4.1基于fisher系数的位置算子选择
　　Fisher 系数是用来评价类间分离程度的函数,具体定义如公式(2)所示[9]:
　　(2)
　　其中M为总类数,µi、µj和pi 、pj分别为第i、j类的均值和概率,Vi为方差,当各分割类的类间均值间距平方和与类内方差和之比达到最大时,Fisher系数值达到最大,对应的参数类间区分能力最强,类间分离效果最佳。采用Fisher系数对由不同位置算子下的灰度共生矩阵计算出的纹理典型参数进行评判,从中得出Fisher系数值最高的位置算子以及对应的距离d值和方向,即为具体纹理分析对象最佳位置算子。
　　4.2 基于C4.5的纹理特征分类
　　C4.5算法是J.R.Quinlan于1993年提出的一种经典决策树算法[10],可以基于事例数据自上而下形成决策树,并转化为便于理解的分类规则进行输出。C4.5算法使用信息增益率测试选择属性结点,克服了传统的使用信息增益选择属性时偏向选择取值较多的属性的不足, 在保持分类能力的同时有利于产生较为精简的规则;可以在决策树的构造过程中或者完成后进行决策树的剪枝,便于灵活控制产生规则的规模和复杂度;能够自动完成连续属性的离散化处理;对不完整的数据具有填补功能,因而对所处理数据具有很强的鲁棒性。自90年代以来,由于产生规则易于理解、分类精度高而已得到广泛应用[11,12]。
　　5 实验过程与结果分析
　　图像来源于某厂现场回转窑窑头视频,按照经验丰富的看窑工观察和判断结果,选取了过烧、正常和欠烧三种情况下熟料图片分别为7、41、21 张,对图片进行灰度化、滤波预处理后,分割得到的熟料区样本共69幅。基于灰度共生矩阵和C4.5的熟料纹理分类可分为如下几个步骤:
　　Step1:熟料感兴趣区域获取;
　　Step2:灰度共生矩阵特征参数计算;
　　Step3:最佳位置算子的Fisher评判;
　　Step4:C4.5决策树分类及其规则生成。
　　5.1 实验结果
　　在对原始图片进行灰度化、滤波等后,本文采用改进的融合空间信息的灰度级FCM和区域生长法完成了纹理分析感兴趣区(熟料区)的分割[2]。
　　将分割后的熟料图片灰度值极化为16级,计算距离d从1至5,0°、45°、90°和135°四个方向上所有灰度共生矩阵纹理特征的Fisher系数分布。通过比较同一方向和距离基础上的14个灰度共生矩阵特征参数发现,和平均SA、逆差矩IDM、差异熵DE、对比度Contrast、差方差DV和熵Entropy这六个参数具有较大的Fisher系数值。实验结果表明,SA参数对应的Fisher系数随距离和方向的变化率比较平缓,说明参数对方向和距离不太敏感,不同的位置算子对SA参数的分类效果影响不大;然而IDM、DE、Contrast、DV和Entropy这五个参数随位置算子的变化Fisher系数波动较大,图2所示为这五个显著纹理特征的Fisher系数具体数值,其中x轴对应位置算子依次从(0, 1)至(5, -5)。
　　图25个重要纹理参数Fisher系数分布
　　Fig.2Distribution of fisher coefficients of five important texture features
　　图2表明,IDM、 DE、Entropy最大的Fisher系数值出现在位置算子为(5, -5)时(像素距离为5,方向为45°)分别为34.75、28.66和25.7,尽管Contrast和DV最大Fisher系数值(分别为28.8和18.8)对应的位置算子为(0,5),但(5,-5)时对应的Fisher系数值(分别为27.3和18.1)与之相比相差很小。由此,选择(5, -5)做为计算灰度共生矩阵的位置算子,既避免了需要计算多个距离、多个方向下的灰度共生矩阵带来的计算复杂度,又避免了随意选择位置算子的盲目性。
　　基于(5, -5)位置算子计算灰度共生矩阵,选择Contrast、IDM、SA、DE、DV和Entropy做为熟料纹理分类的特征参数集,定义class值为1、2、3分别代表过烧、正常和欠烧,属性标注为:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy。C4.5决策树提取的六条分类规则具体如下:
　　C4.5决策树提取了Contrast、IDM、SA、DV做为特征参数,正确分类数为66个,错分数为3个,分类精度达到95.65%。为了对比采用Fisher系数提取出的最优位置算子和特征参数分类的能力,选择常用的角二阶距(ASM)、熵(Entropy)、相关性(Correlation)、逆差距(IDM)和对比度(Contrast)这五个参数四个方向的平均值做为特征参数,距离d取1-5对相同的熟料对象集用C4.5决策树进行分类,结果如表1所示。表中属性标注为:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy,a7-ASM,a8-Correlation。对比结果表明,本文的方法在仅需要计算单一方向和距离(5,-5)的灰度共生矩阵,就可以达到很好的分类精度。
　　5.2 不同烧结状态熟料纹理参数理解
　　C4.5决策树分类结果得出,由于实际回转窑中熟料表面纹理的复杂性,很难用单一的纹理参数来对其进行精确分类,需要组合多个纹理参数进行识别。同时,相对于过烧和欠烧状态,正常状态下的熟料情况更为复杂多样。提取出来的基于灰度共生矩阵的纹理参数中,SA (a3)具有最高属性重要度,其次是Contrast (a1) 和DV (a5),随后是IDM (a2)。SA度量了图像像素点平均灰度值大小,即图像的明暗程度。差方差表明了邻近像素对灰度值差异的方差。逆差矩IDM反映了图像纹理的同质性或规则程度,是图像纹理局部变化的度量。Contrast度量了图像的灰度差或对比度,它反映了图像灰度共生矩阵值的分布情况和图像的局部变化。为了对不同工况下的熟料纹理参数进行分析和理解,图3显示了69个熟料样本位置算子为(5,-5)时计算的灰度共生矩阵对应的SA、Contrast、DV和IDM值的具体分布情况,横坐标轴1-7、8-28、29-69分别对应过烧、欠烧和正常状态。
欠烧熟料图像(样本8-28)呈现出来的表面纹理为松散细沙状,不同区域间变化很小、局部非常均匀、对比度小、纹理规则,具有较大的IDM值和较小的Contrast值。窑炉为了保持熟料质量的稳定性,会通过加煤等方式升高炉内温度,导致熟料温度的升高、亮度增加,从而具有相对较大的SA值。过烧熟料图像(样本1-7)黏度很高,呈块状,表面纹理粗糙,窑炉通过减煤加风等措施降低窑内温度以避免后续熟料的过烧,从而导致熟料温度降低,亮度减小,具有较小的SA值。而正常烧结状态时,回转窑内达到动平衡,窑内风、煤等工况稳定,窑内图像变得更清晰,此时的熟料(样本29-69)既没有过烧状态下的结块现象,也没有欠烧状态下的粒度过小呈沙状松散现象,熟料区图像丰富,沟纹较深,即对比度较大,相对过烧和欠烧而言具有较大的Contrast值。 (责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）