板材心理感知顏色在線模糊分類器設計

常湛源， 曹軍， 張怡卓

(東北林業大學機電工程學院，黑龍江哈爾濱 150040)

0 引言

木材工業是一項綠色朝陽產業，作為林業產業的支柱，近年來保持了高速的增長。多數生產企業在對木材原材進行分類時，采用人工分選的方法，由于人的認識能力的有限，對于同一類別板材的判斷會因環境因素的變化而產生完全不同的結果，只能做到一定程度上的分選。采用機器分選的方法可以很好的解決上述問題，保證了板材分選的連續、穩定、可靠［1-2］。顏色作為板材的主要特征之一，對其進行分類有著重要意義。板材顏色由樹種、樹齡、切割方式等因素決定，其顏色以紅色、黃色為主［3-4］。對于板材顏色，紅色色度量高的木材其高檔評價程度明顯提高;黃色色度與明快呈顯著正相關，與沉穩、仿古呈負相關;色彩飽和度越高溫暖感越強;視覺物理量影響視覺心理量的主要量詞為明快、溫暖、上乘、仿古等［5-6］。

HSV顏色空間對于色度和飽和度的定義與人類對顏色的感知有著直觀的聯系，其色度分量H、飽和度分量S能夠直接與人類對顏色的心理感知相對應，被廣泛應用于顏色分類的研究中［7］。由于人眼觀察木材顏色數目不是很多，以及板材本身的特點，基于HSV空間來探討板材顏色和紋理的分級情況是有效的［8］。同時，根據顏色直方圖位移、旋轉不變的特性，采用HSV顏色空間3個分量的直方圖統計特征能夠表達木材表面顏色信息［9-11］。在討論對比多個顏色空間的特性后，HSV空間在進行板材顏色的研究中優勢明顯［12］。顏色作為一種需要人進行心理感知的模糊量，通過模糊集的相關定義來描述特征提取目標的顏色信息是很好的選擇。同時，模糊分類方法作為一種準確率較高的機器識別方法，通過建立適當的模糊子集、隸屬度函數與模糊規則，可以生成模糊規則查詢表，從而進行快速的在線分選［13-17］。運用模糊分類器，提取樣本顏色的特征量，對特征量進行模糊規則設計，將模糊分類器的結果與神經網絡、支持向量機和K近鄰分類器等多種分類方法結果做比較，模糊分類器的準確度高、速度快［18-19］。

然而，隨著人們對生活品質的不斷追求，原木材料在室內裝飾中被大量的使用。現有木材顏色分類的結果不能直接反映板材顏色的心理感知，不便于消費者在購買時進行產品選擇;同時，由于神經網絡、支持向量機等學習分類方法需經過學習樣本訓練后才能有效分類，國內外學者多將其用于離線的板材分級研究，有關板材顏色的在線分類方法研究較少;HSV空間進行圖像處理計算時，首先需要進行歸一化處理，將連續的H分量映射到［0，1］閉區間內，破壞了H分量對于紅色區域的連續表達，為之后的圖像處理過程造成嚴重的干擾與誤導;與此同時，能否制定合理的模糊子集隸屬度函數，會直接影響到模糊分類結果是否準確。針對以上四點問題，本文首先對HSV顏色空間進行非線性變換，再通過語言值模糊化推理生成模糊子集隸屬度函數，將分類結果設置為明快、溫馨、奢華3個產品類別，得到一種新的能夠直接迎合消費者購買需求的板材顏色在線模糊分類器。

1 特征值選擇與顏色空間量化

1.1 特征值選取

對一幅圖片而言，其相關顏色分布的情況可以用圖片的矩來進行表示。彩色圖片的低階矩可以在整體上反映一幅圖片的顏色情況。其中，一階矩描述了圖片的平均顏色信息;二階矩闡述了圖片中的顏色方差情況;三階矩表述了圖片中顏色的偏移情況。利用這些低階矩可以表征圖片的顏色分布情況。一階矩直觀反映整幅圖片的顏色情況，同時在分選過程中保持光照的一致，V分量變化不大。所以，分別采用H、S分量的一階矩作為顏色信息的特征值。

一階矩數學定義為

其中:pi，j表示彩色圖像中第i個顏色通道分量中灰度為j的像素出現的概率;N表示圖像中像素個數。

1.2 顏色空間非線性變換

HSV在進行色度值運算過程中，將H分量由角度值歸一化處理時會產生不利于后期運算的結果。這是由于H分量位于0o到360o的圓周上，并且在相鄰角度有色度的過渡。紅顏色的色度位于330°～60°的區間內。如圖1所示，若簡單的將其歸一到［0，1］區間中，會造成紅色色度區域的斷裂，破壞了其在顏色空間內的關聯關系。對于整體顏色呈紅色或紋理顏色較深的樣本，在求取H分量一階矩時會由于H值歸一化產生失真的結果。為了解決這一問題對H分量進行特殊的歸一化處理，將H分量代入函數式

經過處理后，H分量歸一化的結果如圖2所示，處理后的歸一化區間內可以得到連續的紅色色度的區域，在求取H分量特征值時，其結果可以準確的反映樣本的顏色情況，解決了失真嚴重的問題。

圖1 H分量直接歸一化后的結果Fig.1 Frank normalization result of H component

圖2 改進后H分量歸一化的結果Fig.2 Modified normalization result of H component

如圖3所示，經過非線性歸一化后的H分量直方圖可以很好地保留紅色區域的連續表達，克服紅色區域的斷裂和深色紋理的復雜性對于板材整體顏色的影響，能夠更清晰的通過圖像直方圖和一階矩來表達板材顏色。

圖3 同一圖片非線性歸一化前后的直方圖結果對比Fig.3 Histogram of the same image with two normalization approaches

2 模糊分類器設計

顏色是人們日常生活中最常見的一種模糊概念。采用模糊邏輯推導的方法，可以得到人們對顏色心理感知的數學定義。本節對所選取的特征值進行語言值模糊化處理，確定模糊子集的隸屬度函數，根據專家經驗生成模糊規則。

2.1 語言值模糊化

在進行小數約減時，我們通常采用四舍五入的方法。這不僅是為了在實際生活中更好的解決小數約減問題，還直接反映了人們對于“大”、“小”這兩個程度的直接感受。進行程度副詞的模糊化推斷。令

X={1，2，…，10}，在其上定義模糊集為

通過模糊集邏輯運算得到

得到需要的語言值

特征值飽和度S的一階矩在其論域內便可以根據上述描述分別設置為小(S1)、偏小(S2)、適中(S3)、偏大(S4)、大(S5)五個模糊子集。對于特征值色度H的一階矩可以根據HSV空間對于顏色色度的定義，在其論域內設置黃(Y)、偏黃(PY)、橙色(YR)、淺紅(PR)、紅(R)、深紅(DR)六個模糊子集，得到人們對板材顏色色度和飽和度心理感知的模糊子集。模糊分類輸出結果的類別設置為明快(C1)、溫馨(C2)、奢華(C3)。

2.2 隸屬度函數確定

根據2.1的描述制定相應模糊子集的隸屬度函數，如圖4所示。

圖4 H、S分量和輸出結果的隸屬度函數Fig.4 Membership functions of fuzzy sets

2.3 設計分類器結構

兩個輸入變量是樣本H分量一階矩、樣本S分量一階矩，輸出變量為所屬的顏色類別。模糊推理方法選擇Mamdani算法，這種方法通過采用最小的運算法則從而定義模糊表達中的模糊關系。解模糊方法選擇MIN-MAX-重心法，這種方法通過選取模糊集隸屬度函數曲線與數軸所圍成面積的重心處所對應的變量值作為解模糊后的清晰值。

由于選取的特征值有兩個，模糊分類器結構確定為兩輸入單輸出的分類器，結構如圖5所示。

圖5 兩輸入單輸出模糊分類器結構Fig.5 Double input and single output fuzzy classifier structure

2.4 設定模糊規則

根據木材學專家的經驗，給出以下模糊規則的語言描述并制定模糊分類規則:

1)紅色色度高、顏色飽和度高的樣本其奢華評價程度高;

2)紅色與黃色在一定色度下，飽和度低的樣本其溫馨評價程度高;

3)木材黃色含量高、顏色飽和度低與明快呈顯著正相關，與奢華呈負相關;

4)顏色適中、飽和度一般的板材呈現溫馨的感受。

根據以上描述制定出30條模糊分類規則，經整理，得到模糊分類規則表如表1所示。

表1 模糊分類規則表Table 1 Fuzzy classification rules

3 實驗與分析

3.1 采集設備

實驗統一采用低角度打光的方式。在拍攝的過程中，嚴格控制光照條件，保證前后的光照強度盡量的均勻，不出現陰影或使木材表面呈現明暗不均的部分。同時，保證光照強度充足的前提下，盡量降低了相機ISO參數，使所采集的圖片更真實的反映板材樣本的信息。所拍攝的樣本，盡量保證為一個完整的木材紋理或豐富過渡的顏色變化，在特征提取時能夠得到充分的樣本空間。拍攝時選擇Oscar F810C IRF工業相機，接口類型IEEE 1394a-400 Mb/s;最大分辨率3272×2469;最大分辨率下最高幀頻3fps。光源采用低角度放置的LED板，傳送帶速度約為3 m/s，圖像采集設備如圖6所示。

圖6 圖片采集設備Fig.6 Facility of image capture

3.2 基本論域映射到論域

基本論域，是指輸入變量（H與S）變化的實際范圍，基本論域內的量為精確量。論域，則是指模糊子集的變化范圍，論域內的量為離散量。通過建立這樣一種基本論域到論域的映射可以很好的解決在模糊分類過程中，數值的有效數字過多的問題，減少、消除機器誤差。同時，也可以更為精確地畫出模糊子集的隸屬度函數。模糊分類器輸入量與輸出量的論域、基本論域的范圍如表2所示。

表2 特征值的論域與基本論域范圍Table 2 Mapping relation ship and value of the do mai

3.3 分類結果

模糊分類器進行工作時，對建立的模糊規則要經過模糊推理才能決策出輸出模糊量的一個模糊子集。當經歷了所有的輸入模糊變量的論域后，結合輸出模糊量的清晰化計算，可以得到查詢表。本文使用M a t l a b中的F I S工具箱實現，平面輸出查詢表結果如圖7所示。

圖7 模糊分類器輸出查詢表Fig.7 Lookup table of the fuzzy classification

為了驗證所設計的模糊分類器的有效性,選取市場上常用的9類樹種構成樣本空間:1)紫椴;2)白樺;3)水曲柳;4)五角楓;5)興安落葉松;6)大青楊;7)魚鱗云杉;8)柞木;9)紅松等驗證分類器的準確性與耗時?總體樣本個數為1000個,其中柞木樣本數量為200個,其他樹種樣本數均為100個,樣本板材尺寸約為40cm×20cm×2cm?邀請木材學專家根據經驗對樣本所屬類別進行確定,以此作為分類結果正確與否的參考,三個類別的數量分別為:明快336個?溫馨559個?奢華105個?所采集的樣本圖像尺寸約為300×300像素?數據處理用電腦使用Intel Corei3-2330M處理器2.20GHz,RAM為2GB,操作系統為Win7,軟件環境為MatlabR2010(b)?得到的分類結果如表3所示?

表3 模糊分類結果Table 3 Classification results

對相同的樣本使用相同的分類器與分類方法，使用H分量直接量化后求取的一階矩作為特征值輸入，得到H分量直接提取特征值進行模糊分類的結果如表4所示。

表4 H分量不同量化方法分類結果比較Table 4 Comparable classification results of two H component normalization approaches

3.4 實驗結果分析

改進量化后的H分量特征提取結果對深紅色樣本的分類正確率為98.13%，相比采用H分量直接量化提取特征的分類結果為75.24%，耗時變化并不明顯但準確率有了很大提升。分類器分類結果的平均正確率達到98.40%，準確率高。出現誤識別的原因為板材中存在一定缺陷，包括：蟲眼、切割傷痕、活節等。可將包含這些缺陷的板材視為不合格品或根據具體的生產需要將其作為一種新的模糊分類器感知量輸出類別。圖像處理及分類過程平均時耗約為每幅40 ms，能夠匹配相機幀頻和傳送帶速度，可實現在線分選的要求。

4 結語

本文提出的改進后H色度歸一量能夠正確反映板材的顏色信息分類準確率較傳統歸一量化有很大提升。語言值模糊化處理實現了從物理量出發，直接反映板材顏色的人類心理感受的目的。模糊分類器分類準確，分類效果好。圖像處理及分類過程的耗時滿足在線分選對于時間的要求，很好的實現了準確、快速的在線分選目的。人們對顏色的視覺心理感知是受視覺物理量所影響的，本文探討的基于模糊分類的融入顏色心理感知的分類方法將板材生產與人們的需求結合起來，能夠更好地為改善人們的居住條件與生活環境服務。

［1］汪杭軍，汪碧輝.一種新的針葉材自動識別方法［J］.林業科學，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］張怡卓，馬琳，王鐵濱，等.小波變換的木材紋理在線分選［J］.林業科技，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］劉一星，李堅，徐子才，等.我國110個樹種木材表面視覺物理量的綜合統計分析［J］.林業科學，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］于海鵬，劉一星，劉鎮波，等.基于改進的視覺物理量預測木材的環境學品質［J］.東北林業大學學報，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］李堅.木材的生態學屬性——木材是綠色環境人體健康的貢獻者［J］.東北林業大學學報，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，張令峰，等.不同顏色實木地板表面視覺物理量與色彩心理特性相關性分析［J］.安徽農業大學學報，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，王瑩，等.基于HIS顏色模型的珍珠顏色分選方法［J］.農業工程學報，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，楊少春.基于顏色特征對木質板材分級的研究［J］.系統仿真學報，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］楊少春，王克奇，戴天虹，等.基于直方圖的木材表面顏色分類研究［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，趙貝貝，王玉玨，等.提升小波在木材顏色特征提取上的應用［J］.計算機應用，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］王輝，呂艷，張凱.適于木材種類識別顏色空間的研究［J］.林業機械與木工設備，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.