复合不变矩的特征提取
开篇：润墨网以专业的文秘视角，为您筛选了一篇复合不变矩的特征提取范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
王 鹤1,李 晶2
(1.国网电力科学研究院， 江苏 南京 211100； 2.中兴通讯股份有限公司， 江苏 南京 210012)
摘 要：特征提取的目的是提取出一些精简、准确有效的数据来提高图像识别和分类的效率和准确率。在系统识别缺陷过程中，特征提取是很关键的一步，它是系统判别图片有无缺陷或分类的基础不变矩概念清晰、识别率稳定，对具有平移、旋转、尺度等变化的目标具有良好的不变性及抗干扰能力，能有效地反映图像的本质特征。在此分别采用HU不变矩、Zernike不变矩和该文提出的复合不变矩分别对塑料平板图片进行特征提取，反应出复合不变矩具有平移、尺度和旋转不变性。结果表明它能提供更全面特征信息，具有较高的抗噪能力，是行之有效的特征参数。
关键词：HU不变矩；Zernike不变矩； 复合不变矩； 特征参数
中图分类号：TN919-34 文献标识码：A
文章编号：1004-373X(2011)20-0103-04
Feature Extraction of Composite Moment Invariant
WANG He1, LI Jing2
(1. State Grid Electric Power Research Institute, Nanjing 211100, China; 2. ZTE Corporation, Nanjing 210012, China)
Abstract： Feature extraction purpose is to extract some tidy and accurate effective data to improve image recognition, classification efficiency and accuracy. In the process of system identification defects, feature extraction is very crucial step. It is the system without defect or classification discriminant pictures based moment invariants of clear concept and recognition rate stability, translation, rotation, scale of targets. The HU moment invariants, Zernike moment invariants and the proposed composite moment invariants are adopted respectively to extract the features of plastic flat images. It reflects that the composite moment invariants has translation, scale and rotation invariance, can provide the more comprehensive feature information, and also has high antinoise ability.
Keywords： HU moment invariant; Zernike moment invariant; composite moment invariant
0 引 言
平板表面缺陷检测［1-9］系统是在生产线正常运行条件下实现上下表面主要缺陷类型的实时检测和自动分类，并通过统计分析，评估出产品的质量状况和等级。质量控制部门可以通过该检测系统实时掌握生产中塑料的质量情况，确保产品质量和性能。
特征提取是识别的重要环节，其主要目的是用较少的信息来反映原图像的特点。由于图像本身所含的数据量较大，直接进行分类识别代价太大，因此首先应该使用合适的特征提取手段给图像信息降维。而选择不同的特征提取方法，分类的效果也不同。
对于不同的识别目标，用同一种特征提取方法得到的效果差别很大，“通用的”特征提取法在现在看来是行不通的，因此需要具体的问题具体分析，去寻找特定的算法。对于塑料平板缺陷图像来说，目前主要的特征提取方法包括小波变换以及不变矩技术。本文不变矩技术中进行特征提取运用HU不变矩和Zernike不变矩。鉴于塑料图片的特殊性，文中提出了复合不变矩。实验中反应出复合不变矩具有平移、尺度和旋转不变性，能提供更全面特征信息，具有较高的抗噪能力，是行之有效的特征参数。
1 基于HU不变矩的特征提取
因此，Zernike不变矩方法在目标识别中得到了广泛应用。但由于Zernike不变矩引入了正交多项式，增加了计算量，降低了对各阶矩值(尤其是高阶矩值)进行计算时的效率，所以如何减少Zernike不变矩特征的计算量也成为当前的研究热点。
3 基于复合不变矩的特征提取
根据以上分析，Hu不变矩能够反映图像的低阶特征信息，而Zernike矩能反映图像的任意阶特征信息，二者均满足几何不变性。然而，一般情况下，单一种类的特征提取对目标的描述存在一定的局限性。而多特征的联合使用，可以从多方面对图像进行描述，提供丰富的目标信息。这将使目标识别系统的性能大大提高。特征融合是特征级的联合识别，也就是分别对目标进行多种特征的提取。然后把这些不同的特征通过关联处理，组合成有意义的特征向量。组合特征向量能更全面地反映目标的特点，最大限度地给出决策分析所需的特征信息。特征融合的一种简单实现就是将多种特征以“串联组合”的方式组成新的特征向量［12］。针对这种简单的组合方式，为了能更全面地反映图像的特征信息［13］，本文尝试将Hu不变矩和Zernike 矩融合为复合不变矩特征，即复合不变矩特征=(Hu不变矩，Zernike 矩)。由式(16)~(27)可以看出，不变矩中后3个分量计算较为复杂。为了减少运算量，提高系统的实时性，本文选取改进不变矩中计算量相对较小的前3个不变分量，并与Zernike不变矩串联组成新的不变特征向量用于缺陷特征的识别。表5为划痕缺陷在不同变换下的复合不变矩矩值。
4 结 语
本文主要研究Hu不变矩与Zernike不变矩，由于塑料表面缺陷多种多样，单一的特征并不可能涵盖所有的缺陷种类，基于此提出一种复合不变矩特征表示。实验验证复合不变矩具有平移、尺度和旋转不变性，能提供更全面特征信息，具有较高的抗噪能力，是行之有效的特征参数。
参考文献
［1］RAFAT H,BOUN S. An integrate drobotie and machine vision system for surface flaw detection and elas sifieation \. Computers&Industrial Engineering, 1996, 30 (1): 27-40.
［2］马彩青.基于图像处理的PCB缺陷检测系统的设计与研究［D］.成都:西南交通大学,2009.
［3］MOGANTI M, ERCAL F, DAGLI C H, et al. Automatic PCB in spectional gorithms \. Survey Computer Vision and Image Understanding, 1996, 63 (2): 257-313.
［4］郑斌.玻璃缺陷图像识别的关键技术研究［D］.武汉:武汉理工大学,2009.
［5］蒋庆,蔡晋辉,边绍辉,等.基于机器视觉的空瓶图像检测系统\.粮油加工与食品机械，2003(10):51-53.
［6］蒋庆,蔡晋辉,周泽魁,等.基于DSP的空瓶图像检测系统［J］.科技通报,2003，19(5):424-427.
［7］WANG J, ASUNDI A K. A computer vision system for wineglass defect inspection via Gabor-filter-based texture features \. Information Sciences, 2002, 127 (3/4): 157-171.
［8］ZHENGH, KONGLX, NAHAVANDI S. Automatic inspection of metallic surface defeets using genetic algorithms \. Journal of Materials Processing Technology, 2002, 127 (5): 125-126; 427-433.
［9］HOANGK, WEND W, NACHIMUTHU A, et al. Achieving automation in leather surface inspection \. Computers in Industry, 1997, 34 (1): 43-54.
［10］CHEN Wen-jie, DOU Li-hua, CHEN jie. A target recognition method based on feature level data fusion \// Proceedings of the 4th World Congress on Intelligent Control and Automation. Shanghai, China: WCICA, 2002: 2094-2098.
［11］FLUSSER J. Moment invariants in image analysis \. Proceedings of World Academy of Science, Engineering and Technology, 2006, 11: 196-201.
［12］VAPNIK V N. The nature of statistical learning theory \. New York: Springer-Verlag, 1995.
作者简介: 王 鹤 男，1985年出生，安徽六安人，硕士研究生。主要研究方向为机器视觉、嵌入式开发。