基于成組小波-變分關(guān)聯(lián)向量機(jī)斷口圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像處理的方法，特別設(shè)及一種基于成組小波-變分關(guān)聯(lián)向量機(jī)金屬 斷口圖像識別方法。
【背景技術(shù)】
[0002] 在機(jī)械裝備的各類失效中，W斷裂失效最主要、危害最大，斷裂失效的診斷與分析 一直是人們非常重視的研究課題之一，而斷口圖像的模式識別與分類是進(jìn)行斷裂故障智能 化分析的關(guān)鍵性問題。由于小波變換在時(shí)域和頻域同時(shí)具有良好的局部化特性，可有效地 提取斷口圖像的紋理信息，目前，已經(jīng)成為金屬斷口圖像特征提取的主要方法。然而，隨 著問題的研究深入，小波變換方法在金屬斷口圖像處理中的不足也充分暴露出來，由于小 波基的支撐區(qū)間是正方形，不能有效逼近奇異性曲線；小波變換只能獲取圖像有限的方向 信息，不能充分地利用圖像本身的幾何正則性。另外，小波變換中的小波基和參數(shù)如何選擇 對金屬斷口圖像識別具有重要影響，而如何選擇最佳的小波基和參數(shù)，目前，并沒有任何依 據(jù)。
[0003] 因此，針對基于小波變換在金屬斷口方法在金屬斷口圖像識別方面存在的不足， 迫切需要尋求新的金屬斷口圖像識別方法。為此，李志農(nóng)博±將超小波分析思想引入到金 屬斷口圖像處理中，并進(jìn)行了深入研究b-w。文獻(xiàn)[6, 7]結(jié)合Contourlet變換和RVM的各 自優(yōu)點(diǎn)，提出一種基于Contourlet-RVM的航空構(gòu)件斷口形貌識別方法，即WContourlet 變換進(jìn)行特征提取，WRVM為分類器，對金屬斷口形貌進(jìn)行識別。同時(shí)，將提出的方法與 Contourlet-SVM識別方法進(jìn)行對比分析。文獻(xiàn)巧,9]將Bandelet變換應(yīng)用于金屬斷口圖 像處理中，提出了基于Bandelet變換的金屬斷口圖像識別方法，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。然而， 隨著問題的研究深入，現(xiàn)有的一些超小波分析方法的弊端也逐步顯現(xiàn)出來了，如當(dāng)圖像的 幾何結(jié)構(gòu)比較復(fù)雜時(shí)，Bandlet變換表示圖像并不是很好，原因在于幾何流計(jì)算的不準(zhǔn)確性 和它比較難逼近。Contourlet變換和小波變換一樣，存在一個(gè)共同的不足，即缺乏平移不變 性，在處理圖像的奇異點(diǎn)（邊緣或紋理）附近會產(chǎn)生偽Gibbs現(xiàn)象，重構(gòu)后的圖像在奇異點(diǎn) 附近交替出現(xiàn)較大的上下幅值振動。另外，Contourlet變換的低頻變換（LP分解）是有冗 余的，其冗余度為4/3?；诖耍枰岢鲂碌膞-let變換來解決現(xiàn)有方法存在的不足。
[0004] 成組小波（Grouplet)變換是Mallat^w在2009年提出的一種全新的圖像多尺 度分析技術(shù)，可W通過化ar變換實(shí)現(xiàn)一種二維圖像處理快速算法，其優(yōu)越性能大大優(yōu)于現(xiàn) 有的小波分析方法和其他方向性小波。該變換突破了多尺度圖像分解的限制，可W在任意 時(shí)間和空間上進(jìn)行變換，擁有根據(jù)圖像紋理結(jié)構(gòu)自適應(yīng)的改變基的能力，從而具有更好的 稀疏表示能力、更大的靈活性和更為優(yōu)越的性能。由于Grouplet變換嶄新的理論面貌和 獨(dú)到的應(yīng)用特點(diǎn)，特別是在處理紋理信息豐富圖像上的優(yōu)勢，該變換一提出，就已經(jīng)開始引 起國內(nèi)外學(xué)者的強(qiáng)烈關(guān)注hww。Peyr6在文獻(xiàn)[11]中提出了一種基于緊框架Grouplet 變換的動態(tài)紋理合成方法；在文獻(xiàn)[12]中提出了一種利用Grouplet變換來合成和修補(bǔ) 自然圖像的方法。Maalou護(hù)3-1?在Grouplet變換上做了一些工作，如文獻(xiàn)[14]給出了 一種基于Grouplet變換的圖像質(zhì)量評價(jià)方法，文獻(xiàn)[1引提出了一種基于Grouplet變換 的彩色圖像超分辨率算法。Tak址irofhe呼ij用硬色收縮和Grouplet變換來對圖像消噪。 WeiM提出了一種視聽Grouplet方法，并進(jìn)行了試驗(yàn)驗(yàn)證。在國內(nèi)，燦頭大學(xué)目敬文教 授hs'iw在Grouplet變換上做了一些工作，結(jié)合貪婪算法（Greedyalgorithm)和動態(tài)規(guī) 劃算法值ynamicProgrammingalgorithm)對關(guān)聯(lián)域的剪裁過程進(jìn)行改進(jìn)，提出一種新的 AGT(AdvancedGroupletTransform)變換，避免在對關(guān)聯(lián)域剪裁的過程中出現(xiàn)將一條流線 截成多段流線的情況。
[0005]目前，Grouplet變換的研究僅處在理論研究上，在圖像處理中僅限定在圖像修復(fù) 和Grouplet變換消噪。通過查閱國內(nèi)外重要的數(shù)據(jù)庫，并沒有找到Grouplet變換在工程 和材料科學(xué)中的應(yīng)用，也就是說Grouplet變換在工程和材料科學(xué)研究中仍是一個(gè)空白?；?于此，在2014年，我們課題組叫尋Grouplet變換引入到斷口學(xué)分析中，提出了基于 Groupiet-RVM的識別方法，提出的方法WGrouplet平均能量、Grouplet調(diào)和滴和Grouplet 峭度為特征量，RVM為識別器，并成功地應(yīng)用到金屬斷口圖像識別中。實(shí)驗(yàn)結(jié)果表明，與小 波-RVM識別方法相比較，提出的方法克服了小波-RVM識別方法只能獲取圖像有限的方向 信息，取得了更高的識別率。和Grouplet-SVM識別方法相比較，Grouplet-RVM識別方法和 Grouplet-SVM識別方法有同樣好的識別率，該是因?yàn)镚rouplet-RVM所需要的支持向量數(shù) 量要少得多，在核函數(shù)的選擇上不受Mercer定理的限制，可W構(gòu)建任意的核函數(shù)。因而，提 出的方法的識別速度明顯優(yōu)于Grouplet-SVM識別方法，特別是隨著訓(xùn)練樣本的增加，該種 優(yōu)勢越明顯。
[0006] 然而，隨著問題的進(jìn)一步深入研究，我們發(fā)現(xiàn)，Grouplet-RVM識別方法的計(jì)算量 還是非常大，有必要在確保識別率的情況下，能否大幅度提高識別速度？該在工程中是非 常有意義的。在此背景的推動下，本發(fā)明在Grouplet-RVM識別方法的基礎(chǔ)上，提出了一 種新的Grouplet-VRVM(成組小波-變分關(guān)聯(lián)向量機(jī)）識別方法，同時(shí)，將提出的方法與 Grouplet-RVM識別方法進(jìn)行了對比分析，實(shí)驗(yàn)結(jié)果驗(yàn)證了提出的方法的有效性。

【發(fā)明內(nèi)容】

[0007] 基于上述【背景技術(shù)】，本發(fā)明所要解決的技術(shù)問題是，提供一種基于成組小波-變 分關(guān)聯(lián)向量機(jī)斷口圖像識別方法，WGrouplet調(diào)和滴、Grouplet平均能量、Grouplet峭度 作為特征量，VRVM作為識別器，應(yīng)用到金屬斷口圖像識別中，在保持相同的識別率情況下， 大幅度提高訓(xùn)練速度。
[0008] 本發(fā)明采取W下技術(shù)方案實(shí)現(xiàn)上述目的?；诔山M小波-變分關(guān)聯(lián)向量機(jī)斷口圖 像識別方法，采用Grouplet變換處理斷口圖像，對Grouplet系數(shù)分別計(jì)算Grouplet調(diào)和 滴、Grouplet峭度和Grouplet平均能量，然后，將特征數(shù)據(jù)送入VRVM分類器進(jìn)行識別，具 體過程如下：
[0009] 1)對斷口圖像進(jìn)行Grouplet變換，得到圖像的Grouplet系數(shù)子帶；
[0010] 2)針對各頻帶輸出的Grouplet系數(shù)進(jìn)行計(jì)算，得到基于Grouplet調(diào)和滴、 Grouplet平均能量和Grouplet峭度的斷口圖像特征數(shù)據(jù)；
[0011]Grouplet局部滴；
；
[0016] 其中；x為Grouplet變換后的各個(gè)頻帶的Grouplet系數(shù)，MXN為該頻帶尺度大 小，m，n對應(yīng)為該頻帶的行與列；
[0017]pXq為所有Grouplet系數(shù)綜合后的尺度大小，P,q為對應(yīng)的行和列；
[0018]i，j分別代表該頻帶圖像的行和列；X為該頻帶的Grouplet系數(shù)；無為該頻帶 Grouplet系數(shù)的均值；0為標(biāo)準(zhǔn)差。
[0019] 3)將斷口圖像特征數(shù)據(jù)分為兩部分；一部分?jǐn)嗫趫D像特征數(shù)據(jù)用于訓(xùn)練，建立 VRVM識別模型；另一部分?jǐn)嗫趫D像的特征數(shù)據(jù)用于測試分類，送入已經(jīng)建立好的識別模型 中進(jìn)行分類識別。
[0020] 由上面S個(gè)特征向量計(jì)算式子可知，提出的Grouplet調(diào)和滴既反映了圖像的局 部紋理信息，又反映了全局的整體信息。提出的Grouplet平均能量是斷口圖像紋理信息的 平均反映，由于Grouplet平均能量、Grouplet調(diào)和滴是Grouplet系數(shù)的二次方關(guān)系，提出 的Grouplet峭度是Grouplet系數(shù)的四次方關(guān)系，因此，Grouplet峭度比Grouplet平均能 量、Grouplet調(diào)和滴更能反映微小的紋理特征變化，對紋理特征更敏感，有利于斷口圖像的 特征提取。
[0021] 本發(fā)明繼承了成組小波和變分關(guān)聯(lián)向量機(jī)的所有優(yōu)點(diǎn)，與基于小波的金屬斷口圖 像識別方法相比較，克服了該方法只能捕捉有限的方向信息，不能有效地提取圖像的邊緣 信息的缺陷；與基于Contourlet變換的圖像識別方法相比較，克服了該方法缺乏平移不變 性和低頻分解）的冗余性；與基于Bandelet變換的圖像識別方法相比較，克服了該方法在 幾何表示上的局限性，使其無法高效表示自然紋理結(jié)構(gòu)中的那種毫無規(guī)律的幾何結(jié)構(gòu)；與 Grouplet-RVM識別方法相比較，在保證識別率不降低的情況下，大幅度提高了識別速度，而 且隨著訓(xùn)練樣本數(shù)量的增加，該種優(yōu)勢同樣表現(xiàn)得越明顯。
[0022] 本發(fā)明的有益效果主要體現(xiàn)在W下四方面：
[0023] 1、與基于小波變換的圖像識別方法相比較，克服了基于小波變換只能捕捉有限的 方向信息，不能有效地提取圖像的邊緣信息的缺陷；
[0024] 2、與基于Contourlet變換的圖像識別方法相比較，Contourlet變換和小波