賈卡經(jīng)編織物花紋圖案的自動識別

張 勇，鄧中民，馬 俊

?

賈卡經(jīng)編織物花紋圖案的自動識別

張 勇1，鄧中民2*，馬 俊1

（1. 武漢紡織大學(xué) 數(shù)學(xué)與計(jì)算機(jī)學(xué)院，湖北 武漢 430200; 2. 武漢紡織大學(xué) 紡織科學(xué)與工程學(xué)院，湖北 武漢 430200）

在一般的花型設(shè)計(jì)和檢測印染織物花型是否走樣的過程中，都需要將花紋提取出來。為了快速地將織物花紋圖案提取出來，提高花紋設(shè)計(jì)效率，本文主要基于織物圖像的顏色特征，對織物圖像建立高斯混合模型，然后根據(jù)后驗(yàn)概率的排序大小，并對織物圖像的不同層次進(jìn)行相應(yīng)的標(biāo)注，從而標(biāo)記出所需的織物花紋。結(jié)果表明：該方法能有效地將完整的花紋提取出來，準(zhǔn)確度高，速度快，具有一定的實(shí)用價值。

聚類算法；高斯混合模型；花紋提??；顏色特征

在傳統(tǒng)的花型設(shè)計(jì)過程中，對于給定的來樣圖，需要將織物的花紋識別與提取出來。另一方面，在印染織物的檢測過程中，經(jīng)常會出現(xiàn)印染花型與客戶需求不一致的現(xiàn)象，即“花型走樣”，該過程依然需要將織物的花紋提取出來。一般地，上述工藝過程必須依賴人力完成，主要通過PS繪圖軟件進(jìn)行摳圖和手工繪制意匠圖等方式，但這樣的設(shè)計(jì)過程，已經(jīng)不能滿足現(xiàn)代化的設(shè)計(jì)要求。為了提高工作效率，減少不必要的資源消耗，迫切的需要一種數(shù)字化技術(shù)來完成織物花紋的自動識別與提取。

織物花紋的自動識別實(shí)質(zhì)上是圖像分割。圖像分割是實(shí)現(xiàn)自動圖像分析和模式識別的首要問題，它根據(jù)圖像的某些特征或特征集合的相似性準(zhǔn)則，對圖像像素進(jìn)行分組聚類。但針對不同的應(yīng)用背景，各種圖像分割算法都有一定的局限性，即沒有一種通用的圖像分割算法能適合各種應(yīng)用背景。針對織物圖像的分割，目前對此研究較少，主要集中于運(yùn)用圖像處理的方法，雖然取得了一定的成果，但仍有不足之處。

據(jù)此，本文主要研究對象是賈卡經(jīng)編織物，鑒于賈卡經(jīng)編織物表面顏色特征呈現(xiàn)出的差異性，提出了基于高斯混合模型的織物花紋識別算法，該方法是一種基于統(tǒng)計(jì)模式識別的分割方法，具有快速和適應(yīng)性廣泛的特點(diǎn)。實(shí)驗(yàn)表明，該方法對于賈卡經(jīng)編織物圖像分割效果良好，能很好的將織物花紋提取出來。

1 高斯混合模型(GMM)

1.1 高斯混合模型(GMM)原理

GMM是一種常用的數(shù)學(xué)模型，被廣泛應(yīng)用于語言、圖像識別等方面，取得了良好的效果。設(shè)定有個點(diǎn)組成了指定的數(shù)據(jù)集，將數(shù)據(jù)集在維空間中的對應(yīng)的點(diǎn)作為一定分布的樣本值，則此分布可由個高斯密度函數(shù)的加權(quán)平均所表示，此概率密度函數(shù)的一般表達(dá)式為

其中

（2）

（3）

1.2 初始化GMM參數(shù)集

一般參數(shù)估計(jì)，通過對待求變量求導(dǎo)來求極值。上式求導(dǎo)過于復(fù)雜，且沒有閉合解，為了進(jìn)一步簡化模型，本文采取均值賦值的方式，初始化GMM的參數(shù)集合。

2 花紋分割的實(shí)現(xiàn)步驟

高斯混合模型進(jìn)行花紋識別與提取的步驟為：

（1）對每一張測試圖像，提取顏色特征，本文采用彩色圖像，取R,G,B三個通道的顏色信息作為特征向量的3個維度。特征向量的總個數(shù)為像素點(diǎn)的個數(shù)，即：，其中和分別表示圖像的行列數(shù)；

（3）根據(jù)GMM模型計(jì)算每個特征向量屬于不同高斯分布的后驗(yàn)概率；

3 實(shí)驗(yàn)結(jié)果與分析

按上述花紋分割的實(shí)現(xiàn)步驟，在MATLAB7.0的環(huán)境下，實(shí)驗(yàn)選取多副賈卡經(jīng)編織物圖像運(yùn)用GMM模型進(jìn)行賈卡經(jīng)編織物花紋的識別與提取，圖像大小為256*256，原圖如圖1(a)，圖2(a)所示，圖3(a)(c)(e)(g)。同時，為了測試分割效果，本文采用多種分割效益合成圖作為滿意度的評價標(biāo)準(zhǔn)。

(a)樣圖1(b)三種分割效應(yīng)合成圖 (c) 類別1(d)類別2(e)類別3

聚類后各個類別圖案如圖1(c)(d)(e)，圖2(c)(d)(e)所示，其中黑色部分表示各個聚類信息。樣圖1主要是驗(yàn)證簡單顏色特征的花紋識別，樣圖2 和樣圖3為賈卡經(jīng)編織物圖案，織物結(jié)構(gòu)更為復(fù)雜，顏色更為多變。實(shí)驗(yàn)效果如圖1、圖2和圖3所示。

觀察樣圖1，根據(jù)顏色不同大致可以分為3個區(qū)域，實(shí)驗(yàn)取高斯混合模型的個數(shù)=3進(jìn)行聚類分析。如圖1所示將樣圖1分為3類，整體分割效果良好，能根據(jù)顏色特征識別相同區(qū)域和不同區(qū)域，樣圖1部分區(qū)域顏色過于接近，有少許不理想地方的存在。

(a)樣圖2(b)三種分割效應(yīng)合成圖 (c)網(wǎng)孔(d)花紋(e)底色背景

根據(jù)織物顏色的不同，從圖2可以很直觀的看出，大致可以分為3個區(qū)域，花紋、底網(wǎng)和圖像背景三個部分，實(shí)驗(yàn)取高斯混合模型的個數(shù)=3進(jìn)行聚類分析。如圖2(a)所示為賈卡經(jīng)編織物的圖案，從分割結(jié)果可以看出GMM模型能很好的將花紋識別與提取出來，如圖2(d)為識別出來的壓紗花紋組織，2(c)和2(e)分別為賈卡網(wǎng)孔組織和底色背景。如圖2(b)將三種分割效應(yīng)合成，利于數(shù)字化的花紋設(shè)計(jì)，同時對比2(a)和2(b)，可以看出分割效益合成圖和原圖接近程度較高，已經(jīng)滿足實(shí)際的設(shè)計(jì)要求，從而也可知GMM模型對于賈卡經(jīng)編織物分割效果較好，滿意度高。

(a)樣圖3(b)花紋(c)樣圖4(d)合成圖 (e)樣圖4(f)花紋(g)樣圖5(h)合成圖

為了驗(yàn)證GMM模型對于賈卡經(jīng)編織物花紋提取的廣泛適用性，如圖3所示，選用多種復(fù)雜織物圖樣進(jìn)行花紋的提取。測試結(jié)果表明，對于復(fù)雜的織物圖像，該算法依然能有效的將各層次提取出來，從而分割出花紋圖案。

4 結(jié)論

本文提出的GMM模型，選用顏色特征構(gòu)成特征向量數(shù)據(jù)集，采用均值賦值的算法進(jìn)行參數(shù)初始化，從而獲得每個高斯模型參數(shù)，對每個特征向量在不同高斯分布下的概率進(jìn)行排序，選取最大后驗(yàn)概率即認(rèn)為該特征向量屬于該高斯分布，并進(jìn)行不同的標(biāo)注。根據(jù)大量的實(shí)驗(yàn)結(jié)果，對于賈卡經(jīng)編織物花紋的識別與提取獲得了較好的分割結(jié)果，提高了工藝設(shè)計(jì)效率，具有很好的實(shí)際應(yīng)用價值。同時，需預(yù)先對賈卡經(jīng)編織物進(jìn)行觀察，給定分類的數(shù)目，即高斯模型的個數(shù)，然后再進(jìn)行聚類，對于聚類數(shù)目的自動選取，也將是今后的一個重要研究內(nèi)容。

參考文獻(xiàn)：

[1] 冉友廷．織物表面顏色紋理特征的檢測與應(yīng)用[D]．武漢：武漢紡織大學(xué)，2013．

[2] 李仁忠，張緩緩，等．基于EM算法的高斯混合模型的織物瑕疵點(diǎn)檢測研究[J]．計(jì)算機(jī)工程與應(yīng)用，2014，50(10)：184-187．

[3] 徐貴力，毛罕平，李萍萍．彩色圖像顏色和紋理特征提取的應(yīng)用算法[J]．計(jì)算機(jī)工程，2002，28(6)：25-27．

[4] Sujaritha M， Annadurai S．Color image segmentation using adaptive spatial Gaussian mixture model[J]．International Journal of Information and Communication Engineering，2010，6(1)：28-32．

[5] Serge Belongie，Chad Carson，Hayit Greenspan， et al． Color -and –Texture-Based Image Segmentation Using EM and its Application to Content-Based Image Retrieval[J]．Proc．Int．Conf．Comp.，1998．

[6] Permuter H ，F(xiàn)rancos J，Jermyn I． A study of Gaussion mixture models of color and texture feature for image classification and segmentation[J]．Pattern Recognition，2006，39：696-706．

Automatic Identification of Jacquard Warp Knitting Fabric Pattern

ZHANG Yong1, DENG Zhong-min2, MA Jun1

(1. College of Mathematics and Computer Science, Wuhan Textile University, Wuhan Hubei 430200, China; 2. School of Textiles Science and Engineering, Wuhan Textile University, Wuhan Hubei 430200, China)

Generally, in the process of designing from samples from and testing pattern whether its shape is different or not all, we need to extract the pattern. In order to quickly and efficiently extract the fabric patterns automatically and improve the efficiency of decorative pattern design, the method is mainly based on color feature, to establish the Gaussian mixture model, according to the posteriori probability, and then image annotation. Results show that the method can effectively extract the complete pattern, with high accuracy, high speed, and has a certain practical value.

Clustering algorithm; GMM; pattern extraction; color feature

TS101.9

A

2095－414X(2015)03－0045－04

鄧中民（1964-），男，教授，研究方向：數(shù)字化紡織.