[发明专利]基于统计特征和图像特征相结合的带钢表面缺陷分类方法

权利要求书

1.基于统计特征和图像特征相结合的带钢表面缺陷分类方法，其特征在于，具体包括如下步骤：

S1、收集缺陷样本，并根据缺陷样本的统计特征，包括面积，周长、长宽比、位置，以及缺陷样本图像的外观对每个缺陷样本进行分类，产生一组带标记的训练样本集合，对自学习分类器的训练就在上述训练样本集合上进行，假设包含W个缺陷样本，以及C类缺陷；

S2、提取每个缺陷样本图像的角点以及每个角点描述，角点描述反映了角点与邻域像素点的关系，假设角点描述是一个K维的向量；

S3、将全部缺陷样本图像的角点描述在K维空间内进行无监督学习聚类，聚类数为M，这些类为L(1)、L(2)、L(3)...L(M)，类别中心为LC(1)、LC(2)、LC(3)...LC(M)；

S4、计算每个缺陷样本的角点描述在上述M类中的概率分布，即统计出每个缺陷样本的角点描述属于L(1)、L(2)、L(3)...L(M)这些类的个数，并排列成一个M维向量，由此构成一个缺陷样本的M维图像特征向量；

S5、提取每个缺陷样本的N个统计特征，这些统计特征构成了一个缺陷样本的N维统计特征向量；

S6、将缺陷样本的M维图像特征向量和N维统计特征向量合并，组成缺陷样本的M+N维特征向量；

S7、使用自适应提升树训练方法对W个带有分类标记的M+N维特征向量进行有监督学习训练，训练出自学习分类器B，自学习分类器B对检测到的缺陷进行自动分类，输出缺陷的分类结果。

2.如权利要求1所述的基于统计特征和图像特征相结合的带钢表面缺陷分类方法，其特征在于，实时在线检测时，当有新的缺陷被检测到时利用自学习分类器B采取以下步骤对新的缺陷进行缺陷分类，主要包括步骤：

i)提取该缺陷图像的角点以及每个角点的K维描述，并计算角点的K维描述在L(1)、L(2)、L(3)...L(M)这些类别中的概率分布，作为缺陷的M维图像特征向量；

ii)计算该缺陷的N维统计特征向量；

iii)将缺陷的M维图像特征向量和N维统计特征向量合并，组成缺陷的M+N维特征向量，将M+N维特征向量输入到自学习分类器B中进行预测得到该缺陷的分类结果。