李润丰

（沈阳市同泽高级中学,沈阳110013）

1 引 言

近年来随着中国经济快速发展，城市居民家庭装饰消费能力明显提高。在回归大自然和环保意识的影响下，木质地板作为一种重要的装饰材料，已表现出旺盛的市场需求。纹理作为木材的天然属性，其独有的视觉特性直接影响地板块的感观效果及其经济效益，成为评定地板块质量等级的重要标准[1]。因此，在地板块生产加工过程中，常常需要根据地板块表面纹理对其进行分类，以提高产品质量。

另一方面，随着计算机技术的飞速发展，国内外研究者已将计算机视觉技术引入木材纹理识别领域，为解决这纹理分类的难题提供了新的思路。虽然近些年国内外众多学者提出了很多纹理识别分类的方法，取得了一定的成果，但由于纹理结构随机性大、复杂度高，很难用准确的数学解析式来表达，致使到目前为止仍然没有统一描述和界定木材纹理的国际标准或行业准则[2]。因此，纹理识别分类作为计算机视觉和模式识别领域的重要研究课题，其研究方法还不够成熟和完善，需要对其进一步深入研究。目前国内外的研究主要集中于一些传统的方法，例如：神经网络[3]、支持向量机(SVM，Support vector machine)方法[4]、贝叶斯方法等，这些方法需要大量的标注训练样本，才能保证测试样本的精度，而无监督分类方法OCSVM(one-class SVM，一类支持向量机)能够解决这一局限性[5-6]，实现地板块纹理的高效识别。

2 OCSVM算法研究

Scholkopf等研究人员对SVM算法进行了扩展，并且研究出了一种新的SVM算法——One-class SVM算法，它的核心思想是通过SVM训练得到具有最大分类间隔的超平面，进而把分类问题转化成一个特殊的二值分类问题[7-8]。现在己知输入样本集合同样假定有一个从原空间到无限维空间χ的映射φ，并且满足问题就转化成找到一个这样的二值分类器，使得在囊括了大多数正常样本点的高密度区域中的样本点类别记作“+1”，而位于这个高密度区域之外的异常样本点类别记作“-1”。则该问题的求解过程如下：

通过式(3)、式(4)和式(5)，我们可以对式(2)进行简化，得到Wolfe对偶问题：

式(2)中的b能够根据满足条件的支持向量来计算，其计算公式为：

由此可得分类函数：

如果SVDD(Support Vector Domain Description,支持向量数据域描述)的核函数是径向基函数，例如Gaussian核：，则我们可以对函数进行变换，得到：

3 基于OCSVM的地板块纹理识别方法

本研究基于OCSVM的地板块纹理识别分类方案，采用近年来被提出的一种虽简单但功能强大的纹理分析方法——灰度共生矩阵[9]来提取地板块表面纹理特征。分类器选用即为OCSVM，具体流程如如图1所示。

图1 基于OCSVM的地板块纹理识别方法研究流程

具体研究内容可分为以下几点：

（1）获取地板块纹理图像进行预处理

选取2类不同纹理的地板块作为实验样本，获取样本的数字图像。采集图像的大小、清晰度等直接影响实验结果，为了保证获取图像的质量，在这一过程中需保证环境相同且光照均匀。获取的图像在视觉效果和识别方便性等方面都或多或少的存在一些问题，不能直接用于分析处理，因此需要对样本图像进行预处理，消除图像中无关的信息，增强信息的可检测性，保证实验分类结果的准确性。对比结果如图2所示。

图2 两类地板块纹理图

由图2可见，类别A地板块纹理为横向走势，纹理较粗，分布稀疏，间隔较大,对比度高；类别B地板块纹理对比度也较高，但该类别最大的特点是以粗纹理线条为主，其附近分布着很多的细纹理线条，结构相对复杂。

（2）应用灰度共生矩阵提取地板块纹理特征

将灰度共生矩阵算法引入地板块纹理分析的研究中，提取地板块纹理特征。

（3）设置参数构建OCSVM无监督分类识别模型

OCSVM模型在文本分类、异常点识别等方面应用广泛，但在木材纹理识别领域从未使用，本研究选用OCSVM作为分类器。

（4）应用OCSVM模型对测试样本进行分类

应用构建好的OCSVM模型对测试样本进行无监督分类。

为了验证本文提出的基于OCSVM算法地板块纹理识别算法的优势和可行性，针对同样的训练样本和测试样本，采用BP神经网络、决策树、贝叶斯算法分别对提取的纹理特征进行分类识别，比较以上分类算法的优缺点及实验结果。测试样本采用500组A类纹理、500组B类纹理，使用灰度共生矩阵提取出测试样本的特征，获得1000×10维的特征矩阵，之后使用构建出的OCSVM模型进行地板块的纹理识别。然后进行整体对比。对比实验结果如表1所示。输出结果细节如图3所示。可见在模型输出结果中，两类样本有明显的分别，对于A类、B类样本的区分度较高。

表1 分类结果汇总

图3 基于OCSVM算法的输出结果

在表1中，BP神经网络是借助Matlab中的神经网络学习包进行实验，参数选择默认设置；决策树与贝叶斯使用weka自带的程序包进行实验，参数选择默认设置。

综上可得出两点结论：

（1）对比实验中，通过灰度共生矩阵获取的特征值，再使用不同算法得出板块纹理的识别结果，对于地板块纹理的识别，BP神经网络、决策树、贝叶斯方法的识别的正确率差别较小，本文方法高于贝叶斯方法11.8%，并节约大量手工标注成本，有利于实时信息的获取。

（2）分类结果与提取的纹理特征值和分类算法密切相关。从所有实验数据分析可知，采用灰度共生矩阵提取地板块纹理特征，应用OCSVM模型识别分类正确率高、计算速度快、可行性高，为地板块纹理分类领域提供了一种准确有效的新方法。

4 结束语

地板块表面纹理识别分类是地板生产加工过程中的重要环节，直接关系其视觉效果和经济效益。纹理自动识别分类技术可以有效地提升生产流水线的自动化程度，提高识别分类的准确率，具有重要的实用意义和显著的经济效益。

本研究围绕纹理识别分类技术，针对该技术现有算法的局限性，基于地板块纹理特征，提出了基于OCSVM的地板块纹理分类算法，验证其适用于地板块纹理分类。大量实验研究证明了该算法优于传统的纹理识别分类方法，具有极高的实用价值。

[1]刘一星.木材视觉环境学[M].哈尔滨:东北林业大学出版社,2014:85-88.LIU Yixing.Wood visual environics[M].Harbin:Northeast Forestry University Press,2014:85-88.

[2]万海东,卢彦飞,张涛.一种基于人眼视觉特性的图像质量评价方法[J].中国电子科学研究院学报,2015,10(6):567-573.WAN Haidong,LU Yanfei,ZHANG Tao.An image quality evaluation method based on human visual characteristics[J].Journal of China Academy of Electronics and Information Technology,2015,10(6):567-573.

[3]陈立君,王克奇,王辉.基于BP神经网络木材纹理分类的研究[J].森林工程,2007,23(1):40-42.CHEN Lijun,WANG Keqi,WANG Hui.Research on classification of wood texture based on BP neural network[J].Forest Engineering,2007,23(1):40-42.

[4]杨福刚,孙同景,庞清乐,等.基于SVM和小波的木材纹理分类算法[J].仪器仪表学报,2006,27(s3):2250-2252.YANG Fugang,SUN Tongjing,PANG Qingle,et al.Classification algorithm of wood texture based on SVM and wavelet[J].Chinese Journal of Scientific Instrument,2006,27(6):2250-2252.

[5]王辉.基于灰度共生矩阵木材表面纹理模式识别方法的研究[D].哈尔滨:东北林业大学,2007:16-17.WANGHui.Research onthe recognition methodofwoodsurface texture pattern based on grey symbiosis matrix[D].Harbin:Northeast Forestry University,2007:16-17.

[6]叶继华,陈亚慧,胡蕾.融合加权颜色相关图和改进LBP的彩色人脸图像识别[J].小型微型计算机系统,2015,36(12):2778-2783.YE Jihua,CHEN Yahui,HU Lei.Color face image recognition blending weighted color correlation graph with improved LBP[J].Journal of Chinese Computer Systems,2015,36(12):2778-2783.

[7]林强,董平,林嘉宇.图割方法综述[J].微处理机,2015,36(1):35-39.LIN Qiang,Dong Ping,LIN Jiayu.A survey on graph cut techniques[J].Microprocessors,2015,36(1):35-39.

[8]SHANG W,ZENG P,WAN M,et al.Intrusion detection algorithm based on OCSVM in industrial control system[J].Security&Communication Networks,2016,9(10):1040-1049.

[9]FENG P,YU M,Naqvi S M,et al.A robust student's-t distribution PHD filter with OCSVM updating for multiple human tracking[C]//Signal Processing Conference.IEEE,2015:2396-2400.