基于灰色共生矩陣的窯頭熟料表面紋理分類方法

基于灰色共生矩陣的窯頭熟料表面紋理分類方法

在實(shí)際的回轉(zhuǎn)爐生產(chǎn)領(lǐng)域，機(jī)器視覺方法有助于分析爐頭舊材料的特征，有助于了解爐內(nèi)的實(shí)際情況，提高回轉(zhuǎn)爐的自動(dòng)控制水平。在姚頭圖像中，濃縮角反映了濃縮物的運(yùn)動(dòng)模式，可以用來評(píng)估粘度和帶的高度。原料填充率的變化趨勢(shì)可以反映爐尾的供應(yīng)量和爐內(nèi)溫度的異變。此外，優(yōu)質(zhì)圖像的紋理特征可以更好地描述其表面的物理屬性（如粗糙度和顆粒度），以間接反映爐內(nèi)的舊材料的燃燒狀態(tài)。根據(jù)紋理特征屬性，波形識(shí)別在氣象學(xué)、醫(yī)學(xué)、地理學(xué)、工業(yè)界被廣泛使用。在一般的空間紋理分析中，統(tǒng)計(jì)方法的原理簡(jiǎn)單易用。它主要適用于隨機(jī)性、無明顯規(guī)則的不規(guī)則圖像。特別是，基于粒度共生矩陣的統(tǒng)計(jì)分析可以更好地反映整個(gè)圖像的紋理特征。在實(shí)際回轉(zhuǎn)爐中的舊材料圖像的紋理沒有明顯的規(guī)律和周期性。在這項(xiàng)工作中，我們使用了基于灰絲共生矩陣的方法來計(jì)算初始材料表面的紋理參數(shù)，并根據(jù)fisher系數(shù)實(shí)現(xiàn)了最佳紋理特征的選擇，并使用了評(píng)價(jià)書的c.5來組織不同燃燒狀態(tài)下的熟材料的紋理分類。1窯底熟料區(qū)域照片固定安裝在回轉(zhuǎn)窯窯頭的攝像機(jī)實(shí)時(shí)采集窯內(nèi)圖像,圖像主要由煤粉區(qū)、火焰區(qū)、“帶高”區(qū)和熟料區(qū)4個(gè)區(qū)域構(gòu)成,其中熟料區(qū)位于窯頭圖片的右下角.基于熟練看窯工的經(jīng)驗(yàn),不同工況下采集到的窯頭及熟料區(qū)圖片如圖1所示,3組熟料圖片從左至右依次為過燒、欠燒和正常3種狀態(tài).異常工況下,當(dāng)窯內(nèi)燒結(jié)帶溫度過高時(shí),熟料過燒,其黏度較正常時(shí)大,流動(dòng)性差,熟料紋理粗糙,有明顯的結(jié)塊現(xiàn)象;而當(dāng)溫度過低時(shí),表現(xiàn)為熟料黏度較正常時(shí)低,流動(dòng)性強(qiáng),顆粒度小,松散呈沙狀;而正常工況下其黏度和流動(dòng)性介于兩者之間,粒度適中,紋理分布均勻.2基于序列的雙階段模型灰度共生矩陣是在原始圖像的基礎(chǔ)上,對(duì)滿足特定位置關(guān)系(角度和距離)和特定灰度關(guān)系的鄰近像素灰度值分布特性進(jìn)行統(tǒng)計(jì)產(chǎn)生的矩陣,表示的是圖像紋理中灰度級(jí)的空間相關(guān)性,即相距(dx,dy)的兩個(gè)灰度像素為i和j出現(xiàn)的聯(lián)合頻率分布.設(shè)大小為M×N的二維數(shù)字圖像為f(x,y),量化圖像的灰度級(jí)為Ng,則滿足一定空間關(guān)系的Ng×Ng灰度共生矩陣為:PD(i,j)=#{(x,y),(x+dx,y+dy)∈M×N|f(x,y)=i,f(x+dx,y+dy)=j}.(1)式中:#{A}為集合A中滿足條件的元素個(gè)數(shù),i和j為灰度級(jí)值,位置算子(dx,dy)的不同組合代表了不同方向和距離下的灰度共生矩陣,當(dāng)(dx,dy)取(d,0),(d,-d),(0,-d)和(-d,-d)時(shí),分別對(duì)應(yīng)距離為d的0°,45°,90°和135°4個(gè)方向.對(duì)灰度共生矩陣元素進(jìn)行正規(guī)化后,Haralick列出了14個(gè)基于灰度共生矩陣的描述圖像紋理典型參數(shù),分別是角二階距(ASM:AngularSecondMoment)、對(duì)比度(Contrast)、相關(guān)性(Correlation)、方差(SS:SumofSquares)、和平均(SA:SumAverage)、逆差矩(IDM:InverseDifferenceMoment)、熵(Entropy)、和方差(SV:SumVariance)、和熵(SE:SumEntropy)、差異熵(DE:DifferenceEntropy)、差方差(DV:DifferenceVariance)、最大相關(guān)系數(shù)(MCC:MaximalCorrelationCoefficient)和兩個(gè)相關(guān)性信息度量(IOC:InformationmeasuresofCorrelation).灰度共生矩陣具有豐富的特征參數(shù),因而能從不同的角度對(duì)紋理進(jìn)行描述.3距離的d值不同的位置算子和圖像灰度級(jí)的組合會(huì)生成不同的灰度共生矩陣,對(duì)紋理的描述效果也不盡相同.如果采用256灰度級(jí),雖說保證了其精確性,但因元素過小運(yùn)算時(shí)間過長(zhǎng),不利于實(shí)際工況分析,故常將原圖像灰度級(jí)量化為16級(jí).在進(jìn)行紋理分析時(shí),怎樣確定位置算子將直接影響結(jié)果的正確性.不同距離的d值適合于粗細(xì)不同的紋理,較小的d值適合于分析局部領(lǐng)域內(nèi)的灰度變化頻繁的細(xì)紋理;而對(duì)灰度值變化緩慢的粗紋理,則需要選擇較大的d值.已有的文獻(xiàn)大多根據(jù)特定分析對(duì)象選取經(jīng)驗(yàn)值,不具有普遍意義,或者同時(shí)計(jì)算不同大小的d值,這雖然能夠提高灰度共生矩陣紋理分析的分類性能,但也使得計(jì)算量大大增加.對(duì)同一個(gè)紋理分析對(duì)象選擇不同的方向得到的灰度共生矩陣也不一樣,將4個(gè)方向上得到的灰度共生矩陣參數(shù)求平均值和差值,將其作為特征參數(shù)進(jìn)行紋理識(shí)別,這種方法保證了紋理平移不變性,但也削弱了灰度共生矩陣的可區(qū)分性,同時(shí)增加計(jì)算量.除此之外,Haralick提出的14個(gè)統(tǒng)計(jì)紋理特征參數(shù)具有一定的冗余度,能量、熵、相關(guān)性、逆差距和對(duì)比度這5個(gè)統(tǒng)計(jì)紋理特征較為普遍被大多數(shù)文獻(xiàn)采用,但不一定適合熟料對(duì)象.本文基于Fisher系數(shù)來實(shí)現(xiàn)最佳位置算子和分類特征集的選擇,并結(jié)合C4.5決策樹對(duì)提取出的特征參數(shù)完成了分類規(guī)則的生成.3.1類數(shù)和總類數(shù)Fisher系數(shù)是用來評(píng)價(jià)類間分離程度的函數(shù),具體定義如公式(2)所示:F=DV=11?∑i=1Mp2i∑i=1M∑j≠iMpipj(μi?μj)2∑i=1MpiVi.(2)F=DV=11-∑i=1Μpi2∑i=1Μ∑j≠iΜpipj(μi-μj)2∑i=1ΜpiVi.(2)式中:M為總類數(shù);μi,μj和pi,pj分別為第i,j類的均值和概率;Vi為方差,當(dāng)各分割類的類間均值間距平方和與類內(nèi)方差和之比達(dá)到最大時(shí),Fisher系數(shù)值達(dá)到最大,對(duì)應(yīng)的參數(shù)類間區(qū)分能力最強(qiáng),類間分離效果最佳.采用Fisher系數(shù)對(duì)由不同位置算子下的灰度共生矩陣計(jì)算出的紋理典型參數(shù)進(jìn)行評(píng)判,從中得出Fisher系數(shù)值最高的位置算子以及對(duì)應(yīng)的距離d值和方向,即為具體紋理分析對(duì)象最佳位置算子.3.2利用信息增益率測(cè)試方法.4.5算法C4.5算法是J.R.Quinlan于1993年提出的一種經(jīng)典決策樹算法,可以基于事例數(shù)據(jù)自上而下形成決策樹,并轉(zhuǎn)化為便于理解的分類規(guī)則進(jìn)行輸出.C4.5算法使用信息增益率測(cè)試選擇屬性結(jié)點(diǎn),克服了傳統(tǒng)的使用信息增益選擇屬性時(shí)偏向選擇取值較多的屬性的不足,在保持分類能力的同時(shí)有利于產(chǎn)生較為精簡(jiǎn)的規(guī)則;可以在決策樹的構(gòu)造過程中或者完成后進(jìn)行決策樹的剪枝,便于靈活控制產(chǎn)生規(guī)則的規(guī)模和復(fù)雜度;能夠自動(dòng)完成連續(xù)屬性的離散化處理;對(duì)不完整的數(shù)據(jù)具有填補(bǔ)功能,因而對(duì)所處理數(shù)據(jù)具有很強(qiáng)的魯棒性.自90年代以來,由于產(chǎn)生規(guī)則易于理解、分類精度高而得到廣泛應(yīng)用.4熟料理化分類圖像來源于某廠現(xiàn)場(chǎng)回轉(zhuǎn)窯窯頭視頻,按照經(jīng)驗(yàn)豐富的看窯工觀察和判斷結(jié)果,選取了過燒、正常和欠燒3種情況下熟料圖片分別為7,41和21張,對(duì)圖片進(jìn)行灰度化、濾波預(yù)處理后,分割得到的熟料區(qū)樣本共69幅.基于灰度共生矩陣和C4.5的熟料紋理分類可分為如下幾個(gè)步驟:Step1:熟料感興趣區(qū)域獲取;Step2:灰度共生矩陣特征參數(shù)計(jì)算;Step3:最佳位置算子的Fisher評(píng)判;Step4:C4.5決策樹分類及其規(guī)則生成.4.1位置位置的對(duì)比將分割后的熟料圖片灰度值極化為16級(jí),計(jì)算距離d從1~5,0°,45°,90°和135°4個(gè)方向上所有灰度共生矩陣紋理特征的Fisher系數(shù)分布.通過比較同一方向和距離基礎(chǔ)上的14個(gè)灰度共生矩陣特征參數(shù)發(fā)現(xiàn),和平均SA、逆差矩IDM、差異熵DE、對(duì)比度Contrast、差方差DV和熵Entropy這6個(gè)參數(shù)具有較大的Fisher系數(shù)值.實(shí)驗(yàn)結(jié)果表明,SA參數(shù)對(duì)應(yīng)的Fisher系數(shù)隨距離和方向的變化率比較平緩,說明參數(shù)對(duì)方向和距離不太敏感,不同的位置算子對(duì)SA參數(shù)的分類效果影響不大;然而IDM,DE,Contrast,DV和Entropy這5個(gè)參數(shù)隨位置算子的變化Fisher系數(shù)波動(dòng)較大,圖2所示為這5個(gè)顯著紋理特征的Fisher系數(shù)具體數(shù)值,其中x軸對(duì)應(yīng)位置算子依次從(0,1)~(5,-5).圖2表明,IDM,DE,Entropy最大的Fisher系數(shù)值出現(xiàn)在位置算子為(5,-5)時(shí)(像素距離為5,方向?yàn)?5°)分別為34.75,28.66和25.7.盡管Contrast和DV最大Fisher系數(shù)值(分別為28.8和18.8)對(duì)應(yīng)的位置算子為(0,5),但(5,-5)時(shí)對(duì)應(yīng)的Fisher系數(shù)值(分別為27.3和18.1)與之相比相差很小.由此,選擇(5,-5)做為計(jì)算灰度共生矩陣的位置算子,既避免了需要計(jì)算多個(gè)距離、多個(gè)方向下的灰度共生矩陣帶來的計(jì)算復(fù)雜度,又避免了隨意選擇位置算子的盲目性.基于(5,-5)位置算子計(jì)算灰度共生矩陣,選擇Contrast,IDM,SA,DE,DV和Entropy做為熟料紋理分類的特征參數(shù)集,定義class值為1,2,3,分別代表過燒、正常和欠燒,屬性標(biāo)注為:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy.C4.5決策樹提取的分類規(guī)則具體如下:C4.5決策樹提取了Contrast,IDM,SA,DV做為特征參數(shù),正確分類數(shù)為66個(gè),錯(cuò)分?jǐn)?shù)為3個(gè),分類精度達(dá)到95.65%.為了對(duì)比采用Fisher系數(shù)提取出的最優(yōu)位置算子和特征參數(shù)分類的能力,選擇常用的角二階距(ASM)、熵(Entropy)、相關(guān)性(Correlation)、逆差距(IDM)和對(duì)比度(Contrast)這5個(gè)參數(shù)4個(gè)方向的平均值做為特征參數(shù),距離d取1~5對(duì)相同的熟料對(duì)象集用C4.5決策樹進(jìn)行分類,結(jié)果如表1所示.表中屬性標(biāo)注為:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy,a7-ASM,a8-Correlation.對(duì)比結(jié)果表明,本文的方法僅需要計(jì)算單一方向和距離(5,-5)的灰度共生矩陣,就可以達(dá)到很好的分類精度.4.2差方差.逆差矩.比特征C4.5決策樹分類結(jié)果得出,由于實(shí)際回轉(zhuǎn)窯中熟料表面紋理的復(fù)雜性,很難用單一的紋理參數(shù)來對(duì)其進(jìn)行精確分類,需要組合多個(gè)紋理參數(shù)進(jìn)行識(shí)別.同時(shí),相對(duì)于過燒和欠燒狀態(tài),正常狀態(tài)下的熟料情況更為復(fù)雜多樣.提取出來的基于灰度共生矩陣的紋理參數(shù)中,SA(a3)具有最高屬性重要度,其次是Contrast(a1)和DV(a5),隨后是IDM(a2).SA度量了圖像像素點(diǎn)平均灰度值大小,即圖像的明暗程度.差方差表明了鄰近像素對(duì)灰度值差異的方差;逆差矩IDM反映了圖像紋理的同質(zhì)性或規(guī)則程度,是圖像紋理局部變化的度量;Contrast度量了圖像的灰度差或?qū)Ρ榷?它反映了圖像灰度共生矩陣值的分布情況和圖像的局部變化.為了對(duì)不同工況下的熟料紋理參數(shù)進(jìn)行分析和理解,圖3顯示了69個(gè)熟料樣本位置算子為(5,-5)時(shí)計(jì)算的灰度共生矩陣對(duì)應(yīng)的SA,Contrast,DV和IDM值的具體分布情況,橫坐標(biāo)軸1~7,8~28,29~69分別對(duì)應(yīng)過燒、欠燒和正常狀態(tài).欠燒熟料圖像(樣本8~28)呈現(xiàn)出來的表面紋理為松散細(xì)沙狀,不同區(qū)域間變化很小、局部非常均勻、對(duì)比度小、紋理規(guī)則,具有較大的IDM值和較小的Contrast值.窯爐為了保持熟料質(zhì)量的穩(wěn)定性,會(huì)通過加煤等方式升高爐內(nèi)溫度,導(dǎo)致熟料溫度的升高、亮度增加,從而具有相對(duì)較大的SA值.過燒熟料圖像(樣本1~7)黏度很高,呈塊狀,表面紋理粗糙,窯爐通過減煤加風(fēng)等措施降低窯內(nèi)溫度以避免后續(xù)熟料的過燒,從而導(dǎo)致熟料溫度降低,亮度減小,具有較小的SA值.而正常燒結(jié)狀態(tài)時(shí),回轉(zhuǎn)窯內(nèi)達(dá)到動(dòng)平衡,窯內(nèi)風(fēng)、煤等工況穩(wěn)定,窯內(nèi)圖像變得更清晰,此時(shí)的熟料(樣本29~69)既沒有過燒狀態(tài)下的結(jié)塊現(xiàn)象,也沒有欠燒狀態(tài)下的粒度過小呈沙狀松散現(xiàn)象,熟料區(qū)圖像豐富,溝紋較深,即對(duì)比度較大,相對(duì)過燒和欠燒而言具有較大的Contrast值.5機(jī)械使用:強(qiáng)調(diào)生態(tài),濫用行為,誤價(jià):5,5,4,4,4,4,4,4,4,4,4,4.基于灰度共生矩陣的紋理特征參數(shù)能較好地描述回轉(zhuǎn)窯的熟料表面紋理,利用Fisher系數(shù)提取出最佳位置算子和最有效分類參數(shù)集能有效地避免傳統(tǒng)方法中計(jì)算灰度共生矩陣的隨意性和大計(jì)算量,既保證了分類識(shí)別的精度,又充分考慮了在線識(shí)別的實(shí)時(shí)性.基于約簡(jiǎn)的紋理特征參數(shù)組,經(jīng)典的C4.5決策樹算法實(shí)現(xiàn)了3種燒結(jié)狀態(tài)下的熟料的分類,分類精度達(dá)到95.65%,這充分說明了用紋理分析方法進(jìn)行熟料燒結(jié)狀態(tài)判別的可行性.參考文獻(xiàn)HEM,ZHANGJ,LIUXY.Determinationofthereposeangleofstuffinrotarykilnbasedonimageprocessing[C]//The9thInternationalConferenceonElectronicMeasurement&Instruments(ICEMI),Beijing:2009(4):97-101.何敏,章兢,何昭暉,等.基于回轉(zhuǎn)窯圖像的熟料填充率測(cè)量[J].儀器儀表學(xué)報(bào),2009,30(12):2586-2592.HEMin,ZHANGJing,HEZhao-hui,etal.Measurementoffillingpercentageofclinkerusingrotarykilnimage[J].ChineseJournalofScientificInstrument,2009,30(12):2586-2592.(InChinese)CHRISTODOULOUCI,MICHAELIDESSC,PATTICHISCS.Pattichismultifeaturetextureanalysisfortheclassificationofcloudsinsatelliteimagery[J].IEEETransonGeoscienceandRemoteSensing,2003,41(11):2662-2668.LAURIAA.GPCALMA:ImplementationinItalianhospitalsofacomputeraideddetectionsystemforbreastlesionsbymammographyexamination[J].PhysicaMedica,2009,25(2):58-72.TESSIERAJ,DUCHESNEAC.Estimationofaluminacontentofanodecovermaterialsusingmultivariateimageanalysistechniques[J].ChemicalEngineeringScience,2008,63(5):1370-1380.OHANIANPP,DUBESRC.Performanceevaluationforfourclassesoftexturefeature[J].PatternRecognition,1992,25(8):819-833.HARALICKRM,SHANMUGAMK,NSTEINI.Texturalfeaturesforimageclassification[J].IEEETransonSystems,ManandCybernet