賈小軍， 葉利華， 鄧洪濤， 劉子豪， 陸鋒杰

(1. 嘉興學(xué)院 數(shù)理與信息工程學(xué)院， 浙江 嘉興 314001； 2. 嘉興學(xué)院 設(shè)計學(xué)院， 浙江 嘉興 314001；3. 浙江涵普電力科技有限公司， 浙江 嘉興 314300)

藍(lán)印花布作為傳統(tǒng)印染面料，以其圖案紋樣造型樸素、粗獷，形式多樣、美感，表現(xiàn)手法簡練、完整，設(shè)計風(fēng)格特征鮮明、筆斷意連而聞名于世[1-2]。隨著信息處理技術(shù)的快速發(fā)展及廣泛應(yīng)用，作為國家非物質(zhì)文化遺產(chǎn)的藍(lán)印花布的數(shù)字化傳承與創(chuàng)新逐漸受到重視，利用數(shù)字化復(fù)原和再現(xiàn)技術(shù)對藍(lán)印花布進(jìn)行開發(fā)及創(chuàng)新已迫在眉睫，并逐步成為現(xiàn)實。藍(lán)印花布的數(shù)字化傳承及創(chuàng)新包括紋樣圖像的采集和存儲、復(fù)原和再現(xiàn)、展示與傳播、開發(fā)與創(chuàng)新等[3-4]。藍(lán)印花布紋樣的表現(xiàn)題材包括植物、動物、幾何圖形、文字、符號、器物和人物等，以單一、2種或2種以上的題材組合形成圖案。這些圖案以大小、形狀不同的幾何學(xué)上的點、線、面為基本元素(簡稱基元)，通過變化組織而成。點、線、面交錯斷開，互不相連，形成獨特的“筆斷意連”[5-7]。

點、線、面是構(gòu)成藍(lán)印花布紋樣的基本元素，這些紋樣基元通過縮放、旋轉(zhuǎn)、局部變形，構(gòu)成多種多樣、形態(tài)各異的紋樣。這里的“面”狹指具有某種象征意義的尺寸較小的獨立圖案。提取這些獨立的紋樣基元可以分析一張藍(lán)印花布紋樣由哪些基元組成。分離出這些基元并對其進(jìn)行自動分類，形成各自的基元庫，可為重新創(chuàng)作新的紋樣圖案提供重要的原始素材，這對藍(lán)印花布的數(shù)字化繼承與創(chuàng)新起著極其重要的作用。

圖像分類是計算機視覺領(lǐng)域中的基礎(chǔ)及重要課題，其根本目的是根據(jù)圖像所具有的獨特特征將其劃分到預(yù)先設(shè)定的不同類別中。圖像分類的本質(zhì)是通過計算機對圖像進(jìn)行深層次地理解，分析其底層及高層特征后再進(jìn)行分類。近年來，基于深度學(xué)習(xí)的方法在圖像分類研究中取得了令人注目的成績[8]。深度學(xué)習(xí)方法是含有多個隱層的感知器學(xué)習(xí)型網(wǎng)絡(luò)，通過自動學(xué)習(xí)，反饋、優(yōu)化適合的圖像底層特征，并自動在高層階段組合和抽象底層特征形成高層表示。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)方法中應(yīng)用最為廣泛，在獲取圖像分類特征方面最有效的模型[9]，其局部連接、權(quán)值共享及池化操作等特性使之可以有效地降低網(wǎng)絡(luò)的復(fù)雜度，減少訓(xùn)練參數(shù)，使模型對平移、扭曲、縮放具有一定程度的不變性，并具有較強的魯棒性和容錯能力，也易于訓(xùn)練和優(yōu)化。CNN已在自然場景文本識別[10]、人臉及器官分類與識別[11-12]、行為識別[13]、農(nóng)作物分類及識別[14-16]等方面廣泛應(yīng)用并獲得了較好效果。近兩年來，卷積神經(jīng)網(wǎng)絡(luò)在紡織品檢測方面也得到了一些應(yīng)用。景軍鋒等[17]提出了應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測算法，可實現(xiàn)20種缺陷類型的分類檢測。王飛等[18]利用改進(jìn)的AlexNet網(wǎng)絡(luò)模型，使用Sigmoid分類器，將鄂爾多斯標(biāo)準(zhǔn)羊絨與羊毛數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行50輪次的迭代訓(xùn)練，測試準(zhǔn)確率可達(dá)92.1%。何曉昀等[19]采用由13個卷積層、13個采樣層和4個池化層構(gòu)成的Faster RCNN卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，然后進(jìn)行異性纖維檢測驗證，籽棉圖像中的異性纖維的檢出率可達(dá)到90.3%。王雯雯等[20]提出了一種應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的細(xì)紗斷紗錠位識別方法，神經(jīng)網(wǎng)絡(luò)識別的準(zhǔn)確率達(dá)97%以上。汪珊珊等[21]提出了融合手工情感特征的基于卷積神經(jīng)網(wǎng)絡(luò)的織物圖像情感分類方法，情感分類準(zhǔn)確率為89.7%。

目前，雖然CNN得到了較為廣泛的應(yīng)用，但此理論應(yīng)用于藍(lán)印花布紋樣基元處理的研究比較鮮見。本文在采集了大量藍(lán)印花布紋樣圖案的基礎(chǔ)上，借助紋樣基元提取算法，獲得了大量原始樣本基元，利用CNN對這些基元自動進(jìn)行分類訓(xùn)練。根據(jù)紋樣基元的特點，改進(jìn)及優(yōu)化CifarNet卷積神經(jīng)網(wǎng)絡(luò)[22]的結(jié)構(gòu)與參數(shù)，從而建立了基于卷積神經(jīng)網(wǎng)絡(luò)的藍(lán)印花布紋樣基元的分類模型，以實現(xiàn)紋樣基元的自動分類，并為傳承和創(chuàng)新數(shù)字化藍(lán)印花布圖案提供重要的基礎(chǔ)素材，同時也為進(jìn)一步研究藍(lán)印花布紋樣提供新思路。

1 紋樣基元提取

1.1 紋樣基元

點、線、面元素被廣泛地應(yīng)用在傳統(tǒng)藍(lán)印花布紋樣圖案上，眾多傳統(tǒng)藍(lán)印花布紋樣由密集的點、線、面等基元構(gòu)成。它們以單獨或組合基元的方式，形成以點(線、面)構(gòu)型、點線(面)構(gòu)型、線面構(gòu)型、點線面構(gòu)型等幾種紋樣圖案。點、線、面3種基元通過大小、疏密、虛實、旋轉(zhuǎn)、規(guī)則或不規(guī)則等造型，塑造了具體或抽象的紋樣圖案。本文通過對128張傳統(tǒng)藍(lán)印花布紋樣的分析，對點、線、面這3種基元從幾何形狀、象征意義、使用頻率等關(guān)鍵因素綜合考慮，將其細(xì)分為12類。在同一類中，紋樣基元可進(jìn)行尺度變化、也可進(jìn)行旋轉(zhuǎn)。反之，大小、旋轉(zhuǎn)方向各異但形狀相似的紋樣基元視為同一類，以實現(xiàn)藍(lán)印花布紋樣基元的準(zhǔn)確分類。這12類常見的紋樣基元如圖1所示。

1.2 基元提取

紋樣基元構(gòu)成了藍(lán)印花布圖案，需要將這些基元從采集的藍(lán)印花布圖案中提取出來，形成獨立的子圖像，并集合為訓(xùn)練樣本庫。本文課題組根據(jù)紋樣基元的特點，在前期提出了相應(yīng)的提取算法[23]。

要實現(xiàn)藍(lán)印花布紋樣中各基元的提取，需對獲得的藍(lán)印花布的數(shù)字化圖像進(jìn)行二值化。藍(lán)印花布圖像二值化后，每個紋樣基元由1個閉合的輪廓圍成。假設(shè)每張藍(lán)印花布圖像中有t個紋樣基元，每個基元產(chǎn)生1個輪廓，二值化后的整張藍(lán)印花布圖像將產(chǎn)生t個輪廓，可用式(1)表示一張藍(lán)印花布圖像中所有紋樣基元的輪廓。

(1)

在獲得的藍(lán)印花布圖像中，由于手工制作的因素，圖像中會有疵點，這些疵點通常以孤立點的方式存在。這里的孤立點指輪廓線上的像素極少，非需要的紋樣基元輪廓，需要剔除，可以在提取輪廓時設(shè)定一個閾值T，將輪廓線上的像素數(shù)目小于這個閾值的輪廓剔除，其定義如下：

(2)

式中：Num(·)表示統(tǒng)計輪廓線上的像素個數(shù)；CNq表示新生成的第q個輪廓。

根據(jù)得到的帶有序號的輪廓圖像，將其按序號順序截取，生成獨立的紋樣基元子圖像并進(jìn)行保存，形成基元子圖像?；獔D像的大小由其輪廓線像素的坐標(biāo)確定，取輪廓線像素的x坐標(biāo)的最大值與最小值之差以及輪廓線像素的y坐標(biāo)的最大值與最小值之差，將差值的最大值作為子圖像的寬度和高度，所以得到的紋樣基元子圖像是一個寬度和高度相等的子圖像。整個藍(lán)印花布紋樣基元提取過程如圖2所示。圖2(a)為藍(lán)印花布初始圖像。為植物紋樣的藍(lán)底白花圖案。經(jīng)圖像預(yù)處理，得到二值化圖像。調(diào)用輪廓跟蹤方法，得到二值圖像中各紋樣基元的輪廓，利用提出的算法生成帶有序號的獨立的紋樣基元子圖像，各基元子圖像間尺寸大小不同但每個子圖像自身寬度和高度相等。基元子圖像按輪廓序號依次提取，圖2(b)中共有106個輪廓，因此會生成106個紋樣基元子圖像。由于篇幅關(guān)系，圖2(c)中僅給出前40個紋樣基元子圖像。對這些基元進(jìn)行分類，可歸屬于12類中的米粒紋、貝殼紋、柱形紋、圓形紋等類別。

2 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)空間關(guān)系減少需要學(xué)習(xí)的參數(shù)量以提高前向BP算法的訓(xùn)練性能。CNN由輸入層、隱含層和輸出層組成。隱含層包含若干不同數(shù)量的卷積層、池化層和全連接層。整個網(wǎng)絡(luò)的訓(xùn)練過程分為前向傳播和反向傳播。前向傳播是用當(dāng)前網(wǎng)絡(luò)參數(shù)對輸入的數(shù)據(jù)進(jìn)行分類；反向傳播用來更新網(wǎng)絡(luò)訓(xùn)練參數(shù)。

1) 前向傳播。對于整個網(wǎng)絡(luò)，假設(shè)原始訓(xùn)練集圖像數(shù)據(jù){(x,y)|(x(1),y(1)),…,(x(m),y(m))}由m個已標(biāo)記的樣本構(gòu)成，其中類別標(biāo)簽y可取H個不同的值，即分類類別，其值可表示為y(h)∈{1,2,…,H}。經(jīng)過卷積層、池化層和全連接層處理后，通過邏輯回歸分類器輸出分類結(jié)果y，對于各層特征的運算如下：

(3)

式中：x(l)表示第l層的輸出；xi表示輸入向量；?表示卷積運算；Wi表示該層對應(yīng)的卷積核權(quán)值；s表示輸入的特征圖集合；bi表示偏置矩陣；i表示網(wǎng)絡(luò)的層數(shù)；f(·)表示本層的非線性激活函數(shù)。常用的激活函數(shù)有Sigmoid、Tanh和ReLU等。本文選擇ReLU作為卷積層和全連接層的激活函數(shù)，輸出層采用Softmax函數(shù)并輸出分類標(biāo)簽。若P(y)表示預(yù)測當(dāng)前迭代中歸屬每一類別的概率，其值計算如下：

(4)

式中：T為矩陣轉(zhuǎn)置。Wi表示該層對應(yīng)的卷積核權(quán)值；xi和xj分別表示第i和j層的輸入向量；bi和bj分別表示第i和j層的偏置矩陣。

2) 反向傳播。又稱為誤差傳播。對于m個訓(xùn)練樣本，通過網(wǎng)絡(luò)的前向傳播，結(jié)果會輸出每個類別線性預(yù)測的結(jié)果，根據(jù)這個結(jié)果和網(wǎng)絡(luò)期望的輸出，可以定義網(wǎng)絡(luò)的整體目標(biāo)函數(shù)如下：

(5)

式中：J(·)表示網(wǎng)絡(luò)損失函數(shù)；(xi,yi)表示網(wǎng)絡(luò)反向傳播的輸入，即式(3)中最后一層網(wǎng)絡(luò)的輸出；W表示本次迭代的權(quán)值；λ表示相應(yīng)的歸一化權(quán)重衰減系數(shù)。在訓(xùn)練過程中，為了更新式(5)中的網(wǎng)絡(luò)權(quán)重，使用優(yōu)化算法對每層的參數(shù)W和b進(jìn)行求導(dǎo)，得到網(wǎng)絡(luò)參數(shù)的更新值，其規(guī)則如下：

(6)

2.2 模型構(gòu)建

CifarNet網(wǎng)絡(luò)模型已在CIFAR-10和CIFAR-100帶標(biāo)簽的各類自然場景目標(biāo)圖像分類中取得較好成績。針對藍(lán)印花布紋樣基元的圖像特征，對CifarNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)及優(yōu)化，對輸入的特征圖數(shù)量進(jìn)行調(diào)整，改變池化組合方式以及增加一層丟棄層，得到新的網(wǎng)絡(luò)模型。然后利用改進(jìn)的網(wǎng)絡(luò)模型對藍(lán)印花布紋樣基元子圖像進(jìn)行分類訓(xùn)練。改進(jìn)的CifarNet網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

1) 輸入層。提取出來的藍(lán)印花布紋樣基元，雖然每個子圖像的寬度和高度相等，但各個子圖像尺寸大小不盡相同，必須按比例統(tǒng)一縮放到32像素×32像素。

2) 卷積層。卷積層用于提取圖像特征，C1、C2、C3均為卷積層，使用的卷積核大小為5×5，步長為1，寬度高度均填充2個像素。輸入的圖像經(jīng)過3層卷積運算后，分別得到48個32像素×32像素的特征圖、64個16像素×16像素的特征圖和128個8像素×8像素的新特征圖。在提取圖像特征時，均使用ReLU激活函數(shù)。

3) 池化層。S1、S2、S3為池化層，該層的每個單元與上層卷積特征圖的3×3鄰域相連接，步長為2。其中，S1采用最大值池化方式，S2和S3都采用均值池化方式。通過3層池化處理后，輸出的特征圖大小分別為16像素×16像素、8像素×8像素和4像素×4像素。

4) 全連接層。FC1及后一層為全連接層，其中，F(xiàn)C1輸出的特征向量數(shù)為256，其后一層為12，通過Softmax分類器，計算出屬于每個輸出類別的概率，得到最終的分類結(jié)果。在FC1的輸出端，連接有一個丟棄層dropout，它是為了防止神經(jīng)網(wǎng)絡(luò)過擬合的正則化方式，降低了過擬合的風(fēng)險，本研究中的dropout參數(shù)設(shè)置為0.25。

3 結(jié)果與分析

3.1 實驗環(huán)境及樣本準(zhǔn)備

實驗操作平臺為Windows 7、64位操作系統(tǒng)，Intel?CoreTMi7-7700 K CPU，4.20 GHz x8處理器，GPU使用英偉達(dá)GTX 1080，采用16 nm制作工藝，顯存類型GDDR5X，容量8 GB，核心頻率為1 645～1 785 MHz，深度學(xué)習(xí)平臺采用Caffe框架。

對于采集的原始藍(lán)印花布圖像，人工剔除其中有明顯缺陷的圖像，如嚴(yán)重畸變、相互粘連、形狀損壞等，得到用于實驗的圖像共128張。利用上述算法提取紋樣基元。對過度重復(fù)的同一類別紋樣基元的數(shù)量進(jìn)行控制，隨機選擇其中一部分基元作為樣本，形成共21 212張紋樣基元圖像的數(shù)據(jù)集，分為12種類型：圓形紋、米粒紋、柱形紋、貝殼紋、菱形紋、龜背紋、三角紋、月形紋、四葉紋、魚鱗紋、山形紋、三節(jié)紋。其中，16 970張作為訓(xùn)練樣本，4 242張作為測試樣本，訓(xùn)練樣本約為測試樣本的4倍。每種類型包含訓(xùn)練樣本約1 400張和測試樣本約350張。為了檢驗?zāi)Ｐ偷淖R別效果，在獲得的紋樣基元中，除了用于訓(xùn)練的樣本數(shù)據(jù)外，還建立了約2 500張左右的檢測樣本集，用于12種紋樣基元的分類識別，每類樣本數(shù)量約為200張左右。

3.2 分類訓(xùn)練過程及分析

采用帶動量因子(momentum)的小批量隨機梯度下降法(SGD)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練及測試樣本的數(shù)據(jù)批量值均為128，帶動量因子設(shè)置為0.9。在訓(xùn)練過程中，迭代次數(shù)為50 000，初始學(xué)習(xí)率設(shè)為0.01，訓(xùn)練過程中每次隨機選擇128張圖像進(jìn)行訓(xùn)練，每張圖像都會多次使用，并選擇128張圖像進(jìn)行交叉驗證，每迭代200次對訓(xùn)練進(jìn)行評價。訓(xùn)練過程中，訓(xùn)練損失值、測試損失值及測試準(zhǔn)確率隨訓(xùn)練進(jìn)行而變化的過程如圖4所示。

訓(xùn)練損失值是指訓(xùn)練集在模型中的預(yù)測結(jié)果與真實結(jié)果的誤差、測試損失值是指測試集在模型中的測試結(jié)果與真實結(jié)果的誤差，測試準(zhǔn)確率是指隨機選取圖像進(jìn)行準(zhǔn)確分類的百分比。對于訓(xùn)練過程，訓(xùn)練損失值和測試損失值越小學(xué)習(xí)效果越好，測試準(zhǔn)確率越大越好。每次訓(xùn)練的預(yù)測值會與實際值相比較并通過反向傳播以改變網(wǎng)絡(luò)的各層權(quán)重，從而優(yōu)化網(wǎng)絡(luò)參數(shù)，提高網(wǎng)絡(luò)性能。從圖4中觀察發(fā)現(xiàn)，測試集的分類準(zhǔn)確率在訓(xùn)練過程中不斷提升(見圖4(a))，訓(xùn)練損失值及測試損失值不斷降低(見圖4(b))，迭代一定次數(shù)后，網(wǎng)絡(luò)性能趨于穩(wěn)定。在前10 000次迭代訓(xùn)練過程中，測試準(zhǔn)確率提升迅速，之后測試準(zhǔn)確率基本穩(wěn)定在99%以上；訓(xùn)練損失值和測試損失值前10 000次迭代時下降較快，之后在0.03以下維持平穩(wěn)，特別是訓(xùn)練損失值，趨于平穩(wěn)后，接近于0.000 1。

迭代10 000次以后，測試準(zhǔn)確率上升比較緩慢，而訓(xùn)練損失值和測試損失值在迭代10 000次以后也下降緩慢。在迭代25 000次之后，模型基本收斂到最佳。為了防止過擬合，在全連接層后增加了一層丟棄值，丟棄值設(shè)為0.25。將設(shè)置好的網(wǎng)絡(luò)模型多次進(jìn)行相同訓(xùn)練(保持網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及訓(xùn)練初始參數(shù))，觀測到測試分類準(zhǔn)確率為(99.61±0.05)%，證明此模型在得到較高測試分類準(zhǔn)確率的同時能有效限制過擬合。根據(jù)訓(xùn)練損失值、測試損失值和測試準(zhǔn)確率的變化可以看出網(wǎng)絡(luò)模型的訓(xùn)練效果較為理想，提出的CNN模型具有準(zhǔn)確分類藍(lán)印花布紋樣基元的能力。

3.3 對比實驗及分析

1) 網(wǎng)絡(luò)模型對分類準(zhǔn)確率的影響。卷積神經(jīng)網(wǎng)絡(luò)通常使用Softmax分類器進(jìn)行目標(biāo)分類，如LeNet-5、CifarNet、AlexNet、GoogLeNet等。在分類器設(shè)計方面，支持向量機(SVM)[25]也具有良好的分類效果。為驗證本文網(wǎng)絡(luò)模型的分類性能，對使用Caffe平臺的原型LeNet-5、CifarNet網(wǎng)絡(luò)模型以及根據(jù)CifarNet模型輸出結(jié)果再利用SVM分類器進(jìn)行分類的3種方法，從平均分類準(zhǔn)確率、訓(xùn)練時間2個維度與本文方法進(jìn)行比較，結(jié)果如表1所示。

表1 4種分類方法的性能比較Tab.1 Performance comparison of 4 classification methods

從表1可以看出，本文提出的改進(jìn)的CifarNet網(wǎng)絡(luò)模型的平均分類準(zhǔn)確率高于其他3種方法，平均分類準(zhǔn)確率達(dá)99.61%。由于本文方法在提取特征圖以及網(wǎng)絡(luò)層數(shù)量上均大于原型的LeNet-5和CifarNet，因此訓(xùn)練時間最長。SVM分類器僅加在輸出層，用來對分類結(jié)果打分，因此其訓(xùn)練過程與本文方法相似，性能差不多。時間上僅相差1.5 min，對于目前計算機硬件配置來說，時間上的差異已微不足道。LeNet-5模型用時最少，但平均分類準(zhǔn)確率最低。

2) 池化策略對分類準(zhǔn)確率的影響。池化層位于卷積層之后，用來降低卷積層輸出的特征向量，其策略有最大值池化和平均池化2種方法。最大值池化用于更好地保留紋理上的特征，平均池化能保留整體數(shù)據(jù)的特征和突出背景的信息。在CifarNet網(wǎng)絡(luò)模型中，有3個3×3鄰域、步長為2的池化層S1、S2和S3。不同的池化策略組合對測試的平均分類準(zhǔn)確率有影響。假設(shè)用S1+S2+S3表示3層池化的組合，其組合方式可分為：Max+Max+Max，用大寫字母A表示；Ave+Ave+Ave，用大寫字母B表示；Max+Max+Ave，用大寫字母C表示；Max+Ave+Ave，用大寫字母D表示。A、B、C、D在不同的池化策略下得到的平均分類準(zhǔn)確率分別為97.23%、99.02%、98.50%、99.61%。

可知3個池化層采用Max+Ave+Ave的池化組合方式，其平均分類準(zhǔn)確率最大，而Max+Max+Max相對來說最低。對于藍(lán)印花布紋樣基元圖像來說，其最明顯的特征是基元形狀及邊緣輪廓，紋理特征不明顯，背景單一，因此在S1層采用Max池化能保留淺層紋理特征，在S2層和S3層采用Ave池化，可以更多地保留圖像背景信息，利于提取關(guān)鍵特征，因而提升了平均分類準(zhǔn)確率。

3) 模型效果驗證。按照圖3所示的網(wǎng)絡(luò)模型，為了驗證模型的可靠性與實際泛化性能，使用訓(xùn)練好的模型對紋樣基元樣本進(jìn)行識別。用于識別實驗的檢測樣本數(shù)量為1 200張，每類樣本100張，來自于2 500張檢測樣本集中的一部分。對原型LeNet-5、CifarNet網(wǎng)絡(luò)模型以及根據(jù)CifarNet模型輸出結(jié)果再利用SVM分類器進(jìn)行分類的3種方法及本文方法進(jìn)行識別，結(jié)果如表2所示。

表2 4種方法的識別率Tab.2 Recognition rates of four methods %

從表中可以看出，本文改進(jìn)的模型分類識別準(zhǔn)確率最高，表現(xiàn)較LeNet-5、CifarNet以及SVM分類器模型更好。這主要是因為LeNet-5模型最初的設(shè)計是用于較簡單的數(shù)字識別，模型層次少，特征數(shù)量有限。后面3種方法識別準(zhǔn)確率都達(dá)到了97%以上，用于紋樣基元的分類識別表現(xiàn)較好。結(jié)合實驗數(shù)據(jù)綜合分析，所設(shè)計的網(wǎng)絡(luò)模型為最佳。在進(jìn)行12類基元識別時，圓形紋、龜背紋和四葉紋之間存在一定的誤判，米粒紋和貝殼紋之間，柱形紋和三節(jié)紋之間也存在這種情況。原因在于其特征具有一定的相似性。而對于菱形紋、三角紋、月形紋、魚鱗紋和山形紋，特征獨特，識別率較高，識別結(jié)果也較符合主觀視覺特征效果。

4 結(jié)束語

藍(lán)印花布是國家非物質(zhì)文化遺產(chǎn)，利用圖像處理技術(shù)對其進(jìn)行傳承及創(chuàng)新是很有必要的，然而目前這方面的研究還不多，需要更多研究人員參與進(jìn)來。本文利用提取藍(lán)印花布紋樣基元的算法從原始藍(lán)印花布紋樣圖案中提取獨立的基元圖像。對提取到的大量的基元圖像進(jìn)行分類，作為各種類別的基元圖庫，為此提出了一種基于改進(jìn)的CifarNet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練。根據(jù)基元圖像的形狀特征，分為12類，建立了相應(yīng)的訓(xùn)練樣本和測試樣本。利用建立的網(wǎng)絡(luò)模型進(jìn)行分類訓(xùn)練，其平均分類準(zhǔn)確率達(dá)99.61%，檢測平均準(zhǔn)確率達(dá)98.5%。通過和另外3種分類方法的比較，驗證了提出的網(wǎng)絡(luò)模型進(jìn)行紋樣基元分類的可行性及有效性，為藍(lán)印花布紋樣基元的自動分類打下了基礎(chǔ)。對于新得到的基元圖像，可以根據(jù)網(wǎng)絡(luò)的測試結(jié)果自動進(jìn)行分類，這對于藍(lán)印花布的傳承與創(chuàng)新，將起到積極的作用。