[发明专利]一种基于纹理和形状特征的电子元件识别的方法

权利要求书

1.一种基于纹理和形状特征的电子元件识别的方法，其特征在于，包括以下步骤：

图像预处理(PP)：将彩色图像灰度化、二值化，通过对图像中目标的平移，旋转和缩放，将目标进行归一化处理；

Gabor滤波器(GF)：结合卷积网络的思想，将其应用于电子元件的特征提取，Gabor滤波器与灰度图像卷积产生复数信号，初步得到电子元件的特征信息，将信号的实部(rgg)和虚部(igg)分离出来，通过虚部计算图像的灰度共生矩阵，进一步对特征信息进行处理；

灰度共生矩阵(GLCM)：电子元件是刚体结构，纹理简单且对称，特征通过灰度共生矩阵公式计算，得到3个特征表达F₁、F₂、F₃，F1为纹理的能量，F2为纹理对比度，F3为纹理相关性，基本表达了刚性体的纹理信息；

纹理的特征(FT)提取：使用灰度共生矩阵，根据滤波的图像计算多个角度值的内部信号覆盖电子元件的纹理特征，再连接特征值F₁、F₂、F₃得到多个元素的纹理特征向量，表达作为刚体的电子元件纹理特征；

第二代Curvelet变换(CT)：利用Wrap算法对电子元件图像进行Curvelet变换，分解进而有效得到电子元件图像不同尺度不同频域的取向和位置，20种电子元件呈简单规律的几何形状，取四个Curvelet系数，保留那些能量为正的系数与级别二值化电子元件图像，一起组成呈规则几何形状的电子元件的特征向量元素；

不变矩(IM)：图像在平移、缩放、旋转时形状特征不发生改变，将形状信息用不变矩(IM)表达处理，位置(x，y)处的像素P(x，y)的矩m被定义为像素值及其坐标距离的乘积即m＝x·y·P(x,y)，图像尺度为p×q,整个图像的矩是其所有像素的矩的总和：m_pq＝∑_x∑_yx^py^qI(x,y)；

形状的特征(FS)提取：得到不变矩，再通过Wrap算法对预处理的图像进行快速Curvelet变换，并计算三个曲线波系数CC1，CC2，CC3，对于每个系数，计算第一不变矩M₁；其表达出规则几何刚体的形状。

复合特征模型(FC)：纹理特征(FT)用于捕获纹理内容，形状特征(FS)用于对其形状进行建模；

分类识别：模糊神经分类器结合了使用模糊分类器和神经网络的自动适应过程的优点，使用共轭梯度算法(NFC)的模糊神经分类器，识别出电子元件。

2.根据权利要求1所述的一种基于纹理和形状特征的电子元件识别的方法，其特征在于，所述图像预处理(PP)将图像转换为灰度和二值形式，为保证目标旋转不变，目标电子元件的主轴相对于其定向的角度映射，为保证目标平移不变，将背景缩小直到电子元件恰好适合边界矩形，为保证目标尺度不变，图像被重新调整为标准尺寸。

3.根据权利要求1所述的一种基于纹理和形状特征的电子元件识别的方法，其特征在于，使用Gabor滤波器(GF)与灰度图像卷积，产生复数信号J，得到特征的初步信息，分离出J的虚数部分，计算出图像的灰度共生矩阵(GLCM)，并计算基于灰度共生矩阵(GLCM)的特征。

4.根据权利要求1所述的一种基于纹理和形状特征的电子元件识别的方法，其特征在于，使用灰度共生矩阵(GLCM)统计电子元件的纹理特征，纹理是由灰度分布在空间位置上反复出现而形成的，因而在电子元件图像空间中相隔某距离的两象素之间会存在一定的灰度关系，电子元件本身属于简单对称的刚体结构，使用三个特征表达参数完整得反映图像中目标的纹理信息，F1反应了图像灰度分布均匀程度和纹理粗细度，F2反应了图像的清晰度和纹理的沟纹深浅，F3用来度量图像的灰度级在行或列方向上的相似程度。