一种基于Gabor小波分析的羊毛羊绒识别算法

摘要

一种基于Gabor小波分析的羊毛羊绒识别算法，包括在线识别流程与模型学习流，所述在线识别流程，包括以下步骤：(1)对羊绒羊毛纤维进行取像；(2)采用高斯滤波器对图像进行平滑滤波，对图像灰度级调整实现图像增强；(3)采用基于canny的边缘检测与轮廓的提取图像目标；(4)提取Gabor特征；(5)计算结果；所述模型学习流程，包括以下步骤：(1)积累的大量的羊毛羊绒的数据库；(2)人工标注明确目标纤维的种类与所处的位置；(3)对数据库中纤维图像进行预处理、特征提取，该步骤与在线识别流程的(2)(4)步骤一致；(4)学习过程采取二分类的SVM分类器。本发明可达到识别率高，识别速度快，识别结果准确率高，适用性强的有益效果。

说明书

技术领域

本发明属于羊毛羊绒识别技术领域，尤其涉及一种基于Gabor小波分析的羊毛羊绒识别算法。

背景技术

羊绒纤维细长、均匀、柔软，用其制成的纺织品具有轻柔滑暖的特点，是高档服饰面临的首选。 由于其产量稀少，价格偏高，生产企业常用不同比例的羊绒羊毛进行混纺。羊毛与羊绒都属于天然 的蛋白质纤维，其结构和形态都非常接近，准确的进行纤维种类的判断是非常困难的。

目前常用的纤维鉴别方法是显微镜观测法。检测人员通过观察在显微镜下羊毛羊绒的鳞片形状 与纹理细节等特征，根据其个人经验来对羊绒羊毛的成分进行定性分类，这种方式不仅耗时耗力， 主观性大，测量的一致性也较差。

本发明参考标准：1，2，3，提出一种智能的全自动的羊绒羊毛识别方法，首先利用显微镜与 CCD来对羊绒羊毛进行数字化的图像采集，再利用对羊绒羊毛图像进行不同尺度下的小波卷积提 取特征，并利用SVM来构建分类器模型，实现对羊绒羊毛的智能分类识别。

Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和 频率域信息方面具有良好的特性。Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺 度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的适应性。二维Gabor小波变换 是在时频域进行信号分析处理的重要工具，其变换系数有着良好的视觉特性和生物学背景，因此被 广泛应用于图像处理、模式识别等领域。与传统的傅立叶变换相比，Gabor小波变换具有良好的时 频局部化特性。

发明内容

本发明提供一种基于Gabor小波分析的羊毛羊绒识别算法，可达到识别率高，识别速度快，识 别结果准确率高，适用性强的有益效果。

本发明所解决的技术问题采用以下技术方案来实现：本发明提供一种基于Gabor小波分析的羊 毛羊绒识别算法，包括在线识别流程与模型学习流程：

所述在线识别流程，对实时采集的纤维图像进行定性分析，包括以下步骤：

(1)图像的获取，采用300万像素工业级ccd配合奥林巴斯CX41生物显微镜，对羊绒羊毛纤维 进行取像；

(2)预处理：a采用高斯滤波器对图像进行平滑滤波，以去除图像中的噪点，高斯滤波器是一 种低通滤波器，其过程可以形式化表达为输入图像I(x，y)与高斯核函数G(x，y)的卷积：

S(x,y)＝I(x,y)×G(x,y；σ)其中

b对图像灰度级调整实现图像增强，设数据x_ij是图像X中的i行j列元素，max_x，min_x分别是X中的 最大、最小值；$x_{ij}=\frac{x_{ij}-{\min }_X}{{\max }_X-{\min }_X}\times 255;$

(3)图像目标提取：采用基于canny的边缘检测与轮廓的提取，canny边缘检测是一个多级边 缘检测算法；其基本步骤主要有：a获取x，y的梯度，b非最大值抑制，c边缘跟踪，这里直接采用 opencv里面的canny算子；

(4)Gabor小波特征提取：分5个尺度8个方向40个特征描述子；采用PCA降维至100维；

Gabor函数可以在频域不同尺度、不同方向上提取相关的特征；二维Gabor函数可以表示为：

$g_{uv}(x,y)=\frac{k^2}{{\sigma }^2}\exp (-\frac{k^2(x^2+y^2)}{2{\sigma }^2})[\exp \left(ik\left(\begin{array}{c}x\\ y\end{array}\right)\right)-\exp (-\frac{{\sigma }^2}{2})]$

其中：$k_v=2^{-\frac{v+2}{2}}\pi ,$

选取一组不同尺度和方向的Gabor基对输入纤维图像进行卷积，具体选取4个尺度(v＝0，1，...，3)， 8个方向(即K＝8，u＝0，1，...，7)，共32个Gabor核函数；

(5)将特征向量输入分类器计算结果；将输入每一个纤维图像统一缩放为48*48大小，然后提 取32个尺度下的Gabor特征图谱，共提取48*48*32＝73728维向量；进一步我们采取PCA方法将原始 高维数据降至100维，作为SVM的输入特征向量；

所述模型学习流程，是要得到一个分类器，采取一种基于SVM的分类器模型，包括以下步骤：

(1)模型学习的前提是积累的大量的羊毛羊绒的数据库；

(2)在此基础之上，采用人工标注的方式，使机器明确目标纤维的种类与所处的位置，是一 种监督学习方式；

(3)对数据库中纤维图像进行预处理、特征提取，该步骤与在线识别流程的(2)(4)步骤一 致；

(4)学习过程采取二分类的SVM分类器，并利用开源的libSVM进行训练，选取RBF径向基核 函数，迭代次数设置为100000次，迭代终止偏差0.001。

本发明的有益效果为：

本发明对羊绒羊毛的识别率高，识别速度快，识别结果准确率高且适用性强。

附图说明

图1是本发明的流程示意图。

具体实施方式

实施例：

本发明包括在线识别流程与模型学习流程：

所述在线识别流程，对实时采集的纤维图像进行定性分析，包括以下步骤：

(1)图像的获取，采用300万像素工业级ccd配合奥林巴斯CX41生物显微镜，对羊绒羊毛纤维 进行取像；

(2)预处理：a采用高斯滤波器对图像进行平滑滤波，以去除图像中的噪点，高斯滤波器是一 种低通滤波器，其过程可以形式化表达为输入图像I(x，y)与高斯核函数G(x，y)的卷积：

S(x,y)＝I(x,y)×G(x,y；σ)其中

b对图像灰度级调整实现图像增强，设数据x_ij是图像X中的i行j列元素，max_x，min_x分别是X中的 最大、最小值；$x_{ij}=\frac{x_{ij}-{\min }_X}{{\max }_X-{\min }_X}\times 255;$

(3)图像目标提取：采用基于canny的边缘检测与轮廓的提取，canny边缘检测是一个多级边 缘检测算法；其基本步骤主要有：a获取x，y的梯度，b非最大值抑制，c边缘跟踪，这里直接采用 opencv里面的canny算子；

(4)Gabor小波特征提取：分5个尺度8个方向40个特征描述子；采用PCA降维至100维；

Gabor函数可以在频域不同尺度、不同方向上提取相关的特征；二维Gabor函数可以表示为：

$g_{uv}(x,y)=\frac{k^2}{{\sigma }^2}\exp (-\frac{k^2(x^2+y^2)}{2{\sigma }^2})[\exp \left(ik\left(\begin{array}{c}x\\ y\end{array}\right)\right)-\exp (-\frac{{\sigma }^2}{2})]$

其中：$k_v=2^{-\frac{v+2}{2}}\pi ,$

选取一组不同尺度和方向的Gabor基对输入纤维图像进行卷积，具体选取4个尺度(v＝0，1，...，3)， 8个方向(即K＝8，u＝0，1，...，7)，共32个Gabor核函数；

(5)将特征向量输入分类器计算结果；将输入每一个纤维图像统一缩放为48*48大小，然后提 取32个尺度下的Gabor特征图谱，共提取48*48*32＝73728维向量；进一步我们采取PCA方法将原始 高维数据降至100维，作为SVM的输入特征向量；

所述模型学习流程，是要得到一个分类器，采取一种基于SVM的分类器模型，包括以下步骤：

(1)模型学习的前提是积累的大量的羊毛羊绒的数据库；

(2)在此基础之上，采用人工标注的方式，使机器明确目标纤维的种类与所处的位置，是一 种监督学习方式；

(3)对数据库中纤维图像进行预处理、特征提取，该步骤与在线识别流程的(2)(4)步骤一 致；

(4)学习过程采取二分类的SVM分类器，并利用开源的libSVM进行训练，选取RBF径向基核 函数，迭代次数设置为100000次，迭代终止偏差0.001。

以上通过实施例对本发明的进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认 为用于限定本发明的实施范围。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术 方案的启发下，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与 改进等，均应仍归属于本发明的专利涵盖保护范围之内。