[发明专利]一种基于KNN算法的竹条颜色分类方法

说明书

本发明公开一种基于KNN算法竹条颜色分类的方法，涉及竹条加工方法技术领域，本发明提出的一种基于KNN算法的竹条颜色分类方法，通过提取图像的色调，色饱和度，以大津分割法依据图像的色调特征进行分割，计算出色调对比度，再通过分析比较待分类竹条与已分类的竹条颜色之间的特征距离的大小进行竹条分类。本发明该方法实现方便、支持增量学习、对竹条表面的噪声有较强的抗干扰能力,达到了很高的分类准确率；能够提高生产效率、减少劳动力，同时也是降低人工劳动强度和保证竹条分类质量的重要措施。

技术领域

本发明涉及竹条加工方法技术领域，特别涉及一种颜色分类方法。

背景技术

在现代竹制品生产中，将不同颜色的竹条进行分类成为一道关键的生产程序。目前，国内竹制品企业的分类方式多以人工为主，人眼分辨速度有限，分类结果易受主观因素影响，易发生误分，错分等。以先进的自动颜色分类技术代替人工竹条颜色分类，是提高生产效率、减少劳动力、降低人工劳动强度和保证竹条分类质量的重要措施。

竹条的颜色分类目前用的最多的有以下两种算法，第一种就是将彩色的图片转换成灰度图片，然后再进行量化，选择某一通道的灰度值，根据灰度值的大小进行分类。这种算法的优点是算法简单，效率较高，运算速度快，易于实现等。其缺点是对于具有复杂背景的测试对象，它的抗干扰性较差。

第二种是采用SVM学习算法对颜色进行训练，然后对测试对象进行分类。它的优点是对特定对象的分类结果较为准确，但是其缺点也比较明显，对于不同种类的竹条，必须进行不同的前期训练，因此该方法的适应性较差，且算法速度不够快。

在自动化生产中如何将这些不同的颜色的特征具象的表征出来是一个难点。选取的特征不能过于单一，特征单一虽然在算法上易于实现，速度上也能达到应用的要求，但是不能应对种类多样的竹条制品，抗干扰性会较差；也不能过于全面，否则会大大增加实际当中的算法复杂度。

发明内容

本发明的目的在于针对现有竹条颜色分类技术的不足，本发明便是基于KNN算法，结合竹条的色调对比度以及色饱和度，提供了一种基于KNN算法竹条颜色分类的方法，提取竹条显著的颜色特征，对这些特征进行运算处理，提高了分类的性能和精确度，能够有效节省劳力，降低劳动强度，提高工作效率，且辨识精度较高。

为达到上述发明目的，本发明采用的技术方案是：一种基于KNN算法的竹条颜色分类方法，具体步骤如下：

步骤一：采用工业线阵相机对工业生产当中的竹条进行图像采集，相机下方，平行于镜头放置线型光源以保证图像采集质量。

步骤二：将竹条图像从RGB颜色空间转换至HSV颜色空间，并分别提取其色调，色饱和度两个通道的图像。

步骤三：对于竹条图像的色调通道图像，采用大津分割法将竹条花纹与图像背景区分，从而解决竹条颜色较深的花纹对分类结果的影响。结合花纹与背景的不同色调特征，计算色调对比度特征M，其定义如下：M=,其中A(s)和B(s)分别对色调通道图像分割后目标与背景的平均值。

步骤四：从一批待分类的竹条当中抽取一定数量作为样本，依次提取样本的色调对比度特征M与色饱和度通道图像的平均值S，并通过人工将它分为了N类，标定颜色类型。

步骤五：将样本竹条分为N类之后，取其中一根样本竹条的色调对比度特征M(j)和色饱和度特征S(j)，接着选取待分类竹条的色调对比度特征M(i)和色饱和度特征S(i)；并计算待分类竹条与每个样本之间的距离D=，作为衡量待分类竹条与样本竹条相似程度的量。

步骤六：对剩下的待分类竹条运用KNN算法。将待分类竹条与所有的样本竹条比较，计算距离D，将得出的所有距离D进行排序，根据竹条的实际分布情况，以及分类要求，选择K个最小的距离，并统计所对应的K个样本竹条在每个类中出现的次数。

步骤七：选择出现频率最大的类标号作为待分类竹条的类型。