基于灰度共生矩阵的金属断口图像的分类研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 223-225.

基于灰度共生矩阵的金属断口图像的分类研究

苏静,黎明

南昌航空大学无损检测技术教育部重点实验室，南昌 330063

收稿日期:2007-07-12 修回日期:2007-10-09 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 苏静

Research of metal fracture image classification based on GLCM

SU Jing,LI Ming

Key Laboratory of Nondestructive Test（Ministry of Education），Nanchang Hangkong University，Nanchang 330063，China

Received:2007-07-12 Revised:2007-10-09 Online:2008-03-21 Published:2008-03-21
Contact: SU Jing

摘要/Abstract

摘要： 灰度共生矩阵在图像的纹理分析中是一个很重要的方法，但是其参数的选择现在还没有确定的方法。论文计算了灰度共生矩阵的13个特征参数，根据不同步长、不同灰度压缩级时特征值的变化曲线确定步长和灰度级别，然后根据相关系数分析选择其中的7个特征，利用加权欧式距离分类器将金属断口图像分为4类。与常用的5个特征进行分类相比，根据该方法选择的7个特征分类效果明显更好。

关键词: 金属断口, 纹理分析, BP神经网络分类器, 灰度共生矩阵

Abstract: GLCM is an important method in the texture analysis of image，but there isn’t decided means to ascertain it’s parameters until now.Thirteen parameters of GLCM are computed in this paper and then distance and gray level are selected according to feature’s mutative curve of different distances and gray levels.At last，seven features are selected according to coefficient of correlation.Then weighted Euclidean distance classifier is designed to classify metal fracture image.Compared with five features in common use，the classification results using the seven features selected according to this method is much better.

Key words: metal fracture, texture analysis, BP neural network classifier, Gray Level Cooccurrence Matrix（GLCM）

苏静,黎明. 基于灰度共生矩阵的金属断口图像的分类研究[J]. 计算机工程与应用, 2008, 44(9): 223-225.

SU Jing,LI Ming. Research of metal fracture image classification based on GLCM[J]. Computer Engineering and Applications, 2008, 44(9): 223-225.

[1]	宗晓萍，田伟倩. 采用K-means的脑肿瘤磁共振图像分割与特征提取[J]. 计算机工程与应用, 2020, 56(3): 187-193.
[2]	汪娟1, 刘哲1, 宋余庆1, 陈香远2. 基于改进的GLCM甲状腺纹理特征提取与分析[J]. 计算机工程与应用, 2018, 54(23): 176-182.
[3]	罗三定，涂宙霖，田光亚. 基于频率谱处理的瓷砖纹理分类方法[J]. 计算机工程与应用, 2017, 53(4): 184-188.
[4]	罗三定，彭琼，李婷. 瓷砖图像的纹理特征分类研究[J]. 计算机工程与应用, 2016, 52(8): 196-200.
[5]	张永库，李云峰，孙劲光. 基于多特征高效索引的图像检索[J]. 计算机工程与应用, 2016, 52(7): 181-185.
[6]	朱黎辉，李晓宁. 基于多特征组合的球形果蔬智能分选方法[J]. 计算机工程与应用, 2016, 52(5): 173-178.
[7]	熊国萍. SUSAN边缘响应值灰度化转共生矩阵检索[J]. 计算机工程与应用, 2016, 52(5): 225-230.
[8]	张人上. 基于NSCT-GLCM的CT图像特征提取算法[J]. 计算机工程与应用, 2014, 50(11): 159-162.
[9]	张晗1，何东健2. 一种融合纹理信息与图论的图像分割方法[J]. 计算机工程与应用, 2014, 50(1): 180-184.
[10]	徐进1，郑鹏程1，吕锐2. 基于纹理指示图的非局域去噪改进算法[J]. 计算机工程与应用, 2013, 49(6): 190-194.
[11]	季桂树1，2，禹智夫3. 分维和孔隙度在肝癌超声纹理识别中协同作用[J]. 计算机工程与应用, 2013, 49(2): 211-218.
[12]	张伟伟，何凯，孟春芝. 自适应选取样本块大小的纹理合成方法[J]. 计算机工程与应用, 2012, 48(17): 170-173.
[13]	潘新1，阮秋琦2，王艳霞3，金一2. 基于Gabor局部相对特征的掌纹识别[J]. 计算机工程与应用, 2012, 48(15): 34-38.
[14]	龙海翔1，2，高鑫1，刘蓉2. 基于纹理和边缘的SAR图像多维SVM回归[J]. 计算机工程与应用, 2011, 47(31): 175-178.
[15]	施建宇1，雷朝霞2，方智裕3. 利用灰度纹理分析方法识别蛋白质空间结构[J]. 计算机工程与应用, 2011, 47(20): 151-154.