基于雙閾值級聯(lián)分類器的金相圖識別研究

劉銳 張長勝 張漢平

摘要：圖像分類識別技術(shù)主要處理彩色或灰度圖像，使用圖像特征提取方法提取出同類樣本的共性及不同樣本的差異性，再配合恰當(dāng)?shù)姆诸惼髟O(shè)計得到較高的分類識別率。選取200個錫基合金，通過二值化、形態(tài)學(xué)邊緣提取和掃描線種子填充算法尋找封閉區(qū)域，用改進的多邊形包含算法進行封閉區(qū)域包含判定，提取出金相組織的形狀特征。對識別的金相組織設(shè)計雙閾值級聯(lián)分類器，根據(jù)特征識別進行歸類。實驗結(jié)果表明，所設(shè)計的分類器測試精度達到96%，識別速度快，能滿足實際需求。

關(guān)鍵詞：圖像分類；多邊形包含；邊緣提?。惶卣髯R別；雙閾值級聯(lián)

DOIDOI：10.11907/rjdk.172823

中圖分類號：TP317.4

文獻標(biāo)識碼：A 文章編號文章編號：1672-7800（2018）008-0212-04

英文摘要Abstract：The processing object image classification technology mainly deals with color or grayscale images，using image feature extraction method to extract similar samples properly，similarities，differences in the different samples，the classification with the appropriate classifier design is finally able to get a higher rate； 200 tin alloy were selected through the binarization.Morphological edge extraction and scan line seed fill algorithm were employed to find the closed areas which include judging by the improved algorithm of polygon.The shape features of the metallographic structure are extracted.A double threshold cascade classifier is designed to classify the recognition tissue according to the feature recognition.Experimental results show that the accuracy of the proposed classifier is 96%.The recognition speed is fast and the actual demand is met.

英文關(guān)鍵詞Key Words：image classification ；polygon inclusion；edge extraction；trick recognition ；dual threshold cascade

0 引言

數(shù)字圖像中的形狀特征提取，大量運用于定位識別[1]、果類自動分級系統(tǒng)[2]、果類自動采摘[3]中，通常從顏色、形狀、紋理3個特征進行提取[4]，用輪廓特征和區(qū)域特征表征形狀特征[5]。

一般用提取對象的邊界特征值表征輪廓特征，提取對象的整個區(qū)域特征表征區(qū)域特征。文獻[6]采用分支限界法對對象的骨架圖進行匹配提取區(qū)域特征。文獻[7]利用徑向基網(wǎng)絡(luò)成功實現(xiàn)遙感影像的識別分類。上述方法效率高，但計算量大。文獻[8]利用SUSAN算子識別圖像中角點信息，該方法適用于特征單一對象，對特征算子的要求比較高。

本文運用圖像閾值分割、邊緣提取等方法有效地識別出錫基合金金相圖中各相的形狀特征，并采用改進方法識別金相圖中的包含關(guān)系，對被包含部分進行區(qū)分，最終獲得金相組織的形狀特征。本文根據(jù)上述方法識別出來的形狀特征參量設(shè)計了雙閾值級聯(lián)分類器，對金相圖像中各相進行有效分類。

1 金相圖組織成份提取

金相識別目的在于提取圖1中白色不規(guī)則圖形的輪廓和區(qū)域信息[9]。用邊界搜索提取圖像輪廓，進一步用區(qū)域填充提取區(qū)域特征信息。

1.2 形態(tài)學(xué)邊緣檢測及金相組織提取

用給定約束條件下的結(jié)構(gòu)元素獲取圖像中與之相符合的形狀特征[12]。相比于其它算法，形態(tài)學(xué)邊緣檢測能更好地表現(xiàn)圖像集合特征。邊緣檢測處理結(jié)果如圖3所示。

采用掃描線種子填充算法搜索封閉區(qū)域，并提取金相區(qū)域信息即可獲得組織輪廓。

1.3 多邊形包含算法改進

上述方法可獲取位于較大封閉區(qū)域中的[13]封閉區(qū)域，如圖3中的封閉區(qū)。這些區(qū)域為α固溶體，需要將其排除，使識別結(jié)果更準(zhǔn)確。圖4為沒有進行區(qū)域包含判斷，但被錯誤識別包含的α固溶體組織。

討論圖像的包含情況[14]，采用改進方法識別圖像中多邊形與多邊形的位置關(guān)系。改進方法可有效識別包含區(qū)域，準(zhǔn)確率有提高。改進方法如下：

圖5（a）所示閉合區(qū)域R2在R1內(nèi)，在R1上任取一點A，過A點向左作線段AB交圖像邊界于B。取A下一點C作CD平行于A，交圖像邊界于D。此時線段AB和線段CD與R2有一個交點，與R3有兩個交點，與R4無交點，即當(dāng)線段與封閉區(qū)有奇數(shù)個交點時，R1被閉合區(qū)域包含，為偶數(shù)則不包含。

圖5（b）中閉合區(qū)域R2在R1內(nèi)，在R1上任取一點A，過A點向左作線段AB交圖像邊界于B。取A下一點C作CD平行與A交圖像邊界于D。圖5（b）中AB與R3相切，圖5（c）中R2內(nèi)切R1，與A點AB均與封閉區(qū)域有偶數(shù)個交點，即當(dāng)兩條線段與封閉區(qū)存在奇數(shù)個交點時，R1被封閉區(qū)包含，都為偶數(shù)時不包含。

圖5（d）中R2被R1包含，若從R2上A向左作一條線段AB，則B是圖像左邊緣上的一點。取A下一點C作CD平行于AB，此時線段AB與封閉區(qū)域有6個交點，CD與封閉區(qū)域有4個交點。如果用圖6（a）判斷，則R2不被R1包含，因此需要將相鄰的像素點看作一個點。

2.2 外接矩長寬比提取

通過圖8可分析出方塊狀組織長寬比條狀或放射狀組織要大，可采用此特征進行區(qū)分。本文選擇MABR（最小面積外接矩形）表征多邊形的外接矩形。

2.3 雙閾值級聯(lián)分類器

對 200 個 Cu6Sn5、SnSb 組織進行緊湊度和長寬比計算。從圖9可以看出，使用單一的緊湊度進行分類，會出現(xiàn)圖中Ⅰ區(qū)域淺色和Ⅱ區(qū)域深色數(shù)據(jù)誤分類現(xiàn)象；單獨使用長寬比進行分類，同樣會出現(xiàn)Ⅰ區(qū)域深色和Ⅱ區(qū)域淺色部分?jǐn)?shù)據(jù)誤分類現(xiàn)象?？梢钥闯?，采用單特征分類器進行分類會使結(jié)果出現(xiàn)明顯偏差[15]。

3 實驗結(jié)果與分析

本文實驗素材均來自筆者所在材料學(xué)院，從這些金相圖提取100個SnSb及Cu6Sn5共計200個金相組織構(gòu)成訓(xùn)練樣本，再各選取50個SnSb和Cu6Sn5組織作為測試樣本，測出每個樣本的緊湊度和長寬比數(shù)據(jù)。將測得數(shù)據(jù)輸入分類器進行訓(xùn)練和分類，識別結(jié)果（部分）見圖10。根據(jù)表1可知分類器用時較少，測試精度達到96.1%，識別率高、耗時短，可滿足應(yīng)用需求。

4 結(jié)語

本文利用閾值分割、邊緣識別等一系列方法提取金相圖中各相的輪廓特征，利用改進的多邊形包含算法很好地剔除了金相組織中被包含的部分。利用雙閾值級聯(lián)分類算法對錫基合金圖中的各相進行分類，能在較短時間內(nèi)高效識別金相組成。根據(jù)識別結(jié)果計算各相組織含量，進一步分析各相組織含量與合金硬度之間的關(guān)系，對錫基合金具有一定意義[16]。

參考文獻：

[1] 倪健.基于圖案形狀特征的機器視覺定位技術(shù)的研究與開發(fā)[D].無錫：江南大學(xué)，2013.

[2] 趙茂程，侯文軍.我國基于機器視覺的說過自動分類技術(shù)及研究進展[J].包裝與食品機械，2007，25（5）：5-8.

[3] 王輝.機器視覺技術(shù)在果園自動化中的應(yīng)用研究[D].中國農(nóng)業(yè)機械化科學(xué)研究院，2011.

[4] 汪啟偉.圖像直方圖特征及其應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2014.

[5] 孔珊珊.基于形狀特征的圖像檢索系統(tǒng)[D].太原：太原理工大學(xué)，2013.

[6] ZHU S C，YUILLE A L.FORMS：a flexible object recognition and modeling system[J].International Journal on Computer Vision，1996，20（3）：187-212.

[7] 駱劍承，周成虎，楊艷.基于徑向基函數(shù)（RBF）映射理論的遙感影像分類模型研究[J].中國圖象圖形學(xué)報，2004（2）：94-99.

[8] 賀菁，李慶華，王新賽.基于方向性SUSAN 算子的圖像角點特征提取[J].小型微型計算機系統(tǒng)，2008，29（3）：508-510.

[9] 肖鵬，徐軍，陳少沖.紋理特征提取方法[J].電子科技，2010，23（6）：49-51.

[10] OTSU N.A thresh selection method from gray-level histograms[J].IEEE Transactions on System Man and Cybemetic，1979，9（1）：62-66.

[11] 喬萬波，曹銀杰.一種改進的灰度圖像二值化方法[J].電子科技，2008 （11）：63-64.

[12] 傅茂名.基于形態(tài)灰度邊緣檢測算法的一種改進[J].電子科技大學(xué)學(xué)報，2005，34（2）：206-209.

[13] 陸宗騏，朱煜.使用線段表實現(xiàn)線段編碼與種子填充快速算法[J].中國圖象圖形學(xué)報，2009，14（3）：499-504.

[14] 江平，劉民士.射線法判斷點與包含簡單曲線多邊形關(guān)系的完善[J].測繪科學(xué)，2009，34（5）：220-222.

[15] 張國英，沙蕓，劉玉樹.模式識別中基于Boosting的特征篩選[J].北京理工大學(xué)學(xué)報，2004（7）：613-616.

[16] 崔鳳奎，王曉強，張豐收.定量金相分析算法及實現(xiàn)[J].材料科學(xué)與工藝，2000（3）：109-112.

（責(zé)任編輯：杜能鋼）