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。

　　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。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。