[发明专利]一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法

权利要求书

1.一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法，其特征在于，所述方法包括以下步骤：

步骤A：利用Gabor滤波和灰度跑长法进行相关纹理特征的提取；

步骤B：使用累积投票策略进行变量选择，所述变量为步骤A所提取的相关纹理特征的108个分量；制定评价指标，对所选变量进行评估，得到变量的分类结果，区分出有空洞和没有空洞的混凝土表面图像。

2.根据权利要求1所述方法，其特征在于：所述步骤A具体包括：

Gabor滤波：因为表面空洞被认为是具有规则纹理的混凝土表面的异常区域，所以使用Gabor滤波进行纹理识别，对称Gabor滤波的响应g为：

其中，u₀表示Gabor滤波器在x轴上响应最强烈的频率，σ_x和σ_y分别为沿x轴和y轴的空间尺度系数；

所述频率变换G(u,v)为：

其中，σ_u和σ_v分别表示为，σ_u＝(1/2)πσ_x，σ_v＝(1/2)πσ_y和A＝2πσ_xσ_y；

指定Gabor滤波器的调谐参数来识别纹理，所述调谐参数包括方向角和径向频率；

所述方向角为0°或45°或90°或135°；

所述径向频率为或或或其中，N_w为像素数，其值为2的幂；

灰度跑长法：所述灰度跑长法为从参考点到特定方向上的灰度强度像素模式；

给定图像中的方向，方向角为0°或45°或90°或135°，灰度级的run-length组成的p(i,j)游程矩阵，利用数据统计来描述图像中的纹理，所述数据包括短期重点SRE、长期重点LRE、灰度不均匀性GLN、扫描宽度不均匀性RLN、运行百分比RP、低灰度重点LGRE运行、运行的高灰度HGRE、强调短期的低灰度强调SRLGE、短期内的高灰度强调SRHGE、长期的低灰度强调LRLGE和长期的高灰度强调LRHGE；

其中，M和N_p分别表示灰度级和像素数，N_r和M分别表示总跑数和最大跑长；

使用0°、45°、90°和135°四个方向角，以及和四个径向频率，得到16幅滤波后的图像，对所述16幅滤波后的图像分别计算代表Gabor滤波响应的均值、标准差、偏度和熵：

其中，GFR(i,j)为像素处的Gabor滤波器响应(i,j)；H和W分别为图像的高度和宽度；FOH是Gabor滤波器响应的一阶直方图；即Gabor滤波得到了纹理特征的64个分量；

对于灰度游程长度，所述11个数据统计数据中的4个方向0°、45°、90°和135°表示为纹理特征的44个分量；共同构成了用于表面空隙分类的108维纹理特征；所提取的特征完全用于将混凝土表面图像分类为有表面空洞和没有表面空洞的图像。

3.根据权利要求2所述方法，其特征在于：所述步骤B具体包括：

使用变量选择策略对步骤A中108个分量进行选择，所述变量选择策略分为以下七个步骤；

步骤一：随机划分有或没有虫洞的混凝土表面图像的样本，即随机抽90％的样本组成训练组；剩余10％的样本组成一个测试组；

步骤二：分配基分类器：从支持向量机SVM、决策树分类器DTC、k近邻分类器kNN、线性判别分析LDA、逻辑回归LR、多层感知器MLP和朴素贝叶斯NB，7个基分类器中自动分配基分类器；在每一轮k中，随机抽取所述训练组中70％的训练样本来训练108维纹理特征中的每个基分类器，训练组中剩余30％的样本用于计算分类错误率Err_k：

其中，TP,TN,FP和FN分别表示真阳性、真阴性、假阳性和假阴性的数目；阳性样品指表面有空洞的图像；负样本对应表面没有空洞的图像；保持最低分类错误率的基分类器在这一轮自动分配；

步骤三：积分积累：在按轮自动分配基分类器后执行排列k；对于每个变量，只对剩余30％样本的分量值进行一次性排列，对应的分类错误率表示为所以表示变量重要性的分数表示为：

经过重新抽样、训练和评分后，变量的累积得分表示为：

步骤四：重新排序，绘制二维散点图，所述散点图的x轴和y轴分别对应变量指标和累积分数；如果所有变量的累积得分都低，则在以下步骤中使用聚类方法选择所有变量，但不使用显著变量；

步骤五：集成分类，按照步骤三中累积得分由高到低的顺序增加变量，进行轮次重采样和训练，建立各维度的集成分类器；在每一轮重采样中，训练出分类错误率最低的基分类器；所述重采样包含108维纹理特征，并每次添加一个保持低累积分数的变量；

步骤六：变量选择，在108维纹理特征的每个维度上，将建立的集成分类器用于测试样本，计算精度为：

得到折线图，其中x轴和y轴分别于各变量指标由高到低依次对应，并在不同维度上对立；因此在保持维数不变的情况下，建立维数阈值Accs；

步骤七：制定评价指标，使用三种定量测量方法，对所选变量的有效性进行评估，