[发明专利]基于隐含狄利克雷分布模型的图形缺陷识别和定位方法

说明书

技术领域

本发明涉及一种计算机模式识别技术领域的分类和定位方法，尤其涉及一种基于隐含狄利克雷分布(Latent Dirichlet allocation(LDA))模型的图形缺陷识别和定位方法。

背景技术

传统的材料表面缺陷图像建模方法可以分为三类：(1)基于缺陷集合特征(Chen,Y.Q.,Nixon,M.S.,Thomas,D.W.,Statistical Geometric Features for Texture Classification[J].Pattern Recognition,1995,28(94),pp 537–552.)；(2)基于物理特征(Reindl,I.,O’Leary,P.,Geometric Surface Inspection of Raw Milled Steel Blocks[J].Lecture Notes in Computer Science,2004,3212pp 849-856.)；(3)基于统计特征(Habib,M.T.,Rokonuzzaman,M.,A Set of Geometric Features for Neural Network-Based Textile Defect Classification[J].International Scholarly Research Notices,2012,2012.)

已有的文献和专利中，有分析对材料表面缺陷图像来识别和定位的。工业界和学术界对这个问题投入了巨大的人力和资金。对材料表面缺陷图像同时来识别和定位，是一个很重要的问题，并且可以应用在计算机视觉的很多领域。比如，可以得到缺陷图像里面的模型结构(材料表面缺陷的分布等)。因此，可以应用在材料表面缺陷的检测，图像模态分析，远程监控自然灾害等各种场合中。主题模型通过潜在主题来达到对目标定位的功能。它首先应用在文本分析里面，然后被引用到计算机视觉里面，并得到了广泛的应用，如目标定位等。文献(Blei,David M.；Ng,Andrew Y.；Jordan,Michael I；Lafferty,John(January2003)."Latent Dirichlet Allocation".Journal of Machine Learning Research 3:pp.993–1022.)给出了隐含狄利克雷分布分析方法。文献(Sivic,J.,Russell,B.C.,Efros,A.A.,Zisserman,A.,&Freeman,W.T,Discovering objects and their location in images,In Proceedings of the tenth IEEE international conference on computer vision,(pp.370–377),October.Los Alamitos:IEEE Computer Society,(2005).)利用主题模型，并用词袋的框架，达到了目标识别的功能。文献(J.C.Niebles,H.Wang and L.Fei-Fei,Unsupervised learning of human action categories using spatial-temporal words,International Journal of Computer Vision.79(3):299-318.(2008).)利用词袋表示和产生模型，结合主题模型的分析方法，达到了对人体动作识别和定位。

当前尚无将主题模型用来材料表面缺陷图像分析上。这里的原因是，没有很好的特征来描述材料表面缺陷。材料表面缺陷图像表现相当复杂，很少有特征可以很好的对其描述。像素时间序列可以刻画图像的像素变化。因此，可以用像素时间序列来描述材料表面缺陷图像。

然而，用像素时间序列来描述材料表面缺陷图像还是存在困难。首先是配准问题。比较不同的像素时间序列需要先配准。第二个是像素时间序列对材料表面缺陷图像就好比像素相对图像的功能一样。像素可以表示图像的所有信息。但是，在图像分析里面还是提出了很多图像特征来对图像分析，而不是用像素点。现在已经有很多分析时间序列的方法，如autoregressive模型，moving average模型等。然而辨识材料表面缺陷图像中的大量像素时间序列是一个很繁重的工作。因此，为了克服上述问题，本发明选用混沌理论来刻画时间序列，并结合主题模型隐含狄利克雷分布(Latent Dirichlet Allocation，LDA)方法来对材料表面缺陷图像分类和定位。