織物褶皺多尺度灰度共生矩陣分析

石康君 王靜安 高衛東

摘要： 為建立一套客觀、穩定、高效的織物褶皺評價系統，文章提出一種多尺度圖像特征提取方法。首先，通過3層小波變換對織物二維圖像進行分解，得到其高頻系數;對原圖及三個尺度下的小波系數分別生成灰度共生矩陣，并對這四個尺度的灰度共生矩陣提取對比度、相關性、角二階矩、同質性及熵值表征織物褶皺變化;最后通過支持向量機對輸入特征進行分類。結果表明，結合小波變換的灰度共生矩陣方法比單獨使用灰度共生矩陣分類準確率高，說明多尺度的圖像特征能夠更加全面地描述織物褶皺變化。

關鍵詞： 織物褶皺;小波變換;灰度共生矩陣;多尺度;支持向量機

中圖分類號： TS941.2文獻標志碼： A文章編號： 10017003（2020）02003506

引用頁碼： 021107DOI： 10.3969/j.issn.10017003.2020.02.007

Multiscale GLCM analysis of fabric wrinkles

SHI Kangjun， WANG Jingan， GAO Weidong

（Key Laboratory of EcoTextiles， Ministry of Education， Jiangnan University， Wuxi 214122， China）

Abstract： In order to establish an objective， stable and efficient evaluation system of fabric wrinkles， this paper proposes a multiscale image feature extraction method. Firstly， the 2D images of fabrics were decomposed by threelayer wavelet transform to obtain the highfrequency coefficients. The GLCM（graylevel cooccurrence matrix） was respectively generated for the original images and the wavelet coefficients at three scales， and the contrast， correlation， angular secondary moment， homogeneity and entropy of the GLCM of the four scales were extracted to characterize the fabric wrinkle change. Finally， SVM（support vector machine） was applied to classify inputted features. The results show that the GLCM method combined with wavelet transform has higher classification accuracy than the GLCM method alone， indicating that multiscale image features can more comprehensively describe fabric wrinkle changes.

Key words： fabric wrinkle; wavelet transform; GLCM; multiscale; SVM

在紡織與服裝行業，織物洗后外觀褶皺等級作為評價織物外觀性能與抗皺性能的重要指標，其評價方法一直是行業研究的難點。目前，AATCC評價方法是被應用最廣的一種方法。但此方法是一種主觀評價方法，評價結果依賴于觀測者對褶皺的主觀感知，沒有統一的標準，個體之間的評價結果可能出現較大差異，且人工評價耗時、費力、效率低下，不符合紡織智能制造的發展趨勢。

隨著計算機技術的發展，許多研究者將計算機視覺應用到織物褶皺評價的研究中。20世紀90年代，XU B等[1]使用掃描儀獲取織物表面圖像，基于像素信息定義了表面比和陰影比兩個變量，以量化表征織物褶皺表面。MORI T等[2]利用二維圖像灰度值及其位置信息生成灰度共生矩陣，從中提取特征值量化褶皺，并利用神經網絡對特征向量進行訓練，取得了較高的分類結果。相比于時域分析，頻域分析有著更加顯著的優點。CHOI C J等[3]利用2D傅里葉變換，將時域信號轉換到頻率域，提取局部頻率范圍的頻譜幅值表征織物褶皺程度。

由于使用二維圖像的褶皺評價方法是基于圖像灰度值及其位置信息進行表征，評價結果易受圖像采集環境及織物表面顏色影響。因此，三維圖像被應用到織物褶皺評價的研究中。KANG T J等[46]在基于三維圖像的織物褶皺客觀評價中做了大量工作，他們分別使用激光掃描與立體視覺技術獲取了較為精確的AATCC模板表面圖像。YANG X B等[78]提出了一種基于光度立體視覺的織物三維外觀重建方法。但是獲取織物三維圖像用時過長，不能達到快速檢測的目的，且成本較高，限制了其在工業上的應用。

本文將小波變換與灰度共生矩陣結合對織物二維圖像進行分析，在多個尺度提取褶皺特征表征織物褶皺等級。結果表明，相比單一尺度的圖像特征，多尺度灰度共生矩陣特征能夠更加全面地描述織物褶皺變化。

1圖像采集系統

本文在單側光環境下采集標準模板與織物樣本圖像?？椢飯D像采集系統主要包括條形光源、CCD相機、暗箱、支架、載樣臺。圖1為圖像采集系統示意。

如圖1所示，條形光源位于載樣臺一側，并與載樣臺一邊平行。由于光源垂直位置高于待測樣本，其產生的光線與待測樣本形成一定的入射高度角，當光線照射到粗糙樣本表面后，經漫反射于不平整的樣本表面產生不同的反射光線，表現在圖像中則為區域性的明暗變化。且SA1模板表面最粗糙，漫反射更強烈，明暗變化也更加明顯。隨著褶皺等級的提高，明暗變化逐漸減弱。采集所得六個等級AATCC標準模板圖像，如圖2所示。

織物褶皺多尺度灰度共生矩陣分析2基于快速小波變換的多尺度圖像分析

當對數字圖像進行多分辨率分析和處理時，小波變換是一種重要的數學工具，它能夠有效、直觀地描述圖像紋理特征。

2.1小波變換原理

小波變換是在傅里葉變換的基礎上發展起來的一種信號的時頻分析方法，具有多分辨率分析的特點。二維小波變換是通過高通hθ和低通hφ濾波器與原始信號卷積，把輸入信號分解為四個低尺度分量。對于二維信號f（x，y）一次完整的分解過程如圖3所示。

f（x，y）hθ（-n）2↓hθ（-m）2↓wDθ（j，m，n）hφ（-m）2↓wVθ（j，m，n）hφ（-n）2↓hθ（-m）2↓wHθ（j，m，n）hφ（-m）2↓wHφ（j，m，n）

圖3中，變量j、m、n分別為尺度、水平位移和垂直位移;wφ（j，m，n）為低頻系數（近似系數），{wDθ（j，m，n）=H，V，D}分別為水平、垂直和對角線高頻系數（細節系數）;2↓表示2倍下取樣。圖3為第一層分解過程，第二層分解則將wφ（j，m，n）作為輸入信號執行上述過程。

2.2圖像多尺度分析

一副褶皺的織物圖像經多層小波變換后，每層信息都被分解為高頻分量H（褶皺邊緣和噪聲）和低頻分量L（圖像的主體）兩部分[9]。高頻分量又被分解為水平高頻分量HH、垂直高頻分量HV和對角線高頻分量HD。經過小波變換分解得到的低頻分量包含原圖像90%以上能量，低頻失去的信息由高頻捕獲[10]，繼續進入下一層分解。每一層分解僅對低頻分量進行。圖4（a）是對圖像進行三層小波分解的示意，圖4（b）為一副褶皺織物圖像三層分解結果。圖4小波分解示意

Fig.4Schematic of wavelet decomposition由圖4可知，每經過一層小波變換后，圖像都被分解為4個1/4大小的新圖像，即由上級圖像與小波基進行內積后，再分別沿圖像行和列方向進行2倍間隔抽樣而成。因此，可以通過對圖像進行多層小波變換，在不同尺度下對織物褶皺特征進行分析。需要注意，圖像尺寸隨分解層數的增大呈指數減小，分解層數不易過高。由于低頻分量包含原圖像90%以上能量，與原圖非常相似，而高頻分量含有的信息較少，且每一層的高頻分量都較好地保留了織物的邊緣特征，因此本文采用原圖和3層小波變換分解所得高頻分量進行褶皺特征提取。且通過實驗證明，選用haar小波時，灰度共生矩陣特征能夠更好地描述褶皺等級變化。

3基于灰度共生矩陣的褶皺特征提取

灰度共生矩陣是描述圖像灰度分布及像素相對位置關系的一種圖像分析方法，可以反映圖像在方向、像素間隔、變化幅度及快慢的綜合信息[11]。

3.1圖像多尺度灰度共生矩陣求取

由于褶皺是一種紋理信息，灰度共生矩陣是一種常用的分析紋理特征的方法，因此很多研究者將灰度共生矩陣用于織物褶皺的客觀評價[2，12]。在早期研究中，研究人員都是在單一尺度下對圖像生成灰度共生矩陣，提取褶皺特征。但紋理本身的層次性使其在不同的尺度下呈現出不同特征，單一尺度下的圖像特征不能完全反映出紋理的本質特性，因此本文在4個尺度下生成灰度共生矩陣，即原圖及三層小波變換分解所得高頻小波系數。

灰度共生矩陣是圖像的一種二階統計量。給定一副數字圖像I（x，y），其灰度級為L，則灰度共生矩陣G（x，y）為I（x，y）中沿方向θ，間隔為d的兩個像素點對（i，j）的統計數目n。G（x，y）的尺寸為L×L，n為灰度共生矩陣在G（i，j）的像素值。

對于一副織物圖像，經灰度變換后的灰度級L=256，灰度共生矩陣尺寸為256×256。為減少后續計算量，必須將原始圖像的灰度級進行壓縮，減小G（x，y）的尺寸。通常，將圖像灰度壓縮至16級，像素間隔d取1是一個合理的選擇[11]。由于褶皺在織物中的分布是隨機的、無規則的，沿各個方向均勻分布，因此選擇θ=0°、45°、90°、135°四個方向分別生成灰度共生矩陣，提取特征表征織物褶皺等級。

3.2AATCC標準模板褶皺特征提取

由于在織物褶皺客觀評價研究中，沒有標準的織物數據庫用于參考，而AATCC標準模板是被行業普遍認可和信任的參照樣本，因此對AATCC標準模板圖像按照上述步驟生成灰度共生矩陣，并從中提取描述紋理的特征值。對于一副灰度級為L的圖像，典型的紋理特征有以下幾種：

1）對比度。

對比度反映了圖像的清晰程度和褶皺的變化幅度。對于一副織物圖像，表面越皺，對比度越高。

F1=∑Li=1∑Lj=1（i，j）2pij（1）

式中：Pij為灰度共生矩陣在點G（i，j）的概率統計。

2）相關性。

相關性為返回某個像素與其相鄰像素間關系的度量，表示圖像中紋理的非均勻程度和復雜程度。

F2=∑Li=1∑Lj=1（i-mr）（i-mc）pijσrσc（2）

式中：mr和mc分別為沿灰度共生矩陣G的行和列計算所得均值，σr和σc為行和列標準差。

3）角二階矩。

角二階矩是圖像灰度分布均勻程度的度量。其值越大，表明織物表面變化緩慢，織物越平整。

F3=∑Li=1∑Lj=1pij（3）

4）同質性。

同質性用于度量灰度共生矩陣元素關于主對角線的集中程度。一副圖像的灰度級越豐富，變化越緩慢，其同質值越高。

F4=∑Li=1∑Lj=1pij1+|i-j|（4）

5）熵。

熵值是圖像中所具有的信息量的度量，代表了圖像的復雜程度，是圖像內容隨機性的度量。

F5=-∑Li=1∑Lj=1pijlogpij2（5）

一副圖像經小波變換分解后每層可以得到3副子圖像，分別對應高頻水平系數（wHθ）、高頻垂直系數（wVθ）和高頻對角線系數（wDθ）。經3層小波變換分解后可得到9副子圖像。首先對AATCC標準模板原圖及其9副子圖像在θ=0°、45°、90°、135°四個方向提取的特征求均值，然后再分別對每一層高頻系數wHθ、wVθ和wDθ所得特征求均值作為當前尺度的特征值，并將4個尺度的特征值組合，由此每一樣本可得到一個20維的特征向量。表1列出了AATCC標準模板原圖及小波變換分解所得2個尺度的小波系數特征提取結果。

3.3織物褶皺特征提取

由于AATCC標準模板是塑料制品，表面周期性紋理信息弱，而織物是經緯紗按照一定規律交織組成，具有較強的周期性。因此，通過AATCC模板確定的灰度共生矩陣特征在真實織物上的有效性是一個值得討論的問題。為驗證上述特征在真實織物上的有效性，對6個等級的345塊織物圖像根據上述步驟提取褶皺特征，并繪制箱型分布圖。圖5隨機展示了部分特征值統計結果。由圖5可知，在不同尺度下，織物特征值隨等級變化具有一定的分布梯度。

4基于支持向量機的褶皺評價

20世紀90年代，Vapnik提出的統計學習理論[1314]在模式識別領域得到廣泛應用，支持向量機在此理論基礎上采用結構風險最小化準則設計機器學習模型，較好地解決了小樣本、非線性、高維數的分類問題。

4.1支持向量機模型優化

使用支持向量機對織物褶皺等級進行分類預測時，主要考慮原始數據的縮放比例，核函數的類型選擇，懲罰參數c，核函數寬度g的選取。由于經典支持向量機是為了解決2分類問題設計的，而織物褶皺等級評定是一個6分類問題，因此本文采用Libsvm[15]軟件包來解決織物褶皺的分類問題。

由表1可知，圖像在不同尺度下的特征差值很大，為避免較大范圍內的數值屬性影響較小范圍內的數值屬性，在分類前，將特征值歸一化。Libsvm軟件包常用的核函數有4種，分別是線性核、多項式核、RBF核及Sigmoid核。為保證取得最好的分類結果，分別選擇上述4種核函數對織物樣本進行訓練和測試，通過比較分類結果選擇合適的核函數。為了更好地提高支持向量機性能，需調節相關參數。對于多項式核、RBF核及Sigmoid核，主要調節懲罰參數c和核函數參數g，對于線性核函數主要調節參數c。通常最佳（c，g）值的選擇通過交叉驗證和網格搜索來確定。在交叉驗證前，粗略確定（c，g）值的搜索范圍，并根據網格搜索等高線圖調整其范圍。本文采用五折交叉驗證尋找最佳（c，g），首先將訓練集平均分成5組，得到5組子集，每個子集分別做一次驗證集，其余4組子集作為訓練集，由此得到5個模型。按這5個模型驗證集的平均分類準確率作為最終交叉驗證的準確率，使用交叉驗證準確率最高的（c，g）組合優化支持向量機。

4.2褶皺等級評價

為驗證多尺度灰度共生矩陣特征及支持向量機在織物褶皺等級評價中的應用效果，對345塊（65%作為訓練樣本、35%作為測試樣本）已知褶皺等級的白色織物樣本進行特征提取，并使用支持向量機進行分類預測。采用網格搜索尋找最佳（c，g），以RBF核函數的參數優化為例，搜索結果如圖6所示。

由圖6可知，當（c，g）=（2 724.077）時，交叉驗證的準確率最高。以此（c，g）值組合優化支持向量機模型，對測試樣本進行分類預測。并分別使用線性核、多項式核、Sigmoid核重復上述參數尋優過程，不同核函數支持向量機分類結果如表2所示。由表2可知，核函數類型對最終分類結果影響較大，在本文使用算法中，當核函數類型為RBF核時支持向量機分類結果最好，測試樣本準確率可達80.17%。

表3展示了采用RBF核的支持向量機分類結果。由表3可知，錯分類樣本主要集中在SA3和SA3.5之間，這主要由兩種不同褶皺類型的外觀差異造成的。由圖2可知，SA3的褶皺銳利且密度高，而SA3.5的褶皺具有更大的尺寸和更加平緩的變化，這為褶皺評價帶來了一定困難。

4.3分類方法對比

為驗證本文提出的方法在織物褶皺客觀評價中的優越性，基于相同的樣本集將本方法的執行結果與文獻[1618]使用方法及單一尺度的灰度共生矩陣方法進行對比，結果如表4所示。由表4可知，本文提出的方法分類準確率顯著高于其他方法，說明多尺度的圖像特征能夠更加全面地描述織物褶皺變化。

5結論

針對單一尺度灰度共生矩陣方法描述織物褶皺特征的不足，本文通過小波變換對圖像進行分解，得到多個尺度下的圖像，并在不同尺度下對高頻小波系數進行灰度共生矩陣分析，提取特征值，比較全面地描述了褶皺特征隨織物等級的變化。通過優化的支持向量機模型對345塊織物樣本進行分類預測，證明了本方法在織物褶皺客觀評價中的應用價值。

由于單測光采集環境的限制，本文采用方法并不適用于多色織物的褶皺評價，且SA3與SA3.5之間的外觀差異為織物褶皺評價帶來了一定困難，因此在接下來的研究中將對上述問題進行深入分析。

參考文獻：

[1]XU B， REED J A. Instrumental evaluation of fabric wrinkle recovery [J]. Journal of the Textile Institute， 1995， 86（1）： 129135.

[2]MORI T， KOMIYAMA J. Evaluating wrinkled fabrics with image analysis and neural networks [J]. Textile Research Journal， 2002， 72（5）： 417422.

[3]CHOI C J， KIM H J， JIN Y C， et al. Objective wrinkle evaluation system of fabrics based on 2D FFT [J]. Fibers and Polymers， 2009， 10（2）： 260265.

[4]KANG T J， CHO D H， KIM S M. New objective evaluation of fabric smoothness appearance [J]. Textile Research Journal， 2001， 71（5）： 446453.

[5]KANG T J， LEE J Y. Objective evaluation of fabric wrinkles and seam puckers using fractal geometry [J]. Textile Research Journal， 2000， 70（6）： 469475.

[6]KANG T J， KIM S C， SUL I H， et al. Fabric surface roughness evaluation using waveletfractal method（part I）： wrinkle， smoothness and seam pucker [J]. Textile Research Journal， 2005， 75（11）： 751760.

[7]YANG X B. A new research of fabric 3D surface shape using photometric stereo [J]. JournalNorthwest Institute of Textile Science and Technology， 2001， 15（1）： 2025.

[8]YANG X B， HUANG X B. Evaluating fabric wrinkle degree with a photometric stereo method [J]. Textile Research Journal， 2003， 73（5）： 451454.

[9]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）： 2831.

LI Yanmei， QIU Xiaokun， JIANG Zhenzhen. Research on objective evaluating model of seam pucker [J]. Journal of Silk， 2011， 48（4）： 2831.

[10]陳燕文. 基于SIFT與小波變換的圖像配準融合方法研究[D]. 武漢： 武漢理工大學， 2011.

CHEN Yanwen. Study on Methods of Image Registration Based on SIFT and Image Fusion Based on Wavelet [J]. Wuhan： Wuhan University of Technology， 2011.

[11]高士忠. 基于灰度共生矩陣的織物紋理分析[J]. 計算機工程與設計， 2008， 29（16）： 43854388.

GAO Shizhong. Analysis of fabric texture based on GLCM [J]. Computer Engineering and Design， 2008， 29（16）： 43854388.

[12]汪黎明， 陳健敏， 王銳， 等. 織物折皺紋理灰度共生矩陣分析[J]. 青島大學學報（工程技術版）， 2003（4）： 58.

WANG Liming， CHEN Jianmin， WANG Rui， et al. The analysis of grain of fabric wrinkle by concurrence matrix of gray degree [J]. Journal of QINGDAO University（Engineering & Technology Edition）， 2003（4）： 58.

[13]VAPNIK V. The Nature of Statistical Learning Theory [M]. New York： Springer Science & Business Media， 2013.

[14]VAPNIK V. An overview of statistical learning theory [J]. IEEE Transactions on Neural Networks， 1999， 10（5）： 988999.

[15]CHANG C C， LIN C J. LIBSVM： a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology（TIST）， 2011， 2（3）： 27.

[16]ABRIL H C， VALENCIA E， MILLN M S. Objective assessment of wrinkled fabrics by optical and digital image processing [C]. AIP： AIP Conference Proceedings， 2008， 992（1）： 10451050.

[17]ABRIL H C， MILLAN M S， VALENCIA E. Influence of the wrinkle perception with distance in the objective evaluation of fabric smoothness [J]. Journal of Optics A： Pure and Applied Optics， 2008， 10（10）： 104030.

[18]SUN J， YAO M， XU B， et al. Fabric wrinkle characterization and classification using modified wavelet coefficients and supportvectormachine classifiers [J]. Textile Research Journal， 2011， 81（9）： 902913.

收稿日期： 20190529; 修回日期： 20191210

基金項目： 國家重點研發計劃項目（2017YFB0309200）;中央高?；究蒲袠I務費專項資金項目（JUSRP51907A）;江蘇省研究生科研創新項目（KYCX19_1878）

作者簡介： 石康君（1993），男，碩士研究生，研究方向為基于圖像處理的紡織智能檢測。通信作者：高衛東，教授，gaowd3@163.com。