煤矿机械中基于多特征融合微粒子图像特征提取技术研究.docVIP

煤矿机械中基于多特征融合微粒子图像特征提取技术研究 　　[摘 要] 为了实现微粒子图像的有效识别，研究基于多特征融合的微粒子图像特征提取技术。该技术通过相关分析方法，实现初始特征集中特征冗余信息的去除，并采用基于分类器学习的特征优化选择方法，确定微粒子图像的最佳分类特征集。实验结果表明，该方法在有效减少特征维数的同时提高了识别准确率。 　　[关键词] 图像处理； 多特征融合； 微粒子图像； 特征提取 　　Abstract： In order to realize the effective recognition of pebrine image， the feature extraction technology of pebrine image based on multi-feature fusion is proposed. The method includes the following two steps： firstly， the redundant feature information of the initial feature set is removed by the method of correlation analysis； secondly， the technique of the optical feature selection based on the classifier learning is adopted to determine the best feature set of pebrine image for classification. The result shows the approach effective. 　　Keywords： Image processing， multi-feature fusion， Pebrine image， Feature extraction 　　1 引言 　　家蚕微粒子病是由微粒子虫寄生蚕体细胞内引起的慢性、传染性原虫病[1]，其孢子形状为椭圆形，在600倍显微镜下观察呈淡绿色，有折光性。本文开展基于多特征融合的微粒子图像特征提取技术研究，建立起适合微粒子图像识别系统的最佳分类特征集，从而实现家蚕微粒子病的自动检测。 　　2 微粒子图像的多特征提取 　　为了提取最能表征目标对象根本属性的特征信息[2]，根据特征应具可区分性的特点，主要提取微粒子图像的几何形状特征参数，并以此作为微粒子和其它组织区分的重要特征依据；同时，按照特征的鲁棒性原则，要求提取的特征参数具有平移、旋转和缩放不变性，提取微粒子图像的不变矩特征。 　　2.1 微粒子图像的形状特征提取 　　通过对微粒子图像呈椭圆形、边界光滑的形状特征分析，选取5个形状特征参数，作为区分微粒子和其它组织的形状特征依据。其中，周长（L）和面积（A）为基本特征参数，利用其基本形状特征参数的适当组合，提取了矩形度（R）、伸长度（E）和复杂度（C）3个无量纲特征。根据选取的50个微粒子样本图像，各形态特征参数的分布范围如图1所示： 　　2.2 微粒子图像的Hu不变矩特征提取 　　由于微粒子图像经几何变换后，其矩特征具有较好的不变稳定性；同时，对于不同目标图像的同一种矩特征存在较大差异性，满足模式识别中特征应具可区分性的条件。因此，本文将Hu不变矩[3]作为微粒子图像分类识别的矩特征变量。在实际应用中，考虑到微粒子的七个矩有较大变化范围，采用取对数的方法进行数据的压缩处理；同时，避免不变矩出现负值的情况，本文采用的不变矩形式如式（1）所示。 　　3 微粒子图像的特征选择 　　若将上述特征参数直接用作图像识别的输入特征参数，则因特征的冗余和维数高等问题，在很大程度上影响和制约了图像识别的速度和准确性。因此，通过特征选择技术对提取出的特征进行优化组合，确定用于微粒子图像分类的最佳分类特征集。 　　3.1 微粒子图像的特征分析 　　在统计分析上述微粒子样本各形态特征参数分布范围的基础上，分别从特征的稳定性、可区分性及独立性三个方面进行对比分析。 　　（1） 特征的稳定性分析 　　在提取的5个形状特征参数中，周长和面积为基本形状特征参数，因特征数据与摄像机的物距和焦距有关，特征参数不稳定，不具备RST不变性；微粒子图像的矩形度、伸长度和复杂度3个特征是通过基本特征之间的组合运算得到，反映了目标图像的形状特征，都属无量纲稳定的几何特征，具有RST不变性。 　　（2） 特征的可区分性分析 　　因周长与面积两基本几何形状特征属不稳定特征，在分类识别中几乎无贡献，因此基本几何特征不宜作为微粒子分类识别的特征依据；而其余3个无量纲的几何特征在分类识别中贡献较大。 　　相对而言，复杂度特征能较好地表征边界