基于灰度共生矩阵和BP神经网络的道床板结识别

闫筑峰

摘 要：将神经网络处理非线性问题的优势和灰度共生矩阵描述纹理的经典算法应用于铁路道床板结的识别研究。本文通过改进Hough变换的方法来检测定位道床区域，然后采用灰度共生矩阵对正常的道床和板结的纹理图像进行特征提取，探索基于BP神经网络进行道床板结检测和识别的方法，实现了道床板结识别的算法。实验结果表明，有较好的效果。

关键词：Hough变换 灰度共生矩阵 直线检测 道床板结 BP算法

中图分类号：TP3 文献标识码：A 文章编号：1672-3791（2014）04（a）-0009-02

图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律[1]。基于铁路道床（正常和异常）纹理表面的特点，应用统计方法更适合于分析这两类特征明显的纹理。由此所生成的参数可以描述纹理多方面的统计特征。

模式识别中的纹理检测识别参数之间具有不可避免的相关性和非线性，使用例如贝叶斯决策理论进行分类难度比较大，因此采用神经网络对关系复杂的非线性信息具有类似人脑的处理能力，这给本文的模式对象识别提出了新的创新。

本文先应用灰度共生矩阵提取纹理参数特征，并用BP神经网络进行训练分类以达到识别道床板结的目的。

1 道床板结区域分割

道床板结区域是指枕木和铁轨之间的区域，因为铁轨和枕木都是直线物体，所以我们采用检测直线的方法来分割道床板结区域。

1.1 直线检测

在图像处理和机器视觉中，Hough变换[3]是检测确定曲线的最有效的方法。传统的Hough变换算法具有很大的盲目性、计算量较大。但是随着随机概率Hough变换（PHT）[4]和Hough变换（RHT）[5]等改进Hough变换算法的提出，这种情况得到了有效的改变。对此本文做了一点改进。从端面中心点开始，在端面矩形尺寸的范围内查找8邻域内的边缘点，依次递归查找下去，直到邻域没有边缘点为止。

1.2 确定道床板结区域

对纹理图像进行二值化后，利用Hough变换检测边缘，最后得到直线检测结果。经过实验验证，根据Hough变换改进算法测试的直线成功分割出道床区域，比较准确的定位道床区域，并减少对整幅图像运算带来的大量不必要的运算。

2 灰度共生矩阵

2.1 灰度共生矩阵的特征值

灰度共生矩阵[2]（记为阵）是统计空间上具有某种位置关系的一对像元灰度对出现的频度，其实质是从图像灰度为i的像元（位置为）出发，统计与其距离为d，灰度为j的像元同时出现的频度数学表达式为：

按公式（1）生成的灰度共生矩阵是一种对称阵。阵的分布比较分散；如果的方向与纹理方向一致，那么阵中的元素都集中在主对角线附近，在本文中，规定灰度连续的方向是纹理方向。

灰度共生矩阵有15个特征参数[6]，本文提取5个关键特征作为道传板结的纹理特征。它们分别是：（1）角二阶矩（能量）；（2）对比度（惯性矩）；（3）相关；（4）熵；（5）逆差矩。

2.2 灰度共生矩阵生成间距d的自适应

本文通过选取6个实验样本，取0°、45°、90°、135°四个方向分别计算灰度共生矩阵的5个特征值并求其平均值以消除方向上的影响。经过试验数据显示随像素间距d的增加，角二阶矩、逆差矩有减小的趋势，对比度、熵有增加趋势，其中相关性有波动；总体上看，在d≥4后各特征参数的变化趋向稳定。

通过对道床区域大小的分析及样本实验两个因素来自适应的确定灰度共生矩阵生长步长d的取值。从上述实验可知，本文中选取d=4作为d的最小值，自适应的步长为2，根据被确定的道床区域的大小自适应的变化。

3 道床纹理特征提取

研究灰度的空间相关性来描述纹理，并从道床图像中抽取纹理特征参数中的灰度共生矩阵作为分类识别的特征参数。图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像局部模式结构及其排列规则的基础。

同一纹理不同方向的特征参数是有差异的，为了获得旋转不变的纹理特征，需对灰度共生矩阵的结果作适当处理。本文采用的方法是取不同方向（0°，45°，90°，135°）的偏移参数，作其灰度共生矩阵，分别求取其特征指标，提取二次统计量—— 二阶矩、对比度、相关、熵、逆差矩等参数，可以作为分类的特征向量。

4 分类识别器的设计

4.1 BP神经网络学习算法

本系统采用BP神经网络的模式识别方法对铁轨道床的图像进行识别与分类，标准的BP神经网络结构如图1所示。

BP网络按有教师样本（即目标输出模式）学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各中间层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。

4.2 分类识别设计的实现

在进行道床图像的分类识别时，需要有已经训练成型的分类器模型，可以按下面的步骤获得：

（1）输入训练样本。将输入样本进行归一化处理，使训练样本的输入特征值取在[0，1]之间。

（2）对网络进行初始化。网络的权值与阈值随机初始化，网络的输入节点取特征向量的维数为5，输出节点取的类别数为2。

（3）进行BP网络训练，获取最终的权值与阈值矩阵。

（4）输入待识别的样本，进行分类识别。

5 实验过程及结论

根据上述设计，分别选取100个正常道床和板结道床。首先将100个训练样本采用生成步长d为4并在0°、45°、90°、135°四个方向上生成灰度共生矩阵，求解的特征向量作为bp神经网络分类器识别的特征参数，并训练成型输入分类器，产生聚类输出。endprint

根据实验可知，随着训练次数的增加，误差逐渐减小，正确率亦逐渐提高，分类器识别为板结的图像（见表1）。

6 结论

（1）使用改进的Hough变换检测直线，较快识别道床区域。

（2）利用灰度共生矩阵中的二阶矩、对比度、相关、熵、逆差矩为特征向量，实现分类。

（3）灰度共生矩阵的生长间距根据道床区域的实际情况自适应的调整。

（4）BP神经网络作为非线性的分类器，仅仅需要系统的输入输出为依据就可判断那些为道床已板结的图片，而且识别的误差比较小。

参考文献

[1] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，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

根据实验可知，随着训练次数的增加，误差逐渐减小，正确率亦逐渐提高，分类器识别为板结的图像（见表1）。

6 结论

（1）使用改进的Hough变换检测直线，较快识别道床区域。

（2）利用灰度共生矩阵中的二阶矩、对比度、相关、熵、逆差矩为特征向量，实现分类。

（3）灰度共生矩阵的生长间距根据道床区域的实际情况自适应的调整。

（4）BP神经网络作为非线性的分类器，仅仅需要系统的输入输出为依据就可判断那些为道床已板结的图片，而且识别的误差比较小。

参考文献

[1] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，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

根据实验可知，随着训练次数的增加，误差逐渐减小，正确率亦逐渐提高，分类器识别为板结的图像（见表1）。

6 结论

（1）使用改进的Hough变换检测直线，较快识别道床区域。

（2）利用灰度共生矩阵中的二阶矩、对比度、相关、熵、逆差矩为特征向量，实现分类。

（3）灰度共生矩阵的生长间距根据道床区域的实际情况自适应的调整。

（4）BP神经网络作为非线性的分类器，仅仅需要系统的输入输出为依据就可判断那些为道床已板结的图片，而且识别的误差比较小。

参考文献

[1] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，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