基于灰度共生矩陣和BP神經網絡的道床板結識別

閆筑峰

摘 要：將神經網絡處理非線性問題的優勢和灰度共生矩陣描述紋理的經典算法應用于鐵路道床板結的識別研究。本文通過改進Hough變換的方法來檢測定位道床區域，然后采用灰度共生矩陣對正常的道床和板結的紋理圖像進行特征提取，探索基于BP神經網絡進行道床板結檢測和識別的方法，實現了道床板結識別的算法。實驗結果表明，有較好的效果。

關鍵詞：Hough變換 灰度共生矩陣 直線檢測 道床板結 BP算法

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）04（a）-0009-02

圖像的紋理特征描述了在圖像中反復出現的局部模式和它們的排列規則，反映了宏觀意義上灰度變化的一些規律[1]。基于鐵路道床（正常和異常）紋理表面的特點，應用統計方法更適合于分析這兩類特征明顯的紋理。由此所生成的參數可以描述紋理多方面的統計特征。

模式識別中的紋理檢測識別參數之間具有不可避免的相關性和非線性，使用例如貝葉斯決策理論進行分類難度比較大，因此采用神經網絡對關系復雜的非線性信息具有類似人腦的處理能力，這給本文的模式對象識別提出了新的創新。

本文先應用灰度共生矩陣提取紋理參數特征，并用BP神經網絡進行訓練分類以達到識別道床板結的目的。

1 道床板結區域分割

道床板結區域是指枕木和鐵軌之間的區域，因為鐵軌和枕木都是直線物體，所以我們采用檢測直線的方法來分割道床板結區域。

1.1 直線檢測

在圖像處理和機器視覺中，Hough變換[3]是檢測確定曲線的最有效的方法。傳統的Hough變換算法具有很大的盲目性、計算量較大。但是隨著隨機概率Hough變換（PHT）[4]和Hough變換（RHT）[5]等改進Hough變換算法的提出，這種情況得到了有效的改變。對此本文做了一點改進。從端面中心點開始，在端面矩形尺寸的范圍內查找8鄰域內的邊緣點，依次遞歸查找下去，直到鄰域沒有邊緣點為止。

1.2 確定道床板結區域

對紋理圖像進行二值化后，利用Hough變換檢測邊緣，最后得到直線檢測結果。經過實驗驗證，根據Hough變換改進算法測試的直線成功分割出道床區域，比較準確的定位道床區域，并減少對整幅圖像運算帶來的大量不必要的運算。

2 灰度共生矩陣

2.1 灰度共生矩陣的特征值

灰度共生矩陣[2]（記為陣）是統計空間上具有某種位置關系的一對像元灰度對出現的頻度，其實質是從圖像灰度為i的像元（位置為）出發，統計與其距離為d，灰度為j的像元同時出現的頻度數學表達式為：

按公式（1）生成的灰度共生矩陣是一種對稱陣。陣的分布比較分散；如果的方向與紋理方向一致，那么陣中的元素都集中在主對角線附近，在本文中，規定灰度連續的方向是紋理方向。

灰度共生矩陣有15個特征參數[6]，本文提取5個關鍵特征作為道傳板結的紋理特征。它們分別是：（1）角二階矩（能量）；（2）對比度（慣性矩）；（3）相關；（4）熵；（5）逆差矩。

2.2 灰度共生矩陣生成間距d的自適應

本文通過選取6個實驗樣本，取0°、45°、90°、135°四個方向分別計算灰度共生矩陣的5個特征值并求其平均值以消除方向上的影響。經過試驗數據顯示隨像素間距d的增加，角二階矩、逆差矩有減小的趨勢，對比度、熵有增加趨勢，其中相關性有波動；總體上看，在d≥4后各特征參數的變化趨向穩定。

通過對道床區域大小的分析及樣本實驗兩個因素來自適應的確定灰度共生矩陣生長步長d的取值。從上述實驗可知，本文中選取d=4作為d的最小值，自適應的步長為2，根據被確定的道床區域的大小自適應的變化。

3 道床紋理特征提取

研究灰度的空間相關性來描述紋理，并從道床圖像中抽取紋理特征參數中的灰度共生矩陣作為分類識別的特征參數。圖像的灰度共生矩陣反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像局部模式結構及其排列規則的基礎。

同一紋理不同方向的特征參數是有差異的，為了獲得旋轉不變的紋理特征，需對灰度共生矩陣的結果作適當處理。本文采用的方法是取不同方向（0°，45°，90°，135°）的偏移參數，作其灰度共生矩陣，分別求取其特征指標，提取二次統計量—— 二階矩、對比度、相關、熵、逆差矩等參數，可以作為分類的特征向量。

4 分類識別器的設計

4.1 BP神經網絡學習算法

本系統采用BP神經網絡的模式識別方法對鐵軌道床的圖像進行識別與分類，標準的BP神經網絡結構如圖1所示。

BP網絡按有教師樣本（即目標輸出模式）學習方式進行訓練，當一對學習模式提供給網絡后，其神經元的激活值將從輸入層經各中間層向輸出層傳播，在輸出層的各神經元輸出對應于輸入模式的網絡響應。

4.2 分類識別設計的實現

在進行道床圖像的分類識別時，需要有已經訓練成型的分類器模型，可以按下面的步驟獲得：

（1）輸入訓練樣本。將輸入樣本進行歸一化處理，使訓練樣本的輸入特征值取在[0，1]之間。

（2）對網絡進行初始化。網絡的權值與閾值隨機初始化，網絡的輸入節點取特征向量的維數為5，輸出節點取的類別數為2。

（3）進行BP網絡訓練，獲取最終的權值與閾值矩陣。

（4）輸入待識別的樣本，進行分類識別。

5 實驗過程及結論

根據上述設計，分別選取100個正常道床和板結道床。首先將100個訓練樣本采用生成步長d為4并在0°、45°、90°、135°四個方向上生成灰度共生矩陣，求解的特征向量作為bp神經網絡分類器識別的特征參數，并訓練成型輸入分類器，產生聚類輸出。endprint

根據實驗可知，隨著訓練次數的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結的圖像（見表1）。

6 結論

（1）使用改進的Hough變換檢測直線，較快識別道床區域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現分類。

（3）灰度共生矩陣的生長間距根據道床區域的實際情況自適應的調整。

（4）BP神經網絡作為非線性的分類器，僅僅需要系統的輸入輸出為依據就可判斷那些為道床已板結的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint

根據實驗可知，隨著訓練次數的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結的圖像（見表1）。

6 結論

（1）使用改進的Hough變換檢測直線，較快識別道床區域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現分類。

（3）灰度共生矩陣的生長間距根據道床區域的實際情況自適應的調整。

（4）BP神經網絡作為非線性的分類器，僅僅需要系統的輸入輸出為依據就可判斷那些為道床已板結的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint

根據實驗可知，隨著訓練次數的增加，誤差逐漸減小，正確率亦逐漸提高，分類器識別為板結的圖像（見表1）。

6 結論

（1）使用改進的Hough變換檢測直線，較快識別道床區域。

（2）利用灰度共生矩陣中的二階矩、對比度、相關、熵、逆差矩為特征向量，實現分類。

（3）灰度共生矩陣的生長間距根據道床區域的實際情況自適應的調整。

（4）BP神經網絡作為非線性的分類器，僅僅需要系統的輸入輸出為依據就可判斷那些為道床已板結的圖片，而且識別的誤差比較小。

參考文獻

[1] 阮秋琦.數字圖像處理學[M].北京：電子工業出版社，2001.

[2] HARALICK R M.Statistical and structural Approaches to Texture[J].proceeding of IEEE，1975，67（5）：786-504.

[3] DUDA RO，HART PE.Use of the Hough transformation to detect lines and curves in pictures[J].Com-mun.ACM，1972，15（1）：11-15.

[4] KIRYATI N，ELDAR Y，BRUCKSTE

IN AM.A probabilistic Hough transform[J].Pattern Recognition，1991，24：303—316.

[5] XU L，OJA E.Randomized Hough transform（RHT）：basic mechanisms，algorithms，and computational complexities[C].CVGIP：Image Und-erstanding，1993，57，2.

[6] BARAEDI A，PARMIGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans.On Geo-science and Remote sensing，1995，33（2）：293-303.endprint