与基于区域特征的 SVM 分类不同,针对图像特征的 SVM 分类的算子不需要直接提取
特征,下面介绍基于 Laws 纹理特征的 SVM 分类。
纹理在计算机视觉领域的图像分割、模式识别等方面都有着重要的意义和广泛的应
用。纹理是指由于物体表面的物理属性不同所引起的灰度或颜色变化,不同的物体表面会
产生不同的纹理图像,所以纹理是图像的一种十分重要的属性。
纹理虽然很容易从直观上查看,但却很难用精准的数学公式来表述,它是由非单一颜
色或明暗度所呈现出来的某种规律性特征。纹理包含物体表面组织结构排列的重要信息及其与周围环境的联系。纹理基元是基本的纹理元素,它可以是一个像素的灰度,也可以是具有特定性质的连通像素集合。准确而高效的纹理特征提取是成功进行图像纹理描述、分类与分割的前提,因为提取的纹理特征直接影响后续处理的图像质量
a )墙类纹理
( b )金属纹理
( c )木质纹理
( d )布花纹纹理
1、纹理分析法
在涉及具体的纹理特征提取时,研究学者们总是习惯于先寻找更多的能够反映纹理特征的度量方式,然后通过分析或者变换提取有效的特征,以用于纹理的描述和分类。提取的目标纹理特征应满足:特征维数小,鉴别能力强,稳健性好,提取过程消耗时间短,空间复杂度小,易于实际应用等,常用的纹理分析法主要有以下四类:
1)统计法
统计法是目前研究最多,应用最早且占主导的一种纹理分析法。纹理特征在局部上表现出很大的随机性,但从整体和统计意义上看存在某种规律性。从区域统计方面分析纹理图像的方法称为基于统计的分析方法,简称统计法。统计法主要利用图像的统计特性求出某种特征值,再基于图像特征的一致性进行分析。典型的统计法包括灰度共生矩阵、滤波模板、随机模型等。
2)结构法
结构法是建立在纹理基元理论基础上的一种纹理特征分析方法。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列组合构成。若纹理基元能够单独被分割和描述,则要使用结构法,即首先确定纹理基元的形状,然后确定控制这些纹理基元位置的规则。
结构法大致可以分为以下两步:
第一步,确定图像中纹理基元的位置并提取图像中的纹理基元;
第二步,确定纹理基元的排列方式,即研究纹理基元间的结构关系。
其中,第一步描述了图像的局部纹理特征,第二步将整幅图像中的不同纹理基元进行统计分析,得到纹理基元的排列规律,也就获得了整幅图像全面的纹理信息。结构法中比较有影响的算法是 Voronoi 棋盘格特征分析法。
结构法的优点是纹理构成易理解,适合于高层检索以及描述规则的人工纹理。但对于不规则的自然纹理,由于纹理基元本身提取困难以及纹理基元之间的排布规则复杂,因此结构法受到很大的限制。
3)模型法
模型法以图像模型为基础,通过构造图像模型,利用模型的参数作为其纹理特征。模型法的关键在于构造模型,使模型表示出来的纹理图像能最接近原来的图像。最典型的模型法是随机场模型法,如马尔可夫( Markov )随机场模型法和 Gibbs 随机场模型法。
4)频谱法
频谱法是依赖图像的频谱特性来描述纹理特征的方法。常用的频谱法主要包括傅里叶功率频谱法、塔式小波变换法、 Gabor 变换法等。
在图像处理中,一种生成纹理特征的方案是利用局部模板来检测不同类型的纹理。 Laws 纹理掩膜就是一种典型的基于模板卷积的纹理描述方法。
对于滤波模板, Laws 进行了深入研究,首先定义一维滤波模板,然后通过卷积运算形成了用于检测和度量纹理结构信息的一系列一维和二维滤波模板。
Laws 选定了三组一维滤波模板,分别用于检测灰度、边缘、点特征,模板如下:
1=[121]
e =[-101]
s =[-12-1]
两个一维滤波模板经过卷积形成长度为5的五组一维向量,分别检测灰度、边缘、点、波、涟漪特征,模板如下:
1=[1 4 6 4 1]
e =[-1 -2 0 2 1]
s =[-1 0 2 0 -1]
w =[-1 2 0 -2 1]
r =[1 -4 6 -4 1]
由滤波模板与图像卷积运算可以得到不同的纹理能量信息。利用 Laws 纹理提取纹理信息,结合 SVM 分类器可进行纹理缺陷检测。由于 Laws 纹理滤波模板少,所以可将纹理图组合成多通道纹理图以便得到准确的检测结果。
2.基于 Laws 纹理特征的相关算子
1), texture _ laws ( Image : ImageTexture ; FilterTypes , Shift , FilterSize ;)
功能:使用 Laws 纹理滤波模板对图像进行纹理滤波处理。
Image :准备进行纹理滤波处理的图像。
ImageTexture :滤波后得到的纹理图像。
FilterTypes :滤波形式,包括' el '、'' es '、' Is '等。
Shift :灰度值放缩因子。
FilterSize :滤波大小。
2), add _ samples _ image _ class _ svm ( Image , ClassRegions :: SVMHandle :)
功能:增加训练样本图像到支持向量机。
Image :训练图像。
ClassRegions :图像中用于训练的区域。
SVMHandle :支持向量机句柄。
3), reduce _ class _ svm (:: SVMHandle , Method , MinRemainingSV , MaxError :
SVMHandleReduced )
功能:通过简化支持向量机实现支持向量机的近似,从而进行更快地分类。
SVMHandle :原始的支持向量机句柄。
Method :处理后类型,以减少支持向量的数量。
MinRemainingSV :剩余支持向量的最小数量。
MaxError :减少误差的最大允许值。
SVMHandleReduced :简化后的支持向量机句柄。
4), classify _ image _ class _ svm ( Image : ClassRegions : SVMHandle :)
功能:使用支持向量机对图像进行分类。
Image :待分类的图像(多通道)。
ClassRegions :待分类的各个区域。
SVMHandle : SVM 句柄。
案例分析
1,创建,训练SVM模型
read_image (Image, 'plastic_mesh/plastic_mesh_01')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
dev_set_color ('red')
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
*用于分类的纹理过滤器将返回图像边界处的伪影,因为待检查的塑料网格图像不包含整数网格单元。由于这\
将导致在图像边界处被错误地检测到错误,因此我们必须将靠近图像边界的区域排除在训练和分类之外。这是\
用下面的矩形完成的。注意,该图像随后被按2倍的比例缩小。
gen_rectangle1 (Rectangle, 10, 10, Height / 2 - 11, Width / 2 - 11)
*创建SVM分类器模型
create_class_svm (5, 'rbf', 0.01, 0.0005, 1, 'novelty-detection', 'normalization', 5, SVMHandle)
* 循环读取图像冰利用SVM进行训练
for J := 1 to 5 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
* 由于网格的分辨率非常高,图像被缩小了。可以节省了大量的处理时间。
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
disp_message (WindowHandle, 'Adding training samples...', 'window', 12, 12, 'black', 'true')
*生成纹理图像
*‘el’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageEL, 'el', 5, 5)
*‘le’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageLE, 'le', 5, 5)
*‘es’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageES, 'es', 1, 5)
*‘se’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageSE, 'se', 1, 5)
*‘ee’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageEE, 'ee', 2, 5)
compose5 (ImageEL, ImageLE, ImageES, ImageSE, ImageEE, ImageLaws)
smooth_image (ImageLaws, ImageTexture, 'gauss', 5)
*将样本添加到分类器中
add_samples_image_class_svm (ImageTexture, Rectangle, SVMHandle)
endfor
dev_display (ImageZoomed)
disp_message (WindowHandle, 'Training SVM...', 'window', 12, 12, 'black', 'true')
* 训练支持向量机。这将生成相当多的支持向量。
train_class_svm (SVMHandle, 0.001, 'default')
2,推断验证模型
* 为了提高分类速度,减少支持向量的数量。
reduce_class_svm (SVMHandle, 'bottom_up', 2, 0.001, SVMHandleReduced)
* 推断
dev_set_draw ('margin')
dev_set_line_width (3)
for J := 1 to 14 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
dev_set_color ('white')
dev_display (Rectangle)
*‘el’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageEL, 'el', 5, 5)
*‘le’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageLE, 'le', 5, 5)
*‘es’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageES, 'es', 1, 5)
*‘se’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageSE, 'se', 1, 5)
*‘ee’模板Laws纹理滤波卷积
texture_laws (ImageZoomed, ImageEE, 'ee', 2, 5)
compose5 (ImageEL, ImageLE, ImageES, ImageSE, ImageEE, ImageLaws)
smooth_image (ImageLaws, ImageTexture, 'gauss', 5)
reduce_domain (ImageTexture, Rectangle, ImageTextureReduced)
* 使用支持向量机进行分类
classify_image_class_svm (ImageTextureReduced, Errors, SVMHandleReduced)
* 通过开运算和闭运算去掉干扰部分
opening_circle (Errors, ErrorsOpening, 3.5)
closing_circle (ErrorsOpening, ErrorsClosing, 10.5)
connection (ErrorsClosing, ErrorsConnected)
select_shape (ErrorsConnected, FinalErrors, 'area', 'and', 300, 1000000)
count_obj (FinalErrors, NumErrors)
dev_set_color ('red')
dev_display (FinalErrors)
if (NumErrors > 0)
disp_message (WindowHandle, 'Mesh NG', 'window', 12, 12, 'red', 'true')
else
disp_message (WindowHandle, 'Mesh OK', 'window', 12, 12, 'forest green', 'true')
endif
stop ()
endfor