摘 要:将神经网络处理非线性问题的优势和灰度共生矩阵描述纹理的经典算法应用于铁路道床板结的识别研究。本文通过改进Hough变换的方法来检测定位道床区域,然后采用灰度共生矩阵对正常的道床和板结的纹理图像进行特征提取,探索基于BP神经网络进行道床板结检测和识别的方法,实现了道床板结识别的算法。实验结果表明,有较好的效果。 关键词:Hough变换 灰度共生矩阵 直线检测 道床板结 BP算法 中图分类号:TP3 文献标识码:A 文章编号:1672-3791(2014)04(a)-0009-02 图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则,反映了宏观意义上灰度变化的一些规律[1]。基于铁路道床(正常和异常)纹理表面的特点,应用统计方法更适合于分析这两类特征明显的纹理。由此所生成的参数可以描述纹理多方面的统计特征。 模式识别中的纹理检测识别参数之间具有不可避免的相关性和非线性,使用例如贝叶斯决策理论进行分类难度比较大,因此采用神经网络对关系复杂的非线性信息具有类似人脑的处理能力,这给本文的模式对象识别提出了新的创新。 本文先应用灰度共生矩阵提取纹理参数特征,并用BP神经网络进行训练分类以达到识别道床板结的目的。 1 道床板结区域分割 道床板结区域是指枕木和铁轨之间的区域,因为铁轨和枕木都是直线物体,所以我们采用检测直线的方法来分割道床板结区域。 1.1 直线检测 在图像处理和机器视觉中,Hough变换[3]是检测确定曲线的最有效的方法。传统的Hough变换算法具有很大的盲目性、计算量较大。但是随着随机概率Hough变换(PHT)[4]和Hough变换(RHT)[5]等改进Hough变换算法的提出,这种情况得到了有效的改变。对此本文做了一点改进。从端面中心点开始,在端面矩形尺寸的范围内查找8邻域内的边缘点,依次递归查找下去,直到邻域没有边缘点为止。 1.2 确定道床板结区域 对纹理图像进行二值化后,利用Hough变换检测边缘,最后得到直线检测结果。经过实验验证,根据Hough变换改进算法测试的直线成功分割出道床区域,比较准确的定位道床区域,并减少对整幅图像运算带来的大量不必要的运算。 2 灰度共生矩阵 2.1 灰度共生矩阵的特征值 灰度共生矩阵[2](记为阵)是统计空间上具有某种位置关系的一对像元灰度对出现的频度,其实质是从图像灰度为i的像元(位置为)出发,统计与其距离为d,灰度为j的像元同时出现的频度数学表达式为: 按公式(1)生成的灰度共生矩阵是一种对称阵。阵的分布比较分散;如果的方向与纹理方向一致,那么阵中的元素都集中在主对角线附近,在本文中,规定灰度连续的方向是纹理方向。 |