[发明专利]SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法

权利要求书

1.一种SVM分类器的训练方法，其特征在于，包括以下步骤：

A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个所述储罐锈蚀缺陷图像在RGB颜色空间的像素值定义锈蚀缺陷像素范围；

B)选择多个储罐锈蚀缺陷图像作为训练图像，根据所述训练图像生成多个超像素；

C)提取每个所述超像素的颜色特征与纹理特征，将所述超像素的颜色特征和纹理特征与邻域超像素的颜色特征和纹理特征进行级联，以便构建所述超像素的特征向量，多个所述超像素的所述特征向量构成训练数据集；

D)根据所述锈蚀缺陷像素范围对多个所述超像素进行标注，以便得到多个所述超像素的标注结果，其中将所述超像素标注为正样本或负样本；和

E)利用所述训练数据集和所述标注结果训练所述SVM分类器。

2.根据权利要求1所述的SVM分类器的训练方法，其特征在于，所述步骤A)包括：

A-1)采集不同锈蚀程度的多个所述储罐锈蚀缺陷图像；和

A-2)根据多个所述储罐锈蚀缺陷图像的像素值在R颜色通道的最大值和最小值确定R颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在G颜色通道的最大值和最小值确定G颜色通道的取值范围，根据多个所述储罐锈蚀缺陷图像的像素值在B颜色通道的最大值和最小值确定B颜色通道的取值范围，R颜色通道的所述取值范围、G颜色通道的所述取值范围和B颜色通道的所述取值范围构成所述锈蚀缺陷像素范围。

3.根据权利要求2所述的SVM分类器的训练方法，其特征在于，R颜色通道的所述取值范围为75-246，G颜色通道的所述取值范围为22-174，B颜色通道的所述取值范围为0-115。

4.根据权利要求1所述的SVM分类器的训练方法，其特征在于，在所述步骤B)中，先将所述训练图像的尺寸调整为256*256像素，再利用简单线性迭代聚类算法对所述训练图像进行超像素分割以便生成多个所述超像素。

5.根据权利要求4所述的SVM分类器的训练方法，其特征在于，每个所述训练图像生成150个所述超像素。

6.根据权利要求1所述的SVM分类器的训练方法，其特征在于，在所述步骤C)中，将所述超像素的颜色特征和纹理特征记为F₀(S,I)，将一级邻域超像素的颜色特征和纹理特征记为F₁(S,I)，所述超像素S的所述特征向量表示为F(S,I)＝[F₀(S,I),F₁(S,I)]。

可选地，所述超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩，所述一级邻域超像素的颜色特征包括CIELAB颜色空间里的a*颜色通道和b*颜色通道以及RGB颜色空间的R颜色通道、G颜色通道和B颜色通道中的每一者的一阶颜色矩、二阶颜色矩和三阶颜色矩。

可选地，所述超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性，所述一级邻域超像素的纹理特征包括灰度共生矩阵中的对比度、相关性、能量和同质性。

7.根据权利要求1所述的SVM分类器的训练方法，其特征在于，所述步骤E)包括：

E-1)将所述训练数据集分为训练集和测试集；

E-2)利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器；

E-3)利用训练后的所述SVM分类器对所述测试集中的所述超像素的特征向量进行判断，以便将所述测试集中的所述超像素分为正样本或负样本，当所述SVM分类器的分类准确率的浮动阈值小于等于0.5％时，停止所述训练，当所述SVM分类器的分类准确率的浮动阈值大于0.5％时，将错分的所述超像素加入到所述训练集以便再次利用所述训练集中的所述超像素的所述特征向量训练所述SVM分类器，直至所述SVM分类器的分类准确率的浮动阈值小于等于0.5％。