張　誠，張華熊，田秋紅，沈　曄，康　鋒

(1.浙江理工大學(xué)信息學(xué)院，杭州　310018；2.中國計量學(xué)院信號與信息處理系，杭州　310018)

?

基于Adaboost多特征融合的織物掃描圖案識別

張誠1，張華熊1，田秋紅1，沈曄2，康鋒1

(1.浙江理工大學(xué)信息學(xué)院，杭州310018；2.中國計量學(xué)院信號與信息處理系，杭州310018)

針對織物掃描圖像中紗線紋理等的存在造成難以提取有效圖案特征的問題，提出了一種基于多特征融合的圖案識別方法。首先通過紋理抑制平滑濾波算法濾除織物掃描圖像的紗線紋理，并進行灰度化；然后分別提取灰度圖像的邊緣方向直方圖、最大穩(wěn)定極值區(qū)域的SURF特征和灰度共生矩陣特征，建立樣本圖像特征庫；最后以樣本圖像特征庫特征為訓(xùn)練對象，通過Adaboost算法融合3類特征建立分類器，實現(xiàn)圖案識別。實驗結(jié)果表明，基于Adaboost的多特征融合織物掃描圖案識別算法比單特征識別算法有較高的準確率。

織物掃描圖像；圖案識別；紋理抑制平滑；邊緣方向直方圖；最大穩(wěn)定極值區(qū)域；灰度共生矩陣；特征融合；Adaboost

在紡織行業(yè)中，織物圖案識別主要由專家憑借個人經(jīng)驗完成，這種方式不能對識別需求進行精確描述，而且不能滿足實時性要求。近年來，隨著計算機處理技術(shù)的發(fā)展，以模式識別和數(shù)字圖像處理技術(shù)為基礎(chǔ)的圖像識別方法大大提高了織物圖案識別的效率，已經(jīng)成為當前的研究熱點[1-6]。

計算機圖案識別過程一般可分為預(yù)處理、特征提取、算法識別3個步驟。通過圖像預(yù)處理，降低圖像噪聲；然后提取圖案特征，建立特征數(shù)據(jù)庫；最后根據(jù)檢測圖像的特征與特征數(shù)據(jù)庫，通過一定的算法識別檢測圖像的圖案類別。在圖案識別過程中，提取有效圖案特征是提高識別率的重要因素。然而，織物的非平面結(jié)構(gòu)使得掃描圖像在紗線之間存在陰影和過渡顏色，同時由于掃描圖像文件保存時往往采用失真壓縮的方式，使得圖案輪廓不清晰[6]。因此，直接應(yīng)用圖案特征一般很難準確識別織物掃描圖像的圖案，所以在識別織物掃描圖像的圖案前，應(yīng)先對圖像進行預(yù)處理，以抑制紗線紋理等與圖案無關(guān)的信息。應(yīng)用于圖像識別的特征主要有顏色、紋理、形狀、角點等[7-10]。但是這些單一特征僅反映了圖案的某一方面的特征，不能全面表征圖案特征，僅利用某個特征進行圖案識別往往不夠準確。

針對織物掃描圖像的特點，本文首先采用一種紋理抑制平滑濾波算法對掃描織物圖像進行預(yù)處理，抑制圖像中的紗線紋理信息，保留圖案的結(jié)構(gòu)信息；然后提取平滑圖像的邊緣方向直方圖、最大穩(wěn)定極值區(qū)域(maximally stable extremal region, MSER)特征和灰度共生矩陣特征等3類特征，建立特征數(shù)據(jù)庫；最后根據(jù)特征數(shù)據(jù)庫，采用Adaboost算法融合這3類特征建立分類器，對織物掃描圖案進行識別。

1　算法設(shè)計

1.1算法流程

本文提出的算法可以分為預(yù)處理、特征提取、Adaboost分類識別3個過程，算法流程如圖1所示。a)通過紋理抑制平滑算法濾除紗線紋理，降低掃描噪聲，并進行灰度化；b)對平滑后的圖像進行特征提取，提取邊緣方向直方圖、MSER特征和灰度共生矩陣特征，對圖像庫中的圖像建立特征庫；c)將特征庫中數(shù)據(jù)作為訓(xùn)練對象，首先分別計算各訓(xùn)練對象間的邊緣方向直方圖相似度和MSER特征相似度，與訓(xùn)練對象的灰度共生矩陣特征值組成訓(xùn)練樣本集，并進行高斯歸一化處理，然后進行Adaboost訓(xùn)練，建立分類器，最后提取檢索圖像的特征并進行識別，輸出結(jié)果。

圖1　算法流程

1.2紋理抑制平滑濾波

典型的低通濾波器，如高斯低通濾波器，可以有效平滑圖像但會引起邊緣模糊。基于保邊緣的雙邊濾波方法很難平滑織物圖像中的紗線紋理，會保留紋理邊緣?；诳傋儾钅Ｐ突蛳鄬傋儾钅Ｐ偷姆椒╗3]，運用迭代算法分解圖像中的結(jié)構(gòu)信息和紋理信息，但可能會引起過平滑而扭曲織物圖案的細節(jié)。

本文采用紋理抑制平滑濾波算法[11]，可以較好地濾除紗線紋理，保持織物圖案的真實邊緣。該算法在高斯濾波器的基礎(chǔ)上，重新構(gòu)建濾波系數(shù)，根據(jù)空間距離、色彩距離和鄰域梯度距離調(diào)整鄰域像素點的累加權(quán)值，對織物圖像的每個像素點進行線性濾波，該濾波器可以由式(1)表示：

(1)

其中：s表示待濾波像素點；Js為像素點s濾波后的顏色值；Ω為像素點s的鄰域像素點集合；p為集合Ω中的像素點；f、g、h均為高斯函數(shù)，f為空間距離函數(shù)；為色彩距離函數(shù)，可由式(2)表示為：

g(Ip-Is)=

(2)

(3)

(4)

1.3特征提取

1.3.1邊緣方向直方圖

邊緣方向直方圖是基于圖像邊緣的統(tǒng)計特征，能較好地反映圖案的形狀和邊緣信息，而且運算速度較快[12]。

1.3.2MSER特征

MSER被認為是性能最好的仿射不變區(qū)域，在尺度、旋轉(zhuǎn)、模糊和亮度變化等情況下均具有較好的評價[6]。

1.3.3灰度共生矩陣

灰度共生矩陣通過圖像中一定距離和方向的像素值之間的相關(guān)性，來反映圖像在方向、空間、變化幅度等綜合信息，并通過共生矩陣的特征來表征圖像信息[5,13-14]。設(shè)f(x,y)為一幅M×N大小的圖像，灰度級別為Ng，那么滿足一定空間關(guān)系的灰度共生矩陣可以表示為：F(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}，其中#()表示集合中元素的個數(shù)，由此可以得到各種間距及角度的灰度共生矩陣(i,j,d,θ)，表示灰度分別為i和j的兩個相距為d的像素對在角θ方向上出現(xiàn)的次數(shù)。

1.4Adaboost分類算法

Adaboost算法針對同一個訓(xùn)練集訓(xùn)練不同的弱分類器，根據(jù)每次訓(xùn)練的分類結(jié)果確定每個樣本權(quán)值，并將修改權(quán)值的新數(shù)據(jù)送給下層分類器進行迭代訓(xùn)練，然后將每次訓(xùn)練得到的分類器融合來構(gòu)造強分類器[15]。本文采用的算法描述如下。

對于多類問題，假定共有N類，訓(xùn)練樣本集D={(xi,yj)|i=1,…,N},yj=-1表示訓(xùn)練樣本為負樣本，yj=+1表示訓(xùn)練樣本為正樣本。若分類器的學(xué)習(xí)算法L，弱分類器的個數(shù)為M，那么由M個弱分類器構(gòu)成強分類器。多分類Adaboost算法的具體步驟如下：

b)初始化樣本xi權(quán)值Di。若正負樣本數(shù)目分別為N+和N-，則正樣本D1(i)=1/(2×N+)，負樣本D1(i)=1/(2×N-)。

c)迭代。對于m=1,…,M，

i)訓(xùn)練弱分類器fm(x)=L(D,Dm)∈{-1,+1}；

iv)根據(jù)fm(x)調(diào)整各樣本權(quán)重，并歸一化。

d)權(quán)值調(diào)整。

2　實驗與分析

本文選擇了86種較為典型的織物圖案進行實驗，圖像中包含點狀、條紋、規(guī)則幾何圖案以及復(fù)雜圖案等4種類型，每種相似圖案共有6種不同織物，通過掃描獲取了516幅圖像，圖像分辨率為96dpi，圖像格式為JPEG。對每種相似圖案選擇5幅圖像，共430幅，建立圖像庫，通過預(yù)處理、特征提取，建立了特征庫；剩下的86幅圖像為待識別圖像。

a) 預(yù)處理

對圖像庫中的圖像進行紋理抑制平滑濾波，實驗中σg=0.2,σh=2,th=0，并進行灰度化，將灰度范圍為1%～99%的像素點進行線性拉伸。不同類型的織物圖像預(yù)處理結(jié)果見圖2。從圖2(a)中可以看到，織物掃描圖像中存在紗線紋理，織物圖像不平滑；從圖2(b)中可以看出，經(jīng)過紋理抑制平滑濾波，織物掃描圖像中的紗線紋理已經(jīng)基本消除，整幅圖像比較平滑，圖案較清晰；從圖2(c)中可以看出，灰度化后的織物圖像保留了圖案信息，但是也存在一些偽圖案。

圖2　圖像預(yù)處理

b) 分類器構(gòu)建和圖案識別

對特征庫中的數(shù)據(jù)進行處理，建立Adaboost分類器。首先對預(yù)處理后圖像庫中圖像，分別提取邊緣梯度方向直方圖、MSER特征、灰度共生矩陣特征，并建立特征庫；其次分別計算特征庫中各樣本間的邊緣方向直方圖相似度和MSER特征相似度，與特征庫中的灰度共生矩陣特征共同組成為訓(xùn)練樣本；然后對訓(xùn)練樣本進行高斯歸一化；最后采用Adaboost算法進行訓(xùn)練，M設(shè)為5，最大迭代次數(shù)設(shè)為600，獲得Adaboost分類器。

對待識別圖像進行預(yù)處理，提取邊緣梯度方向直方圖、MSER特征和灰度共生矩陣特征，分別計算待識別圖像的邊緣梯度方向直方圖、MSER特征與訓(xùn)練樣本之間的相似度，與灰度共生矩陣特征共同組成識別樣本，通過已建立的Adaboost分類器進行分類識別。

在實驗中發(fā)現(xiàn)，如直接將特征庫中的邊緣梯度方向直方圖、MSER特征相似度和灰度共生矩陣特征組合成訓(xùn)練樣本集，Adaboost分類器很難收斂，且識別率很低。這是因為一方面由3類特征直接組成訓(xùn)練樣本集，樣本維度較大(共21維)，另一方面邊緣梯度方向直方圖(16維)在某一方向上的邊緣點頻數(shù)很難表征圖案的特征，因而造成Adaboost分類器很難收斂，識別率很低。

c) 識別結(jié)果與分析

實驗中分別對單個特征識別方法和本文方法的結(jié)果進行了統(tǒng)計，結(jié)果如表1所示。在采用單個特征的識別算法中，通過識別圖像與圖像庫中對應(yīng)的同一類圖案的平均相似度判別織物圖案類別。

表1　基于不同特征的圖案識別方法的識別率　%

從表1中可以看出：在4種圖案識別方法中，本文提出的多特征融合方法識別率最高，基于邊緣方向直方圖的單特征識別方法次之，基于灰度共生矩陣特征的識別方法最低。邊緣方向直方圖反映了織物圖案的輪廓特征，可以較好地表征規(guī)則幾何圖案和復(fù)雜圖案特征，在3類單特征識別方法中識別率相對較高；MSER特征反映了圖案的區(qū)域特征，可以較好地表征條紋和規(guī)則幾何圖案特征，對于較規(guī)則的圖案的識別率相對較高，但對復(fù)雜圖案的識別率較低；灰度共生矩陣特征較多地反映了圖像的綜合特征，但由于織物掃描圖像中存在較多的紋理噪聲，通過圖像預(yù)處理不能完全濾除，因而識別率比其他方法低；Adaboost分類器融合了以上三類特征，可以實現(xiàn)自動調(diào)整各類特征的權(quán)值，明顯提高了圖案識別率。

3　結(jié)　語

本文提出了一種基于邊緣方向直方圖、MSER特征和灰度共生矩陣特征相融合的織物圖案識別方法，通過Adaboost算法建立了分類器，實驗結(jié)果表明，該方法的織物圖案識別率明顯高于基于單特征的識別方法。

在實驗中發(fā)現(xiàn)，預(yù)處理結(jié)果對提取織物圖案的有效特征影響很大。盡管通過紋理抑制平滑濾波算法可以去除一定尺度的紗線紋理，但是織物掃描圖像中的偽圖案很難濾除，提取的圖案特征不一定準確；掃描獲取的圖像往往存在局部光照不勻，且不同顏色的相似圖案亮度值可能差異較大，因而通過全局灰度化處理容易造成圖案信息失真。因此，后續(xù)研究的重點之一是改進紋理抑制平滑算法和灰度化算法，減少偽圖案，降低顏色對圖案的影響，從而提高圖案特征提取的有效性。在Adaboost分類器構(gòu)建過程中，本文提出的方法需要計算訓(xùn)練樣本之間的相似度，并以此組成樣本數(shù)據(jù)，這大大增加了計算復(fù)雜度。后續(xù)工作將研究如何提取直接表征圖案特性的特征，從而降低分類器構(gòu)建的復(fù)雜度，提高分類器識別效率。

[1]ZHANGJ,XINB,WUX.Areviewoffabricidentificationbasedonimageanalysistechnology[J].TextilesandLightIndustrialScienceandTechnology,2013,2(3):120-130.

[2] 張勇,鄧中民,馬俊.賈卡經(jīng)編織物花紋圖案的自動識別[J].武漢紡織大學(xué)學(xué)報,2015,28(3):45-48.

[3]KUOCFJ,JIANBL,TUNGCP,etal.Automaticmachineembroideryimagecoloranalysissystem,partII:Applicationofthegeneticalgorithminsearchofarepetitivepatternimage[J].TextileResearchJournal, 2012,82(11):1099-1106.

[4] 景軍鋒.基于數(shù)字圖像處理的織物外觀特征研究[D].西安:西安電子科技大學(xué),2013:1-10.

[5] 常利利,馬俊,鄧中民,等.基于灰度共生矩陣的織物組織結(jié)構(gòu)差異分析[J].紡織學(xué)報,2008,29(10):43-46.

[6] 康鋒,胡潔,張華熊,等.基于最大穩(wěn)定極值區(qū)域的織物圖案檢索[J].紡織學(xué)報,2015,36(10):160-165.

[7]BUNTEK,BIEHLM,JONKMANMF,etal.Learningeffectivecolorfeaturesforcontentbasedimageretrievalindermatology[J].PatternRecognition, 2011,44(9):1892-1902.

[8]KEKREHB,THEPADESD,SARODETK,etal.ImageRetrievalusingTextureFeaturesextractedfromGLCM,LBGandKPE[J].InternationalJournalofComputerTheoryandEngineering, 2010,2(5):1793-8201.

[9]KEKREHB,THEPADES,MUKHERJEEP,etal.ImageRetrievalwithShapeFeaturesExtractedusingGradientOperatorsandSlopeMagnitudeTechniquewithBTC[J].InternationalJournalofComputerApplications, 2010,6(8):28-33.

[10]BELLAVIAF,TEGOLOD,VALENTIC.Keypointdescriptormatchingwithcontext-basedorientationesti-mation[J].ImageandVisionComputing, 2014,32(9):559-567.

[11]KANGF,ZHANGHX,HUJ,etal.ANovelSmoothingFilterwithTextureSuppressionforFabricImages[C]//ComputationalIntelligenceandDesign(ISCID), 2014SeventhInternationalSymposiumon.Hangzhou:IEEE, 2014,2:577-580.

[12] 申海洋,李月娥,張?zhí)?基于邊緣方向直方圖相關(guān)性匹配的圖像檢索[J].計算機應(yīng)用,2013,33(7):1980-1983.

[13] 鄭紅,李釗,李俊.灰度共生矩陣的快速實現(xiàn)和優(yōu)化方法研究[J].儀器儀表學(xué)報,2013,33(11):2509-2515.

[14]CONNERSRW,HARLOWCA.Atheoreticalcomparisonoftexturealgorithms[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 1980,2(3):204-222.

[15]VEZHNEVETSA,VEZHNEVETSV. ‘ModestAdaBoost’-teachingAdaBoosttogeneralizebetter[C]//Graphicon’2005.NovosibibskAkademgorodok:RussionAcademyofSciences, 2005,12(5):987-997.

(責任編輯：許惠兒)

Fabric Scanning Pattern Recognition Based on Adaboost Multi-Feature Fusion

ZHANGCheng1,ZHANGHuaxiong1,TIANQiuhong1,SHENYe2,KANGFeng1

(1.School of Information and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China;2.Department of Signal and Information Processing, China Jiliang University, Hangzhou 310018, China)

It is difficult to extract effective pattern features due to the existence of yarn texture in fabric scanning images. For this problem, this paper proposes a pattern recognition method based on multi-feature fusion. Firstly, texture suppression smoothing filtering algorithm was applied to filter yarn texture of fabric scanning images and graying was conducted. Then, edge direction histogram of gray-level images, SURF features of maximally stable extremum regions and features of gray-level co-occurrence matrixes were extracted respectively, and feature database of sample images was established. Finally, by taking feature database of sample images as the training object, three types of pattern features were fused through Adaboost algorithm to establish the classifier and achieve pattern recognition. The experimental results show that the Adaboost-based multi-feature fusion fabric scanning pattern recognition algorithm achieves higher accuracy than single-feature recognition method.

fabric scanning; pattern recognition; texture suppression smoothing; edge direction histogram; maximally stable extremum region; gray-level co-occurrence matrix; feature fusion; Adaboost

2015-09-23

國家自然科學(xué)基金項目(51405448)；浙江省自然科學(xué)基金項目(LY13H180011)；浙江省信息服務(wù)業(yè)發(fā)展專項計劃重點項目(浙經(jīng)信軟件[2015]98號)

張誠(1987-)，男，湖北黃岡人，碩士研究生，主要從事計算機圖像處理方面的研究。

康鋒，E-mail:kangf@zstu.edu.cn

TN919；TS145.4

A

1009-265X(2016)05-0025-05