基于Adaboost多特征融合的织物扫描图案识别

张　诚，张华熊，田秋红，沈　晔，康　锋

(1.浙江理工大学信息学院，杭州　310018；2.中国计量学院信号与信息处理系，杭州　310018)



基于Adaboost多特征融合的织物扫描图案识别

张诚1，张华熊1，田秋红1，沈晔2，康锋1

(1.浙江理工大学信息学院，杭州310018；2.中国计量学院信号与信息处理系，杭州310018)

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题，提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理，并进行灰度化；然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征，建立样本图像特征库；最后以样本图像特征库特征为训练对象，通过Adaboost算法融合3类特征建立分类器，实现图案识别。实验结果表明，基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。

织物扫描图像；图案识别；纹理抑制平滑；边缘方向直方图；最大稳定极值区域；灰度共生矩阵；特征融合；Adaboost

在纺织行业中，织物图案识别主要由专家凭借个人经验完成，这种方式不能对识别需求进行精确描述，而且不能满足实时性要求。近年来，随着计算机处理技术的发展，以模式识别和数字图像处理技术为基础的图像识别方法大大提高了织物图案识别的效率，已经成为当前的研究热点[1-6]。

计算机图案识别过程一般可分为预处理、特征提取、算法识别3个步骤。通过图像预处理，降低图像噪声；然后提取图案特征，建立特征数据库；最后根据检测图像的特征与特征数据库，通过一定的算法识别检测图像的图案类别。在图案识别过程中，提取有效图案特征是提高识别率的重要因素。然而，织物的非平面结构使得扫描图像在纱线之间存在阴影和过渡颜色，同时由于扫描图像文件保存时往往采用失真压缩的方式，使得图案轮廓不清晰[6]。因此，直接应用图案特征一般很难准确识别织物扫描图像的图案，所以在识别织物扫描图像的图案前，应先对图像进行预处理，以抑制纱线纹理等与图案无关的信息。应用于图像识别的特征主要有颜色、纹理、形状、角点等[7-10]。但是这些单一特征仅反映了图案的某一方面的特征，不能全面表征图案特征，仅利用某个特征进行图案识别往往不够准确。

针对织物扫描图像的特点，本文首先采用一种纹理抑制平滑滤波算法对扫描织物图像进行预处理，抑制图像中的纱线纹理信息，保留图案的结构信息；然后提取平滑图像的边缘方向直方图、最大稳定极值区域(maximally stable extremal region, MSER)特征和灰度共生矩阵特征等3类特征，建立特征数据库；最后根据特征数据库，采用Adaboost算法融合这3类特征建立分类器，对织物扫描图案进行识别。

1　算法设计

1.1算法流程

本文提出的算法可以分为预处理、特征提取、Adaboost分类识别3个过程，算法流程如图1所示。a)通过纹理抑制平滑算法滤除纱线纹理，降低扫描噪声，并进行灰度化；b)对平滑后的图像进行特征提取，提取边缘方向直方图、MSER特征和灰度共生矩阵特征，对图像库中的图像建立特征库；c)将特征库中数据作为训练对象，首先分别计算各训练对象间的边缘方向直方图相似度和MSER特征相似度，与训练对象的灰度共生矩阵特征值组成训练样本集，并进行高斯归一化处理，然后进行Adaboost训练，建立分类器，最后提取检索图像的特征并进行识别，输出结果。

图1　算法流程

1.2纹理抑制平滑滤波

典型的低通滤波器，如高斯低通滤波器，可以有效平滑图像但会引起边缘模糊。基于保边缘的双边滤波方法很难平滑织物图像中的纱线纹理，会保留纹理边缘。基于总变差模型或相对总变差模型的方法[3]，运用迭代算法分解图像中的结构信息和纹理信息，但可能会引起过平滑而扭曲织物图案的细节。

本文采用纹理抑制平滑滤波算法[11]，可以较好地滤除纱线纹理，保持织物图案的真实边缘。该算法在高斯滤波器的基础上，重新构建滤波系数，根据空间距离、色彩距离和邻域梯度距离调整邻域像素点的累加权值，对织物图像的每个像素点进行线性滤波，该滤波器可以由式(1)表示：

(1)

其中：s表示待滤波像素点；Js为像素点s滤波后的颜色值；Ω为像素点s的邻域像素点集合；p为集合Ω中的像素点；f、g、h均为高斯函数，f为空间距离函数；为色彩距离函数，可由式(2)表示为：

g(Ip-Is)=

(2)

(3)

(4)

1.3特征提取

1.3.1边缘方向直方图

边缘方向直方图是基于图像边缘的统计特征，能较好地反映图案的形状和边缘信息，而且运算速度较快[12]。

1.3.2MSER特征

MSER被认为是性能最好的仿射不变区域，在尺度、旋转、模糊和亮度变化等情况下均具有较好的评价[6]。

1.3.3灰度共生矩阵

灰度共生矩阵通过图像中一定距离和方向的像素值之间的相关性，来反映图像在方向、空间、变化幅度等综合信息，并通过共生矩阵的特征来表征图像信息[5,13-14]。设f(x,y)为一幅M×N大小的图像，灰度级别为Ng，那么满足一定空间关系的灰度共生矩阵可以表示为：F(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}，其中#()表示集合中元素的个数，由此可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)，表示灰度分别为i和j的两个相距为d的像素对在角θ方向上出现的次数。

1.4Adaboost分类算法

Adaboost算法针对同一个训练集训练不同的弱分类器，根据每次训练的分类结果确定每个样本权值，并将修改权值的新数据送给下层分类器进行迭代训练，然后将每次训练得到的分类器融合来构造强分类器[15]。本文采用的算法描述如下。

对于多类问题，假定共有N类，训练样本集D={(xi,yj)|i=1,…,N},yj=-1表示训练样本为负样本，yj=+1表示训练样本为正样本。若分类器的学习算法L，弱分类器的个数为M，那么由M个弱分类器构成强分类器。多分类Adaboost算法的具体步骤如下：

b)初始化样本xi权值Di。若正负样本数目分别为N+和N-，则正样本D1(i)=1/(2×N+)，负样本D1(i)=1/(2×N-)。

c)迭代。对于m=1,…,M，

i)训练弱分类器fm(x)=L(D,Dm)∈{-1,+1}；

iv)根据fm(x)调整各样本权重，并归一化。

d)权值调整。

2　实验与分析

本文选择了86种较为典型的织物图案进行实验，图像中包含点状、条纹、规则几何图案以及复杂图案等4种类型，每种相似图案共有6种不同织物，通过扫描获取了516幅图像，图像分辨率为96dpi，图像格式为JPEG。对每种相似图案选择5幅图像，共430幅，建立图像库，通过预处理、特征提取，建立了特征库；剩下的86幅图像为待识别图像。

a) 预处理

对图像库中的图像进行纹理抑制平滑滤波，实验中σg=0.2,σh=2,th=0，并进行灰度化，将灰度范围为1%～99%的像素点进行线性拉伸。不同类型的织物图像预处理结果见图2。从图2(a)中可以看到，织物扫描图像中存在纱线纹理，织物图像不平滑；从图2(b)中可以看出，经过纹理抑制平滑滤波，织物扫描图像中的纱线纹理已经基本消除，整幅图像比较平滑，图案较清晰；从图2(c)中可以看出，灰度化后的织物图像保留了图案信息，但是也存在一些伪图案。

图2　图像预处理

b) 分类器构建和图案识别

对特征库中的数据进行处理，建立Adaboost分类器。首先对预处理后图像库中图像，分别提取边缘梯度方向直方图、MSER特征、灰度共生矩阵特征，并建立特征库；其次分别计算特征库中各样本间的边缘方向直方图相似度和MSER特征相似度，与特征库中的灰度共生矩阵特征共同组成为训练样本；然后对训练样本进行高斯归一化；最后采用Adaboost算法进行训练，M设为5，最大迭代次数设为600，获得Adaboost分类器。

对待识别图像进行预处理，提取边缘梯度方向直方图、MSER特征和灰度共生矩阵特征，分别计算待识别图像的边缘梯度方向直方图、MSER特征与训练样本之间的相似度，与灰度共生矩阵特征共同组成识别样本，通过已建立的Adaboost分类器进行分类识别。

在实验中发现，如直接将特征库中的边缘梯度方向直方图、MSER特征相似度和灰度共生矩阵特征组合成训练样本集，Adaboost分类器很难收敛，且识别率很低。这是因为一方面由3类特征直接组成训练样本集，样本维度较大(共21维)，另一方面边缘梯度方向直方图(16维)在某一方向上的边缘点频数很难表征图案的特征，因而造成Adaboost分类器很难收敛，识别率很低。

c) 识别结果与分析

实验中分别对单个特征识别方法和本文方法的结果进行了统计，结果如表1所示。在采用单个特征的识别算法中，通过识别图像与图像库中对应的同一类图案的平均相似度判别织物图案类别。

表1　基于不同特征的图案识别方法的识别率　%

从表1中可以看出：在4种图案识别方法中，本文提出的多特征融合方法识别率最高，基于边缘方向直方图的单特征识别方法次之，基于灰度共生矩阵特征的识别方法最低。边缘方向直方图反映了织物图案的轮廓特征，可以较好地表征规则几何图案和复杂图案特征，在3类单特征识别方法中识别率相对较高；MSER特征反映了图案的区域特征，可以较好地表征条纹和规则几何图案特征，对于较规则的图案的识别率相对较高，但对复杂图案的识别率较低；灰度共生矩阵特征较多地反映了图像的综合特征，但由于织物扫描图像中存在较多的纹理噪声，通过图像预处理不能完全滤除，因而识别率比其他方法低；Adaboost分类器融合了以上三类特征，可以实现自动调整各类特征的权值，明显提高了图案识别率。

3　结　语

本文提出了一种基于边缘方向直方图、MSER特征和灰度共生矩阵特征相融合的织物图案识别方法，通过Adaboost算法建立了分类器，实验结果表明，该方法的织物图案识别率明显高于基于单特征的识别方法。

在实验中发现，预处理结果对提取织物图案的有效特征影响很大。尽管通过纹理抑制平滑滤波算法可以去除一定尺度的纱线纹理，但是织物扫描图像中的伪图案很难滤除，提取的图案特征不一定准确；扫描获取的图像往往存在局部光照不匀，且不同颜色的相似图案亮度值可能差异较大，因而通过全局灰度化处理容易造成图案信息失真。因此，后续研究的重点之一是改进纹理抑制平滑算法和灰度化算法，减少伪图案，降低颜色对图案的影响，从而提高图案特征提取的有效性。在Adaboost分类器构建过程中，本文提出的方法需要计算训练样本之间的相似度，并以此组成样本数据，这大大增加了计算复杂度。后续工作将研究如何提取直接表征图案特性的特征，从而降低分类器构建的复杂度，提高分类器识别效率。

[1]ZHANGJ,XINB,WUX.Areviewoffabricidentificationbasedonimageanalysistechnology[J].TextilesandLightIndustrialScienceandTechnology,2013,2(3):120-130.

[2] 张勇,邓中民,马俊.贾卡经编织物花纹图案的自动识别[J].武汉纺织大学学报,2015,28(3):45-48.

[3]KUOCFJ,JIANBL,TUNGCP,etal.Automaticmachineembroideryimagecoloranalysissystem,partII:Applicationofthegeneticalgorithminsearchofarepetitivepatternimage[J].TextileResearchJournal, 2012,82(11):1099-1106.

[4] 景军锋.基于数字图像处理的织物外观特征研究[D].西安:西安电子科技大学,2013:1-10.

[5] 常利利,马俊,邓中民,等.基于灰度共生矩阵的织物组织结构差异分析[J].纺织学报,2008,29(10):43-46.

[6] 康锋,胡洁,张华熊,等.基于最大稳定极值区域的织物图案检索[J].纺织学报,2015,36(10):160-165.

[7]BUNTEK,BIEHLM,JONKMANMF,etal.Learningeffectivecolorfeaturesforcontentbasedimageretrievalindermatology[J].PatternRecognition, 2011,44(9):1892-1902.

[8]KEKREHB,THEPADESD,SARODETK,etal.ImageRetrievalusingTextureFeaturesextractedfromGLCM,LBGandKPE[J].InternationalJournalofComputerTheoryandEngineering, 2010,2(5):1793-8201.

[9]KEKREHB,THEPADES,MUKHERJEEP,etal.ImageRetrievalwithShapeFeaturesExtractedusingGradientOperatorsandSlopeMagnitudeTechniquewithBTC[J].InternationalJournalofComputerApplications, 2010,6(8):28-33.

[10]BELLAVIAF,TEGOLOD,VALENTIC.Keypointdescriptormatchingwithcontext-basedorientationesti-mation[J].ImageandVisionComputing, 2014,32(9):559-567.

[11]KANGF,ZHANGHX,HUJ,etal.ANovelSmoothingFilterwithTextureSuppressionforFabricImages[C]//ComputationalIntelligenceandDesign(ISCID), 2014SeventhInternationalSymposiumon.Hangzhou:IEEE, 2014,2:577-580.

[12] 申海洋,李月娥,张甜.基于边缘方向直方图相关性匹配的图像检索[J].计算机应用,2013,33(7):1980-1983.

[13] 郑红,李钊,李俊.灰度共生矩阵的快速实现和优化方法研究[J].仪器仪表学报,2013,33(11):2509-2515.

[14]CONNERSRW,HARLOWCA.Atheoreticalcomparisonoftexturealgorithms[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 1980,2(3):204-222.

[15]VEZHNEVETSA,VEZHNEVETSV. ‘ModestAdaBoost’-teachingAdaBoosttogeneralizebetter[C]//Graphicon’2005.NovosibibskAkademgorodok:RussionAcademyofSciences, 2005,12(5):987-997.

(责任编辑：许惠儿)

Fabric Scanning Pattern Recognition Based on Adaboost Multi-Feature Fusion

ZHANGCheng1,ZHANGHuaxiong1,TIANQiuhong1,SHENYe2,KANGFeng1

(1.School of Information and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China;2.Department of Signal and Information Processing, China Jiliang University, Hangzhou 310018, China)

It is difficult to extract effective pattern features due to the existence of yarn texture in fabric scanning images. For this problem, this paper proposes a pattern recognition method based on multi-feature fusion. Firstly, texture suppression smoothing filtering algorithm was applied to filter yarn texture of fabric scanning images and graying was conducted. Then, edge direction histogram of gray-level images, SURF features of maximally stable extremum regions and features of gray-level co-occurrence matrixes were extracted respectively, and feature database of sample images was established. Finally, by taking feature database of sample images as the training object, three types of pattern features were fused through Adaboost algorithm to establish the classifier and achieve pattern recognition. The experimental results show that the Adaboost-based multi-feature fusion fabric scanning pattern recognition algorithm achieves higher accuracy than single-feature recognition method.

fabric scanning; pattern recognition; texture suppression smoothing; edge direction histogram; maximally stable extremum region; gray-level co-occurrence matrix; feature fusion; Adaboost

2015-09-23

国家自然科学基金项目(51405448)；浙江省自然科学基金项目(LY13H180011)；浙江省信息服务业发展专项计划重点项目(浙经信软件[2015]98号)

张诚(1987-)，男，湖北黄冈人，硕士研究生，主要从事计算机图像处理方面的研究。

康锋，E-mail:kangf@zstu.edu.cn

TN919；TS145.4

A

1009-265X(2016)05-0025-05