[发明专利]一种基于机器学习的竹条颜色自适应分类方法

权利要求书

1.一种基于机器学习的竹条颜色自适应分类方法，其特征在于：包括以下步骤：

步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；

步骤S2：将预处理后得到的图像提取颜色直方图特征；

步骤S3：使用k-means算法聚类颜色中心；

步骤S4：对新竹条进行颜色分类；

步骤S5：更新颜色特征库NF^{1,2,...,}，更新颜色聚类中心；

所述步骤S1具体包括以下步骤：

步骤S11：图像采集：使用彩色面阵相机拍摄竹条部分表面的图像作为图片I₁；

步骤S12：将彩图转成灰度图：将相机得到的彩色图片I₁的RGB通道转成灰度通道，转换公式为Gray＝R*0.299+G*0.587+B*0.114，其中Gray表示灰度值，得到灰度图像I₂；

步骤S13：图像二值化：利用OTSU算法对灰度图像I₂二值化得到二值化后的图像I₃；

步骤S14：提取竹片掩膜：利用图像形态学操作去掉二值化后的图像I₃中小粒子，提取最大的粒子区域作为竹片的掩膜区域I₄；

步骤S15：提取竹片色块：提取竹片掩膜区域I₄的最大内接矩形，按照该矩形裁切图片I₁，得到竹片颜色块I₅；

步骤S16：判断是否采集完整根竹条，如果是则执行步骤S17，否则执行步骤S11；

步骤S17：拼接色块：将上述步骤得到的图像序列I₅^{1,2,...}拼接成一张图像I₆，此图像I₆即为预处理后的图像；

所述步骤S2具体包括以下步骤：

步骤S21：将拼接色块得到的图像I₆RGB颜色空间转换为HSV颜色空间，得到图像I₇；

步骤S22：提取I₇的颜色特征：对于色相通道H，H的范围为0～180，设置直方图bin的宽度为5，得到36个H通道bin；对于饱和度通道S，不单独统计它的特征；对于亮度通道V，V的范围为0～255，设置直方图bin的宽度为4，得到64个V通道bin，设置饱和度阈值S_thresh，阈值的范围为0～255，用该阈值对V通道bin进行分割，得到128个V通道bin；最后一共有164个颜色bin，统计I₆图像像素在bin范围内的直方图，得到直方图颜色特征F，该特征是1x164的特征向量；

步骤S23：特征归一化：将特征向量F进行归一化，归一化公式为：

其中i表示特征向量的下标，W，H分别表示图像I₆的宽度和高度；最后得到归一化后的特征NF；

所述步骤S3具体包括以下步骤：

步骤S31：准备N根竹条，重复步骤S1、步骤S2,得到N个特征序列NF^{1,2,...}；

步骤S32：根据工厂颜色分类需求，设置颜色分类个数k，k的取值范围为3～5，计算步骤S2得到的N张拼接图像I₆的平均亮度值；根据亮度值大小分布，等距离取k个亮度值，选取k个亮度值对应的图片的颜色特征做为初始质心；

步骤S33：根据k-means聚类算法聚类出k个中心点C^{1,2,...,k}；

步骤S34：确定k个中心点与颜色深浅的对应关系：对聚类中心点C^{1,2,...,k}进行度量，度量公式为：

n表示聚类中心下标，i表示颜色特征下标，这里只选用V通道进行度量；m_n的大小表示聚类中心对应的颜色深浅，m_n越大，表示颜色越浅，m_n越小，表示颜色越深；将对应得到的m^{1,2,..,k}进行排序，即得到对应的颜色深浅关系；

所述步骤S4具体包括以下步骤：

步骤S41：对新的竹条数据，重复步骤S1和步骤S2，得到新的特征序列NFnew；

步骤S42：计算特征序列NFnew与步骤S33中得到的k个中心点的距离，度量公式为：

其中S_n表示NFnew与第n个中心点Cn的相似度,Sn取值范围[0,1]，越接近1，表示越相似；与所有中心点计算得到度量结果序列S^{0,1,...k}，计算颜色分类结果：

G就是颜色分类的结果；

所述步骤S5具体包括以下步骤：

步骤S51：对于步骤S41中得到的特征序列NF_new，添加到特征库NF^{1,2,...,}中，统计当前加入的新的特征序列NF_new的数量X，更新后的特征库NF^{1,2,...,}总个数Y；

步骤S52：设置迭代训练阈值P，P的范围为500～1000，特征库最大数量阈值Q，Q的范围为5000～10000，PQ；如果X等于P执行步骤S53，否则执行步骤S51；

步骤S53：执行步骤S3，更新颜色聚类中心点；

步骤S54：如果YQ，按步骤S42计算更新后的特征库NF^{1,2,...}和聚类中心的度量值，选取最小的Y-Q个值作为离群特征值，从特征库中剔除；否则继续执行步骤S51。

2.根据权利要求1 所述的一种基于机器学习的竹条颜色自适应分类方法，其特征在于：步骤S22中所述统计bin的直方图的具体内容为：

在统计bin的直方图时，采用线性投票法，令像素值为p，距离这个p最近的两个bin为bin_i，bin_j，对应的中心为C_i，C_j，则这两个bin的投票为：

这种投票方式能避免强行将连续的颜色特征强行分割，能够得到更加精准的颜色统计图，这种颜色提取方式能够提高颜色分类的准确度和鲁棒性。