基于羊绒羊毛纤维检测的分类器研究.docVIP

基于羊绒羊毛纤维检测的分类器研究 　　摘要：基于数字图像处理的羊绒羊毛纤维检测已然成为了现今研究的热门，本文主要对现今存在的对羊毛羊绒纤维图片特征进行识别的分类器进行研究。以相同方式提取出的羊绒羊毛纤维图片特征分别使用贝叶斯方法、BP神经网络、SVM支持向量机进行识别，最后通过比较，SVM支持向量机在识别率和识别速度上较其余两个分类器有效，是比较适合进行羊毛羊绒纤维检测的分类器。 　　关键词：羊绒羊毛纤维；贝叶斯分类器；BP神经网络；SVM支持向量机 　　中图分类号：TS102.3 文献标志码：A 　　A Research of Classifiers for Testing Cashmere Wool Fibers 　　Abstract： This paper mainly studies the classifiers for identifying the image features of wool and cashmere fibers. The image features， which are selected in the same way， are identified by using respectively Bayes classifier， BP neural network and SVM support vector machine. Then， by comparison we conclude that the SVM support vector machine is more suitable for testing of wool and cashmere fiber thanks to its higher recognition rate and speed. 　　Key words： cashmere and wool fibers； Bayes classifier； BP neural network； SVM support vector machine 　　羊绒纤维是制作高档面料的重要原料，但其产量极少，仅占动物纤维总产量的很少一部分。由于羊绒的珍稀、高价、优良品质及风格特征，生产商常采用山羊绒与其它纤维进行混纺加工；并且市场上也存在用混纺产品假冒纯羊绒制品进行销售的问题。故准确鉴别羊毛羊绒纤维十分必要。 　　图像分析技术是纺织纤维形态研究的重要技术之一，使用图像分析技术有助于提高羊绒羊毛检测领域对于天然纤维的识别和分类的效率。本研究通过比较当今鉴别羊绒羊毛纤维时使用的不同分类器，来找到较适合的分类器。 　　1分类器介绍 　　1.1贝叶斯分类器 　　贝叶斯分类器依据研究对象的先验概率，利用贝叶斯公式计算出研究对象的后验概率，即是该对象属于其中某一类的概率，选择属于最大的后验概率的类为其所属的类。因此，贝叶斯分类器是最大正确率意义上的优化。 　　若已知有M类物体，以及每一类在n维特征空间的统计规律，即是各类别ωi（i=1，2，3，…，M）的先验概率P（ωi）以及类条件概率密度P（X|ωi）。对于待测样本，贝叶斯公式公式（1）可以计算出该样本各类别的概率，即后验概率，根据后验概率的大小决定X属于哪一类。 　　在羊绒羊毛纤维检测中，统计数据服从正态分布，其相应的均值和方差可以由样本均值以及样本方差求出。 　　1.2BP神经网络 　　人工神经网络是通过对人脑思维方式的模仿，以一定的学习准则，通过人工神经元的网络系统进行一定的记忆与学习，并通过不断的学习，调整整个网络的权值和阈值，达到减少错误的发生率的过程。 　　BP神经网络，即人工神经网络使用误差逆传播算法（BP算法）的学习过程。该算法由信息的正向传播和误差的反向传播两个过程组成，其中正向传播使用最速下降法进行传播，误差反向传播则是利用输出层的误差来估计其直接前导层的误差，即形成了将输出端表现出的误差沿着与输入信号传送的逆方向逐级向网络的输入端传递的过程。利用各层的误差进行神经网络阈值和权值的选取，以达到神经网络误差平方和最小的目的。 　　1.3SVM支持向量机 　　支持向量机是以VC维原理和结构风险最小化理论为基础建立的机器学习方法，是一种监督式的学习、分类方法。其优势表现在解决小样本、非线性和高维模式识别问题上，并且解决了模式识别中经常出现的“维数灾难”和“过学习”等问题。SVM支持向量机的原理是通过不同的“核函数”将提取的纤维特征在低维进行计算然后将分类效果映射到高维，从而实现从低维向高维的转化。这避免了在高维上的复杂计算，实现了计算的精简，提高了分类学习的效率。 　　2羊绒羊毛纤维图像特征提取 　　本文所用的羊绒羊毛纤维图像为中国纤维检验局提供的辽宁盖县种羊场成年公羊羊绒纤