[发明专利]基于图像颜色和纹理特征的成品茶种类和等级识别方法

权利要求书

1.基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，包括如下步骤：

步骤1：使用拍摄装置采集茶叶图像并进行预处理；

步骤2：使用量化后的颜色直方图法提取图像颜色特征，存储为颜色特征向量；

步骤3：使用优化参数后的灰度共生矩阵法提取图像纹理特征，存储为纹理特征向量；

步骤4：建立支持向量机分类模型，将颜色特征向量和纹理特征向量合并后作为输入，使用网格搜索法优化支持向量机的核函数和参数，选取分类效果最理想的参数；

步骤5：使用优化后的分类模型对不同种类和等级的茶叶图像进行分类。

2.如权利要求1所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述步骤1具体包括：采用分辨率为1920×1080的工业相机进行图片拍摄采集，对所述图片提取中间部分作为感兴趣区域，感兴趣区域范围大小为600×540，将提取的感兴趣区域作为数据库图像。

3.如权利要求1所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述步骤2具体包括：通过使用Python编程语言，借助OpenCV模块将图像原始的RGB颜色模型转化为HSV颜色模型，根据人眼的感知特性设置量化规律，并采用所述量化规律的颜色直方图法提取72个图像颜色特征，即对逐个像素点量化并计数，输出为72维颜色特征，每个特征代表参数G取该值时像素点的数目，提取典型颜色量化直方图，存储72维颜色特征向量。

4.如权利要求3所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述采用的量化规律具体为：每个像素，分别包含有H(色调)、S(饱和度)和V(明度)三个分量，采用量化规律简化三个参数分量的范围，即：

引入参数G，令：

G＝HQ_SQ_V+SQ_V+V

其中，Q_S、Q_V为分量S、V的量化等级，此处有Q_S＝Q_V＝3代入有：

G＝9H+3S+V

使用参数G替代每个像素的值，得到G的取值范围为G∈[0,1,...,70,71]，再实行颜色直方图法进行颜色特征提取。

5.如权利要求1所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述步骤3具体包括：

使用Python编程语言，在Pycharm环境中编写灰度共生矩阵算法，选择灰度共生矩阵中的熵、对比度、能量和逆差矩4种纹理参数，并可视化灰度共生矩阵法中的步长d，得到4种纹理参数随步长d变化的规律，确定最优的步长d，在d确定的基础上，选择0°、45°、90°和135°4个方向上的4种纹理参数，计算4个方向的4种统计量并在各个方向上求平均，共16个特征值，存储为纹理特征向量。

6.如权利要求5所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述灰度共生矩阵的表达式为：

表示的是图像上一个灰度值i与灰度值j的像素点在θ方向上，距离为d时出现的概率，参数d的取值范围为d∈{1，2，3，4，5，6，7，8}。

7.如权利要求1所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述步骤4具体包括：

将颜色特征向量与纹理特征向量进行合并作为单张图片特征向量，建立数据集，按照4：1比例将数据集划分为训练集和测试集，建立支持向量机分类模型，将备选核函数设置为线性核函数和RBF核函数，采用网格搜索法分别对基于线性核函数的支持向量机模型参数和基于RBF核函数的支持向量机模型参数进行优化，分别得到两种核函数的最优模型，将测试集输入所述两种核函数的最优模型，选择准确率高的模型作为最终分类模型。

8.如权利要求7所述的基于图像颜色和纹理特征的成品茶种类和等级识别方法，其特征在于，所述参数进行优化具体包括：

步骤a：确定优化参数，当采用线性核函数时，优化参数为惩罚系数C；当采用RBF核函数时，优化参数为惩罚系数C和模型复杂度参数gamma；

步骤b：数据初始化，设定初始搜索步长及模型复杂度参数范围；

步骤c：网格搜索建模方法，采用10折交叉验证方法进行模型构建；

步骤d：根据网格搜索算法结束条件，得到最佳优化参数并输出；

其中，所述惩罚系数C的取值范围为[0.1,2]，步长为0.1；模型复杂度参数gamma的取值范围为gamma∈{1e-08,1e-07,1e-06,1e-05,1e-04,0.001,0.01,0.1,1}。