利用矢量量化自动分类机织物结构.doc

毕业设计（论文） 译文 题目名称：利用矢量量化自动分类机织物结构 院系名称：纺织学院 班 级：纺织113 学 号：201100514328 学生姓名：张永远 指导教师：卢士艳（副教授） 2015年3月 利用矢量量化自动分类机织物结构 ——景峻峰 王晶 李鹏飞 李阳 中国 西安 西安工程大学 电子信息学院710048 中国 西安 西安电子科技大学 电子机械工程学院710126 摘要:当前纺织工业织物结构分类由人工执行,这浪费很多人力和时间。本文提出了一种织物图像自动提取和分类方法。加速系统运行时间,首先使用二维织物图像的小波变换。提取特征参数的灰度共生矩阵法是一种对织物纹理猜测典型的方法.最终,织物结构的识别和分类完全采用学习矢量量化神经网络。实验结果表明,关注学习矢量量化网络提高了分类性能以及计算效率。 关键词：织物结构，二维小波变换，灰度共生矩阵，矢量量化类神经网络 1.介绍 在当前纺织行业,机织物的分析和识别主要依靠人工操作。然而,人工检验由于疲劳和注意力迟钝，可靠性是有限的.同时,人工操作耗费很长时间，这对于整个行业来说是没有益处的。因此,本文提出了一种对机织物自动、高效的识别系统。这个系统的使用不仅自动识别机织物,而且也提高了生产效率。首先以三个基本机织物组织为研究对象,平原,斜纹和缎纹组织。使用二维小波转换为织物图像后,织物图像的尺寸减小,但是最主要的织物图像的信息可以保留。然后提取灰度共生矩阵法的织物的四个特征参数学习矢量量化类神经网络的输入.形象建立和培训网络后,竞争层重是确定的。最后,模拟测试样本和训练网络实现织物结构编织的自动识别和分类。与其他方法相比,这种自动识别系统具有很高的精确度。 2.机织物图像采集和预处理 我们使用扫描仪CanonScan 9000F的织物图像采集系统。在同样的外部条件下,我们用600 dpi扫描织物图像,然后获得18组约300x300大小的织物图像为样本,每个样本都有6个基本织物结构。获得织物图像样本后,它可以使用中值滤波和直方图均衡化预处理织物的[1]图像.图1(a)表示缎纹组织的原始灰度图像。为了消除噪声干扰,我们采用中值滤波缎纹组织。结果显示在图1(b)。然后我们使用直方图均衡自动增强整个图像对比度和最小化分布不均像素的灰度值所引起的局部照明。缎纹组织的平衡见图1(c)。 (a) 一个缎纹组织 (b) 中值滤波后缎纹组织 (c) 均衡后缎纹组织 图 1 缎图像预处理 3.基于二维小波变换的机织物图像处理 小波变换[2]是首先在1974年由法国科学家J.Morlet提出。1989年,Mallat提出信号塔多分辨率分析分解和重构快速算法,这是著名的Mallat算法。小波变换是一种当地时间和频率之间的转换，可以有效地从信号中提取信息。弯曲功能的运算和功能与信号的多尺度细化分析转换过程,可以解决这一问题,傅里叶变换则不能解决。 二维小波变换是由两次间隔采样后的行和列内产品之间的原始图像和小波的基础上的形象。每个卷积可以分解一个维卷积行和列,因为尺度函数和小波函数可分。第一层小波变换后,原始图像被分解为四子图象[3]:低频子图象会(近似图像显示),三个高频详细的子图象，高频图像水平子图像HL,高频垂直子图象LH、高频对角线子图象HH。下一层小波分解的低频部分仅是分解.图2(a)是缎纹组织的原始图像。图2(b)表明,缎纹组织分解为四子图象通过第一层二维小波。2层二维小波后,缎纹组织分解成七子图象，在图2(c)中显示。 （a）(b) 第一层小波分解后缎纹组织 (c) 2层小波分解后缎纹组织 图 2 缎纹组织二维小波变换分解后 4.基于灰度共生矩阵建立的特征提取方法 图像应用灰度共生矩阵建立(GLCM)可以反映图像灰度[4]全面的信息,关于方向、相邻间隔、变化幅度。事实证明在理论和实验中纹理分析是一种好方法。GLCM在1973年由Haralick提出。它描述了i和j的灰度值,2像素的频率相关矩阵P(i,j,dθ)的N -灰度图像在θ方向和距离d。P(i,j,dθ),灰度i-行和j -列的元素同现矩阵,表示所有灰度值的出现概率在θ方向,i和j距离d。θ是x轴和这两个像素的线的夹角,,θ角为0°、45°、90°、135°。Ulaby和其他人发现:虽然应用灰度共生矩阵建立有14个纹理特征,却只有4个[5]不相关特性,这能方便计算也能给一个更高的分类精度。通常人们使用这四个常见特征提取图像纹理特征:角二阶矩(能量),对比度,相关性和熵。 能量 对比度 熵 相关性 与 以应用灰度共生矩阵建立的组织