李鵬飛,閆亞娣,張凱兵,王 珍,朱丹妮

(西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048)

0 引 言

由于織物表面是由基本組織結(jié)構(gòu)按照一定的交織規(guī)律排列形成，不同的織物具有相異的組織結(jié)構(gòu)，而紋理是描述織物表面的重要屬性，具有局部區(qū)域不規(guī)則，整體區(qū)域規(guī)律的特點(diǎn)[1].織物種類的繁雜以及織物紋理的多樣性和復(fù)雜性使得織物紋理在分類方面存在一定難度[2-3].目前對織物紋理的分類主要由人工視覺完成，這種人工視覺的方式不僅耗費(fèi)大量的人力，且分類效率低[4-5].隨著計(jì)算機(jī)和圖像處理技術(shù)的發(fā)展，傳統(tǒng)的人工視覺分類方法已經(jīng)不能滿足當(dāng)今紡織行業(yè)領(lǐng)域的需求，基于圖像處理技術(shù)的分類方法能夠克服人工方法存在的問題，大大提高分類效率和分類準(zhǔn)確率.

織物紋理圖像的分類一直備受關(guān)注，作為織物分析研究領(lǐng)域的重要方面，對于織物紋理分類，早在1996年Barrett等[6]提出了一種基于小波神經(jīng)網(wǎng)絡(luò)方法的在線織物分類技術(shù)，具有較高的分類正確率，但該方法的數(shù)據(jù)采集速度較慢，達(dá)不到實(shí)時性的應(yīng)用要求；Fan等[7]利用神經(jīng)網(wǎng)絡(luò)分類器和降維約減進(jìn)行織物分類，實(shí)驗(yàn)結(jié)果表明該方法僅對部分類型的織物有效，且總體分類精度較低；Salem等[8]利用Gabor，支持向量機(jī)(SVM)和灰度共生矩陣(GLCM)3種方法對織物紋理進(jìn)行分析實(shí)現(xiàn)自動識別，盡管有較高的識別率，但是SVM僅對平紋圖像分類準(zhǔn)確率高，而基于GLCM的方法計(jì)算時間復(fù)雜度較高；Jing等[9]基于紋理特征和概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行織物結(jié)構(gòu)自動分類，實(shí)驗(yàn)結(jié)果表明，該方法分類準(zhǔn)確率可達(dá)95%；之后，又提出了LBP灰度共生矩陣(GLCM)融合的織物組織結(jié)構(gòu)分類方法，由于該方法獲取的是織物的全局組織結(jié)構(gòu)，對于紋理結(jié)構(gòu)復(fù)雜的色織物分類性能存在較大的局限性[10]；張宏偉等[11]利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行織物花型分類，該方法具有較高的運(yùn)算效率，但該方法需要大量的織物樣本訓(xùn)練相應(yīng)的模型，而且不同數(shù)量的樣本訓(xùn)練得到的模型對分類精度有較大的影響.針對上述分類算法存在實(shí)時性較低、識別精度不高以及織物紋理結(jié)構(gòu)存在的多樣性等分類問題，本文給出一種基于AdaBoost局部二進(jìn)值模式(LBP)特征的色織物紋理分類算法,針對織物圖像的訓(xùn)練集訓(xùn)練不同的弱分類器，再集合這些弱分類器，構(gòu)成一個更強(qiáng)的最終分類器，實(shí)現(xiàn)了4種類型的織物自動分類.LBP是從織物圖像像素的鄰域或者局部來描述織物紋理的特征，然后利用AdaBoost算法對織物進(jìn)行分類.實(shí)驗(yàn)結(jié)果表明提出的分類算法具有一定的實(shí)時性，使得織物紋理的自動識別率更準(zhǔn)確.

1 特征提取

1.1 紋理特征提取

紋理的特征提取是進(jìn)行紋理分類的關(guān)鍵，目前圖像紋理特征提取的方法主要有基于統(tǒng)計(jì)的方法[12]、基于模型的方法[13]和基于變換域的方法[14].統(tǒng)計(jì)的方法主要利用圖像灰度直方圖的統(tǒng)計(jì)矩陣進(jìn)行提取，典型的分析方法有灰度共生矩陣[15]和方向梯度直方圖[16]；基于模型的方法是假設(shè)圖像為一參數(shù)模型，經(jīng)典的方法有馬爾科夫隨機(jī)場模型[17]和分形模型[18]；基于變換域的方法主要有Gabor變換[19]、小波變換[20]和傅里葉變換[21].

針對織物紋理的局部不相似，全局有規(guī)律的特性，文中采用LBP進(jìn)行織物圖像的紋理特征提取，所提取的LBP特征能夠獲取織物圖像的局部和全局紋理特征，并進(jìn)行有效的分類.

1.2 LBP的實(shí)現(xiàn)

LBP是由T.Ojala等[22]于1994年提出的一種描述圖像局部紋理的特征算子，具有旋轉(zhuǎn)不變性和灰度不變性等特點(diǎn)，可用于圖像特征的分析.經(jīng)典的LBP算子定義為3×3的正方形窗口，以窗口的中心像素為閾值，將其相鄰8鄰域像素的灰度值與當(dāng)前窗口中心點(diǎn)的像素值比較，若鄰域的像素值小于中心點(diǎn)的像素值，則將該像素點(diǎn)的值置0，反之置1.比較之后產(chǎn)生一個8位的二進(jìn)制數(shù)，即為LBP碼.這樣通過計(jì)算的LBP碼就可反映該窗口的區(qū)域紋理特征信息.具體實(shí)現(xiàn)過程如圖1所示.

(10000111)10=225圖 1 LBP碼的形成過程Fig.1 The formation process of LBP code

但是該實(shí)現(xiàn)過程只覆蓋了一個固定半徑范圍內(nèi)的小區(qū)域，而且僅僅適用于灰度值的單調(diào)變化.為了滿足不同尺寸和頻率的紋理的需求，將3×3鄰域擴(kuò)展到任意鄰域，并用圓形鄰域代替正方形鄰域，通過改變圓的半徑和鄰域個數(shù)可實(shí)現(xiàn)不同尺度和角度的特征分析.實(shí)際應(yīng)用中，為實(shí)現(xiàn)旋轉(zhuǎn)不變性，減少特征向量的維數(shù)，降低高頻噪聲帶來的影響，定義如下的局部二值計(jì)算公式為

(1)

(2)

式中:gp表示鄰域像素點(diǎn)的灰度值；gc表示中心像素點(diǎn)的灰度值；P表示鄰域集內(nèi)的采樣點(diǎn)數(shù)；R表示圓形鄰域的半徑.不同半徑和鄰域像素形成的幾種LBP算子如圖2所示.

圖 2 4種LBP算子Fig.2 Four types of LBP operators

在紋理分類等應(yīng)用中，將圖像劃分為若干子區(qū)域，對每個子區(qū)域內(nèi)的每個像素點(diǎn)提取LBP特征，然后在每個子區(qū)域內(nèi)建立LBP特征的統(tǒng)計(jì)直方圖，這樣就可以用若干個直方圖組來描述整個圖像.對于實(shí)驗(yàn)中的織物圖像進(jìn)行特征提取時，為了較大程度地獲取表征織物結(jié)構(gòu)的特征，同時又不失去織物的細(xì)節(jié)特征，將輸入的50×50圖像劃分為20×20個子區(qū)域，對每一個子區(qū)域內(nèi)的各個像素點(diǎn)提取LBP特征，得到每一幅圖像所表示的5 600維的LBP特征.然后對4類織物的400幅圖像分別進(jìn)行LBP特征提取，將得到的所有特征按行排列，即可得到最終400×5 600的特征矩陣作為下一步訓(xùn)練的模型.

2 AdaBoost分類算法

AdaBoost是一種集成迭代的自適應(yīng)增強(qiáng)算法，能夠很好地應(yīng)用于分類問題.AdaBoost算法通過改變數(shù)據(jù)的分布，即在分類過程中通過修改樣本的權(quán)值來實(shí)現(xiàn)分類，根據(jù)每次迭代中訓(xùn)練集內(nèi)每個樣本的分類正確與否，并參考上次迭代的分類正確率，來更新每個樣本的權(quán)值.其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，對于前一個弱分類器分錯的樣本，權(quán)值會得到加強(qiáng)，加權(quán)后的全體樣本再次被用來訓(xùn)練下一個基本分類器，同時在每一輪中加入一個新的弱分類器，直到達(dá)到預(yù)先指定的迭代次數(shù)或者預(yù)定的最小錯誤率，每次迭代結(jié)束后，所有的弱分類器融合作為最終的決策強(qiáng)分類器.具體的算法描述如圖3所示.

給定一個訓(xùn)練數(shù)據(jù)集T={(x1,y1),(x2,y2)，…，(xN,yN)},xi表示數(shù)據(jù),yi表示數(shù)據(jù)所屬的類．AdaBoos的目的就是從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)一系列弱分類器,然后將這些弱分類器組合成一個強(qiáng)分類器．首先,初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布,每一個訓(xùn)練樣本最開始時都被賦予相同的權(quán)值,即1/N.

(3)

圖 3 AdaBoost算法Fig.3 AdaBoost algorithm

進(jìn)行迭代,用m=1,2,…,M表示迭代的輪數(shù)．使用具有權(quán)值分布為Dm的訓(xùn)練數(shù)據(jù)集學(xué)習(xí),得到基本的弱分類器:Gm(x):χ→{-1,+1},即分類誤差率大于50%的分類器,計(jì)算弱分類器Gm(x)在訓(xùn)練數(shù)據(jù)集上的分類誤差率,得

(4)

(5)

更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布,以得到樣本新的權(quán)值分布,用于下一輪迭代,有

Dm+1=(ωm+1,1,ωm+1,2,…,ωm+1,i,…,ωm+1,N),

(6)

(7)

(8)

式中:Zm是規(guī)范化因子,在新一輪的迭代中,被基本分類器錯分類的樣本權(quán)值增大,而被正確分類的樣本權(quán)值減?。ㄟ^這樣的方式,AdaBoost方法能夠重視錯分類的樣本,從而在下一輪迭代中分配較大的權(quán)重,使得難分的樣本可以在新的分類中被正確分類.

組合各個弱分類器,表示為如下的f(x),得

(9)

通過分析可以得到最終的強(qiáng)分類器G(x)，為

(10)

3 實(shí)驗(yàn)與分析

此算法運(yùn)行的軟件環(huán)境為MATLAB R2014a，系統(tǒng)環(huán)境為Windows7和6 GB RAM內(nèi)存。為了驗(yàn)證本文提出算法的有效性，從TILDA織物紋理圖庫及CCD相機(jī)采集的織物圖像數(shù)據(jù)中選擇了1 300幅織物圖像進(jìn)行實(shí)驗(yàn)，對其進(jìn)行分類和預(yù)處理操作，將圖像分為4類，包含緞紋、斜紋、梭織，其中緞紋由相鄰兩根經(jīng)紗或緯紗上的單獨(dú)組織點(diǎn)均勻分布但不相連續(xù)的織物組織，梭織是將紗線由經(jīng)緯2個方向相互垂直交織而成的布，斜紋采用各種斜紋組織使織物表面呈現(xiàn)經(jīng)或緯浮長線構(gòu)成的斜向紋路，這里選擇2種不同紋理的斜紋表示為斜紋1和斜紋2，分別標(biāo)記為“1，2，3，4”.每一類包含100幅大小為50×50的相似紋理結(jié)構(gòu)的織物圖像，共400幅圖像，部分織物樣本如圖2所示.對圖像進(jìn)行人工分類和標(biāo)記，建立訓(xùn)練和測試圖像庫，其中在每一類圖像集中隨即選取75%(300幅圖像)用于訓(xùn)練，剩余的25%(100幅圖像)用于測試.在訓(xùn)練階段，通過AdaBoost算法建立一個訓(xùn)練模型，在測試階段用來分類，能夠?qū)崿F(xiàn)織物的自適應(yīng)和實(shí)時分類.

(a) 緞紋 (b) 梭織 (c) 斜紋1 (d) 斜紋2圖 4 織物樣本Fig.4 The fabric samples

在使用LBP進(jìn)行織物特征提取時,不同的鄰域半徑和鄰域個數(shù)會導(dǎo)致不同的特征表示,實(shí)驗(yàn)中比較不同半徑R=1,2,2,3對應(yīng)的鄰域像素P=8,8,16,24的LBP特征,以及該參數(shù)對應(yīng)不同弱分類器時的分類準(zhǔn)確率,具體的分類結(jié)果如表1所示.可以看出,對于相同紋理的織物,取不同鄰域半徑和鄰域像素?cái)?shù)時,所提取的LBP特征也是不同,從而建立的分類模型也不同,最后的分類準(zhǔn)確率也不同;對于相同的鄰域半徑和鄰域像素?cái)?shù),在不同的弱分類器個數(shù)下,分類準(zhǔn)確率也不同.從表1的實(shí)驗(yàn)數(shù)據(jù)可以看出,當(dāng)鄰域半徑為2,鄰域像素為8時,分類的準(zhǔn)確率最高為100%;當(dāng)鄰域半徑為1,鄰域像素為8時分類率在弱分類器為30時分類準(zhǔn)確率達(dá)到最高,為94%;當(dāng)鄰域半徑為2,鄰域像素為16時在弱分類器為40時的分類率,最高僅能達(dá)到94%,但代價是消耗了更大的計(jì)算成本;當(dāng)鄰域半徑為3,鄰域像素為24時,分類準(zhǔn)確率在弱分類器為40時最高可達(dá)到96%.根據(jù)上述實(shí)驗(yàn)結(jié)果和考慮識別過程中的計(jì)算成本,本文實(shí)驗(yàn)中選取的經(jīng)典算子進(jìn)行紋理特征的提取.

表 1 不同鄰域半徑和鄰域像素?cái)?shù)對應(yīng)不同弱分類器的分類準(zhǔn)確率Table 1 The accuracy rate with different R and P corresponding weak classifiers弱分類器數(shù)LBP不同取值準(zhǔn)確率/%LBP(1,8)LBP(2,8)LBP(2,16)LBP(3,24)10819791942092989195309410093964092989496

由于LBP特征能夠更好地表征織物紋理特性，為了證明LBP在織物紋理特征表征上的有效性，實(shí)驗(yàn)中對比了Gabor特征表示[19]、方向梯度直方圖(histogram oriented gradient,HOG)特征表示[16]和本文提出的LBP特征表示在AdaBoost分類器上的準(zhǔn)確率.具體的

表 2 不同特征表示的AdaBoost算法的分類精度Table 2 The classification accuracy of AdaBoost algorithm represented by different features

結(jié)果如表2所示, Gabor特征表示的AdaBoost分類準(zhǔn)確率最高為75%，分類的準(zhǔn)確率較低；HOG特征表示的AdaBoost分類在梭織和斜紋2上能夠達(dá)到較高的準(zhǔn)確率；而提出的LBP特征表示在實(shí)驗(yàn)的4類織物上都可達(dá)到較高的分類準(zhǔn)確率.

為了評價提出的AdaBoost分類算法的性能，使用分類的正確率作為評價標(biāo)準(zhǔn).其中分類的正確率y表示準(zhǔn)確分類的樣本數(shù)目與參加分類的總樣本數(shù)的比值，實(shí)驗(yàn)中有4類織物，每類均有100幅圖像，其中隨機(jī)選取的75%作為AdaBoost訓(xùn)練樣本，其余的25%作為測試樣本.通過式(11)可得到分類的準(zhǔn)確率.

(11)

表 3 不同弱分類器數(shù)目下的分類 精度和運(yùn)行時間Table 3 The classification accuracy and CPU Time in different numbers of weak classifier

式中：N準(zhǔn)確表示正確分類的樣本數(shù)目；N總表示進(jìn)行分類的總樣本.實(shí)驗(yàn)通過設(shè)置不同個數(shù)的弱分類器進(jìn)行迭代，訓(xùn)練出不同的弱分類器，建立基于AdaBoost自動分類的模型，對隨機(jī)選取的測試樣本進(jìn)行分類，具體的分類精度如表3所示.由表3可以看出，當(dāng)訓(xùn)練的弱分類器的個數(shù)較少時，準(zhǔn)確率較低，但是節(jié)約了運(yùn)行時間，經(jīng)過比較發(fā)現(xiàn)，弱分類器的個數(shù)為10時，分類的準(zhǔn)確率僅僅86%，運(yùn)行時間也相應(yīng)地減少為194 s；當(dāng)弱分類的數(shù)目達(dá)到30時，對錯分樣本的重視程度更高，在下一輪訓(xùn)練中，再次對錯分樣本進(jìn)行訓(xùn)練，這樣錯分樣本在更多次的訓(xùn)練中，權(quán)重增加；但是并不是弱分類器數(shù)目越大越好，當(dāng)弱分類器個數(shù)過大時，CPU運(yùn)行時間會成倍地增加，而分類精度的提升很小，這是因?yàn)殄e分的樣本權(quán)重不可能無限地增加，所以實(shí)驗(yàn)中選擇弱分類器即迭代次數(shù)為30進(jìn)行訓(xùn)練.

為了進(jìn)一步評價該分類算法的優(yōu)劣，本文利用混淆矩陣和ROC曲線判定AdaBoost算法的分類性能.混淆矩陣也稱為錯誤矩陣，矩陣的每一列表達(dá)了分類器對于樣本的預(yù)測比例，每一行的數(shù)據(jù)總數(shù)代表了該類被分類的百分比.而ROC曲線是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)，橫坐標(biāo)表示分類的假正率，縱坐標(biāo)表示分類的真正率.

圖 5 混淆矩陣Fig.5 Confusion matrix

圖5是4種類型的織物紋理基于AdaBoost的分類結(jié)果.在該混淆矩陣中，斜對角線上的數(shù)據(jù)表示每一類織物分類的百分比.從圖5可以看出，該分類算法對于第2類織物能完全分類，第4類織物也有較高的分類率.其中0.12表示第3類織物被錯分為第1類的比例，0.04表示第4類被錯分為第1類的百分比.可以得出，提出的基于AdaBoost織物紋理分類算法是有效可行的.

圖6是4種類型織物分類的ROC曲線，在ROC曲線中，RFP(假正率)是作為X軸表示被預(yù)測為正的負(fù)樣本結(jié)果數(shù)與負(fù)樣本實(shí)際數(shù)的比值，RTP(真正率)作為Y軸是正樣本預(yù)測結(jié)果數(shù)與正樣本實(shí)際數(shù)的比值，表示式為

RFP=FP/(FP+TN)，

RTP=TP/(TP+FN).

式中：FP是假正，指被模型預(yù)測為正的負(fù)樣本；TN是真負(fù)，指被模型預(yù)測為負(fù)的負(fù)樣本；TP是真正，指被模型預(yù)測為正的正樣本；FN是假負(fù)，指被模型預(yù)測為負(fù)的正樣本.圖6中紅色曲線R為對每一類的每個樣本的分類率，綠色曲線B為模擬的平滑曲線，當(dāng)分類曲線越靠近坐標(biāo)位置的左上角，即坐標(biāo)1，分類的精確度就更高.從圖6可以看出，對于進(jìn)行分類的4種樣本，梭織類和斜紋2的曲線更靠近坐標(biāo)的左上角位置，相應(yīng)的分類率也高，而斜紋1和緞紋類相應(yīng)的準(zhǔn)確率較低.通過綜合分析，所提出的AdaBoost分類算法有很好的分類性能，對每一類織物的分類真正率都更接近1，假正率基本為0，即該分類器錯分樣本的能力很低.

(a) 緞紋 (b) 梭織

(c) 斜紋1 (d) 斜紋2圖 6 ROC曲線Fig.6 ROC curves

4 結(jié)束語