基于AP聚类算法的地板块纹理识别研究*

苑毓航，赵智超

（佳木斯大学信息电子技术学院，佳木斯154007）

1 引言

随着中国经济的发展，城市居民生活水平不断提高，人们对于家庭装饰的消费能力在不断提升。在注重环保的当今社会，人们对木质地板块表现出了旺盛的需求。另一方面，人们对地板块的视觉欣赏要求也越来越高。地板纹理作为地板块的主要属性，所呈现出的视觉效果直接影响着用户的选择与体验，也成为了评定地板块级别的重要指标[1-2]。

当前地板块纹理识别研究引入机器学习模型，来提高地板块纹理的识别效率，虽然近些年国内外学者在该领域取得了一定的成果，但是由于地板块纹理结构具有复杂性，如何提高地板块纹理的识别效率仍然是有待进一步深入研究的课题。在此背景下，基于近邻传播聚类算法（Affinity Propagation,AP）提出了一种无监督的地板块纹理识别方法[3]。

2 AP聚类算法简介

AP聚类算法是Frey等人于2007年在Science杂志上提出的一种无监督聚类算法[4]。该算法无需事先定义类数，而是通过迭代过程自适应地获取聚类中心[5]，从数据点自动识别类中心的位置及数目，进而使得所有的相近点的相似度之和最大。该算法与普通聚类算法的区别在于，它主要是通过数据点间的交互来实现聚类过程的[6]。

AP聚类算法的关键步骤包括吸引度R=[r(i,k)]和归属度A=[a(i,k)]的迭代更新[7-9]，而此吸引度与归属度的更新取决于相似度S=[s(i,k)]。三者之间关系的计算公式如下：

AP聚类算法的流程图如图1所示：

图1 AP聚类算法的流程图

AP聚类算法的伪代码总结如下：

3 算法实施及实验结果

首先获取地板块纹理图像，并对图像进行统一处理，消除图像中无关信息，增强信息的可检测性；然后，基于灰度共生矩阵抽取地板块纹理的特征；接着，采用AP聚类算法对地板块纹理图像进行聚类；最后，与常用的聚类算法K-means[10]和K-medians[11]的聚类结果进行对比，证明所提方法的有效性。研究思路流程图如下图2所示。

实验选取的样本包括直纹和弯纹两类，选取样本100组（其中直纹、弯纹各50组）。样本图片大小均为512×512的BMP格式。样本展示如图3所示。

图2 算法实施流程图

图3 地板块纹理图

对采集到的纹理图进行预处理。先采用中值滤波方法进行滤波处理，之后基于灰度共生矩阵抽取纹理图片特征，为纹理识别模型提供特征量。将获得的特征量输入AP聚类算法中，即可获得不同纹理图片的纹理类型。

通过灰度共生矩阵获得的问题特征展示如下图4所示：

图4 地板块样本的纹理特征对比图

与常用聚类算法K-means和K-medians的聚类结果对比如图5所示。

实验结果数据对比结果如表1.

图5 三种聚类算法的识别结果对比

表1 AP聚类算法纹理分类结果

表1中的实验结果表明AP聚类算法的准确率最高，同时AP聚类算法不需要指定聚类中心数，是一种无监督的聚类算法，能够排除人为干预因素。而K-means和K-medians需要设置聚类中心数，降低了算法的效率和客观性。三种聚类算法对地板块直纹纹理识别的精度都比较高，主要区别在于弯纹纹理，这是由于弯纹纹理主要以粗纹纹理为主，其附近分布着很多的细纹纹理线条，结构相对复杂，识别较为困难。

4 结束语

地板块表面纹理识别分类是地板生产加工过程中的重要环节，直接关系到视觉效果和经济效益。纹理自动识别分类技术可以有效提升生产流水线的自动化程度，提高识别分类的准确率，具有重要的实用意义和显著的经济效益。本研究围绕纹理识别分类技术，提出了基于AP聚类算法的地板块纹理分类算法，验证其适用于地板块纹理分类。大量实验研究证明了该算法优于传统的聚类方法，具有极高的实用价值。