板材心理感知颜色在线模糊分类器设计

常湛源， 曹军， 张怡卓

(东北林业大学机电工程学院，黑龙江哈尔滨 150040)

0 引言

木材工业是一项绿色朝阳产业，作为林业产业的支柱，近年来保持了高速的增长。多数生产企业在对木材原材进行分类时，采用人工分选的方法，由于人的认识能力的有限，对于同一类别板材的判断会因环境因素的变化而产生完全不同的结果，只能做到一定程度上的分选。采用机器分选的方法可以很好的解决上述问题，保证了板材分选的连续、稳定、可靠［1-2］。颜色作为板材的主要特征之一，对其进行分类有着重要意义。板材颜色由树种、树龄、切割方式等因素决定，其颜色以红色、黄色为主［3-4］。对于板材颜色，红色色度量高的木材其高档评价程度明显提高;黄色色度与明快呈显著正相关，与沉稳、仿古呈负相关;色彩饱和度越高温暖感越强;视觉物理量影响视觉心理量的主要量词为明快、温暖、上乘、仿古等［5-6］。

HSV颜色空间对于色度和饱和度的定义与人类对颜色的感知有着直观的联系，其色度分量H、饱和度分量S能够直接与人类对颜色的心理感知相对应，被广泛应用于颜色分类的研究中［7］。由于人眼观察木材颜色数目不是很多，以及板材本身的特点，基于HSV空间来探讨板材颜色和纹理的分级情况是有效的［8］。同时，根据颜色直方图位移、旋转不变的特性，采用HSV颜色空间3个分量的直方图统计特征能够表达木材表面颜色信息［9-11］。在讨论对比多个颜色空间的特性后，HSV空间在进行板材颜色的研究中优势明显［12］。颜色作为一种需要人进行心理感知的模糊量，通过模糊集的相关定义来描述特征提取目标的颜色信息是很好的选择。同时，模糊分类方法作为一种准确率较高的机器识别方法，通过建立适当的模糊子集、隶属度函数与模糊规则，可以生成模糊规则查询表，从而进行快速的在线分选［13-17］。运用模糊分类器，提取样本颜色的特征量，对特征量进行模糊规则设计，将模糊分类器的结果与神经网络、支持向量机和K近邻分类器等多种分类方法结果做比较，模糊分类器的准确度高、速度快［18-19］。

然而，随着人们对生活品质的不断追求，原木材料在室内装饰中被大量的使用。现有木材颜色分类的结果不能直接反映板材颜色的心理感知，不便于消费者在购买时进行产品选择;同时，由于神经网络、支持向量机等学习分类方法需经过学习样本训练后才能有效分类，国内外学者多将其用于离线的板材分级研究，有关板材颜色的在线分类方法研究较少;HSV空间进行图像处理计算时，首先需要进行归一化处理，将连续的H分量映射到［0，1］闭区间内，破坏了H分量对于红色区域的连续表达，为之后的图像处理过程造成严重的干扰与误导;与此同时，能否制定合理的模糊子集隶属度函数，会直接影响到模糊分类结果是否准确。针对以上四点问题，本文首先对HSV颜色空间进行非线性变换，再通过语言值模糊化推理生成模糊子集隶属度函数，将分类结果设置为明快、温馨、奢华3个产品类别，得到一种新的能够直接迎合消费者购买需求的板材颜色在线模糊分类器。

1 特征值选择与颜色空间量化

1.1 特征值选取

对一幅图片而言，其相关颜色分布的情况可以用图片的矩来进行表示。彩色图片的低阶矩可以在整体上反映一幅图片的颜色情况。其中，一阶矩描述了图片的平均颜色信息;二阶矩阐述了图片中的颜色方差情况;三阶矩表述了图片中颜色的偏移情况。利用这些低阶矩可以表征图片的颜色分布情况。一阶矩直观反映整幅图片的颜色情况，同时在分选过程中保持光照的一致，V分量变化不大。所以，分别采用H、S分量的一阶矩作为颜色信息的特征值。

一阶矩数学定义为

其中:pi，j表示彩色图像中第i个颜色通道分量中灰度为j的像素出现的概率;N表示图像中像素个数。

1.2 颜色空间非线性变换

HSV在进行色度值运算过程中，将H分量由角度值归一化处理时会产生不利于后期运算的结果。这是由于H分量位于0o到360o的圆周上，并且在相邻角度有色度的过渡。红颜色的色度位于330°～60°的区间内。如图1所示，若简单的将其归一到［0，1］区间中，会造成红色色度区域的断裂，破坏了其在颜色空间内的关联关系。对于整体颜色呈红色或纹理颜色较深的样本，在求取H分量一阶矩时会由于H值归一化产生失真的结果。为了解决这一问题对H分量进行特殊的归一化处理，将H分量代入函数式

经过处理后，H分量归一化的结果如图2所示，处理后的归一化区间内可以得到连续的红色色度的区域，在求取H分量特征值时，其结果可以准确的反映样本的颜色情况，解决了失真严重的问题。

图1 H分量直接归一化后的结果Fig.1 Frank normalization result of H component

图2 改进后H分量归一化的结果Fig.2 Modified normalization result of H component

如图3所示，经过非线性归一化后的H分量直方图可以很好地保留红色区域的连续表达，克服红色区域的断裂和深色纹理的复杂性对于板材整体颜色的影响，能够更清晰的通过图像直方图和一阶矩来表达板材颜色。

图3 同一图片非线性归一化前后的直方图结果对比Fig.3 Histogram of the same image with two normalization approaches

2 模糊分类器设计

颜色是人们日常生活中最常见的一种模糊概念。采用模糊逻辑推导的方法，可以得到人们对颜色心理感知的数学定义。本节对所选取的特征值进行语言值模糊化处理，确定模糊子集的隶属度函数，根据专家经验生成模糊规则。

2.1 语言值模糊化

在进行小数约减时，我们通常采用四舍五入的方法。这不仅是为了在实际生活中更好的解决小数约减问题，还直接反映了人们对于“大”、“小”这两个程度的直接感受。进行程度副词的模糊化推断。令

X={1，2，…，10}，在其上定义模糊集为

通过模糊集逻辑运算得到

得到需要的语言值

特征值饱和度S的一阶矩在其论域内便可以根据上述描述分别设置为小(S1)、偏小(S2)、适中(S3)、偏大(S4)、大(S5)五个模糊子集。对于特征值色度H的一阶矩可以根据HSV空间对于颜色色度的定义，在其论域内设置黄(Y)、偏黄(PY)、橙色(YR)、浅红(PR)、红(R)、深红(DR)六个模糊子集，得到人们对板材颜色色度和饱和度心理感知的模糊子集。模糊分类输出结果的类别设置为明快(C1)、温馨(C2)、奢华(C3)。

2.2 隶属度函数确定

根据2.1的描述制定相应模糊子集的隶属度函数，如图4所示。

图4 H、S分量和输出结果的隶属度函数Fig.4 Membership functions of fuzzy sets

2.3 设计分类器结构

两个输入变量是样本H分量一阶矩、样本S分量一阶矩，输出变量为所属的颜色类别。模糊推理方法选择Mamdani算法，这种方法通过采用最小的运算法则从而定义模糊表达中的模糊关系。解模糊方法选择MIN-MAX-重心法，这种方法通过选取模糊集隶属度函数曲线与数轴所围成面积的重心处所对应的变量值作为解模糊后的清晰值。

由于选取的特征值有两个，模糊分类器结构确定为两输入单输出的分类器，结构如图5所示。

图5 两输入单输出模糊分类器结构Fig.5 Double input and single output fuzzy classifier structure

2.4 设定模糊规则

根据木材学专家的经验，给出以下模糊规则的语言描述并制定模糊分类规则:

1)红色色度高、颜色饱和度高的样本其奢华评价程度高;

2)红色与黄色在一定色度下，饱和度低的样本其温馨评价程度高;

3)木材黄色含量高、颜色饱和度低与明快呈显著正相关，与奢华呈负相关;

4)颜色适中、饱和度一般的板材呈现温馨的感受。

根据以上描述制定出30条模糊分类规则，经整理，得到模糊分类规则表如表1所示。

表1 模糊分类规则表Table 1 Fuzzy classification rules

3 实验与分析

3.1 采集设备

实验统一采用低角度打光的方式。在拍摄的过程中，严格控制光照条件，保证前后的光照强度尽量的均匀，不出现阴影或使木材表面呈现明暗不均的部分。同时，保证光照强度充足的前提下，尽量降低了相机ISO参数，使所采集的图片更真实的反映板材样本的信息。所拍摄的样本，尽量保证为一个完整的木材纹理或丰富过渡的颜色变化，在特征提取时能够得到充分的样本空间。拍摄时选择Oscar F810C IRF工业相机，接口类型IEEE 1394a-400 Mb/s;最大分辨率3272×2469;最大分辨率下最高帧频3fps。光源采用低角度放置的LED板，传送带速度约为3 m/s，图像采集设备如图6所示。

图6 图片采集设备Fig.6 Facility of image capture

3.2 基本论域映射到论域

基本论域，是指输入变量（H与S）变化的实际范围，基本论域内的量为精确量。论域，则是指模糊子集的变化范围，论域内的量为离散量。通过建立这样一种基本论域到论域的映射可以很好的解决在模糊分类过程中，数值的有效数字过多的问题，减少、消除机器误差。同时，也可以更为精确地画出模糊子集的隶属度函数。模糊分类器输入量与输出量的论域、基本论域的范围如表2所示。

表2 特征值的论域与基本论域范围Table 2 Mapping relation ship and value of the do mai

3.3 分类结果

模糊分类器进行工作时，对建立的模糊规则要经过模糊推理才能决策出输出模糊量的一个模糊子集。当经历了所有的输入模糊变量的论域后，结合输出模糊量的清晰化计算，可以得到查询表。本文使用M a t l a b中的F I S工具箱实现，平面输出查询表结果如图7所示。

图7 模糊分类器输出查询表Fig.7 Lookup table of the fuzzy classification

为了验证所设计的模糊分类器的有效性,选取市场上常用的9类树种构成样本空间:1)紫椴;2)白桦;3)水曲柳;4)五角枫;5)兴安落叶松;6)大青杨;7)鱼鳞云杉;8)柞木;9)红松等验证分类器的准确性与耗时｡总体样本个数为1000个,其中柞木样本数量为200个,其他树种样本数均为100个,样本板材尺寸约为40cm×20cm×2cm｡邀请木材学专家根据经验对样本所属类别进行确定,以此作为分类结果正确与否的参考,三个类别的数量分别为:明快336个､温馨559个､奢华105个｡所采集的样本图像尺寸约为300×300像素｡数据处理用电脑使用Intel Corei3-2330M处理器2.20GHz,RAM为2GB,操作系统为Win7,软件环境为MatlabR2010(b)｡得到的分类结果如表3所示｡

表3 模糊分类结果Table 3 Classification results

对相同的样本使用相同的分类器与分类方法，使用H分量直接量化后求取的一阶矩作为特征值输入，得到H分量直接提取特征值进行模糊分类的结果如表4所示。

表4 H分量不同量化方法分类结果比较Table 4 Comparable classification results of two H component normalization approaches

3.4 实验结果分析

改进量化后的H分量特征提取结果对深红色样本的分类正确率为98.13%，相比采用H分量直接量化提取特征的分类结果为75.24%，耗时变化并不明显但准确率有了很大提升。分类器分类结果的平均正确率达到98.40%，准确率高。出现误识别的原因为板材中存在一定缺陷，包括：虫眼、切割伤痕、活节等。可将包含这些缺陷的板材视为不合格品或根据具体的生产需要将其作为一种新的模糊分类器感知量输出类别。图像处理及分类过程平均时耗约为每幅40 ms，能够匹配相机帧频和传送带速度，可实现在线分选的要求。

4 结语

本文提出的改进后H色度归一量能够正确反映板材的颜色信息分类准确率较传统归一量化有很大提升。语言值模糊化处理实现了从物理量出发，直接反映板材颜色的人类心理感受的目的。模糊分类器分类准确，分类效果好。图像处理及分类过程的耗时满足在线分选对于时间的要求，很好的实现了准确、快速的在线分选目的。人们对颜色的视觉心理感知是受视觉物理量所影响的，本文探讨的基于模糊分类的融入颜色心理感知的分类方法将板材生产与人们的需求结合起来，能够更好地为改善人们的居住条件与生活环境服务。

［1］汪杭军，汪碧辉.一种新的针叶材自动识别方法［J］.林业科学，2011，47(10):141-145.

WANG Hangjun，WANG Bihui.A novel method of softwood recognition［J］.Scientia Silvae Sinicae，2011，47(10):141-145.

［2］张怡卓，马琳，王铁滨，等.小波变换的木材纹理在线分选［J］.林业科技，2012，37(6):21-24.

ZHANG Yizhuo，MA Lin，WANG Tiebin，et al.Wavelet transform of wood texture online classification［J］.Forestry Science＆Technology，2012，37(6):21-24.

［3］刘一星，李坚，徐子才，等.我国110个树种木材表面视觉物理量的综合统计分析［J］.林业科学，1995，31(4):353-359.

LIU Yixing，LI Jian，XU Zicai，et al.Synthetical statistics analysis on visual physics magnitude(VPM)of the surface of 110 Chinese wood species［J］.Scientia Silvae Sinicae，1995，31(4):353-359.

［4］于海鹏，刘一星，刘镇波，等.基于改进的视觉物理量预测木材的环境学品质［J］.东北林业大学学报，2004，32(6):39-41.

YU Haipeng，LIU Yixing，LIU Zhenbo，et al.Prediction of wood’s environmental quality by amendatory visual physical parameters［J］.Journal of Northeast Forestry University，2004，32(6):39-41.

［5］李坚.木材的生态学属性——木材是绿色环境人体健康的贡献者［J］.东北林业大学学报，2010，38(5):1-8.

LI Jian.Ecological properties of wood:wood as the contributor to the green environment and human health［J］.Journal of Northeast Forestry University，2010，38(5):1-8.

［6］武恒，汪佑宏，张令峰，等.不同颜色实木地板表面视觉物理量与色彩心理特性相关性分析［J］.安徽农业大学学报，2011，38(4):504-510.

WU Heng，WANG Youhong，ZHANG Lingfeng，et al.Analysis of the relation between surface visual physical magnitude and color psychological characteristics of the solid wood floor［J］.Journal of Anhui Agricultural University，2011，38(4):504-510.

［7］李革，李斌，王莹，等.基于HIS颜色模型的珍珠颜色分选方法［J］.农业工程学报，2008，24(8):284-287.

LI Ge，LI Bin，WANG Ying，et al.Method for classification of pearl color based on HIS model［J］.Transactions of the Chinese Society of Agricultural Engineering，2008，24(8):284-287.

［8］戴天虹，王克奇，杨少春.基于颜色特征对木质板材分级的研究［J］.系统仿真学报，2008，20(5):1372-1376.

DAI Tianghong，WANG Keqi，YANG Shaochun.Research on wooden board classification based on color and texture features［J］.Journal of System Simulation，2008，20(5):1372-1376.

［9］杨少春，王克奇，戴天虹，等.基于直方图的木材表面颜色分类研究［J］.森林工程，2008，24(1):34-36.

YANG Shaochun，WANG Keqi，DAI Tianhong，et al.A study of color classification on wood surface based on histogram［J］.Forest Engineering，2008，24(1):34-36.

［10］KURDTHONGMEE W.Colour classification of rubberwood boards for fingerjoint manufacturing using a SOM neural network and image processing［J］.Computers and Electronics in Agriculture，2008，64(2):85-92.

［11］戴天虹，赵贝贝，王玉珏，等.提升小波在木材颜色特征提取上的应用［J］.计算机应用，2009，29(12):218-219，255.

DAI Tianhong，ZHAO Beibei，WANG Yujue，et al.Application of lifting wavelet transform in wood color feature extraction［J］.Journal of Computer Applications，2009，29(12):218-219，255.

［12］王辉，吕艳，张凯.适于木材种类识别颜色空间的研究［J］.林业机械与木工设备，2009，37(1):20-22.

WANG Hui，LÜ Yan，ZHANG Kai.Research on color space applicable to wood species recognition［J］.Forestry Machinery＆Woodworking Equipment，2009，37(1):20-22.

［13］LI T-H S，GUO N R，CHENG C P.Design of a two-stage fuzzy classification model［J］.Expert Systems with Applications，2008，35(3):1482-1495.

［14］FERNANDEZ A，GARCIA S，DEL JESUS M J.A study of the behavior of linguistic fuzzy rule based classification system in the framework of imbalanced data-sets［J］.Fuzzy Sets and Systems，2008，159(16):2378-2398.

［15］SANZ J，FERNANDEZ A，BUSTINCE H.A genetic tuning to improve the performance of fuzzy rule-based classification systems with interval-valued fuzzy sets:degree of ignorance and lateral position［J］.International Journal of Approximate Reasoning，2011，52(6):751-766.

［16］WANG Guixiang，SHI Peng，WEN Chenglin.Fuzzy approximation relations on fuzzy n-cell number space and their applications in classification［J］.Information Science，2011，181(18):3846-3860.

［17］HOHLE U.Fuzzy presubsets as non-idempotent and non-commutative classification of Subalgebras［J］.Fuzzy Sets and Systems，2012，197(16):14-44.

［18］SCHMITT E，BOMBARDIER V，VOGRIG R.Fuzzy linguistic rules classifier for wooden board color sorting［C］//Springer.Advanced Concepts for Intelligent Vision System.Berlin Heidelberg:Springer，2005:154-161.

［19］BOMBARDIER V，SCHMITT E.Fuzzy rule classifier:capability for generalization in wood color recognition［J］.Engineering Applications of Artificial Intelligence，2010，23(6):978-988.