基于RGB模型的顏色特征在樹種識(shí)別系統(tǒng)中的應(yīng)用

1、 基于RGB模型的顏色特征在樹種識(shí)別系統(tǒng)中的應(yīng)用付金霞,蘇健民,劉嘉新,王健東北林業(yè)大學(xué),哈爾濱(150040E-mail:sdplxc摘要:本文提出了一種用于樹種識(shí)別的新的顏色特征。主要采用了RGB模型中的R、G、B分量而進(jìn)一步得到的6個(gè)特征,利用這幾個(gè)特征可以減少光照強(qiáng)度帶來的影響,并且識(shí)別率也很高。在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別中,在119種圖像中,只有3幅圖像識(shí)別錯(cuò)誤,識(shí)別率為97.48%。關(guān)鍵詞:樹種識(shí)別,顏色特征,RGB模型,BP神經(jīng)網(wǎng)絡(luò)近幾年來,隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展,應(yīng)用數(shù)字圖象處理技術(shù)進(jìn)行木材的分析成為一些專家學(xué)者關(guān)注的問題。像東北林業(yè)大學(xué)的于海鵬博士用數(shù)字圖像處理技術(shù)中的灰度

2、共生矩陣、小波分析等對(duì)木材紋理進(jìn)行的定量化研究1,王克奇教授則從高斯馬爾可夫隨機(jī)場、灰度共生矩陣以及顏色矩對(duì)木材紋理展開了研究24。利用顏色矩雖然能很好的體現(xiàn)木材的顏色特征,可是那樣計(jì)算復(fù)雜,不易理解,且不能消除光照強(qiáng)度帶來的影響。而本文則給出了利用新的顏色特征進(jìn)行的針、闊葉樹的識(shí)別,不僅僅應(yīng)用到了RGB模型,而且還從RGB 模型中衍生出許多簡單的顏色特征,這樣在基本不增加提取特征時(shí)間的情況下提高了識(shí)別率。盡管對(duì)于針葉樹和闊葉樹的識(shí)別從微觀角度來說非常容易,但這些研究只能用在實(shí)驗(yàn)室而不能應(yīng)用在生產(chǎn)現(xiàn)場中,所以為了使研究能真正應(yīng)用到生產(chǎn)現(xiàn)場,本文利用顏色特征從宏觀角度進(jìn)行針葉樹和闊葉樹的識(shí)別分類

3、研究。1. 顏色特征提取1. 1 顏色模型為了科學(xué)的定量描述和使用顏色,人們提出了各種顏色模型,主要有RGB模型、HSI 模型、CMKY模型和YUV色彩系統(tǒng)。其中RGB模型的應(yīng)用主要面向硬件設(shè)備,HSI模型是面向以彩色處理為目的的應(yīng)用,而CMKY模型主要應(yīng)用在印刷工業(yè),YUV模型則主要用在電視信號(hào)傳輸中。面向硬件設(shè)備的最常用的彩色模型是RGB模型,其模型如圖1所示,其中RGB模型和HSI模型是在圖像處理中應(yīng)用較多的兩種模型6,7,兩種模型有各自的特點(diǎn)。RGB模型中的R、G、B分量分別是圖像中某像素點(diǎn)紅、綠、藍(lán)的灰度值,大小在0-1或0-255之間,反映了人眼錐狀細(xì)胞對(duì)電磁光譜的可見光部分三個(gè)波

4、段(紅、綠、藍(lán)的敏感程度。HSI模型中H表示色調(diào)(Hue,S表示飽和度(Saturation,I表示亮度(Intensity,對(duì)應(yīng)成像亮度和圖像灰度。HSI模型反映了人的視覺系統(tǒng)觀察彩色的方式,而I分量與圖像的彩色信息無關(guān);H和S分量與人感受顏色的方式是緊密相聯(lián)的。 圖1 RGB 模型單位立方體 RGB 模型和HSI 模型之間可以進(jìn)行相互轉(zhuǎn)換,將RGB 模型轉(zhuǎn)換成HSI 模型的公式如公式(1所示:(+=+=+=2/122/arccos ,min 1131B G B R G R B R G R H B G R B G R S B G R I (1 1. 2 顏色特征提取文獻(xiàn)3和4中介紹了用RGB

5、 直方圖、顏色矩以及融合特征進(jìn)行木材分類識(shí)別的研究,該研究中最終得出結(jié)論用RGB 顏色矩(三階識(shí)別效果較好。顏色矩主要包括一階(均值、二階(方差、三階(斜度等,主要應(yīng)用的也是RGB 模型。雖然顏色矩具有旋轉(zhuǎn)不變性,比起直方圖來說是一種簡單有效的顏色特征表示方法,但是顏色矩并沒有考慮光照強(qiáng)度帶來的影響。現(xiàn)實(shí)生產(chǎn)中的光照強(qiáng)度不可能完全一樣,所以我們需要選擇一些對(duì)亮度不敏感的顏色特征,在文獻(xiàn)8,9中為了最小化亮度帶來的差異,使用了著名的非線性轉(zhuǎn)換器,得到r 、g 、b 三個(gè)參量,其計(jì)算公式見式(2,這樣r 、g 、b 只是比值,可以減小光照強(qiáng)度變化帶來的影響。僅利用這三個(gè)特征量進(jìn)行識(shí)別顯然是不夠的。

6、由公式(2-1可以看出HSI 模型可由顏色模型轉(zhuǎn)換得到,而這也是很多圖像處理系統(tǒng)所采取的方法。而HSI 模型中三分量H 、S 、I 具有相對(duì)獨(dú)立性,可分別對(duì)它們進(jìn)行控制,能夠準(zhǔn)確定量的描述顏色特征?？紤]到計(jì)算H 需要進(jìn)行反三角函數(shù)轉(zhuǎn)換需要時(shí)間較長,不利于實(shí)時(shí)性這一要求,所以不選用H 分量;而I 分量與圖像的彩色信息無關(guān),對(duì)識(shí)別效果影響也不會(huì)很大,所以沒有選用,而S 分量計(jì)算簡單,而且由光照強(qiáng)度變化帶來的影響較少。采用這四個(gè)特征量識(shí)別率可以達(dá)到95%,可是特征量較少時(shí),網(wǎng)絡(luò)訓(xùn)練時(shí)間較長。文獻(xiàn)7中用R /G 、(R -G /(R +G 作為識(shí)別參數(shù),所以在此也引進(jìn)了此兩個(gè)參數(shù),這兩個(gè)參數(shù)計(jì)算起來方

7、便,又不至于增加網(wǎng)絡(luò)訓(xùn)練時(shí)間,而且實(shí)驗(yàn)證明對(duì)識(shí)別率確有一定的提高。y x /(B G R R r +=/(B G R G g += (2/(B G R B b += 這里的R 、G 、B 分別是對(duì)整個(gè)圖像所有點(diǎn)的R 、G 、B 分量取平均值得到的,認(rèn)為這三個(gè)值就是整個(gè)圖像的紅、綠、藍(lán)分量。其計(jì)算公式如式(3所示。=M i N j M i N j M i N j j i B NM B j i G NM G j i R NM R 111111,(*1,(*1,(*1 (3 其中M 、N 分別是圖像的行和列,R (i ,j 、G (i ,j 、B (i ,j 分別是象素點(diǎn)(i ,j 的紅、綠、藍(lán)三色

8、的亮度值。另三個(gè)特征計(jì)算公式如下所示:,min(31B G R BG R S += Rg 1=G R / (4Rg 2=/(G R G R +2. 識(shí)別算法人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的處理單元廣泛互聯(lián)組成的復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng),模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為。人工神經(jīng)網(wǎng)絡(luò)有良好的容錯(cuò)特性,分類精度也高,因此人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別領(lǐng)域有著廣泛的應(yīng)用,近年來也被大量的應(yīng)用在圖像分類中。本系統(tǒng)主要應(yīng)用的是前向型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和BP 誤差反傳學(xué)習(xí)算法。2. 1 樹種識(shí)別系統(tǒng)網(wǎng)絡(luò)設(shè)計(jì)最常用的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是三層結(jié)構(gòu),即輸入層、輸出層和一個(gè)隱層。本設(shè)計(jì)中采用三層BP 網(wǎng)絡(luò)。(1 輸入層的設(shè)計(jì)在輸入量的選擇

9、中必須注意以下幾點(diǎn): 輸入量必須選擇那些對(duì)輸出影響較大且能夠檢測或提取的變量。各輸入量之間互不相關(guān)或相關(guān)性很小。 輸入量的表示與提取。大多數(shù)情況下,直接送給神經(jīng)網(wǎng)絡(luò)的輸入量無法直接得到,常常需要用信號(hào)處理與特征提取技術(shù)從原始數(shù)據(jù)中提取能反映其特征的若干參數(shù)作為網(wǎng)絡(luò)輸入10。本課題的輸入量也就是所提取的六個(gè)特征:紅、綠、藍(lán)三色亮度分量比例、飽和度S 、Rg 1、Rg 2。因此本設(shè)計(jì)中輸入層節(jié)點(diǎn)數(shù)是N 1= 6。(2 輸出層的設(shè)計(jì)本設(shè)計(jì)的目的是識(shí)別針葉樹和闊葉樹,因?yàn)檩敵鼋Y(jié)果只需要區(qū)分針葉樹還是闊葉樹,即 分為兩類,所以輸出層節(jié)點(diǎn)數(shù)為N 3=22log =1,用0代表闊葉樹,1代表針葉樹。(3 隱

10、層的設(shè)計(jì)理論證明:具有單隱層的前饋網(wǎng)絡(luò)可以映射所有連續(xù)函數(shù),只有當(dāng)學(xué)習(xí)不連續(xù)函數(shù)時(shí)才需要兩個(gè)隱層,故一般情況下隱層最多需要兩層。一般方法是先設(shè)一個(gè)隱層,當(dāng)一個(gè)隱層的節(jié)點(diǎn)數(shù)很多,仍不能改善網(wǎng)絡(luò)性能時(shí),再增加一個(gè)隱層。本設(shè)計(jì)中只采用一個(gè)隱層,即通常所說的三層BP 網(wǎng)絡(luò)來識(shí)別針闊葉樹。在隱層的設(shè)計(jì)中還有關(guān)鍵一點(diǎn)就是隱層節(jié)點(diǎn)數(shù)目的確定。隱層節(jié)點(diǎn)數(shù)目對(duì)神經(jīng)網(wǎng)絡(luò)的性能有一定的影響。隱層節(jié)點(diǎn)數(shù)過少時(shí),學(xué)習(xí)的容量有限,不足以存儲(chǔ)訓(xùn)練樣本中蘊(yùn)涵的所有規(guī)律;隱層節(jié)點(diǎn)過多不僅會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間,而且會(huì)將樣本中非規(guī)律性的內(nèi)容如干擾和噪聲存儲(chǔ)進(jìn)去,反而降低泛化能力。一般方法是湊試法:先用經(jīng)驗(yàn)公式+=l n m 確定隱層

11、節(jié)點(diǎn)數(shù)的范圍,然后用同一樣本集逐一訓(xùn)練,從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的隱層節(jié)點(diǎn)數(shù)。在上式中,m 為隱層節(jié)點(diǎn)數(shù),n 為輸入節(jié)點(diǎn)數(shù),l 為輸出節(jié)點(diǎn)數(shù),為調(diào)節(jié)常數(shù),在110之間。本設(shè)計(jì)中根據(jù)BP 網(wǎng)絡(luò)隱層節(jié)點(diǎn)設(shè)計(jì)的經(jīng)驗(yàn)公式,隱層節(jié)點(diǎn)數(shù)N 2=+=+1631N N =413。在經(jīng)過測試后,當(dāng)N 2=8時(shí),識(shí)別率較高,效果較好。最終設(shè)計(jì)的樹種識(shí)別BP 網(wǎng)絡(luò)如圖2所示。 (4 訓(xùn)練樣本集的設(shè)計(jì) 一般來說樣本數(shù)n 越多,訓(xùn)練結(jié)果越能正確反映其內(nèi)在規(guī)律,但樣本的獲取往往有一定困難,另一方面,當(dāng)樣本數(shù)達(dá)到一定數(shù)量后,網(wǎng)絡(luò)的精度也很難提高。選擇原則是:訓(xùn)練樣本數(shù)是網(wǎng)絡(luò)連接權(quán)總數(shù)的510倍。而且樣本的選擇要具有代表性

12、,注意樣本類別的均衡;樣本的組織要注意將不同類別的樣本交叉輸入。本設(shè)計(jì)中從各個(gè)不同的屬中選38個(gè)闊葉樹圖片,20個(gè)針葉樹圖片,共58個(gè)作為學(xué)習(xí)樣本,其中徑切面和橫切面各占50%。y 2 或1 2. 2 實(shí)驗(yàn)結(jié)果及分析表1 神經(jīng)網(wǎng)絡(luò)識(shí)別中所用函數(shù)傳遞函數(shù)性能函數(shù)網(wǎng)絡(luò)創(chuàng)建函數(shù)隱層輸出層Logsig MseNewff Tansig本文在實(shí)驗(yàn)中的圖片共119幅,采用MATLAB7.0的BP網(wǎng)絡(luò)工具箱進(jìn)行仿真,訓(xùn)練次數(shù)為1000次,誤差目標(biāo)為0.001,其它參數(shù)見表1。當(dāng)采用前四個(gè)特征量時(shí)有5個(gè)識(shí)別錯(cuò)誤,的識(shí)別率為95.8%;在采用這六個(gè)特征時(shí),有3個(gè)識(shí)別錯(cuò)誤,識(shí)別率為97.48%。,識(shí)別時(shí)間是0.57

13、8s。這三個(gè)錯(cuò)誤的樹種圖片是鉆天柳徑切面、鐵木弦切面以及油松徑切面。經(jīng)分析其錯(cuò)誤的主要原因是樣本太少泛化能力不夠好,像鉆天柳屬只有鉆天柳一個(gè)樹種、鐵木屬中只有鐵木這一個(gè)樹種。如果每一屬中都能有圖片作為樣本,那么識(shí)別率將會(huì)進(jìn)一步增加。3. 結(jié)論經(jīng)實(shí)驗(yàn)表明雖然針葉樹與闊葉樹有些圖像的顏色從肉眼來看非常相似,難以辨別,但利用顏色特征中的RGB模型的三個(gè)分量r、g、b以及由R、G、B組合成的幾個(gè)特征量來進(jìn)行識(shí)別,結(jié)果較肉眼識(shí)別要準(zhǔn)確。本設(shè)計(jì)所提取的特征計(jì)算簡單、快捷、容易理解,且能減少光照強(qiáng)度變化帶來的影響,比較適合于用在實(shí)時(shí)生產(chǎn)中。 參考文獻(xiàn) 1 于海鵬.基于數(shù)字圖像處理學(xué)的木材紋理定量化研究D.東

14、北林業(yè)大學(xué)博士論文.2005:1516 2429 2 王克奇,王業(yè)琴等.板材識(shí)別中顏色特征參數(shù)的提取J.東北林業(yè)大學(xué)學(xué)報(bào). 2006,34(3:104105 3 王業(yè)琴,趙志國.基于直方圖和顏色矩方法的木材表面顏色特征的表達(dá)J.林業(yè)科技. 2006,31(5:5658 4 王業(yè)琴.基于融合彩色特征木材表面顏色分類的研究J.林業(yè)機(jī)械與木工設(shè)備. 2006,34(8:2729 5 何東健,耿楠,張義寬.數(shù)字圖像處理M.西安:西安電子科技大學(xué)出版社.2003:13 6 Richard W.Conners, Chairman A. Lynn About, D.Earline KFeature Iden

15、tification in Wooden Boards Using Color Image Segmentation.(Thsis1997,10(21 7 Burks T F,Shearer S A,Payne F A.Classification of Weed Species Using Color Texture Features and Discriminant AnalysisJ.Transactions of the ASAE 2000,43(2:441448 8 吳富寧,楊子彪,朱紅等.基于顏色特征進(jìn)行農(nóng)作物圖像分類識(shí)別的應(yīng)用研究綜述N.中國農(nóng)業(yè)科技導(dǎo) 報(bào).2003,5(2:76

16、79 9 Tian, L.F., and D. C. Slaughter. Environmentally adaptive segmentation algorithm for outdoor images segmentationJ.Computer & Election in Agriculture. 1998,21(3:161 10 朱大奇,史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用M.北京:科學(xué)出版社.2006:4144 The Application of Color Features from the RGB model in Wood Species Recognization Sy

17、stem Fu Jinxia，Su Jianmin，Liu Jiaxin，Wang Jian Northeast Forestry University, Harbin HLJ (150040 E-mail：sdplxc Abstract In this paper a new method of color features is brought forward which is used in wood species recognization. The color features which can reduce the influence brought by the bright intensity are mainly from the RGB model. After recognized by the BP ANN(Back Propagation Artificial Neural Network only 3 images are wrong in 119 images, the recognition ratio is 97.