图像识别方法及装置的制造方法
【技术领域】
[0001] 本发明设及图像处理技术领域，尤其设及一种图像识别方法及装置。
【背景技术】
[0002] 在某些一定量度或观测基础上把待识别模式划分到各自的模式类中，称为模式识 另IJ。模式识别主要针对语音波形、地震波、屯、电图、脑电图、图片、照片、文字、符号、生物传感 器等目标对象进行测量的具体模式进行分类和辨识。
[0003] 图像识别是模式识别的一个分支，将模式识别应用于图像领域，即识别对象为图 像时就称为图像识别。简而言之，图像识别技术，就是指计算机通过对图像的处理、分析W 及理解，进行不同分类模式的识别技术。
[0004] 在工业生产的纺织品印刷工艺中，分为丝网印刷和数码印刷两大类。绝大部分图 片都可W用数码印刷生产，而适合丝网印刷的图片主要是图形简单、色彩线条鲜明、过渡色 较少的矢量图，但是由于数码印刷的印刷难度大、耐磨性较差等缺陷，工艺中更倾向于丝网 印刷。因此，在印刷过程中，需要识别出适合丝网印刷的矢量图和适合数码印刷的照片。当 图片的数据量较大的情况下，普通人工分类的方法极其耗费时间与资源。因此，如何批量地 自动识别矢量图和照片成为印刷工艺中需要解决的问题。
【发明内容】
[0005] 本发明的目的是提供一种图像识别方法及装置，W解决现有技术中无法批量地自 动识别矢量图和照片的问题。
[0006] 为实现上述目的，本发明提供了一种图像识别方法，所述方法包括：
[0007] 将待识别图像进行灰度处理，并将处理后的图像按预设尺寸进行缩放；
[000引根据预设方向和预设间距生成缩放后图像的灰度共生矩阵；
[0009] 计算所述灰度共生矩阵的特征值，利用所述特征值构造特征向量；
[0010] 利用支持向量机对所述特征向量进行分类识别。
[0011] 另一方面，本发明提供了一种图像识别装置，所述装置包括：
[0012] 处理单元，用于将待识别图像进行灰度处理，并将处理后的图像按预设尺寸进行 缩放；
[0013] 生成单元，用于根据预设方向和预设间距生成缩放后图像的灰度共生矩阵；
[0014] 计算单元，用于计算所述灰度共生矩阵的特征值，利用所述特征值构造特征向量；
[0015] 识别单元，用于利用支持向量机对所述特征向量进行分类识别。
[0016] 本发明实施例提供的图像识别方法及装置，能够批量地自动识别出适合丝网印刷 的矢量图和适合数码印刷的照片，识别效率高，自适应性强。
【附图说明】
[0017] 图1为本发明实施例提供的图像识别方法的流程图；
[0018] 图2为本发明实施例提供的图像灰度级数和灰度共生矩阵对照图；
[0019] 图3为本发明实施例提供的利用支持向量机对样本进行分类示意图；
[0020] 图4为本发明实施例提供的利用支持向量机对样本分类结果示意图；
[0021] 图5为本发明实施例提供的图像识别装置的示意图。
【具体实施方式】
[0022] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
[0023] 本发明技术方案适用于在工业生产的纺织品印刷工艺中，需要对图片进行批量处 理的情况下，对适合丝网印刷的矢量图和适合数码印刷的照片进行区分。
[0024] 图1为本发明实施例提供的图像识别方法的流程图。如图1所示，本发明实施例的 图像识别方法包括：
[0025] 步骤101，将待识别图像进行灰度处理，并将处理后的图像按预设尺寸进行缩放。
[0026] 具体地，将待识别图像转换为灰度图像，利用相邻像素插值法将所述灰度图像按 照预设尺寸进行缩放。
[0027] WRGB色彩空间图像为例，首先将图像样本的RGBS通道值转化为单通道灰度值。 然后进行尺寸规划，利用相邻像素插值法将灰度图像统一缩放成预设尺寸600*800像素。
[0028] 步骤102,根据预设方向和预设间距生成缩放后图像的灰度共生矩阵。
[0029] 具体地，设Image(x，y)为二维灰度图像，（M，N)为图像尺寸，灰度级别为Gn则灰度 共生矩阵计算公式如下：
[0030] P(i ,j) =Num{(xi,yi), (X2,y2) eNXM| Image(xi'yi) = 1, Image(X2,y2) = j} (1)
[0031] 其中，i，j eGn，Num{X}表示集合X中的元素个数，P(i，j)为Gn X Gn阶矩阵。若(XI， yi)与(X2，y2)预设间距为d，预设方向为(xi，yi)与(X2，y2)连线与横坐标轴夹角为θ，则可W 根据预设方向和预设间距得到灰度共生矩阵。，^'，(1，0)。元素。，^的值表示一个灰度级1 与另一个灰度级j的两个间距为d的像素对在Θ角的方向上出现的次数。 f
[0032] 例如:L2，l，j表示灰度级1的像素与灰度级2的像素在垂直方向上距离为1的成 对个数。
[0033] 图2为本发明实施例提供的图像灰度级数和灰度共生矩阵对照图。图2(a)为图像 的灰度级数（1-8级）图，图2(b)定义为相邻元素为水平方向且间距为1的灰度共生矩阵。如 图所示，图2(b)中（1，1)值为1说明图像中只存在一对灰度级为1的像素对水平相邻，而图2 (b)中（1，2)值为2说明存在两对灰度级为1和2的像素对水平相邻，W此类推，得到灰度级数 (1-8级）图对应灰度共生矩阵图2(b)。
[0034] 步骤103,计算所述灰度共生矩阵的特征值，利用所述特征值构造特征向量。
[0035] 具体地，计算灰度共生矩阵的对比度、自相关性、能量和赌。利用特征值构造27维 特征向量，其中，1-4维的元素为灰度共生矩阵的对比度，5-8维的元素为灰度共生矩阵的自 相关性，9-12维的元素为灰度共生矩阵的能量，13-16维的元素为灰度共生矩阵的赌，17-20 维的元素为灰度共生矩阵对比度的均值，21-24维的元素为灰度共生矩阵的对比度的方差， 25维的元素为图像灰度梯度为零的像素的个数Numi，26维的元素为图像灰度梯度大于2小 于40的像素的个数Num2，27维的元素为Num2/Numi。
[0036] 灰度共生矩阵特征向量各维元素的计算如下：
[0037] (1) 1-4维元素为灰度共生矩阵的对比度Contrast。
[0038] 对比度反映图像的清晰度和纹理沟纹深浅的程度，若对比度值越大，纹理沟壑越 深，视觉效果越清晰。
[0039] 计算公式如下：
[0040]
(2)
[0041 ]其中，i，j为灰度级数，p( i，j)为灰度共生矩阵。
[0042] (2)5-8维元素为灰度共生矩阵的自相关性Correlation。
[0043] 自相关性反映整个图像纹理的一致性，如果图像水平纹理较多，则水平方向的自 相关性数值将大于其余方向的数值。
[0044] 计算公式如下：
[0045]
(3)
[0046] 其中，i, j为灰度级数，p(i, j)为灰度共生矩阵，yi，Wj为数学期望，〇i，〇j为标准差。
[0047] (3)9-12维元素为灰度共生矩阵的能量化ergy。
[0048] 能量反映整个图像的灰度分布均匀程度和纹理粗细度，若能量值越大，灰度越不 均匀。
[0049] 计算公式如下：
[00 加]
(4)
[0051] 其中，p(i，j)为灰度共生矩阵。
[0052] (4) 13-16维元素为灰度共生矩阵的的赌Homogeneity。
[0053] 赌反映整个图像所包涵的信息量的度量值和纹理的复杂程度，若赌值越大，共生 矩阵元素的随机性越大，元素越分散。
[0054] 计算公式如下：
[0055]
(5)
[0056] 其中，i，j为灰度级数，p( i，j)为灰度共生矩阵。
[0057] (5)17-20维的元素为灰度共生矩阵对比度的均值。
[005引（6)21-24维的元素为灰度共生矩阵的对比度的方差。
[0059] 除了灰度共生矩阵的对比度、自相关性、能量和赌四种主要统计量，本发明还另外 加入了度量灰度梯度的特征，记图像灰度梯度特征为(Gx，Gy)，Gx为水平灰度梯度，Gy为垂 直灰度梯度，计算公式如下：
[0060] Gt= |Gx| + |Gy (6)
[OOW] 记Gt = 0的像素个数为Numi，2 < Gt < 40的像素个数为Num2。
[0062] (7)25维的元素为图像灰度梯度为零的像素个Numi。
[0063] (8)26维的元素为图像灰度梯度大于2小于40的像素的个数Nuim。
[0064] (9)27维的元素为伽1112/化皿。
[0065] 步骤104,利用支持向量机对所述特征向量进行分类识别。
[0066] 支持向量机（Suppod Vector Machine，SVM)是一个能够将不同类样本在样本空 间分隔的超平面。通过训练给定一些已存在类别标签（label)的特征(fea化re)作为输入， 得出所需要的最优化分隔超平面。
[0067] 图3为利用支持向量机对样本进行分类示意图。如图3所示，二维坐标中的圆形与 方形分别是两个类别，其特征即为(x，y)二维坐标，运些样本可W通过各种不同的直线进行 类别分隔。
[0068] 图4为本发明实施例提供的利用支持向量机对样本分类结果示意图。利用SVM算法 找到一个最优化超平面如图4所示，可W使得所有类别距离超