基于成组小波-变分关联向量机断口图像识别方法
阅读：862发布：2023-02-26
专利汇可以提供基于成组小波-变分关联向量机断口图像识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于成组小波-变分关联向量机断口 图像识别 方法，首先，采用成组小波(Grouplet)变换处理断口图像，对Grouplet系数分别计算Grouplet调和熵、Grouplet峭度和Grouplet平均 能量 这3个 特征向量 ，然后，将特征数据送入变分关联向量机(VRVM)分类器进行识别。该方法特色在于吸收了成组小波和变分关联向量机的所有优点，与现有的图像识别方法相比较，提出的方法在图像识别方面具有明显的优势，不仅提高了图像的识别率，而且识别速度大幅度得到了提高，并且随着训练样本数量的增加，这种优势表现得越明显，在 图像处理 中具有广阔的应用前景。，下面是基于成组小波-变分关联向量机断口图像识别方法专利的具体信息内容。
1.基于成组小波-变分关联向量机断口图像识别方法，其特征在于，采用Grouplet变换处理断口图像，对Grouplet系数分别计算Grouplet调和熵、Grouplet峭度和Grouplet平均能量，然后，将特征数据送入VRVM分类器进行识别，具体过程如下：
1)对断口图像进行Grouplet变换，得到图像的Grouplet系数子带；
2)针对各频带输出的Grouplet系数进行计算，得到基于Grouplet调和熵、Grouplet平均能量和Grouplet峭度的断口图像特征数据；
Grouplet局部熵：
Grouplet全局熵：
Grouplet调和熵：
Grouplet峭度：
Grouplet平均能量：
其中：x为Grouplet变换后的各个频带的Grouplet系数，M×N为该频带尺度大小，m,n对应为该频带的行与列；
p×q为所有Grouplet系数综合后的尺度大小，p,q为对应的行和列；
i，j分别代表该频带图像的行和列；x为该频带的Grouplet系数；为该频带Grouplet系数的均值；σ为标准差；
3)将断口图像特征数据分为两部分，一部分断口图像特征数据用于训练，建立VRVM识别模型；另一部分断口图像的特征数据用于测试分类，送入已经建立好的识别模型中进行分类识别。
基于成组小波-变分关联向量机断口图像识别方法
技术领域
背景技术
[0002] 在机械装备的各类失效中，以断裂失效最主要、危害最大，断裂失效的诊断与分析一直是人们非常重视的研究课题之一，而断口图像的模式识别与分类是进行断裂故障智能化分析的关键性问题。由于小波变换在时域和频域同时具有良好的局部化特性，可有效地[1-5]提取断口图像的纹理信息，目前，已经成为金属断口图像特征提取的主要方法 。然而，随着问题的研究深入，小波变换方法在金属断口图像处理中的不足也充分暴露出来，由于小波基的支撑区间是正方形，不能有效逼近奇异性曲线；小波变换只能获取图像有限的方向信息，不能充分地利用图像本身的几何正则性。另外，小波变换中的小波基和参数如何选择对金属断口图像识别具有重要影响，而如何选择最佳的小波基和参数，目前，并没有任何依据。
[0003] 因此，针对基于小波变换在金属断口方法在金属断口图像识别方面存在的不足，迫切需要寻求新的金属断口图像识别方法。为此，李志农博士将超小波分析思想引入到金[6-9]属断口图像处理中，并进行了深入研究 。文献[6,7]结合Contourlet变换和RVM的各自优点，提出一种基于Contourlet-RVM的航空构件断口形貌识别方法，即以Contourlet变换进行特征提取，以RVM为分类器，对金属断口形貌进行识别。同时，将提出的方法与Contourlet-SVM识别方法进行对比分析。文献[8,9]将Bandelet变换应用于金属断口图像处理中，提出了基于Bandelet变换的金属断口图像识别方法，并进行了实验验证。然而，随着问题的研究深入，现有的一些超小波分析方法的弊端也逐步显现出来了，如当图像的几何结构比较复杂时，Bandlet变换表示图像并不是很好，原因在于几何流计算的不准确性和它比较难逼近。Contourlet变换和小波变换一样，存在一个共同的不足，即缺乏平移不变性，在处理图像的奇异点(边缘或纹理)附近会产生伪Gibbs现象，重构后的图像在奇异点附近交替出现较大的上下幅值振动。另外，Contourlet变换的低频变换(LP分解)是有冗余的，其冗余度为4/3。基于此，需要提出新的x-let变换来解决现有方法存在的不足。
[0004] 成组小波(Grouplet)变换是Mallat[10]在2009年提出的一种全新的图像多尺度分析技术，可以通过Haar变换实现一种二维图像处理快速算法，其优越性能大大优于现有的小波分析方法和其他方向性小波。该变换突破了多尺度图像分解的限制，可以在任意时间和空间上进行变换，拥有根据图像纹理结构自适应的改变基的能力，从而具有更好的稀疏表示能力、更大的灵活性和更为优越的性能。由于Grouplet变换崭新的理论面貌和独到的应用特点，特别是在处理纹理信息丰富图像上的优势，该变换一提出，就已经开始引[10-19]起国内外学者的强烈关注 。Peyré在文献[11]中提出了一种基于紧框架Grouplet变换的动态纹理合成方法；在文献[12]中提出了一种利用Grouplet变换来合成和修补[13-15]
自然图像的方法。Maalouf 在Grouplet变换上做了一些工作，如文献[14]给出了一种基于Grouplet变换的图像质量评价方法，文献[15]提出了一种基于Grouplet变换[16]
的彩色图像超分辨率算法。Takahirof 利用硬色收缩和Grouplet变换来对图像消噪。
[17]
Wei 提出了一种视听Grouplet方法，并进行了试验验证。在国内，汕头大学闫敬文教[18,19]
授 在Grouplet变换上做了一些工作，结合贪婪算法(Greedy algorithm)和动态规划算法(Dynamic Programming algorithm)对关联域的剪裁过程进行改进，提出一种新的AGT(Advanced Grouplet Transform)变换，避免在对关联域剪裁的过程中出现将一条流线截成多段流线的情况。
自然图像的方法。Maalouf 在Grouplet变换上做了一些工作，如文献[14]给出了一种基于Grouplet变换的图像质量评价方法，文献[15]提出了一种基于Grouplet变换[16]
的彩色图像超分辨率算法。Takahirof 利用硬色收缩和Grouplet变换来对图像消噪。
[17]
Wei 提出了一种视听Grouplet方法，并进行了试验验证。在国内，汕头大学闫敬文教[18,19]
授 在Grouplet变换上做了一些工作，结合贪婪算法(Greedy algorithm)和动态规划算法(Dynamic Programming algorithm)对关联域的剪裁过程进行改进，提出一种新的AGT(Advanced Grouplet Transform)变换，避免在对关联域剪裁的过程中出现将一条流线截成多段流线的情况。
[0005] 目前，Grouplet变换的研究仅处在理论研究上，在图像处理中仅限定在图像修复和Grouplet变换消噪。通过查阅国内外重要的数据库，并没有找到Grouplet变换在工程和材料科学中的应用，也就是说Grouplet变换在工程和材料科学研究中仍是一个空白。基[20～22]于此，在2014年，我们课题组 将Grouplet变换引入到断口学分析中，提出了基于Grouplet-RVM的识别方法，提出的方法以Grouplet平均能量、Grouplet调和熵和Grouplet峭度为特征量，RVM为识别器，并成功地应用到金属断口图像识别中。实验结果表明，与小波-RVM识别方法相比较，提出的方法克服了小波-RVM识别方法只能获取图像有限的方向信息，取得了更高的识别率。和Grouplet-SVM识别方法相比较，Grouplet-RVM识别方法和Grouplet-SVM识别方法有同样好的识别率，这是因为Grouplet-RVM所需要的支持向量数量要少得多，在核函数的选择上不受Mercer定理的限制，可以构建任意的核函数。因而，提出的方法的识别速度明显优于Grouplet-SVM识别方法，特别是随着训练样本的增加，这种优势越明显。
[0006] 然而，随着问题的进一步深入研究，我们发现，Grouplet-RVM识别方法的计算量还是非常大，有必要在确保识别率的情况下，能否大幅度提高识别速度？这在工程中是非常有意义的。在此背景的推动下，本发明在Grouplet-RVM识别方法的基础上，提出了一种新的Grouplet-VRVM(成组小波-变分关联向量机)识别方法，同时，将提出的方法与Grouplet-RVM识别方法进行了对比分析，实验结果验证了提出的方法的有效性。
发明内容
[0007] 基于上述背景技术，本发明所要解决的技术问题是，提供一种基于成组小波-变分关联向量机断口图像识别方法，以Grouplet调和熵、Grouplet平均能量、Grouplet峭度作为特征量，VRVM作为识别器，应用到金属断口图像识别中，在保持相同的识别率情况下，大幅度提高训练速度。
[0008] 本发明采取以下技术方案实现上述目的。基于成组小波-变分关联向量机断口图像识别方法，采用Grouplet变换处理断口图像，对Grouplet系数分别计算Grouplet调和熵、Grouplet峭度和Grouplet平均能量，然后，将特征数据送入VRVM分类器进行识别，具体过程如下：
[0009] 1)对断口图像进行Grouplet变换，得到图像的Grouplet系数子带；
[0010] 2)针对各频带输出的Grouplet系数进行计算，得到基于Grouplet调和熵、Grouplet平均能量和Grouplet峭度的断口图像特征数据；
[0011] Grouplet局部熵：
[0012] Grouplet全局熵：
[0013] Grouplet调和熵：
[0014] Grouplet峭度：
[0015] Grouplet平均能量：
[0016] 其中：x为Grouplet变换后的各个频带的Grouplet系数，M×N为该频带尺度大小，m,n对应为该频带的行与列；
[0017] p×q为所有Grouplet系数综合后的尺度大小，p,q为对应的行和列；
[0018] i，j分别代表该频带图像的行和列；x为该频带的Grouplet系数；为该频带Grouplet系数的均值；σ为标准差。
[0019] 3)将断口图像特征数据分为两部分：一部分断口图像特征数据用于训练，建立VRVM识别模型；另一部分断口图像的特征数据用于测试分类，送入已经建立好的识别模型中进行分类识别。
[0020] 由上面三个特征向量计算式子可知，提出的Grouplet调和熵既反映了图像的局部纹理信息，又反映了全局的整体信息。提出的Grouplet平均能量是断口图像纹理信息的平均反映，由于Grouplet平均能量、Grouplet调和熵是Grouplet系数的二次方关系，提出的Grouplet峭度是Grouplet系数的四次方关系，因此，Grouplet峭度比Grouplet平均能量、Grouplet调和熵更能反映微小的纹理特征变化，对纹理特征更敏感，有利于断口图像的特征提取。
[0021] 本发明继承了成组小波和变分关联向量机的所有优点，与基于小波的金属断口图像识别方法相比较，克服了该方法只能捕捉有限的方向信息，不能有效地提取图像的边缘信息的缺陷；与基于Contourlet变换的图像识别方法相比较，克服了该方法缺乏平移不变性和低频分解)的冗余性；与基于Bandelet变换的图像识别方法相比较，克服了该方法在几何表示上的局限性，使其无法高效表示自然纹理结构中的那种毫无规律的几何结构；与Grouplet-RVM识别方法相比较，在保证识别率不降低的情况下，大幅度提高了识别速度，而且随着训练样本数量的增加，这种优势同样表现得越明显。
[0022] 本发明的有益效果主要体现在以下四方面：
[0023] 1、与基于小波变换的图像识别方法相比较，克服了基于小波变换只能捕捉有限的方向信息，不能有效地提取图像的边缘信息的缺陷；
[0024] 2、与基于Contourlet变换的图像识别方法相比较，Contourlet变换和小波变换一样，存在一个共同的不足，即缺乏平移不变性，在处理图像的奇异点(边缘或纹理)附近会产生伪Gibbs现象，重构后的图像在奇异点附近交替出现较大的上下幅值振动。另外，Contourlet变换的低频变换(LP分解)是有冗余的，其冗余度为4/3；。而本发明很好地克服了Contourlet变换的这一缺点；
[0025] 3、与基于Bandelet变换的图像识别方法相比较，虽然Bandlet能够很好地表示“轮廓”图，但是由于Bandlet算法中的“分块”造成其无法很好地表示图像中关联性很长的几何结构，同时在其支撑区间中的直线近似和对于交叉点处的处理不够理想。这几个方面造成了其在几何表示上的局限性，使其无法高效表示自然纹理结构中的那种毫无规律的几何结构。而本发明则弥补了这一缺点；
[0026] 4、提出的方法继承了成组小波(Grouplet)变换和变分关联向量机(VRVM)的所有优点，与目前最先进的Grouplet-RVM识别方法相比较，本发明引入了一种改进关联向量机算法，将关联向量机中计算较为复杂的卷积积分运算改为较为简单的对数和运算，从而在保证识别率不降低的情况下，大幅度提高了识别速度，而且随着训练样本数量的增加，这种优势同样表现得越明显。
[0028] 图1是本发明Grouplet-VRVM识别方法的流程图；
[0029] 图2是Grouplet平均能量-VRVM的识别结果示意图；
[0030] 图3是Grouplet调和熵-VRVM的识别结果示意图；
[0031] 图4是Grouplet峭度-VRVM的识别结果示意图；
[0032] 图中：△解理断口；·韧窝断口；○沿晶断口。
具体实施方式
[0033] 以下结合附图、实施原理和工程应用例子对本发明作进一步说明。参见图1至图4。
[0034] 1、基于Grouplet变换的特征提取方法
[0035] 小波变换的良好的局部化特性，使得该方法在图像处理中具有很好的应用前景。然而，小波系数的移变特性使得小波系数往往不能直接用来表示图像的纹理特征，因此，在图像特征提取时，常常将小波系数和信息熵结合，采用小波各尺度的能量序列的分布取代信号的概率分布，来反映图像的纹理特征，这种熵称为小波熵[13,14]，其表达式为[0036]
[0037] 式中：pi为相对小波能量，即第i个尺度下的能量占总能量之比。图像的小波熵能够反映图像信息的多少，其值越大，说明细节信息越丰富。目前，小波熵已经成为对金属断口图像进行特征提取的主要方法。
[0038] 然而，随着问题的研究深入，发现基于小波变换的金属断口图像特征提取存在很大的不足，主要表现为小波变换的支撑区间是正方形，在图像处理应用中，小波变换只能获取图像的横向、纵向以及对角线上的有限方向的信息，因此不能够很好的逼近奇异曲线。在处理具有复杂纹理的金属断口图像时不能够很好的提取图像的纹理信息。
[0039] 针对小波熵应用于金属断口图像特征提取的不足，本发明将Grouplet变换引入到金属断口图像分析中，并与信息熵结合，提出了Grouplet局部熵和Grouplet全局熵的概念。其局部熵Hc定义为
[0040]
[0041] 这里，x为Grouplet变换后的各个频带的Grouplet系数，M×N为该频带尺度大小，m,n对应为该频带的行与列。
[0042] 由于局部熵不能反映各个频带系数之间的联系，为此，本文还考虑了Grouplet变换后的全局熵Hi，全局熵为图像经过Grouplet变换后所有的频带系数综合后求出的熵值，定义如下
[0043]
[0044] 其中，p×q为所有Grouplet系数综合后的尺度大小，p,q为对应的行和列。
[0045] 局部熵侧重图像的局部纹理信息表达，是每个频带系数的细节体现。全局熵则注重整体信息，是所有频带系数的综合。因此，将局部熵与全局熵结合起来能够更加全面准确的获取图像的信息，本文将局部熵与全局熵求调和平均，得到Grouplet调和熵，其表达式为
[0046]
[0047] 由于Grouplet调和熵综合了断口图像的信息熵与局部熵，包含了图像的局部细节信息和图像的整体纹理信息，能够更加全面的表达几种不同纹理特征的断口图像之间的区别。Grouplet系数相比小波更加稀疏的分布，使得不同断口图像的Grouplet调和熵值差异明显，比小波熵更能反映不同断口图像间的区别。
[0048] 峭度是一个反映信号分布特性的数值统计量，用来描述信号突变分量剧烈程度的标量，是归一化的四阶中心矩。在此，将峭度引入到金属断口图像中，结合Grouplet变换，提出了Grouplet峭度的概念，用于金属断口图像特征提取。Grouplet峭度定义为[0049]
[0050] 上式中，M×N为频带图像的大小，i，j分别代表该频带图像的行和列；x为该频带的Grouplet系数；为该频带Grouplet系数的均值；σ为标准差，计算式如下[0051]
[0052] 同时，给出了Grouplet平均能量定义
[0053]
[0054] 由式(5)和式(7)可知，Grouplet平均能量是断口图像纹理信息的平均反映，由于Grouplet平均能量是Grouplet系数的二次方关系，Grouplet峭度是Grouplet系数的4次方关系，因此，Grouplet峭度比Grouplet平均能量更能反映微小的纹理特征变化，对纹理特征更敏感，有利于断口图像的特征提取。
[0055] 由式(4)、(5)、(7)可知，Grouplet调和熵、Grouplet峭度和Grouplet平均能量这三个特征量的计算中，关键是要确定Grouplet系数。
[0056] 不同于传统小波变换，在Grouplet变换中引入了关联域的相关计算。对于大小为M×N的断口图像，首先将其定义M×N的二维网格G0，网格中的点对应为图像的像素点，在G0j内可以划分出一组子网格Gj。经过Haar变换，在每个尺度2上，得到分解后互补且不存在交集的子网格Gj+1和 将每个 的点关联到m∈Gj+1的点上，这样就能在每个尺度中保存子网格中各个点的位置关系，这些点之间的距离就是关联值，存储于 中，Aj就是关联域。
[0057] 对于低频系数aJ(即平均系数)和高频系数dj(即细节系数)，Grouplet变换计算[19]：出两个关联平均之间的规范化细节
[0058]
[0059] 新的加权平均值分别为[19]：
[0060]
[0061] 新的加权值 计算如下：
[0062]
[0063] 这些值存储在：
[0064]
[0065] 式(11)中，m∈Gj。在最大尺度2J上，平均系数被归一化：
[0066]
[0067] 由式(8)-(12)计算出断口图像的各尺度细节系数 平均系数aJ[m]和关联域系数 本文通过对断口图像的Grouplet变换的各尺度细节系数和平均系数求出断口图像的各类特征。由上述各式可以知道，Grouplet变换包含了各层次分解系数以及这些尺度上的关联域系数，对关联域的计算使得在对图像进行处理的同时也能最大程度的保留图像的纹理结构。基于Grouplet变换的断口图像系数拥有比小波系数更加丰富的细节表示，相对小波变换只能从水平、垂直以及对角线方向逼近曲线，Grouplet变换能够比小波变换更有效的逼近奇异曲线，更加充分的利用断口图像的几何正则性。
[0068] 2、变分关联向量机(VRVM)识别模型与算法：
[0069] 在传统的概率模型中，随机变量可分为观测数据D和非观测变量θ[23]。其中，观测数据D的边缘概率密度为：
[0070] P(D)＝∫P(D,θ)dθ； (13)
[0071] 通常式(13)的积分计算较为复杂，在此引入一个相似的分布Q(θ)来改进计算的复杂程度。对于参数θ，可以将此非观测数据的边缘概率密度的积分计算形式，改进为先进行对数计算，然后再相加，也就是将式(13)写成：
[0072] LnP(D)＝L(Q)+KL(Q|P)； (14)
[0073] 式中：
[0074]
[0075] 其中，采用的相似分布Q(θ)是概率密度P(D,θ)和后验分布KL(Q|P)之间的相对熵距离差：
[0076]
[0077] 这里，KL(Q|P)≥0，且L(Q)+KL(Q|P)是Q的独立分布，因此最大化L(Q)相当于最小化的KL(Q|P)，结合式(15)、(16)，Q(θ)就是P(θ|D)的近似分布。通过这种近似方法，选择一个合适的分布Q，就能使得整个计算过程简单化，因此需要构造一个简单的Q分布即可。
[0078] 根据式(13)且考虑到参数θ的变形形式{θi}则可以定义为：
[0079]
[0080] 其中：
[0081]
[0082] 其中，＜lnP(D,θ)＞k≠i是Qk(θk)分布(其中k≠i)的期望。容易证明得到，如果概率模型表示为一个有向无环图中每个因素的一个节点，那么Qi(θi)就取决于Q分布[23]的变量形式 。
[0083] 式(18)的右半部分取决于Qk≠i的任意时刻，式(18)的左半部分是共轭的条件分[23，24]布，所以标准分布所需要的Qk≠i时刻容易得到 。容易找到迭代初始化的时刻，然后通过循环迭代更新来得到最终的值。
[0084] 分类情况下比回归情况更加复杂，在此情况下不再有完全的共轭的层次结构。给出输入数据的边缘概率为：
[0085] lnP(T|X)＝ln∫∫P(T|X,ω)P(ω|α)P(α)dωdα； (19)结合式(18)，改进的关联向量机可以近似为：
[0086]
[0087] 上式的计算过程明显太复杂，为简化运算，根据文献[25]中的分析方法引入下式：
[0088]
[0089] 式中，z＝(2t-1)y,λ(ξ)＝(1/4ξ)tanh(ξ/2)，ξ是一个变分的参数，将式(21)代入识别模型中，可以得到：
[0090]
[0091] 式中， 并且满足条件 ,等同于lnP(T|X,ω)/F(T,X,ω,ξ)≥0,将式(22)代入式(20)中，得到：
[0092]
[0093] 优化式(23)右边的函数Qω(ω)和Qα(α)以及参数ξ＝{ξn}，优化结果为Qω(ω)产生了一个正态分布形式：
[0094] Qω(ω)＝N(ω|m,S)； (24)
[0095] 式中的参量分别为 和 且A＝diag(a)。
[0097]
[0098] 变分参数ξn的再估计值由下式计算得到：
[0099]
[0100] 同样的方法得到：
[0101] L＝++--； (27)[0102] 其中：
[0103]
[0104] 很显然，在整个VRVM的识别模型中，通过对复杂计算形式的变形改进，优化了计算的速度，显然，通过对数和运算来替代卷积运算是简便可行的。
[0105] 3、成组小波-变分关联向量机(Grouplet-VRVM)识别方法：
[0106] 基于Grouplet-VRVM的金属断口识别方法(简称Grouplet-VRVM)如图1所示。对照图1来说明该方法。该方法的具体过程如下：
[0107] 1)对待识别图像进行Grouplet变换，由式(8)-(12)计算出断口图像的各尺度细节系数 平均系数aJ[m]和关联域系数
[0108] 2)针对各频带输出的Grouplet系数进行计算，得到基于Grouplet调和熵、Grouplet平均能量、Grouplet峭度三种类别的断口图像特征数据。Grouplet调和熵、Grouplet平均能量、Grouplet峭度的计算式子见式(4)、(5)、(7)。
[0109] 3)将断口图像的特征数据分为两部分，一部分断口图像特征数据用于训练，建立VRVM识别模型；另一部分断口图像的特征数据用于测试分类，送入已经建立好的识别模型中进行分类识别。
[0110] 4、工程应用例子：
[0111] 在此选取了100张解理断口、100张韧窝断口，22张沿晶断口，大小均为256×256。为了验证提出的方法的有效性，在此，将提出的方法还与Grouplet-RVM、Grouplet-SVM识别方法进行了对比分析。
[0112] 4.1不同的Grouplet系数的特征向量的VRVM识别效果对比分析：
[0113] 图2、图3、图4分别为所提取断口图像的Grouplet平均能量、Grouplet调和熵、Grouplet峭度三种特征数据，依次输入到RVM识别器中进行训练得到的识别结果。
[0114] 由图2、图3和图4可知，采用Grouplet平均能量-VRVM识别方法出现18个断口图像被误判，其识别率为83.78％。采用Grouplet调和熵-VRVM识别方法有17个断口图像被误判，识别率为84.68％。采用Grouplet峭度-VRVM识别方法，经过识别后，有1个解理断口被误判为韧窝断口，5个沿晶断口被误判为韧窝断口，识别率为94.59％。基于Grouplet峭度的图像识别方法明显优于基于Grouplet平均能量、Grouplet调和熵的图像识别方法。
[0115] 这三种识别方法采用的是相同的识别器，所不同的是采用的特征参数不同，分别是Grouplet平均能量、Grouplet调和熵、Grouplet峭度。由式(4)、(5)、(7)可知，Grouplet平均能量和Grouplet调和熵是Grouplet系数的2次方关系，Grouplet峭度是Grouplet系数的4次方关系。显然，在反映金属断口纹理特征变化方面，Grouplet峭度比Grouplet平均能量、Grouplet调和熵更敏感。当金属断口纹理特征稍有变化时，Grouplet峭度的特征值将会有显著变化，大概是Grouplet平均能量、Grouplet调和熵的特征变化的近百倍，因此，Grouplet峭度更适合用于提取金属断口图像的特征。
[0116] 4.2Grouplet-VRVM与Grouplet-RVM、Grouplet-SVM的识别方法对比分析[0117] Grouplet-VRVM、Grouplet-RVM和Grouplet-SVM这三种识别方法采用的是相同的特征数据，即利用Grouplet变换提取断口图像的特征数据，不同之处在于采用的分类器不同。在Grouplet-VRVM识别方法中，采用的是变分关联向量机，在Grouplet-RVM识别方法中，采用的是传统的关联向量机，而在Grouplet-SVM识别方法中，采用的是支持向量机。这三种方法的识别结果如表1所示。
[0118] 表1三种识别方法识别识别效果对比
[0119]
[0120] 由表1可知，这三种识别方法都取得了满意的分离效果。尤其是采用Grouplet峭度作为特征向量时，识别率达到94.59％。对于采用相同的特征向量，这三者方法之间的识别率差距并不大。然而，这三种方法的识别速度具有明显的差异，如表2所示。
[0121] 表2三种识别方法识别识别时间对比
[0122]识别方法 识别时间(s)
Grouplet-SVM 12.75
Grouplet-RVM 2.11
Grouplet-VRVM 1.87
Grouplet-SVM 12.75
Grouplet-RVM 2.11
Grouplet-VRVM 1.87
[0123] 由表2可知，Grouplet-VRVM、Grouplet-RVM识别方法的训练时间远少于Grouplet-SVM识别方法。在对总共222张断口图像的识别中，Grouplet-VRVM识别时间是1.87s，Grouplet-RVM识别时间是2.11s，而基于Grouplet-SVM平均识别时间为12.75s，是Grouplet-VRVM识别方法所需时间的7倍左右，Grouplet-RVM识别方法所需时间的6倍左右。这是因为Grouplet-SVM识别方法的支持向量数量随着训练样本的增大成线性增长，过多的支持向量不仅导致Grouplet-SVM识别方法存在过度拟合的可能性，而且导致训练时间增加，识别速度降低，并且核函数还要满足Mercer条件。而相对于Grouplet-SVM识别方法，Grouplet-VRVM、Grouplet-RVM识别方法具有更好的泛化能力，而且解更为稀疏，运用于分类问题时，能对类别的归属给出一种概率度量，并且所需要的支持向量数量要少得多，在核函数的选择上不受Mercer定理的限制，可以构建任意的核函数。特别是随着训练样本的提升，Grouplet-VRVM、Grouplet-RVM识别方法的识别速度优势越明显。
[0124] 由表2还可以发现，Grouplet-VRVM识别方法相对Grouplet-RVM识别方法在训练时间上有所降低，这是因为在Grouplet-VRVM识别方法中，将Grouplet-RVM识别方法的关联向量机中计算较为复杂的卷积积分运算改为较为简单的对数和运算，从而大大降低了RVM的计算量。因此，Grouplet-VRVM识别方法仍具有一定的优势，而且随着训练样本数量的增加，这种优势表现得也是越明显。
[0125] 由此可知，本发明提供了一种非常优秀的图像识别方法，不仅具有很高的识别效率，而且，识别速度也大幅度得到了提高。提出的方法在图像处理领域具有广阔的应用前景。
[0126] 参考文献
[0127] 1.颜云辉,杨会林,王成明.金属断口图像的非线性模式识别方法.东北大学学报(自然科学版),2004,25(9):884-886。
[0128] 2.Kenta Yamagiwa,Satoshi Izumi and Shinsuke Sakai.Detecting method of striation region of fatigue fracture surface using wavelet transform。
[0129] http://www.fml.t.u-tokyo.ac.jp/％7Eizumi/papers/Wavelet_yama.pdf。
[0131] 4.张莉,黎明,杨小芹.基于树形小波变换的断口图像识别.南昌航空大学学报(自然科学版),2007,21(2):42-45。
[0132] 5.颜云辉,高金鹤，刘勇等.基于小波变换的金属断口模式识别与分类.金属学报,2002,38(3):309-314。
[0133] 6.梁鹏.基于轮廓波变换的金属断口图像处理方法研究.郑州大学硕士学位论文,2012。
[0134] 7.梁鹏,李志农.基于Contourlet-RVM航空构件断口图像识别方法研究.机械强度,2013,35(4):395-399。
[0135] 8.聂鹏.基于弯曲小波变换的航空构件断口图像识别新方法研究[硕士学位论文]，郑州大学，2011。
[0136] 9.李志农,聂鹏,邬冠华.基于Bandelet变换的金属断口图像识别方法研究.无损检测,2013,35(1):1-4,41。
[0137] 10.S.Mallat.Geometrical grouplets[J].Applied and Computational Harmonic Analysis,2009,26(2):161-180。
[0138] 11.Gabriel Peyré.Dynamic texture synthesis with Gouplets.MAPMO workshop on image processing,Orléans,France,2008,9。
[0139] 12.Gabriel Peyré.Texture Synthesis with Grouplets.IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,32(4):733-746。
[0140] 13.Aldo Maalouf,Philippe Carré,Bertrand Augereau,Christine Fernandez-Maloigne.Inpainting using geometrical Grouplets.16th European Signal Processing Conference(EUSIPCO2008),August 25-29,2008,Lausanne,Switzerland。
[0141] 14.Aldo Maalouf,Mohamed-Chaker Larabi,Christine Fernandez-Maloigne.A Grouplet-based reduced reference image quality Assessment.International Workshop on Quality of Multimedia Experience(QoMEx 2009),Page.59–63,29-31July2009,San Diego,CA。
[0142] 15.Aldo Maalouf,Mohamed-Chaker Larabi.Grouplet-based color image super-resolution.17th European Signal Processing Conference(EUSIPCO2009),August 24-28,2009,Glasgow,Scotland。
[0143] 16.Takahiro Saito,Ken-ichi Ishikawa,Yasutaka Ueda,Takashi Komatsu.Image denoising with hard color-shrinkage and grouplet transform.28th Picture Coding Symposium(PCS2010),Pages:430–433,December 8-10,2010,Nagoya,Japan。
[0144] 17.Wei Jiang,Alexander C.Loui.Video concept detection by audio-visual grouplets[J].Int J Multimed Info Retr,2012,1:223–238。
[0145] 18.Jingwen Yan,Zhixi Wang,Longquan Dai,Daxiang Huang.Image denoising with Grouplet transform.The 2nd IEEE International Conference on Advanced Computer Control.Shenyang City,China,2010。
[0146] 19.王治玺.Grouplet变换及其应用研究[硕士学位论文].汕头大学,2010。
[0147] 20.李志农,孙熠,闫敬文等.基于Grouplet-RVM的金属断口图像识别方法研究.仪器仪表学报,2014,35(6):1347-1353。
[0148] 21.孙熠，基于Grouplet变换的金属断口图像识别方法研究[硕士学位论文]，南昌航空大学，2015。
[0149] 22.孙熠，李志农，闫敬文.基于Grouplet熵与关联向量机的航空构件断口图像识别方法研究.失效分析与预防,2015,10(1):1-5。
[0150] 23.Bishop C M,Tipping M E.Variational relevance vector machines[C]//Proceedings of the Sixteenth conference on Uncertainty in artificial intelligence.Morgan Kaufmann Publishers Inc.,2000:46-53。
[0151] 24.赵春晖,张燚.相关向量机分类方法的研究进展与分析[J].智能系统学报,2012,7(4):294-301。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种多尺度视觉关注图像描述方法 | 2020-05-11 | 23 |
| 尺度无关图 | 2020-05-11 | 274 |
| 微纳尺度图纹压印模具的制作方法 | 2020-05-11 | 907 |
| 一种非线性图像多尺度几何表示方法 | 2020-05-11 | 185 |
| 二维尺度下可图形化的平面燃烧 | 2020-05-12 | 19 |
| 一种图像多尺度特征提取方法 | 2020-05-13 | 655 |
| 使用多尺度取向片段的多图像匹配 | 2020-05-12 | 520 |
| 多尺度图像生成 | 2020-05-11 | 565 |
| 数字图像中目标物体多尺度捕捉方法 | 2020-05-13 | 12 |
| 一种多尺度联合的小波图像去噪方法 | 2020-05-11 | 834 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈