基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现

基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现 源码地址:https://github.com/Grootzz/GLCM-SVM
@[toc]
图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为图像领域研究的一个重要方法。
【基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现】本项目以道路状况分类为背景,基于SVM使用纹理特征参数完成对道路状况的分类。
灰度共生矩阵的特征参数

  • 二阶矩
  • 对比度
  • 相关性
  • 逆差距
实现过程 本文以识别路况为背景设计系统,首先读取图像文件,在为了得到较为理想的结果,给出的图片尺寸较小,这样的目的在于提高运行速度、能够对理想情况下的识别结果有更加精确的把握。由于RGB图像的体积较大,但另一方面我们也知道,一张图片也可以用其灰度图像来反映,因此,对目标图像进行灰度的转化,可以降低对设计复杂度和运行效率的要求。尽管灰度转化后可以有效的降低图片的大小,但是对于256灰度级的图片仍然会给处理带来一些时间上的消耗,因此需要在保持原图像信息不变的情况下大量削减灰度级,通过对图像进行直方图均衡化处理,增加灰度值的动态范围,从而增加图像的整体对比效果。通常,需要将每个扫描的方向所计算的特征参数计算出来作一个权衡,这样能够更好地综合影响因素,一般会将每个方向的特征参数计算出来取平均,这样就可以以一个综合的指标来识别图像了。把所有的设计思路综合起来,可以用下图所示的系统设计框图来反映。
基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现
文章图片
1555226955414.png 分类结果 通过样本标签和分类后的标签对比,得出使用能量和对比度作为训练分类器的样本,分类器对于实验待分类样本分类的其正确率为:95%,由此可以看出,这个分类器对于道路状况的分类仍然具有一定的意义。
基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现
文章图片
1555226757177.png 设计总结
  • 计算灰度共生矩阵时要考虑三个变量,图像灰度级、方向和距离。
  • 对于灰度级的选取,灰度级决定了灰度共生矩阵的计算规模,降低灰度级可以提高计算速度和减少存储空间需求,且适当降低灰度级还可以减少噪声对图像的影响,但过小的灰度级会破坏有用纹理的成分。
  • 对于距离d的选择,共生矩阵在精细纹理中随距离而快速变化,而在粗糙纹理中随距离则变化缓慢。一般而言,对于平滑纹理用较大的距离,对于粗糙纹理用较小的距离会取得较好的效果。对于方向的选择,一般有四种取值,通过不同方向可以考察不同的纹理,不同方向生成的共生矩阵中包含不同的纹理信息。在考虑方向时,往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值,然后以各方向特征值的均值作为最终纹理分量。
  • 利用SVM进行分类时,样本的选取和核函数的选取是分类器是否优良的一个重要影响因素,因此,对于一个优良的分类器,应该充分考虑各种影响因素后,选择一个最优的方案才能使待分类目标得到更好的分类。
源码地址:https://github.com/Grootzz/GLCM-SVM

    推荐阅读