基于Grouplet-RVM的金属断口图像识别方法研究

Grouplet变换是一种基于图像几何流最佳稀疏表示的正交变换,可以最大限度地利用图像的几何特征。关联向量机具有很好的泛化能力,能对类别的归属给出一种概率度量。结合Grouplet变换和关联向量机的各自优点,提出了一种基于Grouplet-RVM识别方法,提出的方法以Grouplet平均能量、Grouplet调和熵和Grouplet峭度为特征量,RVM为识别器,并成功地应用到金属断口图像识别中。实验结果表明,提出的方法是有效的,Grouplet峭度比Grouplet平均能量、Grouplet调和熵对断口图像的纹理变化更敏感,特别适于金属断口的特征提取。与小波-RVM识别方法相比较,提出的方法克服了小波-RVM识别方法只能获取图像有限的方向信息,取得了更高的识别率。和GroupletSVM识别方法相比较,Grouplet-RVM识别方法和Grouplet-SVM识别方法有同样好的识别率,然而,Grouplet-RVM的识别速度明显优于Grouplet-SVM识别方法,特别是随着训练样本的增加,这种优势越明显。

基于Grouplet-KPCA金属断口图像识别方法研究

Grouplet变换是一种崭新的方向性小波,可以在任意时间和空间上进行变换,拥有根据图像纹理结构自适应的改变基的能力,从而具有好的稀疏表示能力。基于此,将Grouplet变换引入到金属断口图像处理中,并结合核主成分分析(KPCA),提出了一种基于Grouplet-KPCA的金属断口图像识别方法,同时,提出的方法与基于小波-KPCA方法进行对比。实验结果表明,提出的方法克服了小波-KPCA识别方法只能获取图像有限的方向信息,取得了更高的识别率。Grouplet峭度相比于Grouplet熵,Grouplet峭度对断口图像的纹理变化更敏感,特别适于金属断口的特征提取,因而,基于Grouplet峭度-KPCA的金属断口特征提取取得了比基于Grouplet熵-KPCA的金属断口特征提取更高的识别效果。

基于Grouplet熵与关联向量机的断口图像识别方法研究

Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性。与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法。试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍。