圖像識別方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明設及圖像處理技術領域，尤其設及一種圖像識別方法及裝置。
【背景技術】
[0002] 在某些一定量度或觀測基礎上把待識別模式劃分到各自的模式類中，稱為模式識 另IJ。模式識別主要針對語音波形、地震波、屯、電圖、腦電圖、圖片、照片、文字、符號、生物傳感 器等目標對象進行測量的具體模式進行分類和辨識。
[0003] 圖像識別是模式識別的一個分支，將模式識別應用于圖像領域，即識別對象為圖 像時就稱為圖像識別。簡而言之，圖像識別技術，就是指計算機通過對圖像的處理、分析W 及理解，進行不同分類模式的識別技術。
[0004] 在工業(yè)生產(chǎn)的紡織品印刷工藝中，分為絲網(wǎng)印刷和數(shù)碼印刷兩大類。絕大部分圖 片都可W用數(shù)碼印刷生產(chǎn)，而適合絲網(wǎng)印刷的圖片主要是圖形簡單、色彩線條鮮明、過渡色 較少的矢量圖，但是由于數(shù)碼印刷的印刷難度大、耐磨性較差等缺陷，工藝中更傾向于絲網(wǎng) 印刷。因此，在印刷過程中，需要識別出適合絲網(wǎng)印刷的矢量圖和適合數(shù)碼印刷的照片。當 圖片的數(shù)據(jù)量較大的情況下，普通人工分類的方法極其耗費時間與資源。因此，如何批量地 自動識別矢量圖和照片成為印刷工藝中需要解決的問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種圖像識別方法及裝置，W解決現(xiàn)有技術中無法批量地自 動識別矢量圖和照片的問題。
[0006] 為實現(xiàn)上述目的，本發(fā)明提供了一種圖像識別方法，所述方法包括：
[0007] 將待識別圖像進行灰度處理，并將處理后的圖像按預設尺寸進行縮放；
[000引根據(jù)預設方向和預設間距生成縮放后圖像的灰度共生矩陣；
[0009] 計算所述灰度共生矩陣的特征值，利用所述特征值構造特征向量；
[0010] 利用支持向量機對所述特征向量進行分類識別。
[0011] 另一方面，本發(fā)明提供了一種圖像識別裝置，所述裝置包括：
[0012] 處理單元，用于將待識別圖像進行灰度處理，并將處理后的圖像按預設尺寸進行 縮放；
[0013] 生成單元，用于根據(jù)預設方向和預設間距生成縮放后圖像的灰度共生矩陣；
[0014] 計算單元，用于計算所述灰度共生矩陣的特征值，利用所述特征值構造特征向量；
[0015] 識別單元，用于利用支持向量機對所述特征向量進行分類識別。
[0016] 本發(fā)明實施例提供的圖像識別方法及裝置，能夠批量地自動識別出適合絲網(wǎng)印刷 的矢量圖和適合數(shù)碼印刷的照片，識別效率高，自適應性強。
【附圖說明】
[0017] 圖1為本發(fā)明實施例提供的圖像識別方法的流程圖；
[0018] 圖2為本發(fā)明實施例提供的圖像灰度級數(shù)和灰度共生矩陣對照圖；
[0019] 圖3為本發(fā)明實施例提供的利用支持向量機對樣本進行分類示意圖；
[0020] 圖4為本發(fā)明實施例提供的利用支持向量機對樣本分類結(jié)果示意圖；
[0021] 圖5為本發(fā)明實施例提供的圖像識別裝置的示意圖。
【具體實施方式】
[0022] 下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。
[0023] 本發(fā)明技術方案適用于在工業(yè)生產(chǎn)的紡織品印刷工藝中，需要對圖片進行批量處 理的情況下，對適合絲網(wǎng)印刷的矢量圖和適合數(shù)碼印刷的照片進行區(qū)分。
[0024] 圖1為本發(fā)明實施例提供的圖像識別方法的流程圖。如圖1所示，本發(fā)明實施例的 圖像識別方法包括：
[0025] 步驟101，將待識別圖像進行灰度處理，并將處理后的圖像按預設尺寸進行縮放。
[0026] 具體地，將待識別圖像轉(zhuǎn)換為灰度圖像，利用相鄰像素插值法將所述灰度圖像按 照預設尺寸進行縮放。
[0027] WRGB色彩空間圖像為例，首先將圖像樣本的RGBS通道值轉(zhuǎn)化為單通道灰度值。 然后進行尺寸規(guī)劃，利用相鄰像素插值法將灰度圖像統(tǒng)一縮放成預設尺寸600*800像素。
[0028] 步驟102,根據(jù)預設方向和預設間距生成縮放后圖像的灰度共生矩陣。
[0029] 具體地，設Image(x，y)為二維灰度圖像，（M，N)為圖像尺寸，灰度級別為Gn則灰度 共生矩陣計算公式如下：
[0030] P(i ,j) =Num{(xi,yi), (X2,y2) eNXM| Image(xi'yi) = 1, Image(X2,y2) = j} (1)
[0031] 其中，i，j eGn，Num{X}表示集合X中的元素個數(shù)，P(i，j)為Gn X Gn階矩陣。若(XI， yi)與(X2，y2)預設間距為d，預設方向為(xi，yi)與(X2，y2)連線與橫坐標軸夾角為θ，則可W 根據(jù)預設方向和預設間距得到灰度共生矩陣。，^'，(1，0)。元素。，^的值表示一個灰度級1 與另一個灰度級j的兩個間距為d的像素對在Θ角的方向上出現(xiàn)的次數(shù)。 f
[0032] 例如:L2，l，j表示灰度級1的像素與灰度級2的像素在垂直方向上距離為1的成 對個數(shù)。
[0033] 圖2為本發(fā)明實施例提供的圖像灰度級數(shù)和灰度共生矩陣對照圖。圖2(a)為圖像 的灰度級數(shù)（1-8級）圖，圖2(b)定義為相鄰元素為水平方向且間距為1的灰度共生矩陣。如 圖所示，圖2(b)中（1，1)值為1說明圖像中只存在一對灰度級為1的像素對水平相鄰，而圖2 (b)中（1，2)值為2說明存在兩對灰度級為1和2的像素對水平相鄰，W此類推，得到灰度級數(shù) (1-8級）圖對應灰度共生矩陣圖2(b)。
[0034] 步驟103,計算所述灰度共生矩陣的特征值，利用所述特征值構造特征向量。
[0035] 具體地，計算灰度共生矩陣的對比度、自相關性、能量和賭。利用特征值構造27維 特征向量，其中，1-4維的元素為灰度共生矩陣的對比度，5-8維的元素為灰度共生矩陣的自 相關性，9-12維的元素為灰度共生矩陣的能量，13-16維的元素為灰度共生矩陣的賭，17-20 維的元素為灰度共生矩陣對比度的均值，21-24維的元素為灰度共生矩陣的對比度的方差， 25維的元素為圖像灰度梯度為零的像素的個數(shù)Numi，26維的元素為圖像灰度梯度大于2小 于40的像素的個數(shù)Num2，27維的元素為Num2/Numi。
[0036] 灰度共生矩陣特征向量各維元素的計算如下：
[0037] (1) 1-4維元素為灰度共生矩陣的對比度Contrast。
[0038] 對比度反映圖像的清晰度和紋理溝紋深淺的程度，若對比度值越大，紋理溝壑越 深，視覺效果越清晰。
[0039] 計算公式如下：
[0040]
(2)
[0041 ]其中，i，j為灰度級數(shù)，p( i，j)為灰度共生矩陣。
[0042] (2)5-8維元素為灰度共生矩陣的自相關性Correlation。
[0043] 自相關性反映整個圖像紋理的一致性，如果圖像水平紋理較多，則水平方向的自 相關性數(shù)值將大于其余方向的數(shù)值。
[0044] 計算公式如下：
[0045]
(3)
[0046] 其中，i, j為灰度級數(shù)，p(i, j)為灰度共生矩陣，yi，Wj為數(shù)學期望，〇i，〇j為標準差。
[0047] (3)9-12維元素為灰度共生矩陣的能量化ergy。
[0048] 能量反映整個圖像的灰度分布均勻程度和紋理粗細度，若能量值越大，灰度越不 均勻。
[0049] 計算公式如下：
[00 加]
(4)
[0051] 其中，p(i，j)為灰度共生矩陣。
[0052] (4) 13-16維元素為灰度共生矩陣的的賭Homogeneity。
[0053] 賭反映整個圖像所包涵的信息量的度量值和紋理的復雜程度，若賭值越大，共生 矩陣元素的隨機性越大，元素越分散。
[0054] 計算公式如下：
[0055]
(5)
[0056] 其中，i，j為灰度級數(shù)，p( i，j)為灰度共生矩陣。
[0057] (5)17-20維的元素為灰度共生矩陣對比度的均值。
[005引（6)21-24維的元素為灰度共生矩陣的對比度的方差。
[0059] 除了灰度共生矩陣的對比度、自相關性、能量和賭四種主要統(tǒng)計量，本發(fā)明還另外 加入了度量灰度梯度的特征，記圖像灰度梯度特征為(Gx，Gy)，Gx為水平灰度梯度，Gy為垂 直灰度梯度，計算公式如下：
[0060] Gt= |Gx| + |Gy (6)
[OOW] 記Gt = 0的像素個數(shù)為Numi，2 < Gt < 40的像素個數(shù)為Num2。
[0062] (7)25維的元素為圖像灰度梯度為零的像素個Numi。
[0063] (8)26維的元素為圖像灰度梯度大于2小于40的像素的個數(shù)Nuim。
[0064] (9)27維的元素為伽1112/化皿。
[0065] 步驟104,利用支持向量機對所述特征向量進行分類識別。
[0066] 支持向量機（Suppod Vector Machine，SVM)是一個能夠?qū)⒉煌悩颖驹跇颖究?間分隔的超平面。通過訓練給定一些已存在類別標簽（label)的特征(fea化re)作為輸入， 得出所需要的最優(yōu)化分隔超平面。
[0067] 圖3為利用支持向量機對樣本進行分類示意圖。如圖3所示，二維坐標中的圓形與 方形分別是兩個類別，其特征即為(x，y)二維坐標，運些樣本可W通過各種不同的直線進行 類別分隔。
[0068] 圖4為本發(fā)明實施例提供的利用支持向量機對樣本分類結(jié)果示意圖。利用SVM算法 找到一個最優(yōu)化超平面如圖4所示，可W使得所有類別距離超