基于FCM及KPCA算法白酒识别系统.docVIP

基于FCM及KPCA算法白酒识别系统摘要：在显微镜下观察，白酒的微观结构呈现不同形状和不同尺寸的颗粒或团状。不同质量和种类的白酒，其显微图像和微观结构不同。本文基于KPCA和FCM算法，应用白酒显微图像边缘信息，构建一种白酒识别系统。该白酒识别系统对五粮液、泸州老窖、叙水、剑南春、茅台等十种酒进行分类识别，结果表明白酒正确识别率超过95%。 关键词：FCM；显微图像；白酒鉴别；KPCA；边缘特征 中图分类号：TS207.3 文献标识码：A 文章编号：1007-9599 （2012） 16-0000-03 白酒是世界上消费最广的蒸馏酒之一，具有非常重要的商业和社会地位。在白酒的生产和销售中白酒质量的评估和分级至关重要。在显微镜下观察，白酒的微观结构呈现不同形状和不同尺寸的颗粒或团状。不同质量和种类的白酒，其显微图像和微观结构不同。微观结构中微粒的形状及结构决定白酒的质量和种类。若通过白酒的显微图像进行白酒识别，显微图像的纹理和颜色特征并不重要，重要的是微粒的形状和结构分布特征。本文基于FCM算法，应用白酒显微图像的边缘信息进行白酒识别。 聚类就是将一系列的目标分成若干类或族，每一类目标具有很高的相似性，而不同类的目标具有较大差异[1]。聚类主要有精确聚类和模糊聚类两种方式。精确聚类的类间边界定义准确。然而，在许多情况下，类间的边界是很难精确定义的，某些目标可能属于某一类，也可能属于另一类。这种情况下，应用模糊聚类将会取得更好的效果[2]。模糊C均值（FCM）是一种广泛应用的聚类算法，传统方法的FCM聚类依赖于目标之间分类特征的距离，大多数情况下，FCM算法假定所有分类特征同等重要，采用通用的欧拉距离进行分类。但是在实际问题中，分类特征往往具有不同的重要性，因此，有人基于梯度下降学习算法提出加权特征聚类算法，并证明在适当的权值条件下具有更好的分类效果。本文采用给定聚类中心的改进的半监督改进的FCM聚类识别算法。 子空间技术能在高维空间有效地获取数据的主要特征，对数据进行全局优化描述。子空间方法较多，主元分析（PCA）和奇异值分解（SVD）用于获取数据的主要结构，两种方法中原数据空间到子空间的映射均是线性的。若数据结构呈非线性，PCA和SVD都不能有效捕获数据的内部特征和规律。对于白酒识别来说，描述白酒显微图像中微粒形状和结构特征的微粒区域边缘信息，可能呈非线性结构，因此需要更好的特征解析方法。近年来，产生了一种新的子空间方法KPCA[3]，通过核函数，将特征空间非线性映射到高维核函数空间，然后再进行线性PCA。与线性PCA相比较，KPCA在描述非线性模式时具有更佳性能[3][4]。应用KPCA将有效地挖掘白酒显微图像边缘特征信息中的非线性结构特征。 本文基于KPCA和FCM算法，应用白酒显微图像边缘信息，提出一种白酒智能识别方法。应用显微图像边缘特征的KPCA子空间解析，使用给定聚类中心改进的FCM算法，建立白酒识别模型。 1 显微图像RKT滤波器预处理 白酒显微图像较为模糊，背景干扰大，对比度低，需要进行预处理。采用文献[5]中的RKT滤波器进行处理。将图像通过一系列的核函数滤波，在每个象素点上保留最大的滤波输出值。该核函数以较小的步进在360度范围内旋转。如下式所描述： 其中，I是输入图像， 是方向 上的核函数。输出图像是所有方向上最大值，定义为： 给定 的图像，RKT滤波过程如下： STEP 1 产生 核函数， 且 ，滤波器厚度 ，方向 ；共产生尺度为 的 个方向上的核函数； STEP2 图像与核函数卷积，得 个滤波结果； STEP3 每个象素点选择滤波结果的最大值作为输出结果； 白酒显微图像增强结果如图1、2所示： 2 边缘特征提取 不同白酒在显微镜观察下呈现不同的微观结构，具有不同显微图像。显微图像中微粒的形状和结构特征反映了白酒的质量和性质。文中应用白酒显微图像边缘特征进行白酒识别。 2.1 边缘提取 经过RKT滤波预处理后，应用Canny边缘提取算法，提取白酒显微图像边缘，结果如图3、4所示： 2.2 霍夫变换 白酒显微结构中的微粒在显微图像中描述出来就是一个个区域。大部分微粒的形状近似圆，因此采用霍夫圆变换（CHT）将边缘特征映射到参数空间。CHT用于寻找图像中的圆模式。 圆方程描述为： 其中， 为半径， 是圆心。文中选择了显微图像中最大的30个圆构成特征矢量： 3 KPCA分析 如何从显微图像边缘特征中挖掘隐藏信息用于白酒识别是一个难点。在CHT变换后选择过多的参量直接用于白酒分类识别，信息利用率低，将会导致维数太高，聚类识别分析结构复杂。因此，须降维和信息挖掘。考虑到白酒识别，不仅需要显微图像边缘形状特征，同时还需要