基于混合加权特征向量的模式识别.pdfVIP

基于混合加权特征向量的模式识别* 颜云辉 马朋仁 陈世礼 (东北大学机械工程与自动化学院 沈阳 1 10004) 摘要：图像特征向量的选取，对断口图像模式识别具有十分重要的作用。本文采用小波变换和共生灰度矩 阵分析两种方法对断口图像进行特征提取，提出一种混合加权断口图像特征提取方法，并用于断口图像模 式识别。 关键词：模式识别，特征提取，小波变换，灰度共生矩阵. 1. 引 言: 金属断口都表现出比较明显的纹理特性，如何提取断口图像的纹理特征信息是分类的关键。 纹理分析方法分变换域和空间域两种。变换域方法常用的变换方法有Fourier 变换、余弦变换、 小波变换等。空间域的方法常用的方法有直方图统计特征分析、灰度共生矩阵分析、灰度-梯度 共生矩阵分析等。这两类方法在图像纹理特征的提取方面都有较为成熟的应用。但是，两种方法 分别提取出的特征向量用于断口图像模式识别，识别率不是很理想。 鉴于此，本文将主要采用小波变换和共生灰度矩阵分析两种方法对断口图像进行特征提取， 最后综合两类方法，提出混合加权特征提取方法，提高识别率，减少误判率。 2. 类别可分离性判据 对于有c 类样本的情况，令x (i)为ω类中的D 维特征向量，n 为w 类的样本数，P 是相应 k i i i i 类别的先验概率。则类别可分离性判据： c  1 ni  J P (x (i ) m )T (x (i ) m ) (m m)T (m m) （1） ∑ ∑ − − + − − d i  k i k i i i  i 1 ni k 1  1 ni i c （其中 ( ) mi ∑xk 为第i 类样本集的均值向量，m ∑P m 所有类别样本集总平均向量） i i ni k 1 i 1 3. 小波变换方法 小波变换的纹理分类方法采用小波变换后各频带输出的L 范数作为纹理分析的特征。 1 1 M L 范数： e ∑x (m, n) 1 2 M , 1 m n 其中，M ×M 为频带图像的大小，m 和n 分别指示图像的行和列，x 为该频带的小波系 数。 根据式 （1）计算采用L 范数所提取的样本特征的类别可分离性。据表1 的样本数据，可得