王佳寧 劉成霞

摘要： 針對服裝視錯圖案客觀性評價欠缺的問題，提出了一種利用灰度共生矩陣、小波分析和BP神經(jīng)網(wǎng)絡(luò)來客觀評價視錯圖案感官舒適度的方法。提取10款視錯裙圖像灰度共生矩陣的對比度、相關(guān)性、熵值、均勻度和能量值5個特征參數(shù)，以及Haar小波分解五層時水平、垂直和對角線方向上的維度特征參數(shù)。最后選取這兩類紋理特征值中與主觀評價結(jié)果顯著相關(guān)的特征參數(shù)，輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行迭代訓(xùn)練和預(yù)測評估。結(jié)果顯示：該算法的識別正確率高達(dá)100%，預(yù)測效果較好，可以利用灰度共生矩陣、小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，進(jìn)行視錯圖案感官舒適度的客觀評價。

關(guān)鍵詞： 視錯圖案;感官舒適度;灰度共生矩陣;小波分析;BP神經(jīng)網(wǎng)絡(luò)

Abstract： Aiming at the lack of objective evaluation of the apparel with optical illusion pattern， a method to objectively evaluate the sensory comfort of optical illusion patterns was proposed by using Gray-level Co-occurrence Matrix（GLCM）， wavelet analysis and Back Propagation（BP） neural network. Five characteristic parameters of the GLCM（including contrast， correlation， entropy， uniformity and energy value） were extracted from 10 skirts images with optical illusion. Besides， the dimensional characteristic parameters were extracted in horizontal， vertical and diagonal directions when Haar wavelet decomposed five layers. Finally， the characteristic parameters that were significantly related to the subjective evaluation results were selected from the two texture feature values. Then， they were input into the BP neural network for iteration training and forecast evaluation. The results show that the proposed algorithm has a correct recognition rate of 100%， with good forecast effect. Thus， gray-level co-occurrence matrix， wavelet analysis and BP neural network can be combined for objective evaluation of the sensory comfort of optical illusion patterns.

Key words： optical illusion pattern; sensory comfort; Gray-level Co-occurrence Matrix; wavelet analysis; BP neural network

服裝視錯圖案能夠通過線條、形狀、色彩、質(zhì)感等形成錯視效果，將人們的視覺重心轉(zhuǎn)移而改善人體的缺陷，起到優(yōu)于實際外觀、增強(qiáng)設(shè)計感和趣味性等作用，也能影響人們的主觀感受。同款條紋圖案在方向、大小等變換下，會在服裝上呈現(xiàn)出不同的視錯效果[1]，給人們帶來的舒適感也不盡相同。但現(xiàn)階段學(xué)者們對視錯服裝的研究主要在于效用方面[2]，尚缺少用客觀手段來表征視錯圖案對人舒適度產(chǎn)生的具體影響。

圖像處理技術(shù)在紡織服裝領(lǐng)域中應(yīng)用廣泛，國內(nèi)外學(xué)者研究發(fā)現(xiàn)，利用灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）、小波分析等，可提取織物圖像的客觀紋理特征參數(shù)[3-4]，并以此建立織物性能等級的客觀評判模型。蔣真真等[5]在圖像灰度分布特征分析的基礎(chǔ)上，建立了基于反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的縫紉平整度評價預(yù)測模型;張寧等[6]提出了將灰度共生矩陣、小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，對織物縫紉平整度進(jìn)行自動評估的方法。可見灰度共生矩陣、小波分析和BP神經(jīng)網(wǎng)絡(luò)技術(shù)在紋理識別與分類中具有廣泛的應(yīng)用價值，但是否適用于視錯圖像的分析與識別，尚需要進(jìn)行證實。

針對上述問題，本文嘗試將灰度共生矩陣、小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于預(yù)判視錯圖案的感官舒適度評價。首先制作不同層次的視錯裙并采集樣本圖像;其次提取灰度共生矩陣參數(shù)和Haar小波細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差，作為客觀評價指標(biāo)，并分析其客觀指標(biāo)與主觀評價結(jié)果之間的關(guān)系;最后將與主觀評價結(jié)果有顯著相關(guān)性的特征參數(shù)，作為特征向量輸入到BP神經(jīng)網(wǎng)絡(luò)中集成，實現(xiàn)視錯圖案感官舒適度等級的自動評估，為設(shè)計視錯服裝提供一種預(yù)判方法。

1 樣本制作與圖像采集

1.1 視錯裙制作

選取一種由圓心向外發(fā)散的波浪形圖像作為視錯圖案原型（圖1），16等分波浪圓的圖案具有較好的視錯感。將波浪線條的粗細(xì)設(shè)為1、2、3 cm，波浪線條與間距寬度比分別為1︰1、1︰2、1︰3，按照相同位置和方向（圖1黑框處），以300 ppi的圖像分辨率印制在尺寸為100 cm×75 cm的滌綸布上，并從波浪匯聚中心處裁片，制成版型相同的半身裙。選擇波浪條紋作為研究對象的目的在于，波浪條紋的形態(tài)較容易控制，且波浪視錯裙具有一定的市場價值。對于體型偏胖的人來說，可以通過波浪條紋的視錯感來增加服裝的立體感，而不增加服裝本身的厚重感。為保證圖案的完整，在版型繪制上，將半身裙的腰省轉(zhuǎn)移至下擺，按照160/84A人臺的數(shù)據(jù)，將成衣尺寸設(shè)計為腰圍65 cm（1 cm放松量），臀圍94 cm（2 cm放松量且拼合腰省后增大2 cm），裙長64.5 cm，裙擺寬度74 cm。

半身裙視錯圖案的感官舒適度主客觀評價

1.2 樣本圖像采集

將制作好的視錯裙穿在人臺上，在控制單向光源的密閉空間中，利用數(shù)碼相機(jī)進(jìn)行圖像采集，定點拍攝方式和相機(jī)位置，如圖2所示。其中，定點位置距離人臺90 cm;將半身裙采用“一點”（圖2圓形處）和“兩點”（圖2矩形處）的試穿手法，制造不同的裙擺弧度;調(diào)整相機(jī)至中心及距離中心上、下、左、右各10 cm的位置，并保持鏡頭平面與視線垂直（圖2細(xì)虛線），拍出不同角度的視錯裙圖像，確保樣本的廣泛性。最后，用Photoshop軟件將拍攝圖片裁剪成768 ppi×1 024 ppi的圖像，并用中值濾波器對圖像進(jìn)行預(yù)處理，去除織物組織結(jié)構(gòu)等噪聲的影響，突出圖像的紋理特征。因制作的樣板使裙片與人臺的間隙量較小較為貼合，故產(chǎn)生的褶皺數(shù)量也隨之較少。結(jié)合本文介紹的兩種穿法，將裙身平整地穿掛在人臺上，視錯上帶來的褶皺完全是因為波浪圖案而造成的，因此沒有討論圖案上的波浪與裙子形成褶的數(shù)量和形態(tài)，以及樣板和面料對裙子形成褶的數(shù)量、形態(tài)所產(chǎn)生的影響。

圖像的命名方式為線條寬度與間距比例的組合，如圖像“2.3”指線條粗細(xì)為2 cm、線條與間距寬度比為1︰3的視錯裙。實驗用視錯裙共10條，其中除圖像“1.1*”中心為凹形波浪外，其余圖像中心均為凸形波浪。表1為10幅視錯裙在“一點”式穿法下，且相機(jī)在中心位置拍攝的圖像。因每條裙子有兩種穿法，且每種穿法有5個相機(jī)位置，故共計100幅圖像。其中有75幅作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，另外25幅作為測試集。

1.3 主觀評價

本文涉及的舒適度并非熱濕舒適性或接觸舒適性等，而是指人們觀看視錯裙圖像時主觀心境的舒適感受，有無煩躁不適感等，因此稱之為感官舒適度。但區(qū)別于觸覺感官、聽覺感官和嗅覺感官，本文涉及的感官為視覺感官，即因為肉眼觀察到視錯圖案，對大腦產(chǎn)生視覺沖擊而帶來的主觀感受，以此獲得人們最直觀的感受，具有一定市場價值。選取73名在校學(xué)生參與舒適度的主觀評價測試，從本科生到博士生，年齡范圍為20～43歲，其中41名為服裝專業(yè)學(xué)生，32名為非服裝專業(yè)學(xué)生。因服裝專業(yè)的學(xué)生具有一定鑒別能力，對服裝的認(rèn)識和識別有較高的把握，非服裝專業(yè)的學(xué)生代表一般消費者，整體上能夠基本代表中堅消費者群體。將感官舒適度設(shè)為5級，為降低主觀評價的模糊性，令被試者將實驗圖像中感到最不舒適的評價為“1”，有點不適的評價為“2”，與平靜狀態(tài)相當(dāng)、既沒有舒適也沒有不適感的評價為“3”，有點舒適的評價為“4”，最舒適的評價為“5”，從而量化實驗視錯裙的主觀評價等級。感官舒適度等級的主觀評價均值及其隸屬等級見表1。雖頻數(shù)分析比均值更能細(xì)致地說明主觀評價的差異和分布，但因本文的目的是明確圖像處理客觀評價與人們主觀感受之間的關(guān)系，需要得到主觀評價的確定等級，均值能夠反映整體平均水平，進(jìn)而后續(xù)準(zhǔn)確識別和預(yù)測感官評價的等級。

為探索主觀評價是否具有良好的一致性，通過SPSS軟件的ANOVA單因素方差分析計算組間差異，得到p值=0.108>0.05，故各被試者的主觀評價沒有明顯差異;隨后采用獨立樣本T檢驗的方法探索評價結(jié)果是否受專業(yè)和性別的影響，分別求得p值為0.642和0.486，均大于0.05，故主觀評價沒有因?qū)I(yè)和性別的不同而呈明顯差異。

由表1可知，線條寬度越大，人們的主觀舒適度越高;隨間距比例的增大，主觀舒適度也呈增大的趨勢，在間距比例為1︰3時舒適度等級出現(xiàn)重合，但舒適度均值仍符合線性增長趨勢;中心線為凹形波紋的舒適度略低于凹形，然而整體差別不大，隸屬等級也相同。可見，當(dāng)線條過于密集且較細(xì)時，舒適度偏低;隨著線條逐漸稀疏并加粗，舒適度明顯增加，但當(dāng)線條間距稀疏到一定程度后，舒適度增長緩慢。因此，在設(shè)計條紋類服裝時，線條的粗細(xì)和比例至關(guān)重要，能夠直接影響消費者的購買興趣。

2 利用圖像處理技術(shù)分析視錯圖案

2.1 灰度共生矩陣

灰度共生矩陣是一種通過研究灰度圖像的相關(guān)特性來描述紋理的常用方法。由于紋理是從空間位置的灰度分布上形成的，因此在圖像空間中分離一定距離的兩個像素之間存在一定的灰度關(guān)系，即圖像中灰度級的空間相關(guān)性。通過統(tǒng)計獲得圖像上具有一定距離的像素從而獲得灰度共生矩陣，并且可以通過研究灰度的空間相關(guān)性來描述圖像的紋理[7]。為了更直觀地以共生矩陣描述紋理狀況，通?？梢杂靡恍?biāo)量來表征灰度共生矩陣的特征，典型的有以下幾種[8]，其中函數(shù)P為灰度共生矩陣。

灰度共生矩陣元素在行和列的值更均勻、圖像灰度分布更隨機(jī)、紋理粗糙度更大而平滑性更小，從而視錯圖案的紋理更模糊、視錯效果降低?？梢娨曞e線條的粗細(xì)和間距與灰度共生矩陣的各特征值之間有一定的聯(lián)系。

因此，計算灰度共生矩陣各特征值與主觀評價等級的Pearson相關(guān)系數(shù)，可知W1與感官舒適度等級呈顯著負(fù)相關(guān)（r=-0952**）;其余特征參數(shù)W2（r=0.943**）、W3（r=0718*）、W4（r=0.952**）和W5（r=0.709*）呈顯著正相關(guān)。其中，“*”在0.05級別（雙尾）顯著相關(guān);“** ”在0.01級別（雙尾）顯著相關(guān)。此外，灰度共生矩陣各參數(shù)與感官舒適度均值之間的相關(guān)系數(shù)與上述r值相差不大，均在0.01級別（雙尾）呈現(xiàn)顯著相關(guān)性。由此驗證了均值比等級更能精確量化視錯圖案的感官舒適度，也表明視錯圖案的紋理特征可以用灰度共生矩陣來量化。

2.2 Haar小波分析

小波分析具有放大局部突變信號的能力，能夠?qū)D像信號進(jìn)行精細(xì)的劃分，提取有用的特征信息，表達(dá)圖像表面的紋理特征，被廣泛應(yīng)用于各類紡織品視覺檢驗領(lǐng)域[9]。圖4為利用Matlab系統(tǒng)默認(rèn)的Haar小波分析，分解一層和兩層的原理示意。

其中A代表水平和垂直方向的低頻成分，可繼續(xù)分解;H代表水平方向的細(xì)節(jié);V代表豎直方向的細(xì)節(jié);D代表對角線方向的細(xì)節(jié)。相對應(yīng)的各方向（水平、豎直和對角線）上的細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差分別為SHi、SVi和SDi。本文利用小波能量函數(shù)將視錯裙灰度圖像分解為5層（即i=5），提取視錯裙圖像在橫向、縱向和整體的紋理細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差。由小波分析各細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差可知，隨著分解層數(shù)的增加，水平、垂直和對角線方向的細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差均呈線性增加的趨勢，表明視錯紋理被分解得更細(xì)致、紋理細(xì)節(jié)更清晰。對于不同視錯裙來說，隨著線條粗細(xì)的增加和間距比例的增大，各個方向上的特征值基本逐漸減小，表明視錯紋理清晰度和視錯效果逐漸降低，與灰度共生矩陣的變化情況相同。可見Haar小波分析的特征參數(shù)對描述視錯裙的紋理具有一定意義，進(jìn)而分析小波分析細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差分別與感官舒適度主觀評價均值和等級之間的相關(guān)系數(shù)，如圖5所示。

由圖5可知，除SH5和SV5外，大部分小波分析得到的各方向上的細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差與主觀評價結(jié)果之間存在高度負(fù)相關(guān)性。即小波特征值參數(shù)越小，舒適度越高。但分解到第四層開始出現(xiàn)相關(guān)性驟減的現(xiàn)象，到了第五層則呈現(xiàn)出相關(guān)系數(shù)正負(fù)相關(guān)突變的現(xiàn)象。因此，為保證模型的正確性，在后續(xù)訓(xùn)練模型時，將SV4、SH5、SV5和SD5的特征參數(shù)去掉。

2.3 BP神經(jīng)網(wǎng)絡(luò)

為了構(gòu)建感官舒適度等級的自動評估模型，采用BP神經(jīng)網(wǎng)絡(luò)對特征參數(shù)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層[10]。為描述視錯裙圖像的紋理特征，將輸入層設(shè)計為上述與主觀評價等級具有顯著相關(guān)性的16個特征參數(shù)，包括對比度、相關(guān)性、熵值、均勻度、能量值、SH1、SV1、SD1、SH2、SV2、SD2、SH3、SV3、SD3、SH4和SD4，將輸出層設(shè)計為感官舒適度等級1～5。

輸入層的節(jié)點數(shù)設(shè)為16，輸出層的節(jié)點數(shù)為1。通過經(jīng)驗式（6）計算隱藏層節(jié)點數(shù)的范圍，并依次測試m值直到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練穩(wěn)定，最終確定隱藏層節(jié)點數(shù)為5，如圖6所示。其中，包括兩個隱藏層，每個隱藏層中有5個神經(jīng)元（即5個節(jié)點）。

通過Trainscg學(xué)習(xí)方法進(jìn)行迭代訓(xùn)練，神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)為5 000，訓(xùn)練精度為1×10-3。隨機(jī)抽取75幅圖像的特征參數(shù)作為訓(xùn)練集，反復(fù)訓(xùn)練至網(wǎng)絡(luò)輸出誤差的平方和最小或達(dá)到訓(xùn)練次數(shù)。圖7為神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中均方誤差的收斂過程。

由圖7可知，收斂時的訓(xùn)練次數(shù)為40，說明構(gòu)建的神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測能力。隨后，用另外25幅圖像進(jìn)行測試，將其灰度共生矩陣和小波參數(shù)輸入到已經(jīng)構(gòu)建的神經(jīng)網(wǎng)絡(luò)中，進(jìn)行舒適度等級識別。預(yù)測值為輸入?yún)?shù)后通過模型自動識別的舒適度等級，期望值為1.3中被試者主觀評價均值的隸屬等級。識別結(jié)果顯示（表2），其舒適度預(yù)測等級與期望等級完全吻合，正確率高達(dá)100%，表明灰度共生矩陣與小波分析得到的16個特征參數(shù)能夠較準(zhǔn)確地量化本文視錯裙圖像的紋理特征，且可用來預(yù)測波浪視錯裙的感官舒適度等級。

3 結(jié) 論

本文沿用前人構(gòu)建自動評判模型的方式，將獲取的不同大小和比例的視錯裙圖像，運(yùn)用灰度共生矩陣與Haar小波相結(jié)合的方法，提取特征參數(shù)。但不同點在于，本文在小波分析采用了5層分解共同分析的方式，在神經(jīng)網(wǎng)絡(luò)輸入層的選取上采用擇優(yōu)的辦法，提取16個與主觀評價結(jié)果有顯著相關(guān)性的特征參數(shù)，輸入到BP神經(jīng)網(wǎng)絡(luò)中，構(gòu)建了視錯服裝感官舒適度等級的自動評估模型。經(jīng)測試，該算法具有較高的識別正確率，能夠較準(zhǔn)確地預(yù)測視錯圖案在線條粗細(xì)和間距變換下的感官舒適度等級。在實際應(yīng)用時，可通過將圖像的上述16個特征參數(shù)輸入至模型，得到視錯裙的感官舒適度等級的初步預(yù)判，再決定后續(xù)設(shè)計和制作。該模型的建立擴(kuò)大了現(xiàn)有視錯服裝的研究范圍，為視錯圖案在紡織服裝中的應(yīng)用提供一定的參考。由于實驗條件有限，本文僅選取了一類視錯圖案，且為了最大限度地保留圖案制成了半身裙，實驗樣本數(shù)量受限，從而BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集較少，因此可對其他類型的視錯圖案和載體進(jìn)行更深入的研究。

參考文獻(xiàn)：

[1]THOMPSON P， MIKELLIDOU K. Applying the Helmholtz illusion to fashion： horizontal stripes wont make you look fatter[J]. i-Perception， 2011， 2（1）： 69-76.

[2]肖立志. 視錯覺在女式職業(yè)裝造型設(shè)計中的應(yīng)用[J]. 紡織學(xué)報， 2014， 35（9）： 127-131.

XIAO lizhi. Application of optical illusion in modeling design of womens business wear[J]. Journal of Textile Research， 2014， 35（9）：127-131.

[3]常利利， 馬俊， 鄧中民， 等. 基于灰度共生矩陣的織物組織結(jié)構(gòu)差異分析[J]. 紡織學(xué)報， 2008， 29（10）： 43-46.

CHANG Lili， MA Jun， DENG Zhongmin， et al. Study on identification

of fabric texture based on gray-level co-occurrence matrix[J]. Journal of Textile Research， 2008， 29（10）： 43-46.

[4]李艷梅， 仇曉坤， 蔣真真. 縫紉平整度客觀評判模型的研究[J]. 絲綢， 2011， 48（4）： 28-31.

LI Yanmei， QIU Xiaokun， JIANG Zhenzhen. Research on objective evaluation model of seam pucker[J]. Journal of Silk， 2011， 48（4）： 28-31.

[5]蔣真真， 李艷梅. 基于BP網(wǎng)絡(luò)的縫紉平整度等級客觀評價[J]. 上海工程技術(shù)大學(xué)學(xué)報， 2014， 28（1）： 87-91.

JIANG Zhenzhen， LI Yanmei. Objective evaluation of seam pucker grade based on BP network[J]. Journal of Shanghai University of Engineering Science， 2014， 28（1）： 87-91.

[6]張寧， 潘如如， 高衛(wèi)東. 采用圖像處理的織物縫紉平整度自動評估[J]. 紡織學(xué)報， 2017， 38（4）： 145-150.

ZHANG Ning， PAN Ruru， GAO Weidong. Automatic seam puckering evaluation using image processing[J]. Journal of Textile Research， 2017， 38（4）： 145-150.

[7]任國貞， 江濤. 基于灰度共生矩陣的紋理提取方法研究[J]. 計算機(jī)應(yīng)用與軟件， 2014（11）： 190-192.

REN Guozhen， JIANG Tao. Study on GLCM-based texture extraction methods[J]. Computer Applications and Software， 2014（11）： 190-192.

[8]焦蓬蓬， 郭依正， 劉麗娟. 灰度共生矩陣紋理特征提取的Matlab實現(xiàn)[J]. 計算機(jī)技術(shù)與發(fā)展， 2012（11）： 169-171.

JIAO Pengpeng， GUO Yizheng， LIU Lijuan， et al. Implementation of gray level co-occurrence matrix texture feature extraction using Matlab[J]. Computer Technology and Development， 2012（11）： 169-171.

[9]劉成霞， 劉婷. 應(yīng)用小波分析的服裝關(guān)節(jié)部位抗皺性評價[J]. 紡織學(xué)報， 2016，37（12）： 87-91.

LIU Chengxia， LIU Ting. Objective evaluation on wrinkling of garment joints based on wavelet analysis[J]. Journal of Textile Research， 2016， 37（12）： 87-91.

[10]曹建達(dá). 真絲綢透氣性能的BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J]. 絲綢， 2003（4）： 39-41.

CAO Jianda. Research on prediction of silk fabrics air permeability with BP neutral network[J]. Journal of Silk， 2003（4）： 39-41.