《基于小波包的织物纹理分类.pdf》由会员分享，可在线阅读，更多相关《基于小波包的织物纹理分类.pdf（2页珍藏版）》请在三一文库上搜索。
1、第2 5 卷第4 期 纺织学报 V 0 1 2 5 ，N o 4 2 0 0 4 年8 月J o u m a lo fT e x t i l eR e s e a r c hA u g ，2 0 0 4 基于小波包的织物纹理分类 刘曙光屈萍鸽 ( 西安工程科技学院，西安，7 1 0 0 4 8 ) 摘要：采用小波包和B P 神经网络相结合的方法对织物纹理进行分类，实验表明，分类率可达9 8 。 关键词：小波包B P 神经网络织物纹理分类 中图分类号：T s9 4 1 1文献标识码：A文章编号：0 2 5 3 9 7 2 l ( 2 0 0 4 ) 0 4 * 0 0 4 7 - 0 2 对于纹
2、理图像，其关键是求得每一种纹理结构 的能量主空间频率，而这些频率属于某个局部区域 的频率特征，由于不同的纹理可以属于不同的尺度， 虽然窗口傅立叶变换可以给出时域局域化的频域信 息，但该变换缺少窗口自动调整的自适应功能，而不 能自适应地处理不同尺度不同层次的纹理信息。近 年来兴起的小波变换尤其是小波包方法，不仅具有 时频中的局域化能力，同时还可以自适应变化时频 域的窗口宽度，能自适应地处理不同尺度不同层次 的纹理信息。一般图像的能量集中在低频，而纹理 图像能量则是集中在中频。随着分解层数的增 加，小波逐渐向低频方向聚焦，而小波包分解则是能 够在所有的频率范围聚焦，因此用小波包算法进行 织物纹理分
3、析是一种十分有效的方法幢1 。 1 小波包算法 设 y ；J z ( z 是整数集) 构成L 3 ( 尺) 上的正 交多分辨分析，其尺度函数9 ( ) 、正交小波函数 f I ( f ) 应满足下述双尺度方程： 妒( ) = 扼 。妒( 2 f n ) ，妒( t ) = 扼g 。妒( 2 一n ) n Zn Z ( 1 ) 9 ( 一n ) ；n z 与 妒( 一n ) ；n z 构成K 与 矾的正交基。 若定义 彤。，( f ) = 妒( ) ，形= ( ) 职。( ) = 以 。既( 2 一n ) ( 2 ) n Z 形：叫( ) = 以g 。既( 2 t n ) ，m = o ，l ，
4、2 ， 则称函数集合 既( t ) ；m = 0 ，1 ，2 ， 为矾( f ) = ( t ) 确定的正交小波包。 一维信号小波包很容易扩展到二维。对于L 2 ( R 2 ) 中可分离多分辨率逼近来说，每个矢量空间 髓都可作为L 2 ( R ) 的2 个子空间的张量积，即： 吻= 以，助 ( 3 ) 仅当( 昀) ，。为2 ( R ) 的多分辨逼近时，矢量空 间( 码) ，；。构成2 ( R 2 ) 的多分辨逼近，则尺度函数 9 ( 算，) ，) 为： 9 ( 戈，y ) = 妒。( z ) 9 。( y ) ( 4 ) 2 分辨率上的高频信号等同于+ 中正交 补的正交投影。为此可通过伸缩平
5、移3 个小波函数 驴1 ( x ，y ) 、妒2 ( 石，) ，) 和3 ( x ，y ) 来构建0 一的正交 基： 妒1 ( 戈，y ) = 声( 蔸) 妒( ，) ，妒2 ( 戈，y ) = 妒( 戈) ( y ) ，3 ( 茹，) ，) = 驴( 算) 驴( y ) ( 5 ) 小波分解在频域里的表示如图1 所示。当进行 多分辨分解时，相当于对信号进行低通滤波，即获得 原信号的低频分量。当进行小波变换时，相当于对 信号进行带通滤波，获得原信号的高频分量。 在进行第二层多分辨率信号分解时，就是对第一次 分解得到的多分辨率信号c U 儿进行低通滤波获得 低频部分：。，再从中得到其高频部分叫：
6、。这 种分解一直进行到适当的层次。 进行小波包分解时，在频域里的表示如图2 所 示。原始信号叫。经第一层小波包分解，可得到其 低频分量j 和高频分量叫：，再进行第二层小波 包分解，依此类推，可以将小波包分解到适当的 层数。 q6 硭 L - i ：_ 弋i 一 6 竹。V6 q ， 乞飞i 一 三盯占一 图1 小波分解频带关系 i T 一 州 丫 A 耐 r = = 百 ：瓦：瓦五瓦菰 图2 小波包分解的 在频域里的表示频域结构关系 一般图像的主要能量集中在低频，而纹理图像 的能量则是集中在中频。随着分解层数的增加，小 陕西省自然科学基金资助项目( 9 9 C 1 8 ) 万方数据 PDF W
7、atermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 【4 8 】 纺织学报 2 0 0 4 年第4 期 波逐渐的向低频方向聚焦，而小波包分解则是能够 在所有的频率范围聚焦，因此一般使用小波包算法 进行纹理分析。， 2 基于小波包的织物纹理分类 织物纹理图像的获取过程如图3 所示。使用小 波包分析与神经网络相结合的的方法对1 6 种具有 2 5 6 灰度级的1 2 8 1 2 8 像素点的纹理图像结构进行 分析，1 6 种纹理结构如图4 。关于每一种纹理织物， 都使用图像获取系统选取了3
8、0 个样本，每3 0 个样 本都被分为2 组，第一组的2 0 个样本用来训练，第 二组的1 0 个样本用于测试。 圉一一圈一1 | | | 1 一 | 耋 阱一斛一阱一一 【物ll 取|I 蚤l 提l 图3 织物纹理系统流程图 图41 6 种织物纹理结构 在小波包处理中，熵值是一个非常重要的因素， s 表示信号，s 。表示小波包系数，熵E 必须是一个递 增的价值函数，为此 E ( s ) = 芝：s ：l o g s ：约定o l o 护= o ( 6 ) f 对于每一幅纹理图像，用d b 6 小波包完全分解 到三层，分解后的图像由6 4 个小波包组成，如图5 所示。计算每一个小波包的能量(
9、熵值) 作为特征参 数输入到B P 网络进行训练，然后再取1 6 个样本覆 盖上面的1 6 个图像，再进行训练。 图5 图像的三层小渡包分解 输出神经元为1 6 个，即1 6 种纹理结构，形成1 6 1 的矩阵。当纹理图像输入神经网络后在输出神 经元对应的位置上为1 ，其它的位置为O ；当输入是 第一种纹理结构，第一个输出神经元为1 ，其它为0 ； 当输入是第二种纹理结构，第二个输出神经元为1 ， 其它为0 ；依此类推。 识别时把要识别的图像输入，如果某个输出神 经元的权值大于等于0 7 ，则认为该图像为对应的 图像。如果所有的输出神经元的权值都小于0 7 ， 则拒绝识别。 3 结论 小波包分
10、析变换能够可靠、有效的分类织物纹 理结构。小波包变换分解就是从不同的方向和频率 提取纹理图像信息，结果表明，具有三层分解的d b 6 小波函数使得总的分类率达到了9 8 ( 见图5 ) 。 参考文献 1 C h a n gT e ta 1 T e x t u r eA n a l y s i sa n dC l a s s i f i c a t i o nw i t hT h e s t m c t u r e d W a v e l e t7 r r a n s f o m I E E ET r a n s ，0 nI 瑚伊P r o c e s 8 j n g ，1 9 9 3 ( 4
11、) ：4 2 9 “1 2A n d r e wI J a i n ee ta 1 T e x t u r eC l a s s i 6 c a t i o nb yw a v e l e tP a c k e tS i g I l a t u 瑚 I E E ET r a n s P A M I ，1 9 9 3 ( 1 1 ) ：1 1 8 6 1 1 9 1 茹卅 擀 耕 擀 擀 H 擀擀卅* 攒 耕* 甜* 阱擀甜 * 耕 捋 * 擀* 瀚糠 采丰 蠢纺织学报订阅热线0 1 0 一艏D 1 嬲转s 蝴萋 鑫誓 懊榭 “秣 “删秣“ 科 “ 科锚“督“铽魁“抖“姓错“韩 抖 烈剞“ 韩科秣抖科“ “书书剁科督“ 锚“错锚“删秽 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark