基于改进模拟退火算法的木材类型识别方法

戴维,戴丹

(1. 湖南工程职业技术学院 信息工程系,湖南 长沙,410151;2. 浙江农林大学 信息工程学院,浙江 临安,311300)

基于改进模拟退火算法的木材类型识别方法

戴维1,戴丹2

(1. 湖南工程职业技术学院 信息工程系,湖南 长沙,410151;2. 浙江农林大学 信息工程学院,浙江 临安,311300)

木材的优劣直接影响到木材的用途和价格,木材类型的准确识别尤为重要。在改进的模拟退火算法的基础上提出了木材类型特征选择方法FS-ISA,采用分类器的识别率作为评价指标,从14个灰度共生矩阵特征参数中选取最优特征参数组合,通过FS-ISA算法选取熵、对比度、角二阶矩、差异度、方差、逆差距等6个参数,组成最佳参数体系。结果表明,木材类型识别率最高达91.7%。

木材纹理;模拟退火;特征优选

木材类型通常是按照木材纹理来进行分类,因此必须有合适的描述木材纹理的方法。在众多自然纹理分析方法中,最优的是统计分析法,而灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)是统计方法中最佳纹理统计方法之一。该矩阵中定义了14个特征参数,即方差、差的方差、均值和、相关、方差和、逆差矩、对比度、和熵、角二阶矩、熵、差熵、聚类阴影、显著聚类、差异度。这些特征参数从纹理的粗细、灰度分布、清晰程度、明暗深浅等不同方面提供统计数据,通过14个参数对木材纹理的图像进行统计分析和特征提取,从而对木材纹理特征进行有效的归类和定义[1]。GLCM是一种经典的纹理二阶统计分析方法,广泛应用于木材纹理分析领域。陈宇等[2]采用SIFT算法获取木地板图像的特征点,并使用聚类算法降低特征点数目,通过分类器进行木地板纹理的识别和分类,获得了理想的识别率。侯群群等[3]通过研究彩色图像GLCM的纹理特征,完成了对彩色图像纹理特征的提取,同时对4个特征参数的取值范围进行了合理化,从而优化了彩色图像纹理特征提取方法。王辉等[4]把灰度共生矩阵的14个纹理参数和高斯-马尔可夫随机场的12个纹理参数相融合,利用2组纹理特征参数之间的互补和冗余信息,以最近邻分类器的识别率作为评价标准,用SNFS算法进行数据融合,提高了对木材纹理的识别能力。尽管GLCM提取的特征参数能较好地应用于纹理的识别和分类,但是灰度共生矩阵及14个纹理特征参数的计算量较大,费时费力,一定程度上阻碍了GLCM的应用[5–6]。为了从14个特征参数中挑选出数量最少且对纹理识别最有效的特征,本文提出一种基于改进的模拟退火算法的特征选择方法FS-ISA(Feature Selection Method Based on Improved Simulated Annealing Algorithm),以最近邻分类器对特征参数的识别率作为评价指标,选取最优识别率对应的特征参数组合。

1 改进的模拟退火算法

2 FS-ISA算法的设计

根据木材纹理特征选择特点,本文基于模拟退火优化算法提出FS-ISA算法。该算法能在较短时间内找到最优解,因此适用于求解最佳参数组合问题。从木材纹理所有的特征参数中挑选出一组对类型识别最有效的特征组合,且要求参数个数最少。本文采用增加存储判断的模拟退火算法对特征参数的选择过程进行筛选,并以最近邻分类器的识别率作为评价函数,选取最优识别率对应的特征参数组合。特征参数选择模型如图1所示。

图1 木材特征特征参数选择模型

算法实现的步骤如下:

Step1 定义用于存储最优解的变量s,并求得对应的目标函数f(s);产生一个x0为初识可行解,其目标函数为f(x0),令s=x0,f(s)=f(x0)。

Step2 在邻域中产生新解Xk,计算其函数值f(Xk);与记忆器中存储的最优解与Xk对比,如果函数值f(Xk)优于f(s),则表示新解更优,那么Xk替换原记忆器中的解成为新的最优解,即s=Xk,f(s)=f(Xk);否则由Metropolis准则决定是否接受新解。若没有达到迭代次数,则再次执行Step 2,进入新一轮搜索。

Step3 如果在一个Markov链中,当最优解和新解之差小于某个容差时,那么可以判定函数值无变化,停止迭代;否则,使用衰减函数缓慢降低温度,重置迭代次数,并回到上一步,执行Step2。

Step4 算法结束。当前解f(Xk)与记忆器中的f(s)进行比较,如果当前解f(Xk)优于f(s),那么Xk为最终的最优解,反之s为最优解。

3 试验结果及分析

测试时采用了24个不同的树种,分别对每个树种提取了20个样本,共收集了480个木材纹理样本作为测试样本。首先使用GLCM计算得到14个特征参数值,然后将480个测试样本输入到最近邻分类器中,以分类器误识率低于15%作为判断条件,条件不满足时就使用FS-ISA进行参数选择。筛选出来的结果输入到分类器中,进行新一轮的误识率判断,否则再次进入循环,直至满足条件才跳出循环体获得最优参数组合,参数选择流程如图2所示。

表1为使用FS-ISA算法在不同参数个数下挑选出的识别率最佳的特征参数组合,其中“5,8,10,14”表示设定参数个数为4时,得到最优参数组合为“方差、逆差矩、和熵、差异度”,其识别率为0.872 00。由表1可知,识别率最佳值为0.912 23时,参数个数分别为6、7和10个。在识别率最佳的筛选条件下,根据特征参数的数量进行鉴别,个数越少计算量越小,方案执行效率就越高,据此得出最优特征参数组合,即参数个数为6时得到的“角二阶矩、对比度、熵、方差、逆差距、差异度”。

为了进一步验证FS-ISA算法的有效性,本文选用+L-R算法与其进行比较。在使用GLCM提取14个特征参数值后,使用+L-R算法得到的最优参数组合为“对比度、熵、角二阶矩、方差、差的方差、相关、差异度、均值和、差熵”,然后用这2种算法得到的2组不同参数组合分别进行木材纹理类型识别,分类器选择最近邻分类器和支持向量机,试验结果如表2所示。在4种不同组合中,采用FS-ISA特征选择算法与最近邻分类器进行木材纹理识别能达到最高识别率91.7%。

采用相同的特征选择算法,最近邻分类器的识别率比支持向量机的识别率高,说明在木材纹理识别方面,最近邻分类器要优于支持向量机。

图2 最优特征参数选择流程

采用相同的分类器,FS-ISA算法得到的特征参数组合,无论从参数个数还是识别率都要高于+L-R算法得到的特征参数组合。因此,由FS-ISA算法筛选出的最优参数组合能有效地对木材纹理进行描述。

综上所述,由FS-ISA算法得出的6个GLCM特征参数组合对木材纹理识别并分类是有效的。

表1 基于FS-ISA算法的最优的特征参数组合

表2 最优参数组合下的2种分类器识别率比较

4 结语

本文根据木材纹理特征选择的特点,在模拟退火优化算法的基础上提出“存储优选智能模拟退火算法FSISA”,以最近邻分类器的识别率作为评价方式,从14个灰度共生矩阵特征参数中选取最优特征参数组合,最终通过FS-ISA算法选取了“角二阶矩、对比度、熵、方差、逆差距、差异度”等6个参数,组成最佳特征参数组合对木材纹理进行识别,识别率达到最优。实验结果表明:由FS-ISA算法得出的6个GLCM特征参数组合对木材纹理识别并分类是有效的。

[1] 汪杭军,祁亨年. 木材显微图像的局部水平集分割方法[J]. 中国图象图形学报,2012,17(2):236–475.

[2] 陈宇,臧美英,李红波. SIFT算法在木材纹理分类上的应用[J]. 哈尔滨理工大学学报,2016,21(4):7–12.

[3] 侯群群,王飞,严丽. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感,2013,25(4):26–32.

[4] 王辉,杨林,丁金华. 基于特征级数据融合木材纹理分类的研究[J]. 计算机工程与应用,2010,46(3):215–218.

[5] 孙亮. 计算机智能化图像识别技术的理论性突破[J]. 数字技术与应用,2013(6):106–107.

[6] 丁可. 数字图像处理技术研究与发展方向[J]. 经济研究导刊,2013(18):246–246.

[7] 张玉虎. 基于模拟退火的分类算法研究与实现[D]. 青岛:青岛大学,2013.

[8] Ma Lin-Jin,Wang Hang-Jun. A new method for wood recognition based on blocked HLAC [C]// International Conference on Natural Computation,2012:40–43.

[9] Javier T,Salvador N,Mario F,Joige L. Functional nonparametric classification of wood species from thermal Data [J]. J Therm Anal Calorim,2011,104(1):87–100.

[10] Ma L,Wang H. A new method for wood recognition based on blocked HLAC [C]// International Conference on Natural Computation,2012:40–43.

[11] Rojas J A M,Alpuente J,Postigo D,et al. Wood species identification using stress-wave analysis in the audible range [J].Applied Acoustics,2011,72(12):934–942.

Feature selection method based on improved simulated annealing algorithm

Dai Wei1,Dai Dan2
(1. Department of Information Engineering,Hunan Vocational College of Engineering,Changsha 410151,China;2.School of Information Engineering,Zhejiang Agriculture and Forestry University,Linan 311300,China)

The strengths and weaknesses of wood directly affect the application and price of wood,and the accurate identification of wood types are especially important. An improved simulated annealing algorithm for feature selection method FS-ISA is proposed. With recognition rate of the classifier as evaluation method,the optimal combination of characteristic parameters including contrast,entropy,energy,difference degree,variance,and inverse difference moments,which resulted in the optimal recognition effects on the types of wood textures,are selected intelligently by the FS-ISA method from the characteristic parameters of 14 gray-level co-occurrence matrixes. The experimental results show that the wood type recognition rate is as high as 91.7%.

wood texture;simulated annealing algorithm;feature optimization

TP 391.4

A

1672–6146(2017)04–0027–04

10.3969/j.issn.1672–6146.2017.04.007

戴维,17330637@qq.com。

2017–06–06

浙江省自然科学基金(Y3090558)。

(责任编校:刘刚毅)