电子测量与仪器学报
電子測量與儀器學報
전자측량여의기학보
Journal of Electronic Measurement and Instrumentation
2015年
9期
1406-1413
,共8页
景军锋%邓淇英%李鹏飞%张蕾%张宏伟
景軍鋒%鄧淇英%李鵬飛%張蕾%張宏偉
경군봉%산기영%리붕비%장뢰%장굉위
织物组织%灰度共生矩阵%局部二进制模式%神经网络
織物組織%灰度共生矩陣%跼部二進製模式%神經網絡
직물조직%회도공생구진%국부이진제모식%신경망락
fabric structure%GLCM%local binary patterns%neural network
为实现织物组织结构的自动分类,提出一种基于局部二进制模式(LBP)与灰度共生矩阵(GLCM)相结合的织物组织分类算法.首先,采用中值滤波、双峰高斯函数规定化等算法对织物图像进行预处理,滤除图像噪声并提高对比度.进而用局部二进制模式和灰度共生矩阵两种方法获取图像的局部及全局纹理特征信息.最后,利用基于Levenberg-Marquardt(L-M)算法的BP神经网络分类器对特征向量进行训练和测试,实现对3种基本组织(平纹、斜纹和缎纹组织)的自动分类.实验结果表明,基于L-M算法的BP神经网络具有较快的训练速度能够对织物组织结构进行准确有效的分类.此外,与灰度共生矩阵和局部二进制模式方法进行对比,两者融合的特征信息能得到最好的分类结果(99.33％).
為實現織物組織結構的自動分類,提齣一種基于跼部二進製模式(LBP)與灰度共生矩陣(GLCM)相結閤的織物組織分類算法.首先,採用中值濾波、雙峰高斯函數規定化等算法對織物圖像進行預處理,濾除圖像譟聲併提高對比度.進而用跼部二進製模式和灰度共生矩陣兩種方法穫取圖像的跼部及全跼紋理特徵信息.最後,利用基于Levenberg-Marquardt(L-M)算法的BP神經網絡分類器對特徵嚮量進行訓練和測試,實現對3種基本組織(平紋、斜紋和緞紋組織)的自動分類.實驗結果錶明,基于L-M算法的BP神經網絡具有較快的訓練速度能夠對織物組織結構進行準確有效的分類.此外,與灰度共生矩陣和跼部二進製模式方法進行對比,兩者融閤的特徵信息能得到最好的分類結果(99.33％).
위실현직물조직결구적자동분류,제출일충기우국부이진제모식(LBP)여회도공생구진(GLCM)상결합적직물조직분류산법.수선,채용중치려파、쌍봉고사함수규정화등산법대직물도상진행예처리,려제도상조성병제고대비도.진이용국부이진제모식화회도공생구진량충방법획취도상적국부급전국문리특정신식.최후,이용기우Levenberg-Marquardt(L-M)산법적BP신경망락분류기대특정향량진행훈련화측시,실현대3충기본조직(평문、사문화단문조직)적자동분류.실험결과표명,기우L-M산법적BP신경망락구유교쾌적훈련속도능구대직물조직결구진행준학유효적분류.차외,여회도공생구진화국부이진제모식방법진행대비,량자융합적특정신식능득도최호적분류결과(99.33％).
