本發(fā)明涉及圖像處理技術(shù)領(lǐng)域,具體涉及一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法及系統(tǒng)。
背景技術(shù):
在信息飛速產(chǎn)生與交流的今天,圖像是獲取信息的主要途徑之一。隨著電子計(jì)算機(jī)的發(fā)明以來,圖像處理技術(shù)也得到了迅速的發(fā)展,其應(yīng)用也越來越廣泛。圖像技術(shù)在科學(xué)研究、工業(yè)生產(chǎn)、國(guó)防科技、航空航天、醫(yī)療衛(wèi)生、交通管理等各個(gè)領(lǐng)域中都有廣泛應(yīng)用。
然而直接獲取的圖像往往不能滿足特定需求,因此需要對(duì)圖像進(jìn)行處理和分類標(biāo)識(shí),這就是圖像處理。通常所說的圖像處理主要是指數(shù)字圖像處理,也就是利用計(jì)算機(jī)技術(shù)對(duì)數(shù)字圖像進(jìn)行處理。隨著計(jì)算機(jī)和電子技術(shù)的快速發(fā)展,圖像的獲取和使用越來越方便,海量圖像信息的分析和處理也顯得愈加重要,對(duì)圖像進(jìn)行標(biāo)識(shí)和分類具有重要的研究?jī)r(jià)值和意義。
散斑現(xiàn)象早在牛頓那個(gè)時(shí)代就被人們發(fā)現(xiàn),但是散斑的存在僅僅被誤認(rèn)為是一種全息技術(shù)里的光學(xué)噪聲,嚴(yán)重的影響了全息圖的質(zhì)量。1996年,Burch和Ennos在實(shí)驗(yàn)的過程中發(fā)現(xiàn)激光散斑具有一定的可測(cè)光強(qiáng)和確定的相位分布,從而為散斑的應(yīng)用奠定了基礎(chǔ)。之后興起的散斑干涉測(cè)量技術(shù)是現(xiàn)在一種重要的干涉測(cè)量方法,該技術(shù)檢測(cè)速度快,測(cè)量精度高對(duì)環(huán)境防震要求低,廣泛應(yīng)用到各個(gè)領(lǐng)域。該技術(shù)的原理是在被測(cè)物體上覆蓋散斑圖,當(dāng)被測(cè)物體產(chǎn)生的形變或位移時(shí),分別記錄變形前后的散斑圖,通過比較與計(jì)算就可以得到物體的變形或者位移信息。
然后目前由于散斑圖攜帶了物體的形變信息,因此散斑制作過程中大量因素都會(huì)影響散斑圖的質(zhì)量,影響了物體的變形或位移信息的檢測(cè)結(jié)果,因此,如何準(zhǔn)確有效的識(shí)別散斑圖的質(zhì)量,是亟待解決的問題。
技術(shù)實(shí)現(xiàn)要素:
針對(duì)現(xiàn)有技術(shù)中的缺陷,本發(fā)明提供一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法及系統(tǒng),識(shí)別精度高、運(yùn)算量少且運(yùn)算速度塊,準(zhǔn)確且有效的實(shí)現(xiàn)對(duì)散斑圖像的質(zhì)量識(shí)別,進(jìn)而使得對(duì)散斑干涉測(cè)量的檢測(cè)結(jié)果精確且可靠,為物體的變形或位移信息的檢測(cè)應(yīng)用研究提供了精確的技術(shù)支撐。
為解決上述技術(shù)問題,本發(fā)明提供以下技術(shù)方案:
一方面,本發(fā)明提供了一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法,包括:
步驟1.采集目標(biāo)散斑圖像;
步驟2.根據(jù)各所述目標(biāo)散斑圖像的來源對(duì)所述目標(biāo)散斑圖像進(jìn)行預(yù)處理;
步驟3.提取預(yù)處理后的目標(biāo)散斑圖像的圖像特征,并根據(jù)提取的圖像特征對(duì)各所述目標(biāo)散斑圖像進(jìn)行直方圖特征描述及主成分分析特征描述,得到標(biāo)準(zhǔn)散斑圖像及標(biāo)準(zhǔn)參數(shù)向量;
步驟4.將所述目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖像或標(biāo)準(zhǔn)參數(shù)向量進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
進(jìn)一步的,所述步驟1包括:
批量讀取目標(biāo)散斑圖像,其中,各所述目標(biāo)散斑圖像的符號(hào)均為被計(jì)算機(jī)識(shí)別及運(yùn)算的符號(hào)。
進(jìn)一步的,所述步驟2包括:
步驟2-1.判斷所述目標(biāo)散斑圖像是否全部為由計(jì)算機(jī)程序生成的模擬散斑圖像;
若是,則進(jìn)入步驟2-3;
若否,則進(jìn)入步驟2-2;
步驟2-2.將非計(jì)算機(jī)程序生成的各所述目標(biāo)散斑圖像進(jìn)行去除噪聲、加強(qiáng)圖像數(shù)據(jù)信息及復(fù)原的預(yù)處理操作,得到預(yù)處理后的目標(biāo)散斑圖像,進(jìn)入步驟2-3;
步驟2-3.將所述目標(biāo)散斑圖像轉(zhuǎn)換為灰度矩陣,用矩陣或向量表示所述目標(biāo)散斑圖像中的二維或一維波形,并存入數(shù)組中。
進(jìn)一步的,所述步驟3中的所述根據(jù)提取的圖像特征對(duì)各所述目標(biāo)散斑圖像進(jìn)行直方圖特征描述,得到標(biāo)準(zhǔn)散斑圖像,包括:
步驟3a-1.生成所述目標(biāo)散斑圖像的理想高斯函數(shù);
步驟3a-2.根據(jù)直方圖的函數(shù)與所述理想高斯函數(shù),確定所述目標(biāo)散斑圖像的識(shí)別標(biāo)準(zhǔn)。
進(jìn)一步的,所述步驟3a-1包括:
獲取n個(gè)標(biāo)準(zhǔn)散斑圖像,其中,n為大于4的正整數(shù);
將n個(gè)標(biāo)準(zhǔn)散斑圖像依次與高斯函數(shù)進(jìn)行擬合,得到所述高斯函數(shù)的求解參數(shù);
求取全部的所述求解參數(shù)的平均值,得到所述理想高斯函數(shù)。
進(jìn)一步的,所述步驟3a-2包括:
獲取各數(shù)組中的前n個(gè)目標(biāo)散斑圖像;
根據(jù)直方圖的函數(shù)及所述理想高斯函數(shù)。得到各目標(biāo)散斑圖像的n×m個(gè)差值向量,其中,m為數(shù)組的總數(shù);
分別求取各數(shù)組中的n個(gè)差值向量的平均值,得到m個(gè)平均差值向量;
按各平均差值的數(shù)值大小對(duì)m個(gè)平均差值向量依次進(jìn)行排序,得到所述目標(biāo)散斑圖像的識(shí)別標(biāo)準(zhǔn)。
進(jìn)一步的,所述步驟3中的所述根據(jù)提取的圖像特征對(duì)各所述目標(biāo)散斑圖像進(jìn)行主成分分析特征描述,包括:
步驟3b-1.獲取各數(shù)組中的前n個(gè)目標(biāo)散斑圖像,并將目標(biāo)散斑圖像存入圖像庫;
步驟3b-2.對(duì)圖像庫中的所有目標(biāo)散斑圖像進(jìn)行K-L變換,得到并存儲(chǔ)各圖像的標(biāo)準(zhǔn)參數(shù)向量。
進(jìn)一步的,所述步驟4中的所述將描述得到的直方圖特征描述圖像及主成分分析特征描述圖像與標(biāo)準(zhǔn)散斑圖進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果,包括:
步驟4a-1.獲取待識(shí)別的目標(biāo)散斑圖像;
步驟4a-2.根據(jù)所述直方圖的函數(shù)與理想高斯函數(shù),得到待識(shí)別的目標(biāo)散斑圖像的差值向量;
步驟4a-3.計(jì)算待識(shí)別的目標(biāo)散斑圖像的差值向量與m個(gè)所述平均差值向量的差值,得到差值最小的待識(shí)別的目標(biāo)散斑圖像;
步驟4a-4.判斷所述目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
進(jìn)一步的,所述步驟4中的所述將描述得到的主成分分析特征描述圖像與標(biāo)準(zhǔn)散斑圖進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果,包括:
步驟4b-1.對(duì)待識(shí)別的目標(biāo)散斑圖像進(jìn)行K-L變換,得到所述待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量;
步驟4b-2.將所述待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量與所述圖像庫中各圖像的標(biāo)準(zhǔn)參數(shù)向量依次進(jìn)行比較,得到所述圖像庫中與所述待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量之間的差值最小的標(biāo)準(zhǔn)參數(shù)向量,進(jìn)而獲取標(biāo)準(zhǔn)參數(shù)向量所在數(shù)組;
步驟4b-3.根據(jù)所述標(biāo)準(zhǔn)參數(shù)向量所在數(shù)組,對(duì)待識(shí)別的目標(biāo)散斑圖像進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
另一方面,本發(fā)明還提供了一種基于圖像特征提取的散斑圖像質(zhì)量識(shí)別系統(tǒng),包括:
采集模塊,用于采集目標(biāo)散斑圖像;
預(yù)處理模塊,用于根據(jù)各所述目標(biāo)散斑圖像的來源對(duì)所述目標(biāo)散斑圖像進(jìn)行預(yù)處理;
標(biāo)準(zhǔn)獲取模塊,用于提取預(yù)處理后的目標(biāo)散斑圖像的圖像特征,并根據(jù)提取的圖像特征對(duì)各所述目標(biāo)散斑圖像進(jìn)行直方圖特征描述及主成分分析特征描述,得到標(biāo)準(zhǔn)散斑圖像及標(biāo)準(zhǔn)參數(shù)向量;
識(shí)別模塊,用于將所述目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖像或標(biāo)準(zhǔn)參數(shù)向量進(jìn)行對(duì)比識(shí)別,得到所述目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
由上述技術(shù)方案可知,本發(fā)明所述的一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法及系統(tǒng),識(shí)別精度高、運(yùn)算量少且運(yùn)算速度塊,準(zhǔn)確且有效的實(shí)現(xiàn)對(duì)散斑圖像的質(zhì)量識(shí)別,進(jìn)而使得對(duì)散斑干涉測(cè)量的檢測(cè)結(jié)果精確且可靠,為物體的變形或位移信息的檢測(cè)應(yīng)用研究提供了精確的技術(shù)支撐;針對(duì)散斑圖像的質(zhì)量評(píng)測(cè)的具體需求,研究以散斑圖為對(duì)象的特征提取技術(shù),為自動(dòng)評(píng)級(jí)技術(shù)提出新的解決方法,也為特征提取技術(shù)的實(shí)際應(yīng)用擴(kuò)展到新的領(lǐng)域。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見地,下面描述中的附圖是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明的一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法的流程示意圖;
圖2是本發(fā)明的識(shí)別方法中步驟200的流程圖;
圖3是本發(fā)明的識(shí)別方法中步驟300中的直方圖特征描述的流程圖;
圖4是本發(fā)明的識(shí)別方法中步驟300中的主成分分析特征描述的流程圖;
圖5是本發(fā)明的識(shí)別方法中步驟400中的應(yīng)用直方圖特征描述進(jìn)行識(shí)別的流程圖;
圖6是本發(fā)明的識(shí)別方法中步驟400中的應(yīng)用主成分分析特征描述進(jìn)行識(shí)別的流程圖;
圖7是本發(fā)明的具體實(shí)例中的識(shí)別方法中預(yù)處理及特征提取的流程示意圖;
圖8是本發(fā)明的一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別系統(tǒng)示意圖。
具體實(shí)施方式
為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述,顯然,所描述的實(shí)施例是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
本發(fā)明實(shí)施例一提供了一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法,參見圖1,該識(shí)別方法具體包括如下步驟:
步驟100:采集目標(biāo)散斑圖像。
在本步驟中,批量讀取目標(biāo)散斑圖像,各目標(biāo)散斑圖像的符號(hào)均為被計(jì)算機(jī)識(shí)別及運(yùn)算的符號(hào),為了使計(jì)算機(jī)能夠?qū)Ω鞣N現(xiàn)象進(jìn)行分類識(shí)別,要用計(jì)算機(jī)可以運(yùn)算的符號(hào)來表示所研究的對(duì)象。通過測(cè)量、采樣和量化,可以用矩陣或向量表示二維或一維波形。這就是數(shù)據(jù)獲取的過程。
步驟200:根據(jù)各目標(biāo)散斑圖像的來源對(duì)目標(biāo)散斑圖像進(jìn)行預(yù)處理。
在本步驟中,預(yù)處理的目的是去除噪聲,加強(qiáng)有用的信息,并對(duì)輸入測(cè)量?jī)x器或其他因素所造成的退化現(xiàn)象進(jìn)行復(fù)原;外界獲取的圖像由于會(huì)受到各種因素的干擾和影響,導(dǎo)致圖像質(zhì)量的影響,從而降低圖像特征提取的精準(zhǔn)性,因而在特征提取前需要進(jìn)行預(yù)處理從而有效地提出所需特征。而由程序生成的模擬散斑圖因沒有外界因素干擾,所以在特征提取之前不需要對(duì)圖像進(jìn)行預(yù)處理。
步驟300:提取各目標(biāo)散斑圖像的圖像特征,并根據(jù)提取的圖像特征對(duì)各目標(biāo)散斑圖像進(jìn)行直方圖特征描述及主成分分析特征描述,得到標(biāo)準(zhǔn)散斑圖像及標(biāo)準(zhǔn)參數(shù)向量。
在本步驟中,由圖像或波形所獲得的數(shù)據(jù)量是相當(dāng)大的。為了有效的實(shí)現(xiàn)分類識(shí)別,就要對(duì)原始數(shù)據(jù)進(jìn)行變換,得到最能反映分類本質(zhì)的特征,這就是特征提取和選擇的過程。一般我們把原始數(shù)據(jù)組成的空間叫測(cè)量空間,把分類識(shí)別賴以進(jìn)行的空間叫特征空間,通過變換,可以把維數(shù)較高的測(cè)量空間中表示的模式變?yōu)樵诰S數(shù)較低的特征空間中表示的模式。在特征空間中的一個(gè)模式通常也叫做一個(gè)樣本,它往往可以表示為一個(gè)向量,即特征空間中的一個(gè)點(diǎn)。分類決策就是在特征空間中用統(tǒng)計(jì)方法把識(shí)對(duì)象歸為某一類別?;咀龇ㄊ窃跇颖居?xùn)練集基礎(chǔ)上確定某個(gè)判決規(guī)則,使按這種規(guī)則對(duì)被識(shí)別對(duì)象進(jìn)行分類錯(cuò)誤識(shí)別率最小或引起的損失最小。
步驟400:將目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖像或標(biāo)準(zhǔn)參數(shù)向量進(jìn)行對(duì)比識(shí)別,得到目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
在本步驟中,利用兩種特征描述方法與已知的較好的散斑圖進(jìn)行對(duì)比識(shí)別,從而實(shí)現(xiàn)對(duì)散斑圖的質(zhì)量評(píng)價(jià),并通過實(shí)驗(yàn)對(duì)兩種特征的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比。
從上述描述可知,本實(shí)施例的一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法,識(shí)別精度高、運(yùn)算量少且運(yùn)算速度塊,準(zhǔn)確且有效的實(shí)現(xiàn)對(duì)散斑圖像的質(zhì)量識(shí)別,進(jìn)而使得對(duì)散斑干涉測(cè)量的檢測(cè)結(jié)果精確且可靠。
本發(fā)明實(shí)施例二提供了上述步驟200的一種具體實(shí)現(xiàn)方式。參見圖2,步驟200具體包括如下步驟:
步驟201:判斷目標(biāo)散斑圖像是否全部為由計(jì)算機(jī)程序生成的模擬散斑圖像;若是,則進(jìn)入步驟203,若否,則進(jìn)入步驟202。
步驟202:將非計(jì)算機(jī)程序生成的各目標(biāo)散斑圖像進(jìn)行去除噪聲、加強(qiáng)圖像數(shù)據(jù)信息及復(fù)原的預(yù)處理操作,得到預(yù)處理后的目標(biāo)散斑圖像,進(jìn)入步驟203。
步驟203:將目標(biāo)散斑圖像轉(zhuǎn)換為灰度矩陣,用矩陣或向量表示目標(biāo)散斑圖像中的二維或一維波形,并存入數(shù)組中。
從上述描述可知,本實(shí)施例從直方圖特征量描述可以看出,針對(duì)一幅圖片單純的提取器灰度直方圖特征是沒有太大意義,因此在直方圖特征提取的基礎(chǔ)上,結(jié)合了函數(shù)擬合與高斯函數(shù)相結(jié)合進(jìn)行特征提取分析,為后續(xù)識(shí)別提供了準(zhǔn)確且有效的數(shù)據(jù)基礎(chǔ)。
本發(fā)明實(shí)施例三提供了上述步驟300中的根據(jù)提取的圖像特征對(duì)各目標(biāo)散斑圖像進(jìn)行直方圖特征描述,得到標(biāo)準(zhǔn)散斑圖像的一種具體實(shí)現(xiàn)方式。參見圖3,步驟300具體包括如下步驟:
步驟3a-1:生成目標(biāo)散斑圖像的理想高斯函數(shù),如下:
獲取n個(gè)標(biāo)準(zhǔn)散斑圖像,其中,n為大于4的正整數(shù);將n個(gè)標(biāo)準(zhǔn)散斑圖像依次與高斯函數(shù)進(jìn)行擬合,得到高斯函數(shù)的求解參數(shù);求取全部的求解參數(shù)的平均值,得到理想高斯函數(shù)。
步驟3a-2:根據(jù)直方圖的函數(shù)與理想高斯函數(shù),確定目標(biāo)散斑圖像的識(shí)別標(biāo)準(zhǔn),如下:
獲取各數(shù)組中的前n個(gè)目標(biāo)散斑圖像;根據(jù)直方圖的函數(shù)及理想高斯函數(shù)。得到各目標(biāo)散斑圖像的n×m個(gè)差值向量,其中,m為數(shù)組的總數(shù);分別求取各數(shù)組中的n個(gè)差值向量的平均值,得到m個(gè)平均差值向量;按各平均差值的數(shù)值大小對(duì)m個(gè)平均差值向量依次進(jìn)行排序,得到目標(biāo)散斑圖像的識(shí)別標(biāo)準(zhǔn)。
本發(fā)明實(shí)施例四提供了上述步驟300中的根據(jù)提取的圖像特征對(duì)各目標(biāo)散斑圖像進(jìn)行主成分分析特征描述的一種具體實(shí)現(xiàn)方式。參見圖4,步驟300具體包括如下步驟:
步驟3b-1:獲取各數(shù)組中的前n個(gè)目標(biāo)散斑圖像,并將目標(biāo)散斑圖像存入圖像庫。
步驟3b-2:對(duì)圖像庫中的所有目標(biāo)散斑圖像進(jìn)行K-L變換,得到并存儲(chǔ)各圖像的標(biāo)準(zhǔn)參數(shù)向量。
本發(fā)明實(shí)施例五提供了上述步驟400中應(yīng)用直方圖特征描述進(jìn)行識(shí)別的一種具體實(shí)現(xiàn)方式。參見圖5,步驟400具體包括如下步驟:
步驟4a-1:獲取待識(shí)別的目標(biāo)散斑圖像。
步驟4a-2:根據(jù)直方圖的函數(shù)與理想高斯函數(shù),得到待識(shí)別的目標(biāo)散斑圖像的差值向量。
步驟4a-3:計(jì)算待識(shí)別的目標(biāo)散斑圖像的差值向量與m個(gè)平均差值向量的差值,得到差值最小的待識(shí)別的目標(biāo)散斑圖像。
步驟4a-4:判斷目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖進(jìn)行對(duì)比識(shí)別,得到目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
本發(fā)明實(shí)施例六提供了上述步驟400中應(yīng)用主成分分析特征描述進(jìn)行識(shí)別的一種具體實(shí)現(xiàn)方式。參見圖6,步驟400具體包括如下步驟:
步驟4b-1:對(duì)待識(shí)別的目標(biāo)散斑圖像進(jìn)行K-L變換,得到待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量。
步驟4b-2:將待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量與圖像庫中各圖像的標(biāo)準(zhǔn)參數(shù)向量依次進(jìn)行比較,得到圖像庫中與待識(shí)別的目標(biāo)散斑圖像的參數(shù)向量之間的差值最小的標(biāo)準(zhǔn)參數(shù)向量,進(jìn)而獲取標(biāo)準(zhǔn)參數(shù)向量所在數(shù)組。
步驟4b-3:根據(jù)標(biāo)準(zhǔn)參數(shù)向量所在數(shù)組,對(duì)待識(shí)別的目標(biāo)散斑圖像進(jìn)行對(duì)比識(shí)別,得到目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
為更進(jìn)一步地說明本方案,本發(fā)明還提供一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別方法的具體實(shí)例,具體內(nèi)容如下:
S1:對(duì)所需圖像進(jìn)行批量讀入轉(zhuǎn)換為灰度矩陣并放在同一數(shù)組中,預(yù)處理及特征提取的流程如圖7所示:
1)數(shù)據(jù)獲取:為了使計(jì)算機(jī)能夠?qū)Ω鞣N現(xiàn)象進(jìn)行分類識(shí)別,要用計(jì)算機(jī)可以運(yùn)算的符號(hào)來表示所研究的對(duì)象。通過測(cè)量、采樣和量化,可以用矩陣或向量表示二維或一維波形。這就是數(shù)據(jù)獲取的過程。
2)預(yù)處理:預(yù)處理的目的是去除噪聲,加強(qiáng)有用的信息,并對(duì)輸入測(cè)量?jī)x器或其他因素所造成的退化現(xiàn)象進(jìn)行復(fù)原。
外界獲取的圖像,由于會(huì)受到各種因素的干擾和影響,導(dǎo)致圖像質(zhì)量的影響,從而降低圖像特征提取的精準(zhǔn)性,因而在特征提取前需要進(jìn)行預(yù)處理從而有效地提出所需特征。而本文所用到的散斑圖像均由程序生成的模擬散斑圖,沒有外界因素干擾,所以在特征提取之前不需要對(duì)圖像進(jìn)行預(yù)處理。
3)特征提取和選擇:由圖像或波形所獲得的數(shù)據(jù)量是相當(dāng)大的。為了有效的實(shí)現(xiàn)分類識(shí)別,就要對(duì)原始數(shù)據(jù)進(jìn)行變換,得到最能反映分類本質(zhì)的特征,這就是特征提取和選擇的過程。一般我們把原始數(shù)據(jù)組成的空間叫測(cè)量空間,把分類識(shí)別賴以進(jìn)行的空間叫特征空間,通過變換,可以把維數(shù)較高的測(cè)量空間中表示的模式變?yōu)樵诰S數(shù)較低的特征空間中表示的模式。在特征空間中的一個(gè)模式通常也叫做一個(gè)樣本,它往往可以表示為一個(gè)向量,即特征空間中的一個(gè)點(diǎn)。
4)分類決策:分類決策就是在特征空間中用統(tǒng)計(jì)方法把識(shí)對(duì)象歸為某一類別?;咀龇ㄊ窃跇颖居?xùn)練集基礎(chǔ)上確定某個(gè)判決規(guī)則,使按這種規(guī)則對(duì)被識(shí)別對(duì)象進(jìn)行分類錯(cuò)誤識(shí)別率最小或引起的損失最小。
S2:分別采用直方圖特征和主成分分析特征對(duì)散斑圖像進(jìn)行特征描述。
其中,直方圖特征量描述:因?yàn)橐粋€(gè)質(zhì)量不錯(cuò)的散斑圖的直方圖形狀接近正態(tài)分布,而高斯函數(shù)是一種特殊的正太分布,所以將這一特點(diǎn)作為特征提取已知質(zhì)量不錯(cuò)的散斑圖的直方圖,用該直方圖與高斯函數(shù)做擬合,得到一個(gè)理想的高斯函數(shù)的參數(shù),用多張理想散斑圖做以上處理后得到多個(gè)參數(shù),求得均值后生成理想的高斯函數(shù)。再將每組圖片取前五張生成直方圖后與理想的高斯函數(shù)逐個(gè)做逐點(diǎn)相減,得到差值向量后每組向量求均值,每組得到一個(gè)均值向量,一共是十組,也就是有十組向量,將這十組向量從大到小排序后得到圖片質(zhì)量的十個(gè)分類。將得到的分類和質(zhì)量等級(jí)生成對(duì)應(yīng)的一個(gè)表格,可以方便之后的查找。于是這五十張圖片便構(gòu)成了訓(xùn)練樣本。
將被測(cè)圖形導(dǎo)入后生成直方圖與所得理想高斯函數(shù)逐點(diǎn)做差,得到該圖片與高斯函數(shù)的差值向量,用這個(gè)向量與訓(xùn)練樣本的十組向量排序前和排序后逐個(gè)相減比較,差值最小則認(rèn)為離該組最為接近,即判定為該組。得到系統(tǒng)判斷的所屬分類后,對(duì)應(yīng)分類等級(jí)對(duì)應(yīng)表便可以看出此次試驗(yàn)是否正確以及如果正確的情況下對(duì)應(yīng)的質(zhì)量等級(jí)。
其中,主成分分析特征描述:
第一步:搜集要識(shí)別散斑圖像,取每組前5張作為訓(xùn)練樣本,建立圖像庫
第二步:對(duì)圖像庫中的所有圖像進(jìn)行K-L變換,從而得到每幅圖像的參數(shù)向量并將每幅圖的參數(shù)向量存起來
第三步:先對(duì)一張所輸入的圖像進(jìn)行K-L變換分析,得到其參數(shù)向量
第四步:將這個(gè)參數(shù)向量與庫中每幅圖的參數(shù)向量進(jìn)行比較,找到最相似的參數(shù)向量,也就等于找到最相似的分組,從而認(rèn)為所輸入的圖像就是庫內(nèi)該組的一張圖像,完成了識(shí)別過程。
第五步:通過計(jì)算得到輸出所在組以及對(duì)應(yīng)的質(zhì)量等級(jí)。
S3:利用兩種特征描述方法與已知的較好的散斑圖進(jìn)行對(duì)比識(shí)別,從而實(shí)現(xiàn)對(duì)散斑圖的質(zhì)量評(píng)價(jià),并通過實(shí)驗(yàn)對(duì)兩種特征的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比。
為更進(jìn)一步地說明本方案,本發(fā)明還提供一種基于圖像特征描述的散斑圖像質(zhì)量識(shí)別系統(tǒng)的實(shí)施例。參見圖8,具體內(nèi)容如下:
采集單元10,用于采集目標(biāo)散斑圖像。
預(yù)處理單元20,用于根據(jù)各目標(biāo)散斑圖像的來源對(duì)目標(biāo)散斑圖像進(jìn)行預(yù)處理。
標(biāo)準(zhǔn)獲取單元30,用于提取各目標(biāo)散斑圖像的圖像特征,并根據(jù)提取的圖像特征對(duì)各目標(biāo)散斑圖像進(jìn)行直方圖特征描述及主成分分析特征描述,得到標(biāo)準(zhǔn)散斑圖像及標(biāo)準(zhǔn)參數(shù)向量。
識(shí)別單元40,用于將目標(biāo)散斑圖像與標(biāo)準(zhǔn)散斑圖像或標(biāo)準(zhǔn)參數(shù)向量進(jìn)行對(duì)比識(shí)別,得到目標(biāo)散斑圖像的圖像質(zhì)量識(shí)別結(jié)果。
從上述描述可知,本實(shí)施例的散斑圖像質(zhì)量識(shí)別系統(tǒng),針對(duì)散斑圖像的質(zhì)量評(píng)測(cè)的具體需求,研究以散斑圖為對(duì)象的特征提取技術(shù),為自動(dòng)評(píng)級(jí)技術(shù)提出新的解決方法,也為特征提取技術(shù)的實(shí)際應(yīng)用擴(kuò)展到新的領(lǐng)域。
以上實(shí)施例僅用于說明本發(fā)明的技術(shù)方案,而非對(duì)其限制;盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明,本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改,或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換;而這些修改或替換,并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。