王雪嬌

[摘? ? 要]針對紡織行業(yè)花式色紗緯編針織面料依據(jù)圖案紋理自動分類問題，提出一種基于局部二值模式（Local binary pattern，LBP）和支持向量機（Support vector machine，SVM）的組合模型分類方法，對面料紋理進行特征提取和類別判定。對圖片采用中值濾波去噪，通過優(yōu)選采樣模板半徑和核函數(shù)，以LBP旋轉不變模式提取面料紋理LBP特征直方圖，并利用參數(shù)優(yōu)化的SVM支持向量機的分類模型對面料進行分類。實驗結果表明：采樣模板半徑為5像素點的LBP旋轉不變式算法能較優(yōu)地滿足3類面料紋理的特征提取要求，經(jīng)過參數(shù)優(yōu)化的SVM分類模型，實現(xiàn)3類面料紋理分類的準確率達96.67%，分類效果較好。

[關鍵詞]花式色紗面料紋理;圖像處理;特征提取;自動分類

[中圖分類號]TP391.4 [文獻標志碼]A [文章編號]2095–6487（2021）11–0–03

Automatic Extraction and Classification of Fabric Texture Based on LBP and SVM

Wang Xue-jiao

[Abstract]To solve the problem of automatic classification of fancy color yarn weft knitted fabric according to pattern and texture in textile industry， a combined model classification method based on Local binary pattern （LBP） and Support Vector Machine （SVM） was proposed. Feature extraction and classification determination of fabric texture were carried out. The image was denoised by median filtering， and the LBP feature histogram of fabric texture was extracted by LBP rotation invariant mode by optimizing sampling template radius and kernel function， and the three kinds of fabric were classified by SVM classification model with optimized parameters. The experimental results show that the LBP rotation invariant algorithm with a radius of 5 pixels of sampling template can better meet the feature extraction requirements of the three kinds of fabric texture. The classification accuracy of the three kinds of fabric texture is 96.67% after the SVM classification model with optimized parameters， and the classification effect is good.

[Keywords]fancy color yarn fabric texture; image processing; feature extraction; automatic classification

紡織面料具有明顯的圖案紋理屬性且種類繁多，傳統(tǒng)的面料圖案紋理檢索都需要通過人工在實物樣品庫中查找，不同圖案紋理面料的分類檢索為紡織企業(yè)增加了龐大的工作量。隨著計算機技術的不斷發(fā)展，圖像處理技術為實現(xiàn)面料圖案紋理的自動識別與分類檢索提供了有效手段。面料圖像紋理的分類檢索已成為研究熱點，高效地分類檢索這些圖像具有重要意義。

局部二值模式算法（Local Binary Patterns，簡稱LBP）是一種用來表達圖像紋理特征的算法，該方法是1996年由芬蘭奧盧大學的Timo Ojala等人。2002年Timo Ojala等人再次對LBP算法進行了改進，提出了具有旋轉不變性的LBP改進算法，解決了圖像旋轉對LBP紋理特征的影響。LBP紋理特征提取算法廣泛應用于圖像處理和機器視覺等領域。在紡織領域，一種基于局部二進制模式（LBP）與灰度共生矩陣（GLCM）相結合的面料組織分類算法用來實現(xiàn)織物組織結構的自動分類。LBP算法也用于檢測網(wǎng)狀織物紋理缺陷，以及基于紋理特征的圖像匹配領域。

支持向量機（Support Vector Machine，SVM）由Cortes等人提出，是一種基于統(tǒng)計學理論建立的機器學習分類模型。相對于基于經(jīng)驗風險的人工神經(jīng)網(wǎng)絡，SVM基于結構風險最小化，可以有效避免過擬合、低泛化能力等缺陷。由于其適用性強、魯棒性好且計算量適中，已經(jīng)廣泛應用于模式識別和圖案紋理分類等領域。其中，結合LBP和SVM的織物疵點檢測算法被應用于織物質(zhì)量在線自動檢測，推動了織物質(zhì)量檢測自動化，具有較好的應用前景。

針對紡織行業(yè)花式色紗緯編針織面料依據(jù)圖案紋理自動分類問題，筆者提出了一種基于局部二值模式（LBP）和支持向量機（SVM）的組合模型分類方法，對面料紋理進行特征提取和類別判定。通過采集3類不同圖案紋理的花式色紗緯編針織面料圖像，建立面料圖像的樣本庫。對圖像進行預處理，運用采樣模板自適應半徑閾值的旋轉不變模式LBP算法提取面料紋理特征，再利用SVM支持向量機對3類圖案紋理進行分類，并驗證分類的準確性。圖1為本文選用的3類面料圖像。

1 LBP算法提取圖像特征

1.1 基礎LBP算法

LBP算法是一種灰度尺度恒定的圖像紋理算法，具有灰度不變性的優(yōu)點，對光照不敏感。其具體方法是以模板中心點像素的灰度值作為閾值，與它四周的相鄰像素灰度值進行比較，并將其二值化，然后將相鄰像素點按一定方向排序，得到對應的二進制碼來表述局部紋理特征。

基礎LBP算法是指原始LBP算法。原始的LBP算法取一個3×3矩陣窗口作為模板，取每個窗口對應像素點的灰度值，如圖2所示，將中心點像素的灰度值與四周8個相鄰像素點的灰度值進行比較，灰度值大于中間像素點的置1，反之置0，然后按一定規(guī)律對8個經(jīng)中心點閾值處理后的0和1值進行排序，得到一個二進制數(shù)值，再將這個二進制數(shù)值轉換成十進制數(shù)，所得十進制數(shù)定義為該區(qū)域的LBP值。原始LBP算法的3×3鄰域內(nèi)有8個相鄰點，轉換為十進制數(shù)為0～255，共256個值。

基礎LBP算法可用公式表示為：

（1）

式（1）中：xc、yc為中心像素點坐標，p為相鄰像素點個數(shù)，k為加權系數(shù)，ip為中心像素點灰度值，ic為相鄰像素點灰度值。

1.2 圓形旋轉不變LBP算法

基礎LBP算法雖然能夠在一定程度上描述圖像局部紋理特征，但是，其具有明顯不足，3×3模板不能滿足不同尺寸和頻率的局部圖案紋理特征提取的要求。為了進一步適應不同尺度的紋理特征，Timo Ojala等人對基礎LBP算法進行了改進，用圓形模板代替方形模板，采用半徑形式將3×3模板擴展到任意模板，改進后的LBP算法在半徑為R的圓形鄰域內(nèi)可以有多個像素點，實現(xiàn)了在半徑為R的圓形區(qū)域內(nèi)提取P個采樣點的LBP算法。

基于圓形LBP算法，Pietikinen等人提出了具有旋轉不變性的LBP算法，被稱為LBP旋轉模式，通過將二值化的圓形領域不斷旋轉，得到一系列相應的LBP值，選取最小值作為該區(qū)域的LBP值，用公式可以表示為：

（2）

（i=0，1，…，p-1）

式（2）中：LBPri表示LBP旋轉模式算法，totate（x，i）為旋轉函數(shù)，可以將x循環(huán)右移i位，獲取最小LBP值，P為采樣點數(shù)，R為模板半徑。

圖3以8個采樣點為例，描述了LBP旋轉模式算法的計算過程，將圓形鄰域的采樣點旋轉，得到下方的8個LBP值，取其中的最小值，即00000011對應的十進制數(shù)值為3，作為上方8種LBP模式的旋轉不變模式值。但是實際計算過程中，計算得到的坐標未必全是整數(shù)，一般采用雙線性插值法來得到該采樣點的像素值，進而獲取LBP值。對于8個采樣點條件下，共有36個旋轉不變的LBP編碼模式。

2? SVM支持向量機

2.1 SVM支持向量機介紹

SVM由Cortes等提出，其本質(zhì)是基于統(tǒng)計學理論建立在結構風險最小化基礎上的機器學習模型，通過在訓練數(shù)據(jù)集中找出最優(yōu)分類超平面的支持向量，將兩類數(shù)據(jù)分割開，有強大的非線性處理能力。對于圖像紋理分類這類非線性分類問題，SVM的主要方法是通過非線性變換將輸入特征向量映射到高維特征向量空間，并構造出最優(yōu)超平面，進而實現(xiàn)線性分類，再將數(shù)據(jù)映射回原始空間，實現(xiàn)原始空間下數(shù)據(jù)集的非線性分類。另外，SVM通過核函數(shù)降低了數(shù)據(jù)計算的復雜度，但是核函數(shù)需要引入?yún)⒘克沙谙禂?shù)g和懲罰系數(shù)c對模型進行優(yōu)化，從而提高模型的適應性。

2.2 SVM多分類原理

SVM最初是為實現(xiàn)二分類提出的，而現(xiàn)實中解決的問題更多是多分類問題。目前，SVM實現(xiàn)多分類的方法主要有兩類：①直接法，直接針對目標函數(shù)優(yōu)化，將多個分類超平面的參數(shù)求解融入一個最優(yōu)化問題中，通過求解該最優(yōu)化問題，實現(xiàn)一次性多分類，這種方法邏輯簡單，但其計算過程非常復雜，實際操作中很難實現(xiàn)，只適合用于小型問題;②間接法，通過將多個二分類器進行順序組合來構造多分類器，常見的方法有“一對一”和“一對多”兩種。

3 實驗部分

3.1 實驗流程

本文的主要實驗流程如圖4所示，先完成3類花式色紗面料圖像采集，然后隨機將圖像分為訓練集和測試集兩類，采用Matlab軟件對圖像進行預處理、LBP特征提取、SVM分類模型訓練和模型預測驗證。

3.2 實驗內(nèi)容

3.2.1 圖像采集

為了減少外界條件的干擾，本文中所有面料圖像都是在配置D65光源的密閉燈箱中采集（相機預置在燈箱內(nèi)部），采用單反數(shù)碼相機（Nikon D7000）拍照獲取面料的數(shù)字圖像。

3.2.2 選定訓練集與測試集

本次共采集3類面料圖像392張，其中云斑紗面料圖像120張，散點紗面料圖像120張，以及條紋紗面料圖像100張。隨機選取訓練集和測試集，訓練集包括云斑紗面料圖像100張、散點紗面料圖像100張，以及條紋紗面料圖像80張;測試集包括3類面料圖像各20張。

3.2.3 圖像預處理

由于所采集面料的數(shù)碼圖像為彩色圖像，需要將彩色數(shù)碼圖像轉化為灰度圖像，為LBP算法提取圖像紋理特征提供條件。

花式混色紗中包含有多種顏色纖維，而單纖維尺度微小，這種混和狀態(tài)的多色纖維分布于面料的表面，在采集面料圖像時，會產(chǎn)生一定量的椒鹽噪點。而針對圖像椒鹽噪點可以采用中值濾波法對圖像進行平滑處理。中值濾波是一種基于統(tǒng)計理論的非線性信號處理技術，其基本原理是把數(shù)字圖像中各點的值用該點鄰域中各值的中值代替，讓周圍的像素值連續(xù)化，從而消除圖像中孤立的噪點。

圖5為面料彩色圖像經(jīng)過灰度化和中值濾波預處理的效果示意圖，本文通過人工比對，最終選擇5×5的中值濾波模板進行實驗。

3.2.4 LBP特征提取

由于基礎LBP算法采樣半徑受限，無法根據(jù)需要調(diào)整局部采樣范圍大小，本文選用圓形LBP算法，實現(xiàn)調(diào)整采樣半徑功能。當采樣半徑小時，紋理特征細密;反之，紋理特征粗獷。而紋理特征過于細密時容易產(chǎn)生過多冗余信息，不利于后期分類模型的準確性，而紋理特征過于粗獷時，會丟失過多信息，同樣不利于后期特征數(shù)據(jù)處理，所以需要對采樣半徑進行優(yōu)選。本文通過對比固定半徑法和自適應半徑法來確定較優(yōu)采樣半徑閾值。自適應半徑紡通過遍歷不同采樣半徑獲取相應的LBP二進制編碼，通過對比初始半徑為1像素點時的LBP二進制編碼與其他采樣半徑所得的LBP二進制編碼的碼距，來確定采樣半徑，根據(jù)觀察不同碼距所選定采樣半徑對應圖像的LBP紋理特征圖與原始圖像，經(jīng)過人工比對選定碼距閾值為3，同時考慮到情況復雜，個別圖像隨著采樣半徑增大，碼距值仍然無法達到閾值，造成自適應采樣半徑失效，本文將最大采樣半徑設定為20個像素點，避免循環(huán)溢出，LBP特征提取失敗。

圖像的LBP紋理特征圖只能反映面料圖像的外觀效果，數(shù)據(jù)特征值數(shù)量過多，不適合直接采用LBP紋理特征圖譜進行面料特征提取，也無法有效地進行后續(xù)的分類模型訓練。為了獲得更加有效、辨識度更高的特征，通常是將LBP紋理特征圖譜轉換為LBP特征直方圖，可以有效降低特征向量維數(shù)，簡化問題。

當圖像發(fā)生旋轉時，圓形鄰域內(nèi)的灰度值是在以中心像素點為中心R為半徑的圓周上循環(huán)的，只要取上述循環(huán)中的最小值或最大值，就可以消除圖像旋轉對LBP特征值的影響。采用基礎LBP算法和旋轉不變LBP算法所獲得的LBP紋理圖和直方圖。通常取采樣點圓周循環(huán)中LBP最小值作為該鄰域的LBP值，所以圖像紋理旋轉后經(jīng)過旋轉LBP算法仍然能夠得到相同的LBP值。所以具有旋轉不變性。而面料圖案紋理受紗線色段分布、織造工藝、織物組織，以及面料采樣角度的影響，圖案紋理方向有一定偏差，本文采用旋轉不變LBP算法消除這一偏差，同時，采用旋轉不變LBP算法所獲得圖案紋理LBP特征直方圖可以實現(xiàn)減少特征向量中特征值的維數(shù)，減少后期分類模型計算的復雜度和工作量，提高分類效率。

3.2.5 SVM模型訓練與分類預測

本文針對花式色紗針織面料中纖維色彩種類多、尺度小，各色纖維在面料表面呈現(xiàn)微小色塊分布的特點。采用不同的LBP算法和采樣半徑，以及不同SVM核函數(shù)對3類外觀效果有差異的花式色紗針織面料進行紋理特征提取與SVM分類模型訓練，來優(yōu)化出理想的分類模型參數(shù)，進而實現(xiàn)3類面料的自動分類。經(jīng)過實驗得到各種參數(shù)條件下的分類模型預測結果如表1所示，通過對比分類預測精度和處理時間來優(yōu)選出較優(yōu)模型參數(shù)。

由表1可知，采樣半徑、LBP算法類型和SVM核函數(shù)對模型預測準確度都有明顯影響。自適應采樣半徑在本次模型構建中并不能起到有效作用，這是由于3類花式色紗織物的紋理尺度區(qū)別較大，3類織物的自適應半徑差異明顯，使對3類面料紋理的衡量尺度不一致，反而不利于后期SVM分類模型預測的準確度。通過優(yōu)化固定采樣半徑可以獲得對3類織物紋理衡量尺度相對比較一致的結果，有利于提高后期SVM模型分類準確度。LBP算法類型對SVM分類模型的處理時間和分類準確度都有一定影響，旋轉不變LBP算法將基礎LBP算法進行降維，大幅度減少了特征向量的特征值數(shù)量，可以有效減少SVM分類模型的訓練時間。SVM模型的核函數(shù)類型對處理時間和分類準確度也有明顯影響，相對而言采用線性核函數(shù)的模型訓練時間較短，但是采用RBF核函數(shù)的模型預測準確度好于線性核函數(shù)模型，由于兩種核函數(shù)模型的處理時間并沒有跨數(shù)量級的差異，對于此類小樣本分類問題，在追求更高預測準確度前提下，優(yōu)先選用RBF核函數(shù)。本文實驗條件下，獲得測試集最優(yōu)預測準確度的參數(shù)為采樣半徑5像素點的旋轉不變LBP算法和基于RBF核函數(shù)的SVM分類模型，測試集SVM分類準確度達到96.67 %。

4 結束語

本文針對花式色紗面料紋理特征，采用不同的LBP算法與SVM支持向量機結合，實現(xiàn)了3類花式色紗面料的自動分類。結果表明：采樣模板半徑為5像素點的旋轉不變式LBP算法能較好地滿足面料紋理的特征提取要求，為后續(xù)分類提供良好條件，經(jīng)過參數(shù)優(yōu)化的SVM分類模型，對3類面料紋理分類的準確率達96.67 %，分類效果比較理想。

參考文獻

[1] 景軍鋒， 鄧淇英， 李鵬飛， 等。LBP和GLCM融合的織物組織結構分類[J]. 電子測量與儀器學報， 2015， 29（9）：1406-1413.

[2] 劉秀平， 馮奇， 袁皓， 等. LBP與低秩分解的網(wǎng)狀織物紋理缺陷檢測方法[J]. 電子測量與儀器學報， 2021， 35（1）：135-141.

[3] 蔡秀梅， 卞靜偉， 吳成茂， 等. 基于LBP的魯棒特征提取與匹配方法研究[J]. 計算機工程與應用， 2021， 57（16）：228-236.

[4] 張淑雅， 趙一鳴， 李均利. 基于SVM的圖像分類算法與實現(xiàn)[J]. 計算機工程與應用， 2007， 43（25）：40.