[发明专利]一种带钢表面缺陷的特征提取与分类方法

摘要

一种带钢表面缺陷的特征提取与分类方法，属于模式识别与图像处理领域。提取带钢表面缺陷样本数据库的基准采样尺寸表；获得基准采样图像，构造梯度大小‑方向共生矩阵；针对基准采样图像的缺陷内区域，构造灰度大小‑方向共生矩阵；生成特征向量样本的训练库；用K‑最近邻和R‑最近邻相结合的方法，修剪训练样本集并提取倍数因子；并利用修剪后样本的倍数因子改进分类器；获得多类别分类器模型；根据基准采样尺寸表，将缺陷测试样本转为基准采样图像，然后提取25维的特征量，并输入到多类别分类器模型，完成缺陷的自动识别。本发明能够实现尺度和旋转不变，抑制其它不利因素的影响，提高识别的效率与精度。

主权项

一种带钢表面缺陷的特征提取与分类方法，其特征在于：包括以下步骤：步骤1：提取带钢表面缺陷样本数据库的基准采样尺寸表；步骤2：计算缺陷样本数据库中样本图像的高度‑宽度比，并检索基准采样尺寸表，然后按照检索到的尺寸对缺陷图像进行采样，获得基准采样图像；步骤3：针对基准采样图像的缺陷边缘，构造梯度大小‑方向共生矩阵，并根据此矩阵提取9个梯度大小‑方向共生矩阵的特征，即大小均值、方向均值、大小方差、方向方差、大小熵、方向熵、混合熵、惯性矩、相关性，使提取到的特征具有尺度不变性和旋转不变性；所述的提取9个梯度大小‑方向共生矩阵特征的步骤如下：步骤3‑1：假设基准采样图像中缺陷边缘有nL个像素点，每一个像素点的灰度值为fiL，以fiL像素点为中心，提取3×3窗口中属于缺陷边缘的像素点，组成集合PiL，该集合中像素点的个数为且有这里L符号代表缺陷边缘，i＝1,2,…,nL；步骤3‑2：计算PiL中每一个像素点梯度的大小(GM)i(k0,l0)和方向(GO)i(k0,l0)，并定义PiL中所有像素点相对于3×3窗口中心点的坐标偏移量集合为WiL，这里k0和l0表示WiL中的坐标偏移量，G符号代表梯度，M符号代表大小，O符号代表方向；步骤3‑3：缺陷边缘的每一个像素点的梯度大小被定义为PiL中所有像素点梯度大小的均值，其公式如下：(GM)iL=1miLΣk0,l0∈WiL(GM)i(k0,l0)]]>步骤3‑4：为保证旋转不变性，将fiL像素点的梯度方向旋转到0方向，对应的PiL中所有像素点的梯度方向也随之旋转，最终，缺陷边缘的每一个像素点的梯度方向被定义为PiL中所有像素点旋转后的梯度方向均值，假设MOD符号表示取余运算，则的公式如下：(GO)iL=1miLΣk0,l0∈WiLMOD((GO)i(k0,l0)-(GO)i(0,0)+2π,2π)]]>步骤3‑5：将和的值域进行32等级离散化，且离散化后缺陷边缘像素点的梯度大小和方向在离散域[1,2,…,32]中取值，这里i1,i2＝1,2,…,nL，M32符号代表32等级离散化后的大小，O32符号代表32等级离散化后的方向；步骤3‑6：针对缺陷边缘，统计梯度大小为和梯度方向为的缺陷边缘像素点的个数，并将梯度大小‑方向共生矩阵HL中k1行l1列的元素HL(k1,l1)设定为此值,构造出32×32梯度大小‑方向共生矩阵HL；步骤3‑7：将梯度大小‑方向共生矩阵HL的元素转为概率形式，即HL在(k1,l1)元素的概率为p(k1,l1)，其公式如下：p(k1,l1)=HL(k1,l1)/Σk1=132Σl1=132HL(k1,l1)]]>步骤3‑8：根据缺陷边缘的梯度大小‑方向共生矩阵HL，计算对应的具有尺度、旋转不变性的9个梯度大小‑方向共生矩阵的特征，即：大小均值μM、方向均值μO、大小方差方向方差大小熵EM、方向熵EO、混合熵EMO、惯性矩IMO、相关性CMO，具体公式如下：μM=Σk1=132(k1×Σl1=132p(k1,l1))]]>μO=Σl1=132(l1×Σk1=132p(k1,l1))]]>δM2=Σk1=132((k1-μM)2×Σl1=132p(k1,l1))]]>δO2=Σl1=132((l1-μO)2×Σk1=132p(k1,l1))]]>EM=-Σk1=132(Σl1=132p(k1,l1)×log(Σl1=132p(k1,l1)))]]>EO=-Σl1=132(Σk1=132p(k1,l1)×log(Σk1=132p(k1,l1)))]]>EMO=-Σk1=132Σl1=132(p(k1,l1)×log(p(k1,l1)))]]>IMO=Σk1=132Σl1=132((k1-l1)2×p(k1,l1))]]>CMO=Σk1=132Σl1=132((k1-μM)×(l1-μO)×p(k1,l1))δM2×δO2;]]>步骤4：针对基准采样图像的缺陷内区域，构造灰度大小‑方向共生矩阵，并根据此矩阵提取9个灰度大小‑方向共生矩阵的特征，使这些特征具有尺度不变性和旋转不变性；所述的提取9个灰度大小‑方向共生矩阵特征的步骤如下：步骤4‑1：假设基准采样图像中缺陷内区域有nΩ个像素点，每一个像素点灰度值为ftΩ，以ftΩ像素点为中心，提取3×3窗口中所有的像素点，组成集合PtΩ，这里Ω符号代表缺陷内区域，t＝1,2,…,nΩ；步骤4‑2：计算PtΩ中像素点梯度的方向(GO)t(k2,l2)，这里k2和l2表示PtΩ中像素点相对于3×3窗口中心点的坐标偏移量，且k2,l2∈{‑1,0,1}；步骤4‑3：为保证旋转不变性，将ftΩ像素点的梯度方向旋转到0方向，对应的PtΩ中所有像素点的梯度方向也随之旋转，最终，缺陷内区域的每一个像素点的灰度方向被定义为PtΩ中所有像素点旋转后的梯度方向均值，其公式如下：(fO)tΩ=19Σk2,l2=-1,0,1MOD((GO)t(k2,l2)-(GO)t(0,0)+2π,2π)]]>步骤4‑4：将ftΩ和的值域进行32等级离散化，且离散化后缺陷内区域的灰度大小和方向在离散域[1,2,…,32]中取值，这里t1,t2＝1,2,…,nΩ；步骤4‑5：针对缺陷内区域，统计灰度大小为和灰度方向为的缺陷内区域像素点的个数，并将灰度大小‑方向共生矩阵(k3,l3)位置的元素HΩ(k3,l3)设定为此值,构造出32×32灰度大小‑方向共生矩阵HΩ；步骤4‑6：将灰度大小‑方向共生矩阵HΩ的元素转为概率形式，即HΩ在(k3,l3)的概率为p(k3,l3)，其公式如下：p(k3,l3)=HΩ(k3,l3)/Σk3=132Σl3=132HΩ(k3,l3)]]>步骤4‑7：根据缺陷内区域的灰度大小‑方向共生矩阵HΩ，计算对应的具有尺度、旋转不变性的9个灰度大小‑方向共生矩阵的特征，即：大小均值、方向均值、大小方差、方向方差、大小熵、方向熵、混合熵、惯性矩、相关性；步骤5：将缺陷边缘的9个梯度大小‑方向共生矩阵的特征量、缺陷内区域的9个灰度大小‑方向共生矩阵的特征量和缺陷图像的7个HU不变矩算法的特征量结合，生成具有25维特征向量样本的训练库；步骤6：针对具有25维特征向量样本的训练库，使用K‑最近邻和R‑最近邻相结合的方法，修剪训练样本集，同时，提取修剪后样本的倍数因子；步骤7：采用最小二乘孪生支持向量机作为分类器，并利用修剪后样本的倍数因子改进分类器；步骤8：将改进的分类器与二叉树结合，建立多类别分类器模型，并利用修剪后的训练样本集对多类别分类器模型进行训练；步骤9：根据基准采样尺寸表，将缺陷测试样本转为基准采样图像，然后提取25维的特征量，并输入到多类别分类器模型，完成缺陷的自动识别。