混合色彩空間與多核學(xué)習(xí)的色紡織物組織點識別

龔 雪， 袁 理，2， 劉軍平， 楊亞莉， 劉沐黎， 柯政濤， 鄢煜塵

(1. 武漢紡織大學(xué) 電子與電氣工程學(xué)院， 湖北 武漢 430200； 2. 武漢紡織大學(xué) 湖北省紡織新材料與先進(jìn) 加工技術(shù)省部共建國家重點實驗室培育基地， 湖北 武漢 430200； 3. 武漢紡織大學(xué) 數(shù)學(xué)與計算機學(xué)院， 湖北 武漢 430200； 4. 武漢大學(xué) 電子信息學(xué)院， 湖北 武漢 430072)

織物組織點的檢測與識別是紡織品生產(chǎn)與設(shè)計過程中的重要環(huán)節(jié)之一。近年來，通過2種或多種不同染色纖維混配而成的色紡織物，因其色彩層次豐富，具有獨特的混色效果而被市場追捧。對色紡織物的組織點進(jìn)行自動分析能夠為色紡產(chǎn)品的快速開發(fā)與生產(chǎn)提供技術(shù)支撐，具有重要的應(yīng)用價值[1]。

得益于計算機視覺技術(shù)與模式識別理論的快速發(fā)展，基于圖像處理的織物組織點識別方法是目前研究的主流方向。其中，織物組織點特征參數(shù)的提取與識別是該領(lǐng)域研究的重點與難點。常利利等[2]利用灰度共生矩陣分析織物的組織結(jié)構(gòu)。通過提取能量、熵、逆差距、對比度和相關(guān)性這5種統(tǒng)計值，從而實現(xiàn)對織物紋理信息的分析與表達(dá)，實驗結(jié)果表明，該方法能較好地提取織物的紋理特征。景軍鋒等[3]利用局部二值模式(LBP)提取織物的局部紋理特征，同時利用灰度共生矩陣提取織物的全局紋理特征，然后將其結(jié)合起來實現(xiàn)對3種基本組織的分類，精度高達(dá)99.93%。但上述方法在織物特征參數(shù)的提取過程中，僅考慮了織物的紋理信息，對于色彩豐富的染色或印花織物具有局限性。針對此問題，商琳等[4]提出了一種基于顏色共生矩陣的紋理檢索算法，該算法不僅考慮到圖像的紋理特征，而且還建立了與人眼感知相對應(yīng)的顏色組成特征，該方法顯著優(yōu)于單一灰度共生矩陣的紋理檢索算法。孫佳理等[5]利用灰度共生矩陣(GLCM)在YUV顏色空間模型的Y通道上提取組織點的紋理特征，同時利用顏色矩提取織物組織點的顏色信息，最后通過特征融合的方法實現(xiàn)織物組織點的分類，結(jié)果發(fā)現(xiàn)該方法具有較好的識別效果。

需要指出的是，不同的顏色空間具有不同的色彩刻畫能力，單一顏色空間對復(fù)雜顏色模式表達(dá)的過程中具有顯著的局限性[6]。因此，龐曉敏等[7]提出了基于HIS(Hue, Intensity, Saturation)和Lab顏色空間的彩色圖像分割算法，但該算法比采用單一的顏色空間具有更為理想的分割效果。劉瓊等[8]提出了基于YUV和Lab顏色空間的農(nóng)田圖像分割方法，該方法在2種顏色空間分別利用加權(quán)模糊熵和Otsu閾值方法實現(xiàn)對圖像的分割，取得了不錯的效果。王民等[9]提出了基于HSV(Hue, Saturation, Value)、HIS與YUV混合色彩空間分塊顏色特征提取與檢索算法，該算法相較于普通的單一色彩空間的特征提取方法，查準(zhǔn)率和查全率均得到明顯提高。代喬民等[10]以RGB(Red, Green, Blue)、Lab以及HSV 3顏色空間為基礎(chǔ)，建立了結(jié)合全局顏色特征與局部紋理特征的色紡紗色度學(xué)指標(biāo)表征模型，結(jié)果發(fā)現(xiàn)，對于色紡紗色度學(xué)指標(biāo)的細(xì)微改變，該模型均能準(zhǔn)確、穩(wěn)定地進(jìn)行表征，具有理想的有效性與魯棒性。

與此同時，如何針對織物組織點參數(shù)特征進(jìn)行有效識別也是目前該研究領(lǐng)域亟待解決的難點。常見的特征分類器可分為線性分類器和非線性分類器。其中，神經(jīng)網(wǎng)絡(luò)模型與支持向量機(SVM)在處理非線性、高維度樣本數(shù)據(jù)時具有顯著優(yōu)勢。包曉敏等[11]針對織物組織的多樣性及組織圖像易受到噪聲干擾的問題，提出了嗅覺神經(jīng)網(wǎng)絡(luò)實現(xiàn)織物組織的自動識別，但該方法在實現(xiàn)過程中計算復(fù)雜度較高。孫輝等[12]提出了基于多核學(xué)習(xí)支持向量機的音樂流派分類方法，結(jié)果表明，與單核支持向量機相比，多核支持向量機分類的正確率提高了6.58%。鐘志鵬等[13]針對傳統(tǒng)的學(xué)習(xí)方法存在的問題，提出了一種基于多核學(xué)習(xí)的人臉表情識別方法，結(jié)果表明，該方法識別率為88%，比傳統(tǒng)方法提高了8%。

值得注意的是，不同于單一呈色物體，色紡織物是以染色纖維作為顏色的基本載體，在成紗或織造的過程中，染色纖維會在紗線或織物的表面表現(xiàn)為和捻度相關(guān)的螺旋形，并且纖維間會互相堆疊與聚集，使織物組織呈色形態(tài)具有隨機性與多樣性[14-16]。因此，本文以紡織品數(shù)碼成像技術(shù)為基礎(chǔ)，針對色紡面料特有的呈色機制與過程，建立混合色彩空間與多核學(xué)習(xí)的組織點識別算法。該算法能夠以YUV、HSV和Lab 3種色彩空間為基礎(chǔ)，構(gòu)建混合色彩空間；同時，分別提取色紡織物組織點圖像的紋理統(tǒng)計特征與三階顏色矩特征作為織物組織點參數(shù)特征，并利用多核學(xué)習(xí)構(gòu)建SVM對其進(jìn)行識別。本文的研究對于構(gòu)建穩(wěn)定、有效的色紡面料設(shè)計與生產(chǎn)系統(tǒng)具有重要的指導(dǎo)意義，并且能夠為最終實現(xiàn)色紡面料的數(shù)字化與智能化開發(fā)提供參考。

1 組織點特征提取與多核學(xué)習(xí)

1.1 混合色彩空間的建立

顏色空間是由多個獨立通道構(gòu)成的一個坐標(biāo)空間，不同的顏色空間對色彩具有不同的表征能力[6]。本文以YUV、HSV以及Lab 3種色彩空間為基礎(chǔ)，構(gòu)建混合色彩空間。分別從YUV顏色空間的Y通道、HSV顏色空間的V通道和Lab顏色空間的L通道中提取紋理和亮度信息，再將這3個通道的信息通過歸一化等處理加以融合。同時，將這3個顏色空間中另外表示色彩分量的通道信息分別進(jìn)行融合。

1.2 組織點參數(shù)特征的提取與融合

色紡織物的組織點特征由顏色與紋理特征共同構(gòu)成。針對色紡織物呈色纖維分布的隨機性與多樣性，本文提出以混色色彩空間為基礎(chǔ)，分別提取織物組織點圖像的局部二值模式(LBP)+灰度共生矩陣(GLCM)統(tǒng)計特征與三階矩顏色特征并進(jìn)行加權(quán)融合，從而構(gòu)成織物組織點參數(shù)特征。

首先，利用經(jīng)典的LBP算子提取色紡織物組織點的偽灰度圖像[17]；然后，通過灰度共生矩陣從偽灰度圖像中選取方向θ=0°,45°,90°,135°且距離d=1的像素對，從而得到灰度共生矩陣在4個方向的特征參數(shù)，即能量(GASM)、逆差距(GIDM)、對比度(GContrast)、相關(guān)性(GCorrelation)，并構(gòu)成一個16維度的紋理特征向量，具體定義如下：

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

與此同時，在混合色彩空間中提取織物組織點圖像的三階顏色矩特征，具體定義如下：

(9)

(10)

(11)

式中：u為一階顏色矩特征；σ為二階顏色矩特征；s為三階顏色矩特征；P(i,j)為位置(i,j)處像素的顏色信息；N為織物組織點圖像中像素點的個數(shù)。

最后，采用特征級融合策略對紋理與顏色特征進(jìn)行融合，并作為色紡織物組織點參數(shù)特征，其數(shù)學(xué)表達(dá)式為

C=w×Cmoment+(1-w)×CAICC

(12)

式中：Cmoment為圖像三階矩顏色歸一化特征；CAICC為圖像紋理統(tǒng)計歸一化特征，即CAICC=GASM+GIDM+GContrast+GCorrelation；w為各獨立特征的權(quán)值。

1.3 基于多核學(xué)習(xí)的SVM

SVM是從線性可分發(fā)展而來的，當(dāng)引入核函數(shù)后具備非線性分類的能力。傳統(tǒng)的支持向量機多采用單核函數(shù)，如線性核函數(shù)、高斯徑向基核函數(shù)、多項式核函數(shù)等[13]。對于多源異構(gòu)數(shù)據(jù)的分類問題，其泛化能力迅速下降。為了提高支持向量機的特征可分性，基于多核函數(shù)的SVM得到了廣泛關(guān)注，其數(shù)學(xué)模型可表示為：

(13)

(14)

式中：αi>0為拉格朗日系數(shù)；sign()為符號函數(shù)；Km(xi,x)為核函數(shù)，即：

(15)

2 實驗與結(jié)果

2.1 實驗樣本及系統(tǒng)參數(shù)設(shè)定

能夠影響色紡織物組織點識別的因素很多，如織物組織、染色纖維的種類、質(zhì)量配比、捻系數(shù)差異以及織造工藝等。根據(jù)實驗需求，制備了2批實驗樣品。第1批30份樣品由白色、紅色和綠色3種染色滌綸纖維混配織造而成。其中，平紋織物采用92號筘，每筘齒穿入紗線的根數(shù)為4，上機緯密是230根/(10 cm),下機經(jīng)密是380根/(10 cm)，下機緯密是226根/(10 cm)，樣本編號規(guī)則為SSxxA(A代表平紋織物)；斜紋織物采用110號筘，每筘齒穿入紗線的根數(shù)為4，上機緯密是300根/(10 cm),下機經(jīng)密是460根/(10 cm)，下機緯密是300根/(10 cm)，樣本編號規(guī)則為SSxxD(D代表斜紋織物)；緞紋織物采用92號筘，每筘齒穿入紗線的根數(shù)為5，上機緯密是330根/(10 cm),下機經(jīng)密是488根/(10 cm)，下機緯密是334根/(10 cm)，樣本編號規(guī)則為SSxxF(F代表緞紋織物)。同時，樣本間存在纖維質(zhì)量配比差異與捻系數(shù)差異，具體參數(shù)和部分樣本分別由如表1和圖1所示。

表1 第1批色紡織物實驗樣本參數(shù)表Tab.1 Parameter table of the first batch of colored spun fabric samples

圖1 部分色紡織物實驗樣本Fig.1 Experimental samples of some colored spun fabrics

第2批20份樣本由大紅、金黃以及黑色、藍(lán)色分別與白色棉纖維混配織造而成。樣本均為平紋組織，采用130號筘，每筘齒穿入紗線的根數(shù)為2，下機緯密是280根/(10 cm), 無特殊說明情況下，捻系數(shù)為350。樣本間的染色纖維配比存在較大范圍內(nèi)的隨機變化，且存在長絨棉與短絨棉對比樣本，具體參數(shù)和部分樣本分別由如表2和圖2所示。

表2 第2批色紡織物樣本參數(shù)表Tab.2 Parameter table of the second batch of colored spun fabric samples

圖2 部分色紡織物實驗樣本Fig.2 Experimental samples of some colored spun fabrics

全部樣本在相對濕度為65%狀態(tài)下平衡后，通過DigiEye Digital Imaging System系統(tǒng)進(jìn)行圖像采集，并在采集前通過白板和標(biāo)準(zhǔn)色卡對DigiEye系統(tǒng)相機進(jìn)行白平衡和顏色校正。每份織物樣本采集不同區(qū)域的4張標(biāo)準(zhǔn)圖像；同時，對標(biāo)準(zhǔn)圖像進(jìn)行分割，從中獲得10張像素為600像素×600像素的樣本圖像，并從每張圖片中提取至少一個組織循環(huán)。其中，訓(xùn)練集由6張圖像構(gòu)成，其余圖像為測試集。因此，實驗樣本數(shù)據(jù)集由500張織物圖像構(gòu)成。其中，訓(xùn)練樣本集為300張圖像，測試樣本集為200張織物圖像。

2.2 色紡織物組織點的定位

在圖像采集過程中，采集到的織物圖像可能會受到噪聲的干擾，影響實驗的準(zhǔn)確率。因此，需要對織物圖像進(jìn)行預(yù)處理。首先，將采集到的RGB圖像的3個顏色通道分別進(jìn)行中值濾波，以降低噪聲的影響；然后，在混合色彩空間的亮度通道利用水平和垂直灰度投影法實現(xiàn)對織物組織點的定位；最后，在混合色彩空間下從色紡織物圖像中分割出組織點圖像。

2.3 算法參數(shù)優(yōu)化

本文算法中需要對多核學(xué)習(xí)SVM中的核函數(shù)類型與權(quán)重值進(jìn)行優(yōu)化；同時，還需要對特征融合權(quán)值進(jìn)行分析。由于線性核函數(shù)與高斯徑向基核函數(shù)具有參數(shù)少，分類性能較為理想，將其作為SVM的核函數(shù)，并通過實驗分析確定核函數(shù)間的最優(yōu)權(quán)重系數(shù)，具體過程如下：1)按照上述方法提取樣本圖像中所有組織點的參數(shù)融合特征，其中為了便于分析，根據(jù)參考文獻(xiàn)[10]取經(jīng)驗值，將融合參數(shù)設(shè)定為w=0.5；2)將樣本中所有組織點的融合特征參數(shù)輸入多核支持向量機進(jìn)行學(xué)習(xí)，其中2類核函數(shù)的權(quán)值設(shè)定為0至1區(qū)間，每間隔0.1取值迭代循環(huán)計算第一批樣本中各類織物組織點的正確識別率，結(jié)果如表3所示。其中，權(quán)重為高斯徑向基核函數(shù)：線性核函數(shù)。實驗結(jié)果表明，當(dāng)高斯徑向核函數(shù)與線性核函數(shù)的權(quán)重分別為0.9、0.1時，算法整體平均識別率最高。

表3 核函數(shù)權(quán)重參數(shù)優(yōu)化Tab.3 Weight parameter optimization of kernel function

2.4 實驗結(jié)果與分析

能夠影響色紡織物呈色的因素很多，即包括染色纖維的混配比、種類以及成紗過程中的捻系數(shù)等。其中，染色纖維混配比的改變對織物組織點參數(shù)的影響最為顯著，為了驗證本文方法的有效性與穩(wěn)定性，對第1批15份具有不同質(zhì)量配比與組織的色紡織物組織點進(jìn)行識別(實驗一)，結(jié)果見表4。其中，樣本間的染色纖維混配質(zhì)量比差異在0.5%至4.0%之間變化，且成紗過程中的捻系數(shù)保持一致。

表4 捻系數(shù)為低的識別結(jié)果(實驗一) Tab.4 Recognition results with low twist factor(experiment one)

實驗結(jié)果表明，當(dāng)捻系數(shù)為低時，平紋織物組織點的平均識別率為95.2%；斜紋織物組織點的平均識別率為96.8%；緞紋織物組織點的平均識別率略低為83.4%。與此同時，大量研究結(jié)果表明染色纖維成紗過程的捻系數(shù)也是導(dǎo)致織物呈色變化的顯著因素之一，因此，本文以實驗一為對照組，對另外15份具有不同捻系數(shù)的織物的組織點進(jìn)行識別(實驗二)，結(jié)果如表5所示。其中，樣本間的染色纖維混配質(zhì)量比差異在0.5%至4.0%之間變化，與對照組保持一致，但捻系數(shù)為高。

實驗結(jié)果表明，當(dāng)捻系數(shù)為高時，平紋織物組織點的平均識別率為93.8%；斜紋織物組織點的平均識別率為94.0%；緞紋織物組織點的平均識別率為84.0%。對比2組實驗結(jié)果，可以看出本文所建立的色紡織物組織點自動識別算法對于染色纖維的混配比以及成紗過程中的捻系數(shù)變化均具有理想的魯棒性和有效性，能夠?qū)?種典型織物組織點進(jìn)行準(zhǔn)確識別，部分織物樣本及組織結(jié)構(gòu)意匠圖如圖3所示。

染色纖維的種類以及染色纖維的色度學(xué)指標(biāo)都是其織物組織點識別過程中關(guān)鍵因素。為了驗證本文方法的有效性與普適性，對第2批共20份棉纖維色紡織物樣本的組織點進(jìn)行識別分析，結(jié)果見表6。

表5 捻系數(shù)為高的識別結(jié)果(實驗二)Tab.5 Recognition results with high twist factor(experiment two)

注：①為柱本；②為組織點分割圖；③為組織結(jié)構(gòu)意匠圖。圖3 部分樣本、組織點分割圖及組織結(jié)構(gòu)意匠圖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批色紡織物組織點的識別結(jié)果Tab.6 Recognition results of the second batch of colored spun fabric interlacing points

其中，樣本間不僅具備顯著的色相差異，而且樣本間染色纖維混配質(zhì)量比變化范圍更大，從0.25%至8.0%；同時，樣本間也包含纖維性狀差異以及捻系數(shù)變化,且樣本組織均為平紋。

實驗結(jié)果表明，對于具有不同色度學(xué)指標(biāo)的色紡織物樣本，本文所建立的混合色彩空間擁有理想的色彩表征能力；同時，結(jié)合組織點參數(shù)特征提取算法與多核學(xué)習(xí)SVM分類器，使得識別算法對較大范圍內(nèi)纖維混配與捻系數(shù)變化具有理想的魯棒性，組織點平均識別率均保持在93%以上。部分樣本、組織點分割圖及組織結(jié)構(gòu)意匠圖如圖4所示。

注：①為樣本；②為組織分割圖；③為組織結(jié)構(gòu)意匠圖。圖4 部分樣本、組織點分割圖及組織結(jié)構(gòu)意匠圖Fig.4 Partial samples, segmentation image of interlacing point and pattern grid

2.5 對比實驗結(jié)果

相對于單一顏色空間，混合色彩空間能夠綜合運用多顏色空間對色彩的表征與刻畫能力，具有較強的顏色表征能力；同時，基于多核學(xué)習(xí)的SVM能夠?qū)μ卣鏖g的復(fù)雜分布模式進(jìn)行有效表征。為綜合對比分析本文方法的創(chuàng)新性與必要性，以上述2批實驗樣本為對象，采用在HSV顏色空間提取色紡織物組織點的顏色與紋理特征，并分別采用單核SVM與線性分類器對組織點進(jìn)行識別，2種方法分別記為方法1與方法2；同時，在混合顏色空間提取色紡織物組織點的特征參數(shù)，采用單核SVM對組織點進(jìn)行識別，記為方法3。對比實驗結(jié)果如表7～8所示。

表7 第1批實驗樣本采用不同方法的識別結(jié)果Tab.7 Recognition results of the first batch of experimental samples using different methods

表8 第2批實驗樣本采用不同方法的識別結(jié)果Tab.8 Recognition results of the second batch of experimental samples using different methods

實驗結(jié)果表明，相較于單一顏色空間，本文所建立的混合色彩空間能夠?qū)Σ煌葘W(xué)指標(biāo)的色紡織物的顏色進(jìn)行準(zhǔn)確表征，所建立的色紡織物組織點參數(shù)特征提取算法對于纖維種類、質(zhì)量配比以及織造參數(shù)的變化具有理想的穩(wěn)定性；同時，由于引入了多核學(xué)習(xí)機制，使得SVM的非線性分類能力得到進(jìn)一步強化，在兩組實驗中組織點平均正確識別率均顯著高于對照組，從而證明了本文方法的有效性與先進(jìn)性。

3 結(jié) 論

本文以紡織品數(shù)碼成像技術(shù)為基礎(chǔ)，建立了混合色彩空間與多核學(xué)習(xí)的組織結(jié)構(gòu)識別算法。該算法以YUV、HSV和Lab 3種色彩空間為基礎(chǔ)，通過相同屬性顏色通道構(gòu)建混合色彩空間；同時，分別提取色紡織物圖像的LBP+GLCM統(tǒng)計特征與三階顏色矩特征作為織物組織結(jié)構(gòu)參數(shù)特征，并利用多核學(xué)習(xí)構(gòu)建SVM對其進(jìn)行分類識別。實驗結(jié)果表明，所建立的色紡織物組織結(jié)構(gòu)識別算法，對具有不同捻系數(shù)以及配比系數(shù)的滌綸機織物，其三元組織結(jié)構(gòu)的識別率分別為94.5%、95.4%和83.7%。同時，對于具有不同配色方案以及配比系數(shù)的棉型平紋織物，其組織結(jié)構(gòu)的識別率為94.65%，具備理想的魯棒性與普適性。本文的研究對于構(gòu)建穩(wěn)定、有效的色紡面料數(shù)字化檢索與客觀評價體系具有重要指導(dǎo)意義，并且能夠為最終實現(xiàn)色紡面料的數(shù)字化與智能化系統(tǒng)開發(fā)奠定基礎(chǔ)。如何進(jìn)一步降低特征維度，提高識別系統(tǒng)的運行效率是未來研究的主要內(nèi)容之一。