[发明专利]一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法

摘要

本发明公开了一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法，包括输入训练集羽毛片图像，进行预处理；分割羽毛杆和羽毛叶；建立级别分类模型；建立形状分类模型；输入需要分类的图像；分割羽毛杆和羽毛叶；将需要分类的图像分为轮廓有缺陷和无缺陷两部分；将轮廓无缺陷的图像标记为0或1，标记为0的图像分类结束，输出分类结果为三级羽毛，标记为1的羽毛图像继续分类；根据形状分类模型，将标记为1的羽毛图像标记为全圆和方形两类，对方形结果的图像继续分类，全圆结果的图像分类结束并输出分类结果为一级全圆羽毛；对方形的羽毛叶图像，度量羽毛叶两边与中心线的距离，分别标记为大方、中方和小方。

主权项

1.一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法，其特征在于，包括以下步骤：步骤1，输入训练集羽毛片图像，对图像进行预处理，得到新图像；步骤2，采用基于滑动窗口的方法对新图像分割羽毛杆和羽毛叶，得到羽毛叶部分的灰度图像；步骤3，对羽毛叶部分的灰度图像提取纹理特征和颜色特征，利用分类器建立级别分类模型；步骤4，在新图像中，提取形状特征，利用分类器建立形状1分类模型，训练过程结束；步骤5，输入需要分类的羽毛片图像，对其进行预处理，得到新图像img_feather及阈值分割结果图像img_classify_threshold；步骤6，根据步骤5得到的结果，基于滑动窗口的方法，分割羽毛杆和羽毛叶，得到分割点split_point，以及羽毛叶部分的灰度图像img_classify_test；步骤7，将需要分类的羽毛片图像分为轮廓有缺陷和无缺陷两部分，轮廓有缺陷的羽毛片图像分类结束，对轮廓无缺陷的羽毛片图像继续执行步骤8；步骤8，对轮廓无缺陷的羽毛片图像提取羽毛片的纹理特征和颜色特征，利用步骤3中的级别分类模型进行级别分类，将轮廓无缺陷的羽毛片图像标记为0或1，标记为0的羽毛片图像分类结束，输出分类结果为三级羽毛，标记为1的羽毛片图像继续执行步骤9；步骤9，检测标记为1的羽毛片图像的直线，提取羽毛杆中心线L2，将直线检测的结果用于形状分类，根据步骤4的形状1分类模型，分别将标记为1的羽毛片图像分为全圆和方形两类，对方形结果的羽毛片图像继续执行步骤10，全圆结果的羽毛片图像分类结束并输出分类结果为一级全圆羽毛；步骤10，对方形的羽毛片图像，度量羽毛叶两边与中心线的距离，分别标记为大方、中方和小方；步骤1包括如下步骤：步骤1‑1，对输入的训练集羽毛片图像采用高斯滤波进行平滑处理，消除图像背景的噪声；步骤1‑2，对步骤1‑1平滑后的图像先腐蚀再膨胀，消除图像羽毛片内部的斑点或空缺；步骤1‑3，采用otsu算法对经过步骤1‑2处理后的图像计算前景和背景分割的阈值pos，采用阈值pos对经过步骤1‑2处理后的图像进行阈值分割，得到阈值分割结果图像，记为img_threshold；步骤1‑4，计算阈值分割结果图像img_threshold的羽毛片部分的外接矩形，并将该外接矩形范围内的原羽毛片图像保存为新图像；步骤2包括如下步骤：步骤2‑1，在阈值分割结果图像img_threshold的坐标系中，设置一个滑动窗口，其宽度为20，统计窗口内像素值为255的像素点个数；步骤2‑2，将滑动前后窗口内像素值为255的像素点个数分别记为new_count1和old_count1，记new_count1和old_count1的差值为diff_count1，滑动窗口每次移动5个像素的位置，选取羽毛叶和羽毛杆的分割阈值，当相邻两次滑动的像素点个数差值大于分割阈值时，判定当前滑动窗口的位置表示羽毛叶和羽毛杆的分割点；步骤2‑3，利用阈值分割结果图像img_threshold作为掩码图像，和原训练集羽毛片图像做与操作得到图像a，提取图像a前景羽毛片部分图像，将该部分图像中除羽毛片部分以外的背景像素值设为0，利用opencv视觉库中的Rect函数框出羽毛片的外接矩形，通过步骤2‑2得到的分割点分割该外接矩形，获得羽毛叶部分的彩色图像img_color，对彩色图像img_color灰度化处理得到羽毛叶部分的灰度图像img_test；步骤3包括如下步骤：步骤3‑1，对羽毛叶部分的灰度图像img_test进行uniform LBP均匀局部二值模式处理得到LBP图像img_lbp；步骤3‑2，将LBP图像img_lbp划分为m×m的小区域cell，m值取16，统计每个小区域cell的灰度直方图，并做归一化处理；步骤3‑3，将得到的每个小区域cell的灰度直方图连接成为一个特征向量，即整幅图的LBP纹理特征向量；步骤3‑4，将HSV颜色空间的H分量划分为8个等级，S、V分量划分为4个等级，H分量的变化范围为0‑180，S、V分量的变化范围为0‑255；HSV颜色空间中H、S、V分别表示色调Hue、饱和度Saturation、明度Value；步骤3‑5，将羽毛叶部分的彩色图像img_color转换到HSV颜色空间，分割HSV颜色空间的多通道，统计彩色图像img_color转换到HSV颜色空间的图像的直方图；步骤3‑6，根据H、S、V三个平面的等级对应的128种可能组合，对每一种组合统计直方图中的数据，得到羽毛叶部分的彩色图像的颜色特征，即得到了用于训练的样本的级别分类特征，其中颜色特征大小为128；步骤3‑7，标记用于建立级别分类模型的羽毛片图像，全圆羽毛片为一二级，方形羽毛片为三级，将一二级羽毛片图像标记为1，将三级羽毛片图像标记为0；步骤3‑8，调用opencv中的svm分类器，训练步骤3‑6得到的样本，得到级别分类模型并存为SVM_LEVEL_DATA.xml；步骤4包括如下步骤：步骤4‑1，利用opencv中的Rect函数框出阈值分割结果图像img_threshold的外接矩形，通过步骤2‑2得到的分割点分割该外接矩形，获得羽毛叶部分的二值图像，对该二值图像调用opencv的Canny函数提取羽毛叶边缘，得到图像img_contour_test；步骤4‑2，在图像img_contour_test的坐标系中，查找当x1＝0时，img_contour_test[x1][y1]＝255的两个点，其中，x1表示坐标点的x轴取值，y1表示坐标点的y轴取值，用图像坐标取图像对应点的像素值，取中间点p_start1，查找当x1＝img_contour_test.width‑1时，img_contour_test[x1][y1]＝255的第一个点为p_end1，p_start1和p_end1两点确定了羽毛杆中心线L1，img_contour_test.width表示图像img_contour_test的宽度；步骤4‑3，对图像img_contour_test，调用opencv的HoughLinep算法检测直线；步骤4‑4，对步骤4‑3得到的所有直线，分别计算与中心线L1的斜率差，取其中最小的斜率差值作为该羽毛片的形状1分类特征值，得到1分类样本；步骤4‑5，标记用于建立形状分类模型的羽毛片图像，全圆羽毛片图像标记为1，方形羽毛片图像标记为0；步骤4‑6，调用opencv中的svm分类器，训练步骤4‑4得到的样本，得到形状1分类模型并存为SVM_SHAPE_DATA.xml；步骤7包括如下步骤：步骤7‑1，利用opencv中的Rect函数框出阈值分割结果图像img_classify_threshold的外接矩形，通过分割点split_point分割该外接矩形，获得羽毛叶部分的二值图像img_classify_binary；步骤7‑2，平滑二值图像img_classify_binary；步骤7‑3，对平滑处理后的二值图像img_classify_binary，采用Harris角点检测算法检测图像中的角点，得到最大的角点值maxStrength及该点在二值图像img_classify_binary中的坐标max_loc；步骤7‑4，如果最大的角点值maxStrength和坐标max_loc满足阈值条件，则该羽毛片图像被标记为三级羽毛即轮廓有缺陷的羽毛，该羽毛片图像分类过程结束，否则，该羽毛片图像被标记为轮廓无缺陷的羽毛，继续执行步骤8；步骤10包括如下步骤：步骤10‑1，对羽毛叶部分的二值图像img_classify_binary调用opencv中的findContours函数，得到羽毛叶部分的二值图像img_classify_binary羽毛叶部分的边缘contour；步骤10‑2，在羽毛叶部分的二值图像img_classify_binary的坐标系中，计算步骤10‑1得到的边缘中纵坐标y值最小的点的坐标；步骤10‑3，分别计算步骤10‑2得到的点到中心线L2的距离d，将d和标准进行比对，将图像标记为大方、中方、小方。