实木板材颜色智能分类方法

技术领域

本发明属于图像识别技术领域，具体涉及一种实木板材颜色智能分类方法。

背景技术

颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值，mean)、二阶矩(方差，variance)和三阶矩(斜度，skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布。

颜色是彩色图像最重要的内容之一，被广泛用于图像检索中。但从图像中提取颜色特征时，很多算法都先要对图像进行量化处理。量化处理容易导致误检，并且产生的图像特征维数较高，不利于检索。

实木板材的颜色分类没有具体的标准，各个企业间的分类存在差距，所以对于实木板材颜色的分类，企业多根据客户的实际需求进行划分。

基于此，需要提供一种不需要颜色空间量化、特征向量维数低的实木板材颜色智能分类方法，为企业对实木板材的颜色分类提供方便。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种实木板材颜色智能分类方法，本实木板材颜色智能分类方法可有效对实木板材图像颜色进行分类，且该方法不需要颜色空间量化、特征向量维数低。

为实现上述技术目的，本发明采取的技术方案为：

一种实木板材颜色智能分类方法，包括：

步骤1：采集多张实木板材图片，对实木板材图片进行预处理；

步骤2：将每张实木板材图片均从RGB彩色空间分别转换到Lab彩色空间和HSV彩色空间；

步骤3：分别获取Lab彩色空间图片的颜色的一阶矩和二阶矩和HSV彩色空间图片的颜色的一阶矩和二阶矩；

步骤4：使用K-Means聚类算法对所有的Lab彩色空间的图片和HSV彩色空间的图片进行无监督学习，从而对采集的多张实木板材图片实现初步聚类，初步聚类为三类，记为a类、b类和c类；

步骤5：对初步聚类后的每张实木板材图片进行低通滤波，获得底色；采用基于K-Means聚类算法的主颜色提取方法对a类、b类和c类中低通滤波后的每张实木板材图片进行主颜色提取，获取每类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，进一步将a类、b类和c类中的实木板材图片细划为A类、B类和C类；

步骤6：对初步聚类后的每张实木板材图片进行高通滤波，获得实木板材图片的纹理信息，根据a类、b类和c类中的每张实木板材图片的纹理信息中的曲、直，将每张实木板材图片分别划分为直纹或曲纹；

步骤7、根据步骤5和步骤6的分类结果给每张实木板材图片贴标签，所述标签包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹；

步骤8：将已贴标签的实木板材图片作为样本，将所有样本分为训练集、验证集和测试集；

步骤9：使用训练集对pytorch图像分类器进行训练，获得实木板材颜色估计模型，使用验证集对实木板材颜色估计模型进行验证，调整模型参数，得到最优的实木板材颜色分类模型，使用测试集检验最优的实木板材颜色分类模型的性能；

步骤10：将待分类的实木板材图片输入到最优的实木板材颜色分类模型中，获得实木板材的标签信息，从而实现实木板材的颜色分类。

作为本发明进一步改进的技术方案，所述的步骤5具体为：

对初步聚类后的每张实木板材图片进行低通滤波，获得底色；

采用基于K-Means聚类算法的主颜色提取方法对a类中低通滤波后的每张实木板材图片进行主颜色提取，获取a类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为A类；

采用基于K-Means聚类算法的主颜色提取方法对b类中低通滤波后的每张实木板材图片进行主颜色提取，获取b类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为B类；

采用基于K-Means聚类算法的主颜色提取方法对c类中低通滤波后的每张实木板材图片进行主颜色提取，获取c类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为C类。

作为本发明进一步改进的技术方案，所述训练集、验证集和测试集均包括A类直纹的实木板材图片、B类直纹的实木板材图片、C类直纹的实木板材图片、A类曲纹的实木板材图片、B类曲纹的实木板材图片和C类曲纹的实木板材图片。

本发明的有益效果为：

本发明采用颜色矩作为分类的依据，使用K-Means(K均值)聚类算法进行无监督学习，对一批实木板材实现初步的聚类，拟聚为a、b、c三类，实现实木板材颜色的粗分类。之后，采用基于K-Means聚类算法的主颜色提取，对a、b、c三个类中的每张图片都进行主颜色(滤波之后)提取并记录。汇总之后，找到a、b、c三类，每个类中图片主颜色的存在规律，对于每个类中的主颜色与该类普遍规律差异较大的图片进行剔除。经过这一步之后，a、b、c三个类中的图片彼此的相似度进一步提高，可以进行标签化，记A、B、C三类。再之后进行纹理提取，根据纹理的直、曲，将A、B、C三个类继续细分为六个类。颜色矩已证明可有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低。

本发明使用pytorch图像分类器实现实木板材颜色分类，分类效率高，准确率高。为企业对实木板材的颜色分类提供方便。

附图说明

图1为本发明预处理流程图。

图2为本发明方法流程图。

具体实施方式

下面根据附图对本发明的具体实施方式作出进一步说明：

一种实木板材颜色智能分类方法，如图2所示，包括：

步骤1：采集多张实木板材图片，对实木板材图片进行预处理。

在实木板材图像获取过程中会将实木板材的背景信息等也存放在图片中，这些信息会对实木板材图像的特征提取产生一定的影响，所以对实木板材图片的进行一系列的预处理，包括实木板材图像的平滑、图像锐化、图像形态学操作和图像去背景。具体预处理流程如图1所示。

步骤2：将每张实木板材图片均从RGB彩色空间分别转换到Lab彩色空间和HSV彩色空间。

彩色空间转换：

(2.1)RGB彩色空间与HSV彩色空间之间的转换：

C

C

Δ＝C

其中R′,G′,B′表示为经过归一化后的RGB值。

色相表达式：

饱和度表达式：

明度表达式：

V＝C

(2.2)由于RGB颜色空间不能直接转化为CIELab，需要借助XYZ颜色空间，需要先将RGB颜色空间转化到XYZ空间，然后才能转化到Lab颜色空间，RGB转化为XYZ空间方法如下：

之后再由XYZ颜色空间转化为Lab颜色空间：

其中：

步骤3：分别获取Lab彩色空间图片的颜色的一阶矩和二阶矩和HSV彩色空间图片的颜色的一阶矩和二阶矩。

图像的颜色特征主要表示方法：颜色直方图、颜色矩、颜色聚合向量、颜色相关图等。本发明选择的颜色特征的表示方法是颜色矩(低阶矩中的一阶矩和二阶矩)。

三个颜色矩的数学定义如下：

其中p

步骤4：K均值聚类算法实现初步聚类，拟聚类为三类：使用K-Means聚类算法对所有的Lab彩色空间的图片和HSV彩色空间的图片进行无监督学习，从而对采集的多张实木板材图片实现初步聚类，初步聚类为三类，记为a类、b类和c类。

步骤5：对初步聚类后的每张实木板材图片进行低通滤波，获得底色；采用基于K-Means聚类算法的主颜色提取方法对a类、b类和c类中低通滤波后的每张实木板材图片进行主颜色提取并记录各成分的占比，根据统计学原理，获取每类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，进一步将a类、b类和c类中的实木板材图片细划为A类、B类和C类。

低通滤器通常会取均值，因此低通过滤器的元素加起来应该为1，这就能保留图像的亮度，确保图像不会变亮或变暗，若核的元素加起来等于9，所以我们需要进行归一化处理也就是将核值总和除以9。

K均值聚类算法实现初步聚类，拟聚类为a类、b类和c类三类，然后基于K-Means聚类算法的主颜色提取方法给每个类进行主颜色提取并记录各成分的占比，根据统计学原理，找出每个类的主颜色存在的一般规律，再次精确一下每个类的成分(与特定类的一般规律差异大的，就剔除)，这样根据聚类成的三个类，划分成A类、B类和C类三个等级，具体到视觉上表现为浅、中、深三个等级。

步骤6：对初步聚类后的每张实木板材图片进行高通滤波，获得实木板材图片的纹理信息，根据a类、b类和c类中的每张实木板材图片的纹理信息中的曲、直，将每张实木板材图片分别划分为直纹或曲纹。

选择高通滤波，让高频信号通过，过滤掉低频信息(即去除底色)，保留图片的纹理信息，对纹理划分等级：直纹、曲纹两个等级。

本实施例的高通滤波器，是个三乘三的核其元素总和为0，边缘检测时所有元素总和为0是很重要的，因为这类过滤器要计算的是相邻像素的差异或者说变化，要计算差异就需要将像素值相减，如果这些核值加起来不等于0，那就意味着计算出来的差，权重会有正负结果，就是滤波后的图像亮度会相应地提高或降低，这就是卷积核元素相加为零的原因。

实木板材表面的纹理复杂多样，可以根据不同的要素或需求划分为不同的等级，在本发明中，关于纹理信息，划分为直纹、曲纹两个等级。

步骤7、根据步骤5和步骤6的分类给每张实木板材图片贴标签，所述标签包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹；

步骤8：将已贴标签的实木板材图片作为样本，将所有样本分为训练集、验证集和测试集。

其中训练集占60％，测试集占20％，验证集占20％，三部分都是从样本中随机抽取。每个集合包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹(即浅色直纹、浅色曲纹、中色直纹、中色曲纹、深色直纹、深色曲纹六个等级的实木板材图片)。其中训练集用来估计模型，验证集用来调整模型参数从而得到最优模型，而测试集则检验最优的模型的性能如何。

步骤9：使用训练集对pytorch图像分类器进行训练，获得实木板材颜色估计模型，使用验证集对实木板材颜色估计模型进行验证，调整模型参数，得到最优的实木板材颜色分类模型，使用测试集检验最优的实木板材颜色分类模型的性能。

用pytorch实现一个简单的图像分类器，定义的网络结构就是一个小的金字塔结构，通道数逐渐增大的同时feature map的大小在逐渐减小。每个block里面都是卷积(Conv2d)-激活函数(ReLU)-最大池化(MaxPool2d)的这种较为普遍的形式。该分类器载入贴有标签的图片，机器学习通过训练集和验证集，经过调参，获得一个实木板材的颜色分类模型。

对于训练好的实木板材的颜色分类模型，使用测试集检验最优的模型的性能如何(实木板材颜色等级分类的准确率、所用时长等)。

步骤10：将待分类的实木板材图片输入到最优的实木板材颜色分类模型中，获得实木板材的标签信息，从而实现实木板材的颜色分类。

所述的步骤5具体为：

对初步聚类后的每张实木板材图片进行低通滤波，获得底色；

采用基于K-Means聚类算法的主颜色提取方法对a类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取a类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为A类。

采用基于K-Means聚类算法的主颜色提取方法对b类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取b类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为B类。

采用基于K-Means聚类算法的主颜色提取方法对c类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取c类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为C类。

本实施例采用颜色矩作为分类的依据，使用K-Means(K均值)聚类算法进行无监督学习，对一批实木板材实现初步的聚类，拟聚3类。到此，实现实木板材颜色的粗分类，但此时的结果是无监督学习的结果，只是将实木板材聚为3类，但是没有相应的等级标签，先记为a、b、c三类。

之后，采用基于K-Means聚类算法的主颜色提取，对a、b、c三个类中的每张图片都进行主颜色(滤波之后)提取并记录。汇总之后，找到a、b、c三类，每个类中图片主颜色的存在规律，对于每个类中的主颜色与该类普遍规律差异较大的图片进行剔除(或者放入与它相近的类中)。经过这一步之后，a、b、c三个类中的图片彼此的相似度进一步提高，可以进行标签化，记A、B、C三类。再之后进行纹理提取，根据纹理的直、曲，将A、B、C三个类继续细分为六个类。

颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值，mean)、二阶矩(方差，variance)和三阶矩(斜度，skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低。

本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。