本發(fā)明涉及數(shù)字圖像處理技術領域，特別涉及一種基于顏色特征和hu矩的竹條顏色分類方法和系統(tǒng)。

背景技術：

中國地域遼闊，竹類資源豐富，面積、產量均居世界前列。從很早以前就有“竹子王國”的美譽，這是因為中國的竹林面積達500多萬公頃，竹子對人們生活的重要性有著源遠流長的歷史，古代詩人蘇東坡曾說過“寧可食無肉，不可居無竹”，竹子不僅對人們的生活有著深遠的影響，還對生態(tài)功能和農村經濟的發(fā)展起十分重要的作用。它廣泛的用于各個方面當中，如：竹地板、竹門、竹窗、竹制的生活用品等等。但是，竹條經過多層的加工程序后會出現(xiàn)顏色深淺不同的情況，當前工業(yè)生產的所有竹條都由傳統(tǒng)的人工進行篩選，工人用肉眼觀察進行顏色的分類，但是，隨著變化的環(huán)境、漫長的工作時間和身體疲勞的原因所限，竹條分類的準確度和效率會下降。于是急需一種能對竹子的顏色進行自動分類的方法和系統(tǒng)。

技術實現(xiàn)要素：

本發(fā)明提供了一種基于顏色特征和hu矩的竹條顏色分類方法和系統(tǒng)，解決以上所述技術問題。

本發(fā)明解決上述技術問題的技術方案如下：一種基于顏色特征和hu矩的竹條分類方法，包括以下步驟：

s1，獲取至少一個樣本竹條的樣本圖像，并建立樣本圖像庫；

s2，獲取待測竹條的原始圖像；

s3，計算所述原始圖像與樣本圖像庫中每個樣本圖像的色差值；

s4，獲取所述原始圖像的至少一個不變矩值，根據所述至少一個不變矩值計算所述原始圖像與樣本圖像庫中每個樣本圖像的不變矩距離；

s5，根據所述色差值和所述不變矩距離，將所述待測竹條劃分到預設類別,以實現(xiàn)竹條的分類。

本發(fā)明的有益效果是：本發(fā)明通過計算待測竹條原始圖像與樣本圖像庫中每個樣本圖像進行色差值和不變矩距離，在光照條件不變的情況下，可以實時地實現(xiàn)了竹條顏色的有效分類，增加了竹制品加工自動化程度，提高了工業(yè)生產的效率。

進一步，所述樣本數(shù)據庫的竹條樣本數(shù)量不少于15個。

采用上述進一步方案的有益效果是：一定數(shù)量的樣本不僅能提高計算速度，而且能提高竹條的顏色分類的準確性。

進一步，采用最小距離分類器進行度量以及使用改進后的加權歐式距離計算所述目標圖像與樣本圖像庫中每個樣本圖像的色差值dn。

采用上述進一步方案的有益效果是：最小距離分類器是一種簡單而有效的分類方法，該分類器通過對標稱型和字符串型屬性的距離的加權定義,以及增加屬性值的范圍約束,擴大了最小標準化歐式距離分類器的適用范圍,同時提高了其分類準確率。

本發(fā)明還提供了一種基于顏色特征和hu矩的竹條分類系統(tǒng)，包括：

第一圖像獲取模塊，用于獲取至少一個樣本竹條的樣本圖像，并建立樣本圖像庫；

第二圖像獲取模塊，用于獲取待測竹條的原始圖像；

計算模塊，用于計算所述原始圖像與樣本圖像庫中每個樣本圖像的色差值；

第三圖像獲取模塊，用于獲取所述原始圖像的至少一個不變矩值，根據所述至少一個不變矩值計算所述原始圖像與樣本圖像庫中每個樣本圖像的不變矩距離；

分類模塊，用于根據所述色差值和所述不變矩距離，將所述待測竹條劃分到預設類別,以實現(xiàn)竹條的分類。

本發(fā)明的有益效果是：本發(fā)明通過計算待測竹條原始圖像與樣本圖像庫中每個樣本圖像進行色差值和不變矩距離，在光照條件不變的情況下，可以實時地實現(xiàn)了竹條顏色的有效分類，增加了竹制品加工自動化程度，提高了工業(yè)生產的效率。

附圖說明

圖1為本發(fā)明一個實施例提供的一種基于顏色特征和hu矩的竹條顏色分類方法的流程示意圖；

圖2為本發(fā)明一個實施例提供的一種基于顏色特征和hu矩的竹條顏色分類系統(tǒng)的結構示意圖。

具體實施方式

以下結合附圖對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

如圖1所示，本發(fā)明提供的一種基于顏色特征和hu矩的竹條顏色分類方法的流程示意圖，包括以下步驟：

s1，獲取至少一個樣本竹條的樣本圖像，并建立樣本圖像庫；

s2，獲取待測竹條的原始圖像；

s3，計算所述原始圖像與樣本圖像庫中每個樣本圖像的色差值；

s4，獲取所述原始圖像的至少一個不變矩值，根據所述至少一個不變矩值計算所述原始圖像與樣本圖像庫中每個樣本圖像的不變矩距離；

s5，根據所述色差值和所述不變矩距離，將所述待測竹條劃分到預設類別,以實現(xiàn)竹條的分類。

上述實施例通過計算待測竹條原始圖像與樣本圖像庫中每個樣本圖像進行色差值和不變矩距離，在光照條件不變的情況下，可以實時地實現(xiàn)了竹條顏色的有效分類，增加了竹制品加工自動化程度，提高了工業(yè)生產的效率。

優(yōu)選的，在本發(fā)明的一個實施例中，所述步驟2和步驟3之間還包括預處理步驟，具體為：采用預設圖像調整方法對所述原始圖像進行濾波處理、裁剪處理、傾斜度修正處理和/或目標紋理消除處理。

上述實施例通過采用二值圖像作為掩膜消除背景對竹條感興趣區(qū)域的影響，可以更加準確的提取三通道圖形的色調、飽和度和亮度均值。

進一步，所述步驟1具體包括以下步驟：

s101，獲取任一樣本竹條對應的第一樣本圖像；

s102，將第一樣本圖像的顏色空間均轉換為his顏色空間，生成第二樣本圖像；

s103，對第二樣本圖像進行顏色分離，生成色調、飽和度和亮度分別對應的第一通道圖、第二通道圖和第三通道圖；

s104，計算所述第一通道圖對應的樣本色調均值、所述第二通道圖對應的樣本飽和度均值和第三通道值對應的樣本亮度均值；

s105，建立樣本圖像庫，所述樣本圖像庫包括每個樣本竹條分別對應的樣本色調均值、樣本飽和度均值和樣本亮度均值。

優(yōu)選的，在本發(fā)明的一個實施例中，對預處理后的彩色圖像由rgb空間轉換到適應人眼可解釋的his顏色空間，并把彩色圖像分離成包含色調(h)、飽和度(s)、亮度(i)的三通道圖像。使用二值圖像作為掩膜消除背景對竹條感興趣區(qū)域的影響，并通過分別求三通道的統(tǒng)計特性，得到各通道均值和標準差。這里使用hsi彩色模型是為了適應實際上人解釋的顏色。

其中彩色空間的轉換表達式如下：

其中r、g、b為三基色，h為色調、s為飽和度、i為亮度。

優(yōu)選的，在本發(fā)明的一個實施例中，通過采用二值圖像作為掩膜消除背景對竹條感興趣區(qū)域的影響，可以更加準確的提取三通道圖形的色調、飽和度和亮度均值。

優(yōu)選的，在本發(fā)明的一個實施例中，所述樣本數(shù)據庫的竹條樣本的數(shù)量為15個，采用15個計算樣本不僅能提高計算速度，而且能提高竹條的顏色分類的準確性。

優(yōu)選的，在本發(fā)明的一個實施例中，所述步驟3具體為：

s301，將所述原始圖像的顏色空間轉換為his顏色空間，生成目標圖像；

s302，對所述目標圖像進行顏色分離，生成色調、飽和度和亮度分別對應的第四通道圖、第五通道圖和第六通道圖，并計算所述第四通道圖對應的目標色調均值、所述第五通道圖對應的目標飽和度均值和第六通道值對應的目標亮度均值；

s303，采用第一預設公式計算所述目標圖像與樣本圖像庫中每個樣本圖像的色差值,所述第一預設公式具體為:

其中，dn為目標圖像與樣本圖像庫中第n個樣本圖像的色差值,a、b和c為預設權重值；h為所述目標色調均值,s為所述目標飽和度均值,i為所述目標亮度均值；hn為樣本圖像庫中第n根樣本竹條的樣本色調均值，sn為樣本圖像庫中第n根樣本竹條的樣本飽和度均值，in為樣本圖像庫中第n根樣本竹條的樣本亮度均值。

優(yōu)選的，在本發(fā)明的一個實施例中，采用最小距離分類器進行度量以及使用改進后的加權歐式距離求取原始圖像與樣本圖像庫中每個樣本圖像之間的色差值dn。

采用最小距離分類器是一種簡單而有效的分類方法，該分類器通過對標稱型和字符串型屬性的距離的加權定義,以及增加屬性值的范圍約束,擴大了最小標準化歐式距離分類器的適用范圍,同時提高了其分類準確率。

在本發(fā)明的一個實施例中，所述a的取值范圍為0.2～0.3，b的取值范圍為0.6～0.7和c的取值范圍為0.1～0.2，當a取0.3，b取0.6和c取0.1時分類效果較好。

優(yōu)選的，本發(fā)明的一個實施例中，步驟4中所述原始圖像包括7個不變矩,分別為hu1、hu2、hu3、hu4、hu5、hu6和hu7,此時采用第二預設公式計算所述原始圖像與樣本圖像庫中每個樣本圖像的不變矩距離,所述第二預設公式具體為:

其中，ln為所述原始圖像與樣本圖像庫中第n個樣本圖像的不變矩距離,hun1、hun2、hun3、hun4、hun5、hun6和hun7分別為樣本圖像庫中第n根樣本竹條的對應不變矩，d、e、f、g、h、i和j為預設權重值。

在本發(fā)明的一個實施例中，所述d取值范圍為0.2～0.4，e取值范圍為0～0.1，f取值范圍為0～0.1，g取值范圍為0.2～0.3，h取值范圍為0～0.1，i取值范圍為0.2～0.4和j取值范圍為0～0.1。

優(yōu)選的，本發(fā)明的一個實施例中當d取0.2，e取0.1，f取0.1，g取0.2，h取0.1，i取0.2和j取0.1時分類效果較好。

優(yōu)選的，在本發(fā)明的一個實施例中，所述步驟5具體包括以下步驟：

s501，采用第三預設公式計算所述色差值對應的第一加權系數(shù)fd，所述第三預設公式具體為：

其中，fn(x,σ,c)為第一高斯加權系數(shù)，所述第一高斯加權系數(shù)的表達式為：x為待測竹條的目標圖像與樣本圖像庫中所有樣本圖像之間的色差值，c為待測竹條目標圖像與樣本圖像庫中所有樣本圖像之間的色差值均值，σ為待測竹條目標圖像與樣本圖像庫中每個樣本圖像之間的色差值標準差；

s502,求取待測竹條原始圖像與樣本圖像庫中每個樣本圖像之間的hu矩不變矩距離ln的第二加權系數(shù)fl；所述求取fl的計算表達式為：

其中，fn'(x,σ,c)為第二高斯加權系數(shù)，所述第二高斯加權系數(shù)的表達式為：x為待測竹條原始圖像與樣本圖像庫中所有樣本圖像之間hu矩不變矩距離值，c為待測竹條原始圖像與樣本圖像庫中所有樣本圖像之間hu矩不變矩距離值均值，σ為待測竹條原始圖像與樣本圖像庫中所有樣本圖像之間hu矩不變矩距離值標準差；

s503，以所述色差值的第一加權系數(shù)fd和hu矩不變矩距離的第二加權系數(shù)fl，求取待測竹條與樣本圖像庫中所有樣本圖像之間的分類系數(shù)f，以f值作為待測竹條顏色分類的標準，所述分類系數(shù)f的計算表達式為

優(yōu)選的，在本發(fā)明的一個實施例中，根據預設的分類系數(shù)值進行對比分類具體為：若f≤5時，為第一類竹條；若5＜f＜10時，為第二類竹條，若f≥10，為第三類竹條，可以有效的提高待測竹條的顏色分類的準確率。

優(yōu)選的，在本發(fā)明的一個實施例中，步鄹5中，采用所述的待測竹條原始圖像的七個hu矩不變矩中的四個即hu1、hu4、hu5和hu6作為所述hu矩不變矩距離ln的計算。在對竹條的分類過程中，只有hu1、hu4、hu5、hu6對竹條的不變性保持的比較好，其他的幾個不變矩帶來的誤差比較大，由hu矩組成的特征量對圖片進行識別，優(yōu)點就是速度很快，對于紋理比較豐富的圖片，對分類的結果影響很大。但是為了很好的描述圖像的細節(jié)，最好使用七個hu不變矩。

以上結合圖1對本發(fā)明實施例的基于顏色特征和hu矩的竹條顏色分類方法進行了詳細描述，以下對本發(fā)明實施例的基于顏色特征和hu矩的竹條顏色分類系統(tǒng)進行描述。圖2為本發(fā)明一個實施例提供的一種基于顏色特征和hu矩的竹條顏色分類系統(tǒng)的結構示意圖，如圖2所示，包括第一圖像獲取模塊，第二圖像獲取模塊，計算模塊，第三圖像獲取模塊和分類模塊；

第一圖像獲取模塊，用于獲取至少一個樣本竹條的樣本圖像，并建立樣本圖像庫；

第二圖像獲取模塊，用于獲取待測竹條的原始圖像；

計算模塊，用于計算所述原始圖像與樣本圖像庫中每個樣本圖像的色差值；

第三圖像獲取模塊，用于獲取所述原始圖像的至少一個不變矩值，根據所述至少一個不變矩值計算所述原始圖像與樣本圖像庫中每個樣本圖像的不變矩距離；

分類模塊，用于根據所述色差值和所述不變矩距離，將所述待測竹條劃分到預設類別,以實現(xiàn)竹條的分類。

本實施例通過計算待測竹條原始圖像與樣本圖像庫中每個樣本圖像進行色差值和不變矩距離，在光照條件不變的情況下，可以實時地實現(xiàn)了竹條顏色的有效分類，增加了竹制品加工自動化程度，提高了工業(yè)生產的效率。

優(yōu)選的，在本發(fā)明的一個實施例中，所述的計算模塊還包括對待測竹條目標圖像與樣本圖像庫中每個樣本圖像之間的色差值的第一加權系數(shù)fd和待測竹條原始圖像與樣本圖像庫中每個樣本圖像之間hu矩不變矩距離ln的第二加權系數(shù)fl進行計算，以所述色差值的第一加權系數(shù)fd和hu矩不變矩距離的第二加權系數(shù)fl，求取待測竹條與樣本圖像庫中所有樣本圖像之間的分類系數(shù)f，以f值作為待測竹條顏色分類的標準，所述分類系數(shù)f的計算表達式為

優(yōu)選的，在本發(fā)明的一個實施例中，，所述分類模塊用于根據預設的分類系數(shù)值進行分類，具體為：若f≤5時，為第一類竹條；若5＜f＜10時，為第二類竹條，若f≥10，為第三類竹條。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。