| Gabor小波和改进LBP的零件表面粗糙度识别 |
| |
| 引用本文： | 胡海锋,陈苏婷. Gabor小波和改进LBP的零件表面粗糙度识别[J]. 中国图象图形学报, 2014, 19(11): 1623-1629 |
| |
| 作者姓名： | 胡海锋 陈苏婷 |
| |
| 作者单位： | 南京信息工程大学江苏省气象探测与信息处理重点实验室, 南京 210044;南京信息工程大学江苏省气象探测与信息处理重点实验室, 南京 210044 |
| |
| 基金项目： | 中国博士后科学基金项目(2011M500940);中国博士后特别资助基金项目(2012T50510);六大人才高峰资助项目(2013-DZXX-020);江苏省高校自然科学重大基础研究项目(12KJA510001) |
| |
| 摘 要： | 目的 为了提取零件表面图像的纹理特征并对其表面粗糙度分类识别,有效提高识别的正确率,提出了联合Gabor小波和改进局部二值模式(LBP)的纹理特征提取方法。方法 针对传统LBP算子忽略了邻域内灰度差幅值特征的问题,提出了M_LBP(magnitude considered LBP)算子。采用Gabor小波对零件表面图像滤波,并计算各子图像 Gabor幅值特征GMM(Gabor magnitude maps)。应用M_LBP算子计算各GMM的M_LBP特征谱,进而构造得到零件表面图像的纹理特征向量,最后通过KNN(K-nearest neighbor)算法对零件粗糙度分类识别。结果 本文提出的算法有效细化了表面图像纹理特征,对粗糙度差别为0.2 μm的零件识别准确率达到98%,远高于利用传统LBP算子提取的纹理信息的识别准确率。结论 本文提出了一种有效细化LBP纹理特征的M_LBP算子,并通过与Gabor小波的结合,突破了传统LBP算子尺度、方向单一,幅值信息被忽略的局限性,能实现较高精度的粗糙度识别。
|
| 关 键 词： | 粗糙度识别 Gabor小波 M_LBP KNN分类器 |
| 收稿时间： | 2014-04-14 |
| 修稿时间： | 2014-07-18 |
Recognition of work piece surface roughness based on Gabor wavelet and improved LBP |
| |
| Hu Haifeng and Chen Suting. Recognition of work piece surface roughness based on Gabor wavelet and improved LBP[J]. Journal of Image and Graphics, 2014, 19(11): 1623-1629 |
| |
| Authors: | Hu Haifeng and Chen Suting |
| |
| Affiliation: | Nanjing University of Information Science and Technology, Jiangsu Key Laboratory of Meteorological Observation and Information Processing, Nanjing 210044, China;Nanjing University of Information Science and Technology, Jiangsu Key Laboratory of Meteorological Observation and Information Processing, Nanjing 210044, China |
| |
| Abstract: | |
| |
| Keywords: | roughness recognition Gabor wavelets M_LBP KNN classifier |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
