基于灰度共生矩阵的织物组织结构差异分析

应用灰度共生矩阵分析不同织物组织结构的纹理特征差异。首先将图像的灰度级由256级降为16级以减少计算量;再通过计算图像的灰度共生矩阵选取由灰度共生矩阵衍生的能量、对比度、相关、熵和逆差矩5种特征值作为描述织物纹理的特征参数,并与实际织物纹理特征相比较。分析结果表明,该方法能够较好地提取平纹、斜纹和缎纹织物的纹理特征,可进一步实现织物纹理的分类。     

基于灰度-游程累加的皮革缺陷自动检测

针对目前我国皮革产品生产中质量检测技术落后、检测效率较低的情况,提出了一种基于灰度-游程累加模型的图像缺陷检测方法。该方法利用了图像的灰度信息和灰度游程长度信息,通过计算图像的灰度差值和累加游程,从而计算出每个像素的灰度-游程累加值,来确定划分缺陷和背景部分的阈值。实验结果表明,该方法能有效地分割出纹理图像上区域特性不同的区域,且分割效果优于等灰度游程矩阵和灰度共生矩阵,其精确度达到每个象素点。     

蕾丝花边的改进型纹理特征检索方法

针对传统的蕾丝花边检索主要依赖于人的视觉检测及文本检索,存在信息不稳定、效率低、检索效果不可靠的现象,提出了一种基于层次匹配下多特征融合的蕾丝花边检索方法。通过运用图案纹理特征标识图像,首先分别用灰度共生矩阵、灰度梯度共生矩阵、局部二进制算子提取纹理特征进行匹配。然后将3种提取纹理特征方法分别结合几何特征、不变矩特征量进行逐层匹配。最后将层次匹配下各个纹理特征进行融合,弥补了单个匹配方法的不足,同时在蕾丝花边库中验证所用检索方法的正确率。分析结果表明,该方法优于任意单个的蕾丝花边匹配方法,能较好地实现蕾丝花边检索,有效地提高图案检索的可靠度和准确率。     

图像检测技术在皮革缺陷检测排样系统的应用研究

介绍一种计算机皮革缺陷检测与排样切割系统的构成原理与设计思想.该系统对皮革纹理图像采用小波包分解去噪,并用共生矩阵提取皮革图像的纹理特征向量,用改进模糊聚类方法对样本特征样本向量进行聚类分析.提出了一种基于类间方差和类内方差的自适应确定分割区域数的方法.该算法可以准确的检测出皮革表面缺陷信息,其在线缺陷检测结果与人工判断缺陷类别的一致性在89.1%以上,实现了对皮革缺陷的自动检测,优化排样.     

基于纹理特征相似度伪装评估模型

本文提出一种基于灰度共生矩阵和小波变换的方法相结合进行纹理相似度判别的评估模型。图像的纹理特性综合反映了斑点构成的分布和特征,因此伪装与背景的纹理特性差异,可以反映出他们之间的综合特性差异。灰度共生矩阵可定量描述纹理特征,而小波变换将图像分解为不同层次,可以模拟在不同观察距离上伪装效果的评估。本文在进行模型分析将伪装图像进行多层小波分解,只在变换后的低频部分,对不同层次上伪装和背景图像的低频图像纹理特征进行比较,能够较好的反映伪装和背景在不同观察距离上的综合纹理相似度。     

基于灰度共生矩阵的纹理周期分析

引进灰度共生矩阵(GLCM)对纺织布纹理进行特征分析,通过实验对GICM中14个特征参量进行筛选,选出能反映周期方向的5个特征参量和周期大小的4个特征参量,运用这两组特征参量对纺织布的纹理进行周期大小和方向的描述.实验过程中,对原始纺织布纹理图像进行二值化处理,使得共生矩阵的计算变成二值型,极大地降低了计算量.结果表明:对于含有一定周期的纹理图像,采用本文纹理周期描述和分析方法,能够实现比较全面的描述.     

基于图像纹理分析的大米加工等级检测方法

利用不同加工等级大米表面纹理不同的特点,提出了基于纹理分析的大米加工等级检测方法。设计了大米的计算机视觉检测系统,获取4个不同加工等级大米标准样的图像,采用灰度梯度共生矩阵的纹理分析方法提取图像的纹理特征值,采用Fisher判别法和PNN神经网络对大米加工等级进行检测判定。试验结果表明:Fisher判别法和PNN神经网络对4种不同加工等级的大米样品检测判定的正确率分别是96.25%和90.00%。     

基于图像纹理特征的牛肉嫩度预测方法研究

在经过图像预处理,背最长肌与大理石花纹的分割,并实现大理石花纹特征值的提取后,利用灰度共生矩阵提取4个对嫩度剪切力贡献较大的纹理特征参数,并统计这些参数应用多元线性回归建立牛肉嫩度剪切力预测模型。结果表明：可见光下利用纹理特征预测牛肉嫩度的方法能够以96%的准确率实现嫩度剪切力等级的预测,具有较高的商用开发价值。     

基于多层感知器与特征组合的皮革缺陷分类

针对皮革表面存在不均匀纹理的特性、缺陷分类难度大的问题,构造了一种多层感知器结合特征组合的分类方法.首先通过Gabor滤波方法强调皮革表面纹理特征,并获取皮革图像的5个灰度分布统计特征与8个灰度共生矩阵统计特征,以此描述皮革表面纹理和缺陷的特征;然后采用多层感知器结合特征组合的分类方法对皮革缺陷图像进行分类.实验验证结...     

织物纹理均匀度的计算机评价

为用计算机代替人工对织物的纹理均匀度进行快速准确地评价,提出一种基于差值矩阵的计算机识别算法,通过建立灰度差值矩阵模型分析织物纹理均匀度指标。对织物图像进行预处理以增加其清晰度。通过检测织物经纬向灰度局部极值,建立横纵向纹理特征矩阵及位置矩阵。将矩阵中相邻行与列的元素依次相减,得到横纵向灰度差值矩阵模型。根据这2个矩阵模型,提出偏移平均值及综合评价公式对织物纹理均匀度进行评价,并通过实例给出了评价指标的分级范围。结果表明,这种方法简单准确且速度快,能较好评价织物的纹理均匀度。     

采用图像处理的织物缝纫平整度自动评估

为解决织物缝纫平整度客观自动评估时分类正确率低的问题,提出了一种基于灰度共生矩阵、小波分析和反向传播（BP）神经网络相结合的织物缝纫平整度的自动评估方法。首先采集标准缝纫图像,将图像的灰度级降至16 级,计算图像在0°和90°方向上的灰度共生矩阵并将其归一化,提取灰度共生矩阵的能量、熵、对比度和相关性4 个特征参数,并分别对特征参数在0°和90°方向上取均值;同时,运用Haar 小波在第6个分析尺度上提取并计算图像的水平细节系数的标准差。然后将提取的这5 个特征参数输入到BP 神经网络中训练和识别,并对标准缝纫图像进行了评估。评估结果显示：提出的算法与单独采用灰度共生矩阵特征、小波特征相比,具有较高的分类正确率,分类效果稳定。     

Raisin Quality Classification Using Least Squares Support Vector Machine (LSSVM) Based on Combined Color and Texture Features

In this paper, an approach based on combined color and texture features to classify raisins is presented. Least squares support vector machine (LSSVM), linear discriminant analysis, and soft independent modeling of class analogy were used to construct classification models. A total of 480 images were captured from four grades of raisin samples by a Basler 601 fc IEEE1394 digital camera, 200 images were randomly selected to create calibration model (training set), and remaining images were used to verify the model (prediction set). Color features and texture features were obtained from two color spaces: red–green–blue and hue–saturation–intensity using histogram method and gray level co-occurrence matrix method, respectively. Our results indicate that the best performance with about 95% of average correct answer rate is achieved by LSSVM using combined color and texture features from HSI color space. This result is significantly higher than the performance of solely used color or texture features. The combined color and texture features coupled with a LSSVM classifier are a highly accurate way for raisin quality classification.     

丹贝固态发酵过程时间序列分析与预测

基于机器视觉替代物理化学方法和人工方法检测丹贝发酵过程。计算色调、饱和度、亮度彩色模型空间灰度共生矩阵来提取丹贝发酵图像纹理特征。通过和人工感官评定方法的对比,丹贝图像纹理特征曲线转折点被证明可以作为决策依据来区分丹贝发酵的4 个时期,并进一步细分为6 个阶段。纹理数据分析表明,少孢根霉菌丝发酵起点比人工方法提前3 h确定,丹贝发酵纹理特征值的极值点即为丹贝发酵过程的终点。通过移动观测窗来构建纹理特征时间序列,进而利用神经网络集成训练构建丹贝发酵过程的非线性时间序列模型,并最终通过此模型预测图像纹理特征曲线变化的极值点来实现对丹贝固态发酵过程和发酵终点的分析与预测。     

基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。     

Non-destructive Evaluation of Bread Staling Using Gray Level Co-occurrence Matrices

The potential application of image texture processing for non-destructive evaluation of bread staling was investigated by monitoring the changes in gray level co-occurrence matrix (GLCM) features (energy, contrast, homogeneity, correlation, and entropy) of baguette bread over a 5-day storage period. Energy experienced a significant reduction after 2 days of storage and increased significantly afterwards. However, contrast tended to increase dramatically over the entire storage time. While homogeneity and correlation showed a decreasing trend during the storage period, no meaningful trend was observed for changes of entropy. The GLCM texture features contrast, homogeneity, and correlation showed high correlations with the instrumental texture parameters and physicochemical properties of the bread during storage; in fact, the breads with firmer and less springy crumbs and higher crust moisture contents (the stale breads) had noticeably higher contrast and lower homogeneity and correlation values compared to the freshly baked samples. The results suggested that the GLCM texture features are promising indices for non-destructively assessing bread staling progress.     

基于复合条件的织物纹理模糊识别

提出一种新的基于复合条件的模糊识别方法完成对织物图像的纹理提取。首先对整个图像灰度级分析,确定行与列灰度波的标准模糊集,然后给出基于灰度大小及像素位置的复合条件隶属度计算公式,对行与列的灰度波进行模糊分类,使其转换为仅有2个灰度极值的纹理灰度波。最后将所有纹理灰度波组合还原成二值纹理织物图像,为后续密度识别、纹理均匀度识别及疵点识别等图像分析提供基础。实验与分析结果显示,本文算法通过对灰度波的模糊划分,提取仅用2个灰度值表示的织物二值纹理图像,形成具有脉冲特征的纹理灰度波,可为后续织物图像各参数分析提供简单有用的织物纹理数据模型。     

基于机器视觉的烟青虫和棉铃虫雌雄蛹的分类识别

为有效分类识别烟草主要害虫烟青虫和棉铃虫的雌雄蛹,进而有效监测与防治,选取两种害虫的虫蛹作为待测样本,对害虫的图像进行分析,并结合图像处理和模式识别技术,提出一种基于机器视觉的烟草主要害虫雌雄蛹分类识别方法。利用SLR相机对两种害虫的雌雄蛹进行拍摄并提取腹部末节有效区域,获得分辨率350×350的原始图像,提取其RGB空间中R通道灰度图像作为纹理特征的输入图像,并将提取的基于灰度共生矩阵对比度、角二阶矩等纹理特征指标作为虫蛹雌雄性的判别依据,将待测试蛹特征数据输入训练好的支持向量机进行识别分类。结果表明:利用该方法实现了对烟青虫和棉铃虫雌雄蛹的较有效分类,识别率分别达到87.5%和82.5%。该方法可为害虫雌雄蛹的较准确识别提供技术支持。