基于纹理特征的回转窑熟料烧结状态分类＊

何 敏,章 兢,晏 敏,陈 华

(1.湖南大学电气与信息工程学院,湖南长沙 410082;2.湖南大学物理与微电子学院,湖南长沙 410082;3.湖南大学计算机与通信学院,湖南长沙 410082)

在实际的回转窑生产领域,利用机器视觉方法对窑头熟料特征进行分析,有助于实现窑内实际工况的判断,对提高回转窑的自动控制水平具有重要意义.窑头图像中熟料的休止角反映了熟料运动模式,可用于判断其黏度、带高度[1];熟料填充率变化趋势能够反映窑尾进料量以及窑内温度的异变[2].除此之外,熟料图像的纹理特征能较好地描述其表面的物理属性(如粗糙度、颗粒度),从而间接反映熟料在窑内的烧结状态.基于纹理这一特征属性进行模式识别在气象学、医学、地理学和工业领域已经得到了广泛应用[3-5].在常用的空间域纹理分析方法中,统计法原理简单、较易实现,主要适合具有随机性的、无明显规则非均匀性图像,尤其是基于灰度共生矩阵的统计分析法能更好地反映图像的全局纹理特征[6].实际回转窑熟料图像纹理无明显规律性和周期性,本文结合灰度共生矩阵方法进行了熟料表面纹理参数计算,基于Fisher系数实现了最优纹理特征选择,利用C4.5决策树实现了不同烧结状态下的熟料纹理分类.

1 回转窑窑头熟料图片

固定安装在回转窑窑头的摄像机实时采集窑内图像,图像主要由煤粉区、火焰区、“带高”区和熟料区4个区域构成,其中熟料区位于窑头图片的右下角[2].基于熟练看窑工的经验,不同工况下采集到的窑头及熟料区图片如图1所示,3组熟料图片从左至右依次为过烧、欠烧和正常3种状态.异常工况下,当窑内烧结带温度过高时,熟料过烧,其黏度较正常时大,流动性差,熟料纹理粗糙,有明显的结块现象;而当温度过低时,表现为熟料黏度较正常时低,流动性强,颗粒度小,松散呈沙状;而正常工况下其黏度和流动性介于两者之间,粒度适中,纹理分布均匀.

图1 实际窑头与熟料图片Fig.1 Images of discharge end and clinker of real rotary kiln

2 基于灰度共生矩阵的纹理特征参数

灰度共生矩阵是在原始图像的基础上,对满足特定位置关系(角度和距离)和特定灰度关系的邻近像素灰度值分布特性进行统计产生的矩阵,表示的是图像纹理中灰度级的空间相关性,即相距(dx,dy)的两个灰度像素为i和j出现的联合频率分布.设大小为M×N的二维数字图像为f(x,y),量化图像的灰度级为Ng,则满足一定空间关系的Ng×Ng灰度共生矩阵为:

式中:#{A}为集合A中满足条件的元素个数,i和j为灰度级值,位置算子(dx,dy)的不同组合代表了不同方向和距离下的灰度共生矩阵,当(dx,dy)取(d,0),(d,-d),(0,-d)和(-d,-d)时,分别对应距离为d的0°,45°,90°和135°4个方向.

对灰度共生矩阵元素进行正规化后,Haralick列出了14个基于灰度共生矩阵的描述图像纹理典型参数[7],分别是角二阶距(ASM:Angular Second Moment)、对比度(Contrast)、相关性(Correlation)、方差(SS:Sum of Squares)、和平均(SA:Sum Average)、逆差矩(IDM:Inverse Difference Moment)、熵(Entropy)、和方差(SV:Sum Variance)、和熵(SE:Sum Entropy)、差异熵(DE:Difference Entropy)、差方差(DV:Difference Variance)、最大相关系数(MCC:Maximal Correlation Coefficient)和两个相关性信息度量(IOC:Information measures of Correlation).灰度共生矩阵具有丰富的特征参数,因而能从不同的角度对纹理进行描述.

3 纹理特征选择和分类

不同的位置算子和图像灰度级的组合会生成不同的灰度共生矩阵,对纹理的描述效果也不尽相同.如果采用256灰度级,虽说保证了其精确性,但因元素过小运算时间过长,不利于实际工况分析,故常将原图像灰度级量化为16级.

在进行纹理分析时,怎样确定位置算子将直接影响结果的正确性.不同距离的d值适合于粗细不同的纹理,较小的d值适合于分析局部领域内的灰度变化频繁的细纹理;而对灰度值变化缓慢的粗纹理,则需要选择较大的d值.已有的文献大多根据特定分析对象选取经验值,不具有普遍意义,或者同时计算不同大小的d值,这虽然能够提高灰度共生矩阵纹理分析的分类性能,但也使得计算量大大增加.

对同一个纹理分析对象选择不同的方向得到的灰度共生矩阵也不一样,将4个方向上得到的灰度共生矩阵参数求平均值和差值,将其作为特征参数进行纹理识别,这种方法保证了纹理平移不变性,但也削弱了灰度共生矩阵的可区分性,同时增加计算量.除此之外,Haralick提出的14个统计纹理特征参数具有一定的冗余度,能量、熵、相关性、逆差距和对比度这5个统计纹理特征较为普遍被大多数文献采用[8],但不一定适合熟料对象.本文基于Fisher系数来实现最佳位置算子和分类特征集的选择,并结合C4.5决策树对提取出的特征参数完成了分类规则的生成.

3.1 基于Fisher系数的位置算子选择

Fisher系数是用来评价类间分离程度的函数,具体定义如公式(2)所示[9]:

式中:M为总类数;μi,μj和pi,pj分别为第i,j类的均值和概率;Vi为方差,当各分割类的类间均值间距平方和与类内方差和之比达到最大时,Fisher系数值达到最大,对应的参数类间区分能力最强,类间分离效果最佳.采用Fisher系数对由不同位置算子下的灰度共生矩阵计算出的纹理典型参数进行评判,从中得出Fisher系数值最高的位置算子以及对应的距离d值和方向,即为具体纹理分析对象最佳位置算子.

3.2 基于C4.5的纹理特征分类

C4.5算法是J.R.Quinlan于1993年提出的一种经典决策树算法[10],可以基于事例数据自上而下形成决策树,并转化为便于理解的分类规则进行输出.C4.5算法使用信息增益率测试选择属性结点,克服了传统的使用信息增益选择属性时偏向选择取值较多的属性的不足,在保持分类能力的同时有利于产生较为精简的规则;可以在决策树的构造过程中或者完成后进行决策树的剪枝,便于灵活控制产生规则的规模和复杂度;能够自动完成连续属性的离散化处理;对不完整的数据具有填补功能,因而对所处理数据具有很强的鲁棒性.自90年代以来,由于产生规则易于理解、分类精度高而得到广泛应用[11-12].

4 实验过程与结果分析

图像来源于某厂现场回转窑窑头视频,按照经验丰富的看窑工观察和判断结果,选取了过烧、正常和欠烧3种情况下熟料图片分别为7,41和21张,对图片进行灰度化、滤波预处理后,分割得到的熟料区样本共69幅.基于灰度共生矩阵和C4.5的熟料纹理分类可分为如下几个步骤:

Step1:熟料感兴趣区域获取;

Step2:灰度共生矩阵特征参数计算;

Step3:最佳位置算子的Fisher评判;

Step4:C4.5决策树分类及其规则生成.

4.1 实验结果

将分割后的熟料图片灰度值极化为16级,计算距离d从1～5,0°,45°,90°和135°4个方向上所有灰度共生矩阵纹理特征的Fisher系数分布.通过比较同一方向和距离基础上的14个灰度共生矩阵特征参数发现,和平均SA、逆差矩IDM、差异熵DE、对比度Contrast、差方差DV和熵Entropy这6个参数具有较大的Fisher系数值.实验结果表明,SA参数对应的Fisher系数随距离和方向的变化率比较平缓,说明参数对方向和距离不太敏感,不同的位置算子对SA参数的分类效果影响不大;然而IDM,DE,Contrast,DV和Entropy这5个参数随位置算子的变化Fisher系数波动较大,图2所示为这5个显著纹理特征的Fisher系数具体数值,其中x轴对应位置算子依次从(0,1)～(5,-5).

图2 5个重要纹理参数Fisher系数分布Fig.2 Distribution of Fisher coefficients of five important texture features

图2表明,IDM,DE,Entropy最大的Fisher系数值出现在位置算子为(5,-5)时(像素距离为5,方向为45°)分别为34.75,28.66和25.7.尽管Contrast和DV最大Fisher系数值(分别为28.8和18.8)对应的位置算子为(0,5),但(5,-5)时对应的Fisher系数值(分别为27.3和18.1)与之相比相差很小.由此,选择(5,-5)做为计算灰度共生矩阵的位置算子,既避免了需要计算多个距离、多个方向下的灰度共生矩阵带来的计算复杂度,又避免了随意选择位置算子的盲目性.

基于(5,-5)位置算子计算灰度共生矩阵,选择Contrast,IDM,SA,DE,DV和Entropy做为熟料纹理分类的特征参数集,定义class值为1,2,3,分别代表过烧、正常和欠烧,属性标注为:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy.C4.5决策树提取的分类规则具体如下:

C4.5决策树提取了Contrast,IDM,SA,DV做为特征参数,正确分类数为66个,错分数为3个,分类精度达到95.65%.为了对比采用Fisher系数提取出的最优位置算子和特征参数分类的能力,选择常用的角二阶距(ASM)、熵(Entropy)、相关性(Correlation)、逆差距(IDM)和对比度(Contrast)这5个参数4个方向的平均值做为特征参数,距离d取1～5对相同的熟料对象集用C4.5决策树进行分类,结果如表1所示.表中属性标注为:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy,a7-ASM,a8-Correlation.对比结果表明,本文的方法仅需要计算单一方向和距离(5,-5)的灰度共生矩阵,就可以达到很好的分类精度.

表1 不同特征组分类精度比较Tab.1 Compare classification accuracy of different feature sets

4.2 不同烧结状态熟料纹理参数理解

C4.5决策树分类结果得出,由于实际回转窑中熟料表面纹理的复杂性,很难用单一的纹理参数来对其进行精确分类,需要组合多个纹理参数进行识别.同时,相对于过烧和欠烧状态,正常状态下的熟料情况更为复杂多样.提取出来的基于灰度共生矩阵的纹理参数中,SA(a3)具有最高属性重要度,其次是Contrast(a1)和DV(a5),随后是IDM(a2).SA度量了图像像素点平均灰度值大小,即图像的明暗程度.差方差表明了邻近像素对灰度值差异的方差;逆差矩IDM反映了图像纹理的同质性或规则程度,是图像纹理局部变化的度量;Contrast度量了图像的灰度差或对比度,它反映了图像灰度共生矩阵值的分布情况和图像的局部变化.为了对不同工况下的熟料纹理参数进行分析和理解,图3显示了69个熟料样本位置算子为(5,-5)时计算的灰度共生矩阵对应的SA,Contrast,DV和IDM值的具体分布情况,横坐标轴1～7,8～28,29～69分别对应过烧、欠烧和正常状态.

图3 灰度共生矩阵特征参数Fig.3 Features of GLCM

欠烧熟料图像(样本8～28)呈现出来的表面纹理为松散细沙状,不同区域间变化很小、局部非常均匀、对比度小、纹理规则,具有较大的IDM值和较小的Contrast值.窑炉为了保持熟料质量的稳定性,会通过加煤等方式升高炉内温度,导致熟料温度的升高、亮度增加,从而具有相对较大的SA值.过烧熟料图像(样本1～7)黏度很高,呈块状,表面纹理粗糙,窑炉通过减煤加风等措施降低窑内温度以避免后续熟料的过烧,从而导致熟料温度降低,亮度减小,具有较小的SA值.而正常烧结状态时,回转窑内达到动平衡,窑内风、煤等工况稳定,窑内图像变得更清晰,此时的熟料(样本29～69)既没有过烧状态下的结块现象,也没有欠烧状态下的粒度过小呈沙状松散现象,熟料区图像丰富,沟纹较深,即对比度较大,相对过烧和欠烧而言具有较大的Contrast值.

5 结 论

基于灰度共生矩阵的纹理特征参数能较好地描述回转窑的熟料表面纹理,利用Fisher系数提取出最佳位置算子和最有效分类参数集能有效地避免传统方法中计算灰度共生矩阵的随意性和大计算量,既保证了分类识别的精度,又充分考虑了在线识别的实时性.基于约简的纹理特征参数组,经典的C4.5决策树算法实现了3种烧结状态下的熟料的分类,分类精度达到95.65%,这充分说明了用纹理分析方法进行熟料烧结状态判别的可行性.

[1] HE M,ZHANG J,LIU X Y.Determination of the repose angle of stuff in rotary kiln based on image processing[C]//The 9th International Conference on Electronic M easurement&Instruments(ICEMI),Beijing:2009(4):97-101.

[2] 何敏,章兢,何昭晖,等.基于回转窑图像的熟料填充率测量[J].仪器仪表学报,2009,30(12):2586-2592.HE Min,ZHANG Jing,HE Zhao-hui,et al.Measurement of filling percentage of clinker using rotary kiln image[J].Chinese Journal of Scientific Instrument,2009,30(12):2586-2592.(In Chinese)

[3] CHRISTODOU LOU C I,MICHAELIDES S C,PATT ICHIS C S.Pattichis multifeature tex ture analy sis for the classification of clouds in satellite imagery[J].IEEE Trans on Geoscience and Remote Sensing,2003,41(11):2662-2668.

[4] LA URIA A.GPCALMA:Implementation in Italian hospitals of a computer aided detection system for breast lesions by mammog raphy examination[J].Physica Medica,2009,25(2):58-72.

[5] TESSIERA J,DUCHESNEA C.Estimation of alumina content of anode cover materials using multivariate image analy sis techniques[J].Chemical Engineering Science,2008,63(5):1370-1380.

[6] OHANIAN P P,DUBES R C.Perfo rmance evaluation for four classes of texture feature[J].Pattern Recognition,1992,25(8):819-833.

[7] HARA LICK R M,SHANM UGAM K,NSTEIN I.Textural features for image classification[J].IEEE T rans on Systems,M an and Cybernetics,1973,3(6):610-621.

[8] CONNERS R W,HA RLOW C A.A theoretical comparison of texture algorithms[J].IEEE Trans on Pattern Analysis and M achine Intelligence,1980,2(3):204-222.

[9] THEODORIDIS S,KOU TRO UM BAS K.Pattern recognition[M].New York:Academic Press,1998:35-48.

[10]Q UINLAN J R.C4.5:programs for machine learning[M].San F rancisco,CA:Mo rgan Kaufmann,1993:51-64.

[11]WEIM ING Hu,O U Wu.Recognition of pornographic web pages by classifying texts and images[J].IEEE T rans on Pattern Analy sis and Machine Intelligence,2007,29(6):1019-1034.

[12]LINHUI Jia,KITCHEN L.Object-based image similarity computation using inductive learning of contour-segment relations[J].IEEE Trans on Image Processing,2000,9(1):80-87.