石康君, 王靜安, 高衛(wèi)東
(生態(tài)紡織教育部重點實驗室(江南大學), 江蘇 無錫 214122)
織物在水洗及使用過程中會受到外力作用產(chǎn)生形變,當外力移除后,織物往往不能完全恢復(fù)至原來形態(tài)而產(chǎn)生殘余形變,這樣就形成織物褶皺??椢锺薨檱乐赜绊懠徔椘返耐庥^性能,降低紡織品的使用價值,因此,建立一套客觀、穩(wěn)定、高效的織物平整度評級系統(tǒng),幫助改善紡織品的抗皺性能成為行業(yè)的迫切需求。
目前生產(chǎn)實踐中沿用最多的對織物平整度的評定方法是主觀評定方法,此評定方法將待測樣本與標準模板放在標準環(huán)境下,由經(jīng)過培訓(xùn)的人員通過視覺對照進行評級。此方法存在一定弊端,主要表現(xiàn)為評定結(jié)果易受個體心理、生理及評價環(huán)境影響,精度低,再現(xiàn)性差。
隨著計算機技術(shù)的快速發(fā)展,許多研究開始采用圖像處理技術(shù)解決這一難題,且取得了一定進展?;趫D像處理的織物平整度客觀評級主要包括3部分:圖像采集,特征提取和分類識別。以圖像采集的維度劃分,圖像采集系統(tǒng)主要分為二維和三維2種。在二維圖像采集系統(tǒng)中,Young等[1]使用CCD相機采集樣本圖像,Xu等[2]采用掃描儀采集樣本圖像。對于三維采集系統(tǒng),Amirbayat等[3]采用非接觸激光掃描的方法獲取織物三維圖像,Kang等[4]運用立體視覺法實現(xiàn)對樣品表面褶皺形狀的三維重建。特征提取是織物客觀評級的關(guān)鍵一環(huán),要求所選特征參數(shù)與織物外觀等級具有較強的線性相關(guān)性,常用方法有傅里葉變換[5]、小波分析[6]、灰度共生矩陣[7]、分形理論[8]等。在分類識別方面,主要方法有回歸分析[9]、神經(jīng)網(wǎng)絡(luò)[10]、模糊C均值聚類分析[11]等。上述研究已取得一定成果,但評級準確率仍有待提高,主要原因是基于某一特征值對織物平整度進行評價,一般包含了織物全局信息,而人主觀評價時關(guān)心的褶皺信息有限,評價結(jié)果自然會出現(xiàn)偏差。
本文研究的重點是基于傅里葉變換、低通濾波和傅里葉逆變換等方法,尋找人主觀評級所關(guān)心的褶皺信息的最佳頻率匹配范圍,稱之為褶皺貢獻區(qū)間。利用圖像采集系統(tǒng)采集標準模板和織物樣本圖像,對圖像進行傅里葉變換,于褶皺貢獻區(qū)間內(nèi),以遞增步長將頻譜圖分割為若干特征子區(qū)間,統(tǒng)計每一區(qū)間內(nèi)頻譜幅值之和作為特征向量,訓(xùn)練支持向量機,實現(xiàn)對織物平整度等級的客觀評定。
利用圖像采集系統(tǒng)采集標準模板圖像和織物圖像,用于褶皺特征提取。為保證本文使用算法的適應(yīng)性,須對圖像進行預(yù)處理。
圖像采集系統(tǒng)如圖1所示,其主要由5個部分組成:暗箱、條形光源、工業(yè)相機、載樣臺和支架。
圖1 圖像采集系統(tǒng)Fig.1 System of capturing sample
條形光源位于載樣臺一側(cè),與待測樣本的其中一邊平行,且相隔一定距離。由于其垂直位置高于待測樣本,其產(chǎn)生的光線與待測樣本形成一特定的入射高度角(光線與樣本平面形成的夾角),于不平整的樣本表面產(chǎn)生不同的光線反射,在采集所得圖像中產(chǎn)生區(qū)域性的明暗變化。隨著褶皺程度的提高,此類明暗特征亦更為明顯。采集所得6個等級AATCC標準模板圖像如圖2所示。
圖2 AATCC模板圖像Fig.2 Images of AATCC template
通過圖像采集系統(tǒng)所得灰度圖像包含噪聲信號,在一定程度上影響所提取特征值的準確性。為保證后續(xù)算法的穩(wěn)定性,須對圖像預(yù)處理。首先將圖像裁剪為600像素×600像素,再采用中值濾波對圖像進行降噪處理。由于光源位于載樣臺一側(cè),導(dǎo)致采集圖像亮度不均,為消除此類不均,以二維二項式對圖像進行擬合。假設(shè)降噪得到的數(shù)字圖像為I(x,y),尺寸為m×n,擬合曲面f(x,y)則為
f(x,y)=a1x2+a2x+a3y2+a4y+a5xy+b
(1)
式中:x=0, 1, 2, …,m;y= 0, 1, 2, …,n;a1、a2、a3、a4、a5、b為常數(shù)。
再將I(x,y)與擬合曲面f(x,y)對應(yīng)元素相除,如式(2)所示,得到亮度均衡的圖像I1(x,y)。圖3示出均衡化處理前后的圖像對比。
I1(x,y)=I(x,y)/f(x,y)
(2)
圖3 均衡化處理前后圖像對比Fig.3 Contrast diagram before and after equalization. (a) Image before equalization; (b) Image after equalization
在本文中,通過傅里葉變換將預(yù)處理所得圖像的表面褶皺信息由空間域變換至頻率域,并根據(jù)傅里葉頻譜圖的幅值分布來分析圖像的褶皺信息。
令f(x,y)代表一幅尺寸為M×N的數(shù)字圖像,由f(u,v)表示f(x,y)的二維傅里葉變換,由式(3)給出:
(3)
式中:u=0, 1, 2, …,M-1;v= 0, 1, 2, …,N-1。其逆變換為
(4)
式中:x=0, 1, 2, …,M-1;y=0, 1, 2, …,N-1。
式(4)中f(x,y)表示的數(shù)字圖像變換至空域后所得f(u,v)通常是復(fù)數(shù),直觀分析此變換的主要方法是計算其頻譜,也就是f(u,v)的幅度,并將其顯示為一幅數(shù)字圖像。令R(u,v)和I(u,v)分別表示f(u,v)的實部和虛部。傅里葉頻譜由式(5)定義:
f(u,v)=[R2(u,v)+I2(u,v)]1/2
(5)
圖4 AATCC模板的傅里葉變換圖像Fig.4 Transformed images of AATCC template by 2D-FFT
為便于分析,將式(5)所得頻譜圖像進行居中變換及l(fā)og變換以增強頻譜圖的可觀察性。AATCC標準模板6個不同平整度等級的可視化頻譜圖如圖4所示。由圖可知,樣品褶皺程度越高,其相應(yīng)的頻譜圖具有越多的高頻信息,因此,推測頻譜圖中幅值包含織物褶皺程度信息。根據(jù)頻譜圖這一特性,將幅值作為評價織物平整度等級的特征值。
直觀上,隨著樣本褶皺程度的提高,其圖像的明暗變化更為顯著,應(yīng)具有更多的頻率空間信息,更高的頻譜圖幅值。以1組各等級模板圖像樣本為例,其幅值總和統(tǒng)計結(jié)果如圖5所示。
圖5 AATCC模板頻譜幅值之和Fig.5 Spectrum amplitude total of AATCC template
由圖5可知,SA-3和SA-3.5及SA-4和SA-5之間的頻譜幅值之和并不符合預(yù)期。其原因可能是樣本圖像表面的灰度梯度分布在較大頻率范圍;而在人的主觀評級中,其關(guān)心的頻率范圍是有限的,因此,在評價織物平整度等級時,須找到人主觀評級關(guān)心的褶皺信息所處的頻率范圍,即褶皺貢獻區(qū)間。
Choi等[5]首先用部分范圍內(nèi)的頻譜幅值表征織物褶皺程度,且取得一定成果,但其是基于經(jīng)驗對頻譜范圍進行選擇,選擇范圍誤差大,可重復(fù)性差,效率低。基于此,本文提出了用于確定褶皺貢獻區(qū)間的方法,并驗證了此方法的有效性。
首先以原圖尺寸于頻域中構(gòu)建低通濾波器組,即以圖像中心為濾波器中點,步長為20遞增,構(gòu)建一組截止半徑為20, 40, 60, …,d的理想低通濾波器(d為原圖邊緣點距中點最大距離),并構(gòu)建其對應(yīng)濾波器補集。用所得濾波器依次對經(jīng)傅里葉變換所得圖像進行濾波,并經(jīng)傅里葉逆變換后與原圖進行視覺對比,評價其褶皺信息損失率,將褶皺信息損失率最小的濾波器所處的低通范圍確定為褶皺貢獻區(qū)間。本研究中采用的濾波器類型為理想低通濾波器[12],濾波器由式(6)給出:
(6)
式中:D(u,v)為距濾波器中點距離;D0為截止半徑。
不同頻率區(qū)間的低通濾波器及其對應(yīng)的逆變換圖像如圖6所示??梢钥闯?,選擇D(u,v)≤60的中低頻范圍進行濾波便幾乎可以還原圖像的全部褶皺信息,且圖像的底色信息包含在D(u,v) ≤20頻率范圍內(nèi)。此結(jié)果說明圖像的褶皺信息主要分布在中低頻范圍,在D(u,v)>60的高頻范圍幾乎沒有褶皺信息,因此,選擇頻譜幅值之和作為評定織物平整度等級的特征值時,要舍去對褶皺沒有貢獻的高頻信息,選擇合適范圍的中低頻區(qū)域。
圖6 各濾波器及其逆變換圖像Fig.6 Each filter and its inverse transformed image
為驗證上述結(jié)論,以10為步長將褶皺貢獻區(qū)間等分為若干子區(qū)間,并統(tǒng)計每個子區(qū)間的頻譜幅值之和,結(jié)果如圖7所示。
圖7 各特征子區(qū)間頻譜幅值之和Fig.7 Spectra amplitude total of each feature subinterval
由圖7可知,在褶皺貢獻區(qū)間內(nèi),除包含底色信息的[0, 20]區(qū)間外,所有特征子區(qū)間隨著SA-1至SA-5頻譜幅值逐漸減小,此結(jié)果與2.2節(jié)中的直觀預(yù)測相同,說明本文確定的褶皺貢獻區(qū)間有效。
此外,以區(qū)間[20, 60]為例,本文對6個平整度等級的132張專家評級織物樣本的頻譜幅值進行統(tǒng)計,結(jié)果發(fā)現(xiàn),在褶皺貢獻區(qū)間內(nèi),不同等級的織物試樣具有很好的區(qū)分度,如圖8所示。
圖8 各等級織物幅值分布示意圖Fig.8 Schematic diagram of fabric amplitude distribution of each grade
相較于標準模板,除褶皺信息外,織物表面還具有周期性紋理信息。此類紋理信息在傅里葉頻譜中構(gòu)成規(guī)則的尖峰[13]。本節(jié)將討論此類信息對織物平整度評級方法的影響。
圖9(a)為高分辨率(0.127 mm/像素)斜紋織物圖像,圖9(b)為其傅里葉頻譜圖,其中黑圈所示為本文提出的褶皺貢獻區(qū)間。由于相比于織物褶皺信息,織物表面紋理信息具有更小的物理尺寸,因此,如圖9(b)所示,此類紋理信息在傅里葉頻譜圖中通常出現(xiàn)在褶皺貢獻區(qū)間之外。此外,本文采用較低分辨率的織物圖像,配合1.2節(jié)所述預(yù)處理方法,以進一步避免上述紋理信息產(chǎn)生的干擾。圖9(c)是由圖9(a)經(jīng)降采樣及1.2節(jié)所述預(yù)處理所得低分辨率圖像(0.447 mm/像素),圖9(d)為其傅里葉變換頻譜圖。在此低分辨率圖像中,織物褶皺信息實現(xiàn)了有效成像,而織物表面紋理信息則在傅里葉頻譜圖中不再產(chǎn)生上述尖峰。
圖9 不同分辨率織物頻譜圖比較Fig.9 Comparison of different resolutions fabric spectra. (a) High resolution twill fabrics and local magnification; (b) Fabric spectrum of (a); (c) Low resolution twill fabrics and local magnification; (d) Fabric spectrum of (c)
本文實驗部分主要包括訓(xùn)練樣本與測試樣本特征數(shù)據(jù)的提取,數(shù)據(jù)的預(yù)處理及支持向量機的參數(shù)優(yōu)化。
采集AATCC標準模板和織物樣本圖像用來訓(xùn)練和驗證支持向量機的分類效果。每個平整度等級采集1張標準模板和4張織物圖像用作訓(xùn)練樣本,6個等級共30張訓(xùn)練樣本。另使用經(jīng)標準洗滌程序所得織物布樣制作測試樣本,每個平整度等級制作18張樣本,且每個樣本都通過AATCC標準的標樣對照法評出等級,保證人為評級結(jié)果100%正確。
已知,在[0, 20]區(qū)間內(nèi)包含織物底色信息,且此區(qū)間內(nèi)數(shù)據(jù)量較少,幅值之和易受其他因素干擾,因此在評價織物平整度等級時舍去此區(qū)間。在剩余褶皺貢獻區(qū)間內(nèi),以步長T分割褶皺貢獻區(qū)間,并向上累加,產(chǎn)生若干特征子區(qū)間,構(gòu)成支持向量機特征向量。表1示出不同分割步長下的分類準確率。
表1 不同分割步長的分類準確率Tab.1 Classification accuracy of different segmentation steps
由表1可知:當步長小于9時,分類效果較差,產(chǎn)生的特征子區(qū)間較多,訓(xùn)練時間也相應(yīng)較長;當步長位于11~15之間時,可以取得較好的分類結(jié)果,且訓(xùn)練時間相應(yīng)減小。在本文中,選擇步長為11分割特征區(qū)間,則相應(yīng)的特征子區(qū)間為[20, 31]、[20, 42]、[20, 53]、[31, 42]、[31, 53]、[42, 53],提取上述區(qū)間的頻譜幅值之和作為特征分量,構(gòu)建6屬性特征向量,并在上述特征區(qū)間內(nèi)分別提取訓(xùn)練樣本和測試樣本的頻譜幅值之和構(gòu)造訓(xùn)練集和測試集。
本文采用支持向量機對測試樣本進行分類預(yù)測。為得到更好的分類結(jié)果,需對數(shù)據(jù)進行歸一化。在本研究中將數(shù)據(jù)歸一化到[0, 1]之間具有最好的分類結(jié)果,如表2所示。
表2 不同預(yù)處理條件的分類準確率Tab. 2 Classification accuracy of different pretreatment conditions
對于多屬性支持向量機,參數(shù)選擇是影響分類結(jié)果的重要因素。支持向量機可調(diào)參數(shù)較多,對分類結(jié)果影響較大的有核函數(shù)類型t,懲罰系數(shù)c及核函數(shù)寬度g。通過測試,選擇多項式函數(shù)作為核函數(shù)具有最佳分類結(jié)果,另通過交叉驗證尋找最優(yōu)c、g值,通過樣本數(shù)據(jù)訓(xùn)練確認最佳c值為0.23,最佳g值為0.091。表3示出不同參數(shù)選擇下的評級準確率。前3組為隨機生成c、g值下的分類準確率;第4組為最優(yōu)c、g值下的分類準確率,達96.30%。
表3 不同參數(shù)選擇的分類準確率Tab.3 Classification accuracy of different parameter selection
為驗證本文使用算法對褶皺方向的依賴性,選擇不同光源角度的訓(xùn)練樣本對相應(yīng)光源環(huán)境下的待測織物樣本進行分類預(yù)測,圖10示出4個光源角度下的織物采集圖像,分類結(jié)果如表4所示。
圖10 不同光源角度的織物圖像Fig.10 Images of fabric for different light angles
表4 不同光源角度的分類準確率Tab.4 Classification accuracy of different light angles
由表4可知,在多數(shù)光源角度下,本文使用算法仍能保持較高的分類準確率,但由于褶皺于樣本中隨機分布,各個方向的褶皺分布不均,分類結(jié)果可能產(chǎn)生較大差異。
本文采用的圖像采集系統(tǒng),采集環(huán)境的3個變量為光源角度、光照強度、光源入射高度角。為驗證本文使用算法在不同光源環(huán)境下的泛化能力,采用控制變量法,對光照強度,光源入射高度角2個變量進行討論。以光源角度0°、光照強度200 lx、光源入射高度角27°環(huán)境下的采集圖像為訓(xùn)練樣本,分別對相似光源環(huán)境下的測試樣本進行分類預(yù)測。
當固定2個光照變量后,分類準確率隨光照強度與光源入射高度角的變化如表5所示。
表5 不同光照強度與光源入射高度角的分類準確率Tab.5 Classification accuracy of different light intensities and different incident elevation angles %
由表5分類結(jié)果可知,本文使用算法對光源入射高度角依賴性很大,對光照強度依賴性很小,說明本文使用算法在不同環(huán)境下具有一定的泛化能力。
本文以AATCC標準模板為研究對象,通過傅里葉變換及頻域濾波確定褶皺貢獻區(qū)間,并在織物樣本上驗證了褶皺貢獻區(qū)間的有效性,統(tǒng)計褶皺貢獻區(qū)間的頻譜幅值之和作為評價織物平整度等級的特征值,并通過支持向量機進行分類預(yù)測,得到如下結(jié)論。
1)人主觀評價所關(guān)心的褶皺信息主要分布在中低頻范圍,評價平整度等級時要舍去沒有貢獻的高頻信息。
2)采集較低分辨率的織物以及適當?shù)膱D像預(yù)處理可以削弱織物周期性紋理對褶皺貢獻區(qū)間的影響。
3)支持向量機在織物平整度評級中取得了較好的效果,且可以通過參數(shù)調(diào)整使支持向量機模型具有更好的分類效果。
4)本文使用算法在不同光照強度下都能保持較高的分類準確率,可減小因采集環(huán)境微變產(chǎn)生的誤差,具有較強的環(huán)境泛化能力。
5)本文使用算法在單色織物的評價上取得了較好的結(jié)果,但是在多色織物的平整度評價中,由于織物色彩變化多樣,紋理信息更加復(fù)雜,二維方法在評價此類織物時具有一定的局限性,因此,改進現(xiàn)有方法,實現(xiàn)對多色織物的客觀評價將是進一步研究的方向。
FZXB