得 到以下紋理描述符:1 角二階矩:(2111, N Ni j W P =i j 二階矩是灰度共生矩陣像素值的平方和,也稱為能量,是圖像灰度分布均勻性 的度量。當各 的值分布較均勻時, 較小;而當某些 (, P i j 1W (, P i j 的值較大,其余值較小時, 較大

55、。從圖像整體來觀察,若紋理較粗,則此時 值較大,反之 值 較小。可以理解為粗紋理含有較多的能量,而細紋理廠含有較少的能量。1W 1W 1W 2 對比度:(2211, N N i j W i j P =i j i j 這個參數反映了圖像的清晰度, 即紋理的清晰程度。 若紋理的溝紋較深, 則 較 大,反之 較小。同時細紋理 較大,而粗紋理 較小。2W 2W 2W 2W 3 熵:(311, log , N Ni j W P i j P =熵值是圖像所具有信息量的度量,若圖像沒有任何紋理,則灰度共生矩陣近似 為零陣, 其熵則接近于零。 當各 (, P i j 都相等時, 最大; 當 3W (, P i

56、 j 差別較大時, 較小。同樣細紋理 較大而粗紋理 較小,可以理解為細紋理圖像信息量較大而粗3W 3W 3W華 中 科 技 大 學 碩 士 學 位 論 文 紋理信息量較小。4 逆差分矩:(42111, 1N N i j W i j =+P i j (2.20 這個參數又稱均勻性,反映了高值陣元在主對角線上的集中程度, 越大則表 明越集中。 對粗紋理反映靈敏,即粗紋理 較大,反之 較小。4W 4W 4W 4W 5 相關系數:(5111, N N x y i j x y W ijP i j = (2.21 其中 x 、 x 和 y 、 y 分別是 (x P i 和 (y P j 的均方差和均值。相

57、關系數描述了 共生矩陣的行或列的相似程度,是圖像灰度相關性的度量,反映了紋理的方向性。 以上五種參數是統計法利用灰度共生矩陣來進行紋理分析的主要參數,可以單 獨作為一個特征參數,也可將它們結合起來作為紋理分析的特征參數。鑄坯圖像中 各個區域并沒有明顯的規律紋理,但是不同區域的紋理區別很大。圖像分割后中心 偏析線和其他區域有較大區別,紋理分析中的對比度參數可以用來作為特征之一, 此特征可用于偏析 0級別和其他級別的分類。2.3.4 圖像灰度特征參數提取特征區域的灰度特性是一種重要而又容易得到的特征,也是人眼直觀上最容易 區分的特性。與計算圖像的其他特征不同,對圖像的灰度特性進行提取往往需要結 合原始圖像和分割圖像。圖像特征的灰度特性可以從密度特征描述符得到,常見的 幾種密度特征描述符有透射率、光密度和積分光密度 43。除密度特征之外,對圖像 各像素點的灰度值進行直接統計和分析也可作為重要的特征。1 透射率與光密度透射率是穿透目標的光與入射光的比例,它反映了目標的透射率計算方法如下 式所示:華 中 科 技 大 學 碩 士 學 位 論