混合色彩空间与多核学习的色纺织物组织点识别

龚 雪， 袁 理，2， 刘军平， 杨亚莉， 刘沐黎， 柯政涛， 鄢煜尘

(1. 武汉纺织大学 电子与电气工程学院， 湖北 武汉 430200； 2. 武汉纺织大学 湖北省纺织新材料与先进 加工技术省部共建国家重点实验室培育基地， 湖北 武汉 430200； 3. 武汉纺织大学 数学与计算机学院， 湖北 武汉 430200； 4. 武汉大学 电子信息学院， 湖北 武汉 430072)

织物组织点的检测与识别是纺织品生产与设计过程中的重要环节之一。近年来，通过2种或多种不同染色纤维混配而成的色纺织物，因其色彩层次丰富，具有独特的混色效果而被市场追捧。对色纺织物的组织点进行自动分析能够为色纺产品的快速开发与生产提供技术支撑，具有重要的应用价值[1]。

得益于计算机视觉技术与模式识别理论的快速发展，基于图像处理的织物组织点识别方法是目前研究的主流方向。其中，织物组织点特征参数的提取与识别是该领域研究的重点与难点。常利利等[2]利用灰度共生矩阵分析织物的组织结构。通过提取能量、熵、逆差距、对比度和相关性这5种统计值，从而实现对织物纹理信息的分析与表达，实验结果表明，该方法能较好地提取织物的纹理特征。景军锋等[3]利用局部二值模式(LBP)提取织物的局部纹理特征，同时利用灰度共生矩阵提取织物的全局纹理特征，然后将其结合起来实现对3种基本组织的分类，精度高达99.93%。但上述方法在织物特征参数的提取过程中，仅考虑了织物的纹理信息，对于色彩丰富的染色或印花织物具有局限性。针对此问题，商琳等[4]提出了一种基于颜色共生矩阵的纹理检索算法，该算法不仅考虑到图像的纹理特征，而且还建立了与人眼感知相对应的颜色组成特征，该方法显著优于单一灰度共生矩阵的纹理检索算法。孙佳理等[5]利用灰度共生矩阵(GLCM)在YUV颜色空间模型的Y通道上提取组织点的纹理特征，同时利用颜色矩提取织物组织点的颜色信息，最后通过特征融合的方法实现织物组织点的分类，结果发现该方法具有较好的识别效果。

需要指出的是，不同的颜色空间具有不同的色彩刻画能力，单一颜色空间对复杂颜色模式表达的过程中具有显著的局限性[6]。因此，庞晓敏等[7]提出了基于HIS(Hue, Intensity, Saturation)和Lab颜色空间的彩色图像分割算法，但该算法比采用单一的颜色空间具有更为理想的分割效果。刘琼等[8]提出了基于YUV和Lab颜色空间的农田图像分割方法，该方法在2种颜色空间分别利用加权模糊熵和Otsu阈值方法实现对图像的分割，取得了不错的效果。王民等[9]提出了基于HSV(Hue, Saturation, Value)、HIS与YUV混合色彩空间分块颜色特征提取与检索算法，该算法相较于普通的单一色彩空间的特征提取方法，查准率和查全率均得到明显提高。代乔民等[10]以RGB(Red, Green, Blue)、Lab以及HSV 3颜色空间为基础，建立了结合全局颜色特征与局部纹理特征的色纺纱色度学指标表征模型，结果发现，对于色纺纱色度学指标的细微改变，该模型均能准确、稳定地进行表征，具有理想的有效性与鲁棒性。

与此同时，如何针对织物组织点参数特征进行有效识别也是目前该研究领域亟待解决的难点。常见的特征分类器可分为线性分类器和非线性分类器。其中，神经网络模型与支持向量机(SVM)在处理非线性、高维度样本数据时具有显著优势。包晓敏等[11]针对织物组织的多样性及组织图像易受到噪声干扰的问题，提出了嗅觉神经网络实现织物组织的自动识别，但该方法在实现过程中计算复杂度较高。孙辉等[12]提出了基于多核学习支持向量机的音乐流派分类方法，结果表明，与单核支持向量机相比，多核支持向量机分类的正确率提高了6.58%。钟志鹏等[13]针对传统的学习方法存在的问题，提出了一种基于多核学习的人脸表情识别方法，结果表明，该方法识别率为88%，比传统方法提高了8%。

值得注意的是，不同于单一呈色物体，色纺织物是以染色纤维作为颜色的基本载体，在成纱或织造的过程中，染色纤维会在纱线或织物的表面表现为和捻度相关的螺旋形，并且纤维间会互相堆叠与聚集，使织物组织呈色形态具有随机性与多样性[14-16]。因此，本文以纺织品数码成像技术为基础，针对色纺面料特有的呈色机制与过程，建立混合色彩空间与多核学习的组织点识别算法。该算法能够以YUV、HSV和Lab 3种色彩空间为基础，构建混合色彩空间；同时，分别提取色纺织物组织点图像的纹理统计特征与三阶颜色矩特征作为织物组织点参数特征，并利用多核学习构建SVM对其进行识别。本文的研究对于构建稳定、有效的色纺面料设计与生产系统具有重要的指导意义，并且能够为最终实现色纺面料的数字化与智能化开发提供参考。

1 组织点特征提取与多核学习

1.1 混合色彩空间的建立

颜色空间是由多个独立通道构成的一个坐标空间，不同的颜色空间对色彩具有不同的表征能力[6]。本文以YUV、HSV以及Lab 3种色彩空间为基础，构建混合色彩空间。分别从YUV颜色空间的Y通道、HSV颜色空间的V通道和Lab颜色空间的L通道中提取纹理和亮度信息，再将这3个通道的信息通过归一化等处理加以融合。同时，将这3个颜色空间中另外表示色彩分量的通道信息分别进行融合。

1.2 组织点参数特征的提取与融合

色纺织物的组织点特征由颜色与纹理特征共同构成。针对色纺织物呈色纤维分布的随机性与多样性，本文提出以混色色彩空间为基础，分别提取织物组织点图像的局部二值模式(LBP)+灰度共生矩阵(GLCM)统计特征与三阶矩颜色特征并进行加权融合，从而构成织物组织点参数特征。

首先，利用经典的LBP算子提取色纺织物组织点的伪灰度图像[17]；然后，通过灰度共生矩阵从伪灰度图像中选取方向θ=0°,45°,90°,135°且距离d=1的像素对，从而得到灰度共生矩阵在4个方向的特征参数，即能量(GASM)、逆差距(GIDM)、对比度(GContrast)、相关性(GCorrelation)，并构成一个16维度的纹理特征向量，具体定义如下：

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

与此同时，在混合色彩空间中提取织物组织点图像的三阶颜色矩特征，具体定义如下：

(9)

(10)

(11)

式中：u为一阶颜色矩特征；σ为二阶颜色矩特征；s为三阶颜色矩特征；P(i,j)为位置(i,j)处像素的颜色信息；N为织物组织点图像中像素点的个数。

最后，采用特征级融合策略对纹理与颜色特征进行融合，并作为色纺织物组织点参数特征，其数学表达式为

C=w×Cmoment+(1-w)×CAICC

(12)

式中：Cmoment为图像三阶矩颜色归一化特征；CAICC为图像纹理统计归一化特征，即CAICC=GASM+GIDM+GContrast+GCorrelation；w为各独立特征的权值。

1.3 基于多核学习的SVM

SVM是从线性可分发展而来的，当引入核函数后具备非线性分类的能力。传统的支持向量机多采用单核函数，如线性核函数、高斯径向基核函数、多项式核函数等[13]。对于多源异构数据的分类问题，其泛化能力迅速下降。为了提高支持向量机的特征可分性，基于多核函数的SVM得到了广泛关注，其数学模型可表示为：

(13)

(14)

式中：αi>0为拉格朗日系数；sign()为符号函数；Km(xi,x)为核函数，即：

(15)

2 实验与结果

2.1 实验样本及系统参数设定

能够影响色纺织物组织点识别的因素很多，如织物组织、染色纤维的种类、质量配比、捻系数差异以及织造工艺等。根据实验需求，制备了2批实验样品。第1批30份样品由白色、红色和绿色3种染色涤纶纤维混配织造而成。其中，平纹织物采用92号筘，每筘齿穿入纱线的根数为4，上机纬密是230根/(10 cm),下机经密是380根/(10 cm)，下机纬密是226根/(10 cm)，样本编号规则为SSxxA(A代表平纹织物)；斜纹织物采用110号筘，每筘齿穿入纱线的根数为4，上机纬密是300根/(10 cm),下机经密是460根/(10 cm)，下机纬密是300根/(10 cm)，样本编号规则为SSxxD(D代表斜纹织物)；缎纹织物采用92号筘，每筘齿穿入纱线的根数为5，上机纬密是330根/(10 cm),下机经密是488根/(10 cm)，下机纬密是334根/(10 cm)，样本编号规则为SSxxF(F代表缎纹织物)。同时，样本间存在纤维质量配比差异与捻系数差异，具体参数和部分样本分别由如表1和图1所示。

表1 第1批色纺织物实验样本参数表Tab.1 Parameter table of the first batch of colored spun fabric samples

图1 部分色纺织物实验样本Fig.1 Experimental samples of some colored spun fabrics

第2批20份样本由大红、金黄以及黑色、蓝色分别与白色棉纤维混配织造而成。样本均为平纹组织，采用130号筘，每筘齿穿入纱线的根数为2，下机纬密是280根/(10 cm), 无特殊说明情况下，捻系数为350。样本间的染色纤维配比存在较大范围内的随机变化，且存在长绒棉与短绒棉对比样本，具体参数和部分样本分别由如表2和图2所示。

表2 第2批色纺织物样本参数表Tab.2 Parameter table of the second batch of colored spun fabric samples

图2 部分色纺织物实验样本Fig.2 Experimental samples of some colored spun fabrics

全部样本在相对湿度为65%状态下平衡后，通过DigiEye Digital Imaging System系统进行图像采集，并在采集前通过白板和标准色卡对DigiEye系统相机进行白平衡和颜色校正。每份织物样本采集不同区域的4张标准图像；同时，对标准图像进行分割，从中获得10张像素为600像素×600像素的样本图像，并从每张图片中提取至少一个组织循环。其中，训练集由6张图像构成，其余图像为测试集。因此，实验样本数据集由500张织物图像构成。其中，训练样本集为300张图像，测试样本集为200张织物图像。

2.2 色纺织物组织点的定位

在图像采集过程中，采集到的织物图像可能会受到噪声的干扰，影响实验的准确率。因此，需要对织物图像进行预处理。首先，将采集到的RGB图像的3个颜色通道分别进行中值滤波，以降低噪声的影响；然后，在混合色彩空间的亮度通道利用水平和垂直灰度投影法实现对织物组织点的定位；最后，在混合色彩空间下从色纺织物图像中分割出组织点图像。

2.3 算法参数优化

本文算法中需要对多核学习SVM中的核函数类型与权重值进行优化；同时，还需要对特征融合权值进行分析。由于线性核函数与高斯径向基核函数具有参数少，分类性能较为理想，将其作为SVM的核函数，并通过实验分析确定核函数间的最优权重系数，具体过程如下：1)按照上述方法提取样本图像中所有组织点的参数融合特征，其中为了便于分析，根据参考文献[10]取经验值，将融合参数设定为w=0.5；2)将样本中所有组织点的融合特征参数输入多核支持向量机进行学习，其中2类核函数的权值设定为0至1区间，每间隔0.1取值迭代循环计算第一批样本中各类织物组织点的正确识别率，结果如表3所示。其中，权重为高斯径向基核函数：线性核函数。实验结果表明，当高斯径向核函数与线性核函数的权重分别为0.9、0.1时，算法整体平均识别率最高。

表3 核函数权重参数优化Tab.3 Weight parameter optimization of kernel function

2.4 实验结果与分析

能够影响色纺织物呈色的因素很多，即包括染色纤维的混配比、种类以及成纱过程中的捻系数等。其中，染色纤维混配比的改变对织物组织点参数的影响最为显著，为了验证本文方法的有效性与稳定性，对第1批15份具有不同质量配比与组织的色纺织物组织点进行识别(实验一)，结果见表4。其中，样本间的染色纤维混配质量比差异在0.5%至4.0%之间变化，且成纱过程中的捻系数保持一致。

表4 捻系数为低的识别结果(实验一) Tab.4 Recognition results with low twist factor(experiment one)

实验结果表明，当捻系数为低时，平纹织物组织点的平均识别率为95.2%；斜纹织物组织点的平均识别率为96.8%；缎纹织物组织点的平均识别率略低为83.4%。与此同时，大量研究结果表明染色纤维成纱过程的捻系数也是导致织物呈色变化的显著因素之一，因此，本文以实验一为对照组，对另外15份具有不同捻系数的织物的组织点进行识别(实验二)，结果如表5所示。其中，样本间的染色纤维混配质量比差异在0.5%至4.0%之间变化，与对照组保持一致，但捻系数为高。

实验结果表明，当捻系数为高时，平纹织物组织点的平均识别率为93.8%；斜纹织物组织点的平均识别率为94.0%；缎纹织物组织点的平均识别率为84.0%。对比2组实验结果，可以看出本文所建立的色纺织物组织点自动识别算法对于染色纤维的混配比以及成纱过程中的捻系数变化均具有理想的鲁棒性和有效性，能够对3种典型织物组织点进行准确识别，部分织物样本及组织结构意匠图如图3所示。

染色纤维的种类以及染色纤维的色度学指标都是其织物组织点识别过程中关键因素。为了验证本文方法的有效性与普适性，对第2批共20份棉纤维色纺织物样本的组织点进行识别分析，结果见表6。

表5 捻系数为高的识别结果(实验二)Tab.5 Recognition results with high twist factor(experiment two)

注：①为柱本；②为组织点分割图；③为组织结构意匠图。图3 部分样本、组织点分割图及组织结构意匠图Fig.3 Partial samples, segmentation image of interlacing point and pattern grid. (a) Plain weave; (b) Twill weave; (c) Satin weave

表6 第2批色纺织物组织点的识别结果Tab.6 Recognition results of the second batch of colored spun fabric interlacing points

其中，样本间不仅具备显著的色相差异，而且样本间染色纤维混配质量比变化范围更大，从0.25%至8.0%；同时，样本间也包含纤维性状差异以及捻系数变化,且样本组织均为平纹。

实验结果表明，对于具有不同色度学指标的色纺织物样本，本文所建立的混合色彩空间拥有理想的色彩表征能力；同时，结合组织点参数特征提取算法与多核学习SVM分类器，使得识别算法对较大范围内纤维混配与捻系数变化具有理想的鲁棒性，组织点平均识别率均保持在93%以上。部分样本、组织点分割图及组织结构意匠图如图4所示。

注：①为样本；②为组织分割图；③为组织结构意匠图。图4 部分样本、组织点分割图及组织结构意匠图Fig.4 Partial samples, segmentation image of interlacing point and pattern grid

2.5 对比实验结果

相对于单一颜色空间，混合色彩空间能够综合运用多颜色空间对色彩的表征与刻画能力，具有较强的颜色表征能力；同时，基于多核学习的SVM能够对特征间的复杂分布模式进行有效表征。为综合对比分析本文方法的创新性与必要性，以上述2批实验样本为对象，采用在HSV颜色空间提取色纺织物组织点的颜色与纹理特征，并分别采用单核SVM与线性分类器对组织点进行识别，2种方法分别记为方法1与方法2；同时，在混合颜色空间提取色纺织物组织点的特征参数，采用单核SVM对组织点进行识别，记为方法3。对比实验结果如表7～8所示。

表7 第1批实验样本采用不同方法的识别结果Tab.7 Recognition results of the first batch of experimental samples using different methods

表8 第2批实验样本采用不同方法的识别结果Tab.8 Recognition results of the second batch of experimental samples using different methods

实验结果表明，相较于单一颜色空间，本文所建立的混合色彩空间能够对不同色度学指标的色纺织物的颜色进行准确表征，所建立的色纺织物组织点参数特征提取算法对于纤维种类、质量配比以及织造参数的变化具有理想的稳定性；同时，由于引入了多核学习机制，使得SVM的非线性分类能力得到进一步强化，在两组实验中组织点平均正确识别率均显著高于对照组，从而证明了本文方法的有效性与先进性。

3 结 论

本文以纺织品数码成像技术为基础，建立了混合色彩空间与多核学习的组织结构识别算法。该算法以YUV、HSV和Lab 3种色彩空间为基础，通过相同属性颜色通道构建混合色彩空间；同时，分别提取色纺织物图像的LBP+GLCM统计特征与三阶颜色矩特征作为织物组织结构参数特征，并利用多核学习构建SVM对其进行分类识别。实验结果表明，所建立的色纺织物组织结构识别算法，对具有不同捻系数以及配比系数的涤纶机织物，其三元组织结构的识别率分别为94.5%、95.4%和83.7%。同时，对于具有不同配色方案以及配比系数的棉型平纹织物，其组织结构的识别率为94.65%，具备理想的鲁棒性与普适性。本文的研究对于构建稳定、有效的色纺面料数字化检索与客观评价体系具有重要指导意义，并且能够为最终实现色纺面料的数字化与智能化系统开发奠定基础。如何进一步降低特征维度，提高识别系统的运行效率是未来研究的主要内容之一。