基于多分辨率混合特征的色纺织物组织识别

王丹书 杨亚莉 袁理

摘要：

针对色纺织物组织识别过程中参数特征提取困难的问题，文章提出了一种基于多分辨率混合特征的织物组织结构自动识别算法。该算法利用小波函数对色纺织物图像进行多分辨率分解，并提取2DLBP纹理和全局颜色特构建混合特征向量;同时，采用BP网络和朴素贝叶斯理论构建层次化分类器，从而实现组织特征参数的分类与识别。实验结果表明，提取的织物组织特征不仅具备颜色与多层纹理表征能力，而且所构建的混合分类器也兼具强化特性。对180份具有不同染色纤维混配系数及捻系数的色纺织物组织图像进行识别，平均识别率约为97%，验证了方法的有效性与鲁棒性。

关键词：

色纺织物;组织识别;小波分解;2DLBP;混合特征

中圖分类号： TS101.9

文献标志码： A

文章编号： 10017003（2021）11002706

引用页码： 111106

DOI： 10.3969/j.issn.1001-7003.2021.11.006

Colored spun fabric pattern recognition based on multi-resolution mixed characteristics

WANG Danshua， YANG Yalia， YUAN Lia， b

（a.School of Electronic and Electrical Engineering; b.State Key Laboratory of New Textile Materials and Advanced ProcessingTechnology Jointly Built by the Province and the Ministry， Wuhan Textile University， Wuhan 430200， China）

Abstract：

To resolve the difficulty in extracting the characteristics during the process of colored spun fabric pattern recognition， an automatic recognition algorithm based on multi-resolution mixed characteristics was proposed. Multi-resolution decomposition was conducted in the algorithm by means of wavelet function and 2DLBP textures and global color features were extracted to establish a mixed characteristic vector. At the same time， a hierarchical hybrid classifier was established using BP network and naive Bayes theory to realize the classification and recognition of the structure characteristic parameters. The experimental results show that the extracted weave pattern characteristics have the capability of color and multilayer characterization， and the hybrid classifier also has the characteristics of enhancement. 180 colored spun fabric pattern images with different mixed coefficients and twist coefficients were identified， with an average recognition rate of 97%， which proved the effectiveness and robustness of this method.

Key words：

colored spun fabric; pattern recognition; wavelet decomposition; 2DLBP; mixed characteristics

基金项目： 湖北省自然科学基金项目（2014CFB754）;湖北省教育厅科学技术研究计划青年人才项目（Q20141607）;中国纺织工业联合会科技指导性项目（2018035，2014072）

作者简介： 王丹书（1995），男，硕士研究生，研究方向为图像处理与模式识别。通信作者：袁理，副教授，175842760@qq.com。

织物组织是描述织物结构特征的一个重要参数，也是构成织物外观描述的主要因素，其参数的测量与定量分析是纺织品生产过程中的一个重要环节[1]。相较于传统的“条染”或“匹染”织物，色纺织物是由两种或多种不同染色纤维混配、织造而成，是典型的纤维层面呈色，其织物结构具有特殊的纹理和颜色特性[2]。因此，对具有不同组织结构的色纺织物进行自动分类与识别具有重要理论研究意义与应用价值。

随着计算机图像处理技术的快速发展，织物组织特征参数的自动提取与分类方法得到了国内外研究机构与团队的深入研究。梅军等[3]利用Tamura纹理特征提取算法与形态学运算对织物组织参数进行提取。实验结果表明，该算法对颜色相近的经纬纱线均具有很好的识别效果。王国德等[4]通过局部二值模式（Local Binary Pattern，LBP）算子获取织物纹理图像中的伪灰度图，并计算其灰度共生矩阵特征，最后采用对比度、相关性、能量和逆差距建立织物组织特征参数模型。实验结果表明，该识别方法的准确率高达93%。但上述方法在对图像进行特征参数提取的过程中，都是对原始图像直接进行处理，而织物的纹理特征却具有层次属性[5]，即在不同分辨率下会有不同的纹理特征表达。针对此问题，张翔[5]提出了基于多分辨率的特征提取方法，通过提取不同分辨率图像在0°、45°、90°、135°方向上的灰度共生矩阵建立纹理统计特征。实验结果表明，该方法能够有效提高织物组织识别的准确率。庄国瑜等[6]采用小波多频道分解的方法对原始织物图像进行处理，并提取织物密度参数。实验结果表明，该方法能够获得大量的有关织物的测量参数信息。马云芳等[7]将小波理论应用到织物的经纬组织点数、飞数等组织参数测量与分析中，实验结果验证了该方法的有效性。值得注意的是，色纺面料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，使织物的纹理和呈色具有随机性与复杂性[8-9]，并导致色纺织物组织结构特征参数的提取与分类极具挑战性。

针对此问题，本文建立一种基于多分辨率混合特征的色纺机织物组织结构识别算法。该算法以Lab色彩空间为基础，利用小波变换对织物图像进行多层图像分解，并提取各层图像中的2DLBP（二维三元结构描述子）纹理特征及图像的全局颜色特征;然后，采用“特征级”融合策略对其进行加权融合;最后，通过构建基于反向传播（Back Propagation，BP）网络和朴素贝叶斯理论的层次化混合分类器，实现织物组织参数特征的分类与识别。本文的研究能够为色纺产品的数字化生产与开发提供技术支撑，并为全产业链的智能化改造升级奠定基础，具有重要应用价值与理论研究意义。

1 织物组织特征参数的提取与分类

1.1 多分辨率纹理特征提取

小波分解具备多分辨率纹理表征的能力[10-11]，其多分辨率子空间V0可表示为：

式中：Vn是尺度空间，Wn是小波空间，Vn与Wn是相互正交。

对任意平方可积函数f（t）∈L2（R）的多分辨率分解为：

式中：j为小波分解的层数，2j为分辨率，k代表沿t轴方向移动的位置，φj，k（t）是尺度函数φ（t）经过平移与伸缩而来，ψj，k（t）是小波函数ψ（t）经过平移与伸缩而来，cj（k）为第j层的尺度系数，dj（k）为第j层的小波系数。

本文以小波分解理论为基础，对Lab颜色空间中L通道织物图像进行分解，从而获得具有不同分辨率表征特性的织物纹理图像。

1.2 纹理与颜色特征提取

传统的LBP忽略了模式值之间的相关性，对空间复杂结构的表征能力有限。本文以LBPriu2P，R算子为基础，构造2DLBP特征描述子。具体过程如下：

1） 采用LBPriu2P，R算子获取色纺织物图像的LBP特征图;同时，引入滑动窗口w×w（w>1）构造LBP模式对（lc，lg）特征，其中lc为滑动窗口局部结构的中心特征。

2） 在滑动窗口内，统计LBP模式对（lc，lg）出现的次数，并利用对比信息（|lc-lg|+1）作为模式对的权重。

3） 滑动窗口，完成图像整体2DLBP特征的提取。

在Lab颜色空间中，提取织物图像的三阶颜色矩特征[12]，具体定义如下：

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）是位置（i，j）处像素的颜色信息，N为织物图像中像素点的个数。

在此基础上，采用特征级融合策略对提取的纹理和颜色特征进行融合，可表示为：

式中：C、T分别表示多分辨率纹理特征与全局颜色特征，w表示特征的权值（w=0.5）。

该融合组织特征不仅包含了织物图像的颜色和纹理空间信息;同时，也兼具全局与局部图像特征的刻画能力。

1.3 層次化混合分类器

层次化混合分类器是由多个分类器按照一定先后顺序组合而成，具有优势互补的显著特性[13]。本文以BP网络和朴素贝叶斯分类理论为基础构建层次化混合分类器，其中BP网络由输入层、隐藏层和输出层构成。BP的数学模型为：

式中：yki为第k层的第i个神经元的输出值，f（·）为激活函数，Nk为第k层神经元的个数，wkij为第k-1层的第j个神经元与第k层的第i个神经元的连接权值，bki为第k层的第i个神经元的阈值。

根据实际输出与期望输出的误差，重新调整权值和阈值，直至误差满足要求。最后，将新的训练样本的数据集导入到朴素贝叶斯分类器进行学习，并完成分类识别。

2 实验与结果

2.1 实验样本及系统参数设定

根据实验需求，委托企业制备了30份色纺织物样本，其染色纤维混配参数、色纺纱捻系数及组织结构参数如表1所示。

由表1可见，样本均由3种染色涤纶纤维混配织造而成，其质量配比变化范围为0.5%～4.0%。织物组织结构采用了经典的平纹、斜纹（三上一下右斜经面斜纹）和缎纹（五枚二飞经面缎纹），纱线的纱支均为40 S/2，采用Z捻，纺纱方式均采用环锭纺。具体织造工艺参数与编号规则如表2所示。

全部样本在相对湿度为65%状态下平衡后，通过DigiEye系统[14]进行图像采集，并在采集前通过白板和标准色卡进行白平衡和颜色校正，具体拍摄参数设定如文献[9]所述。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，从而获得16张800×800像素点样本图像。其中，训练集由10张图像构成，其余图像为测试集，部分样本图像如图1所示。

2.2 算法参数优化

在算法参数优化过程中，需要全面考虑算法的有效性、鲁棒性及泛化性。本文选择Bior 4.4双正交小波[15]进行多分辨率分解，并以300份织物样本为训练样本集。不同参数测试结果如表3所示。

经过小波三层分解后部分织物图像及LBP伪灰度如图2所示。

由图2可见，（a1）（b1）（c1）分别为色纺纱平纹、斜纹、缎纹织物样本图像;（a2）（b2）（c2）分别为小波分解层数为1时所得近似分量图像;（a3）（b3）（c3）分别为小波分解层数为2时所得近似分量图像;（a4）（b4）（c4）分别为小波分解层数为3时所得近似分量图像;（a5）（b5）（c5）分别为小波分解层数为1时所得近似分量图像的LBP伪灰度图像;（a6）（b6）（c6）分别为小波分解层数为2时所得近似分量图像的LBP伪灰度图像;（a7）（b7）（c7）分别为小波分解层数为3时所得近似分量图像的LBP伪灰度图像，全部LBP伪灰度图像的计算方式均为滑动窗口大小w=3;LBP算子为（2，16）的模式。

实验结果表明，经过多分辨率分解后织物组织识别率具有显著的提升，在小波分解层数为3，LBP算子为（2，16）模式时识别率达到最优，混合分类器的分类效果最佳，总体识别率为93%。小波分解后，由于织物图像表面仍残存由染色纤维复杂呈色导致的高频亮度变化，对图像的LBP特征产生干扰，因而仍有部分样本未能正确识别。

2.3 实验结果与分析

为了充分验证本文方法的有效性与鲁棒性，针对不同影响因素进行实验分析。当色纺纱捻系数保持一致时，对具有不同染色纤维配比质量的色纺织物图像进行组织结构识别，结果如表4、表5所示。

实验结果表明，染色纤维的混配比参数与捻系数变化会对色纺织物的呈色产生影响，并导致织物结构参数的改变。当捻系数为330时，平纹与斜纹织物的组织结构识别率为100%，而缎纹结构的识别率约为92%;当捻系数增大到370时，斜纹织物的识别率均略微下降到90%，其余两类样本的识别率保持不变或略有提升。与此同时，织物的染色纤维混配比差异在0.5%～4.0%变化时，分析其变化规律，可发现当色纺纱线捻系数增大时，染色纤维的螺旋形排列更为紧致，纤维的内外转移更为强烈，导致其织物组织表面的纤维分布更为复杂。同时，为了进一步明晰色纺纱的捻系数差异对织物组织识别精度的影响及识别系统的鲁棒性，对具有相同染色纤维混配系数的织物进行实验分析，结果如表6所示。

实验结果表明，本文所建立的色纺织物组织识别算法能够针对染色纤维混配差异及色纺纱线捻系数的变化进行有效的织物结构分类与识别。其中，平纹组织织物图像的识别率稳定在100%，而斜纹与缎纹织物图像的识别率大部分也保持在90%以上，从而验证了本文方法的有效性与鲁棒性。

2.4 对比实验结果

为了充分验证本文方法的有效性与创新性，建立对比实验方案。以2.1小节中的实验样本为基础，分别建立2种对比方案，并记为方法（一）与方法（二）。其中，方法（一）将提取原始样本图像的LBP（2，16）特征用于分类识别;方法（二）将采用LBP（2，16）特征与三阶颜色矩特征构成的混合特征进行分类识别。对比实验结果如表7所示。

對比实验结果表明，相较于单一尺度的纹理特征提取算法，本文所建立的多分辨率织物纹理特征能够有效融合织物图像的颜色和纹理空间信息;同时，也兼具全局与局部图像特征的刻画能力。而构建的层次化混合分类器也具有多分类器优势互补的显著特性，整体识别率为97%，优于对比方法，具有理想的有效性与鲁棒性。

3 结 论

织物组织是描述织物结构特征的一个重要参数，也是构成织物外观描述的主要因素，而色纺面料是以染色纤维作为基本载体，在成纱或织造的过程中，染色纤维会在织物表面相堆叠与聚集，使织物的呈色具有随机性与多样性，进而影响其组织结构参数的提取与表达。针对此问题，本文建立了一种基于多分辨率混合特征的色纺织物组织识别算法。该算法利用小波函数对色纺织物图像进行多分辨率分解，然后分别提取各层图像中的2DLBP特征与全局三阶颜色矩特性，并构建混合特征向量;在此基础上，建立层次化混合分类器，充分利用BP网络和朴素贝叶斯理论的分类能力，对织物组织参数特征进行分类识别。在对180份具有不同染色纤维混配系数及捻系数的色纺织物样本进行组织自动识别，三种典型织物结构的总体识别率约为97%。从而验证了本文方法的有效性与鲁棒性。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奠定坚实基础。对色纺织物组织结构参数的定量分析与评测将是后续的研究方向，其中织物的经纬密度（或织物紧度）如何对组织识别产生影响及本文所建立的特征提取模型的鲁棒性和泛化性将是下一步研究的重点。

参考文献：

[1]张瑞， 辛斌杰. 基于图像处理技术的织物组织识别研究现状[J]. 棉纺织技术， 2015， 43（11）： 80-84.

ZHANG Rui， XIN Binjie. Research status of fabric weave identification based on image processing technology[J]. Cotton Textile Technology， 2015， 43（11）： 80-84.

[2]刘沐黎， 袁理， 杨亚莉， 等. 基于混合色彩空间独立特征的色纺面料颜色表征模型[J]. 纺织学报， 2019， 40（9）： 62-69.

LIU Muli， YUAN Li， YANG Yali， et al. Color represensation model for pre-colored fiber blends based on independent component features from mixed color space[J]. Journal of Textile Research， 2019， 40（9）： 62-69.

[3]梅军， 张森林， 樊臻. 基于Tamura纹理特征的织物组织识别算法[J]. 轻工机械， 2017， 35（4）： 52-55.

MEI Jun， ZHANG Senlin， FAN Zhen. Recognition algorithm of fabric based on Tamura texture features[J]. Light Industry Machinery， 2017， 35（4）： 52-55.

[4]王国德， 张培林， 任国全， 等. 融合LBP和GLCM的纹理特征提取方法[J]. 计算机工程， 2012， 38（11）： 199-201.

WANG Guode， ZHANG Peilin， REN Guoquan， et al. Texture feature extraction method fused with LBP and GLCM[J]. Computer Engineering， 2012， 38（11）： 199-201.

[5]张翔. 基于计算机视觉的织物组织结构自动识别系统： 图像拼接算法研究与实现[D]. 南京： 东南大学， 2006.

ZAHNG Xiang. The Research ang Realization of Image Contexture Calculating Method： The Automatic Identifying System for Fabric Contexture Structure Based on Computerized Vision[D]. Nanjing： Southeast University， 2006.

[6]庄国瑜， 孙悦. 织物纹理计算机图像处理的多频道分解方法[J]. 天津工业大学学报， 2001（3）： 26-28.

ZHAUNG Guoyu， SUN Yue. Computer image processing for fabric texture with the multifrequency channel decomposition method[J]. Journal of Tiangong University， 2001（3）： 26-28.

[7]马云芳， 王小华. 基于小波理论的织物纹理特征提取[J]. 杭州电子工业学院学报（自然科学版）， 2002（6）： 85-88.

MA Yunfang， WANG Xiaohua. Fabric texture feature extraction based on wavelet theory[J]. Journal of Hangzhou Dianzi University（Natural Sciences）， 2002（6）： 85-88.

[8]WEI Chunao， WAN Xiaoxia， LI Junfeng. Color prediction model for pre-colored fiber blends based on modified Stearns-Noechel function[J]. Dyes and Pigments， 2017， 147： 544-551.

[9]袁理， 代喬民， 付顺林， 等. 结合全局与局部多样性特征的色纺纱色度学指标测试与评价[J]. 纺织学报， 2018， 39（2）： 157-164.

YUAN Li， DAI Qiaomin， FU Shunlin， et al. Global and local diversity features-fused colorimetry index testing and evaluation of colored spun yarns[J]. Journal of Textile Research， 2018， 39（2）： 157-164.

[10]杨杰， 王金浩， 章雪萌， 等. 基于小波多分辨率分析的电压暂降源定位研究[J]. 电力系统保护与控制， 2010， 38（22）： 90-95.

YANG Jie， WANG Jinhao， ZHANG Xuemeng， et al. Analysis of voltage sag source location based on wavelet multiresolution method[J]. Power System Protection and Control， 2010， 38（22）： 90-95.

[11]LIU Meijie， DAI Yongshou， ZHANG Jie， at al. PCA-based sea-ice image fusion of optical data by HIS transform and SAR data by wavelet transform[J]. Acta Oceanologica Sinica， 2015， 34（3）： 59-67.

[12]张少博， 全书海， 石英， 等. 基于颜色矩的图像检索算法研究[J]. 计算机工程， 2014， 40（6）： 252-255.

ZHANG Shaobo， QUAN Shuhai， SHI Ying， et al. Study on image retrieval algorithm based on color moment[J]. Computer Engineering， 2014， 40（6）： 252-255.

[13]黄南天， 王斌， 蔡国伟， 等. 基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断[J]. 高电压技术， 2019， 45（5）： 1518-1525.

HUANG Nantian， WANG Bin， CAI Guowei， et al. Mechanical fault diagnosis containing unknow fault of high voltage circuit breaker based on Tsallis entropy and hybrid classifier[J]. High Voltage Engineering， 2019， 45（5）： 1518-1525.

[14]李启正， 金肖克， 张声诚， 等. 数码测色法在织物颜色评价中的应用[J]. 印染， 2014， 40（17）： 17-22.

LI Qizheng， JIN Xiaoke， ZHANG Shengcheng， et al. Application of digital color measuring methods to color evaluation of textiles[J]. China Dyeing & Finishing， 2014， 40（17）： 17-22.

[15]张世强. 紧支集双正交小波的构造及应用研究[D]. 大连： 大连海事大学， 2015.

ZHANG Shiqiang. The Biorthogonal Compactly Supported Wavelets Construction and Application Research[D]. Dalian： Dalian Maritime University， 2015.