基于LBP與SVM的面料紋理特征自動(dòng)提取與分類

王雪嬌

[摘? ? 要]針對(duì)紡織行業(yè)花式色紗緯編針織面料依據(jù)圖案紋理自動(dòng)分類問(wèn)題，提出一種基于局部二值模式（Local binary pattern，LBP）和支持向量機(jī)（Support vector machine，SVM）的組合模型分類方法，對(duì)面料紋理進(jìn)行特征提取和類別判定。對(duì)圖片采用中值濾波去噪，通過(guò)優(yōu)選采樣模板半徑和核函數(shù)，以LBP旋轉(zhuǎn)不變模式提取面料紋理LBP特征直方圖，并利用參數(shù)優(yōu)化的SVM支持向量機(jī)的分類模型對(duì)面料進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明：采樣模板半徑為5像素點(diǎn)的LBP旋轉(zhuǎn)不變式算法能較優(yōu)地滿足3類面料紋理的特征提取要求，經(jīng)過(guò)參數(shù)優(yōu)化的SVM分類模型，實(shí)現(xiàn)3類面料紋理分類的準(zhǔn)確率達(dá)96.67%，分類效果較好。

[關(guān)鍵詞]花式色紗面料紋理;圖像處理;特征提取;自動(dòng)分類

[中圖分類號(hào)]TP391.4 [文獻(xiàn)標(biāo)志碼]A [文章編號(hào)]2095–6487（2021）11–0–03

Automatic Extraction and Classification of Fabric Texture Based on LBP and SVM

Wang Xue-jiao

[Abstract]To solve the problem of automatic classification of fancy color yarn weft knitted fabric according to pattern and texture in textile industry， a combined model classification method based on Local binary pattern （LBP） and Support Vector Machine （SVM） was proposed. Feature extraction and classification determination of fabric texture were carried out. The image was denoised by median filtering， and the LBP feature histogram of fabric texture was extracted by LBP rotation invariant mode by optimizing sampling template radius and kernel function， and the three kinds of fabric were classified by SVM classification model with optimized parameters. The experimental results show that the LBP rotation invariant algorithm with a radius of 5 pixels of sampling template can better meet the feature extraction requirements of the three kinds of fabric texture. The classification accuracy of the three kinds of fabric texture is 96.67% after the SVM classification model with optimized parameters， and the classification effect is good.

[Keywords]fancy color yarn fabric texture; image processing; feature extraction; automatic classification

紡織面料具有明顯的圖案紋理屬性且種類繁多，傳統(tǒng)的面料圖案紋理檢索都需要通過(guò)人工在實(shí)物樣品庫(kù)中查找，不同圖案紋理面料的分類檢索為紡織企業(yè)增加了龐大的工作量。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，圖像處理技術(shù)為實(shí)現(xiàn)面料圖案紋理的自動(dòng)識(shí)別與分類檢索提供了有效手段。面料圖像紋理的分類檢索已成為研究熱點(diǎn)，高效地分類檢索這些圖像具有重要意義。

局部二值模式算法（Local Binary Patterns，簡(jiǎn)稱LBP）是一種用來(lái)表達(dá)圖像紋理特征的算法，該方法是1996年由芬蘭奧盧大學(xué)的Timo Ojala等人。2002年Timo Ojala等人再次對(duì)LBP算法進(jìn)行了改進(jìn)，提出了具有旋轉(zhuǎn)不變性的LBP改進(jìn)算法，解決了圖像旋轉(zhuǎn)對(duì)LBP紋理特征的影響。LBP紋理特征提取算法廣泛應(yīng)用于圖像處理和機(jī)器視覺(jué)等領(lǐng)域。在紡織領(lǐng)域，一種基于局部二進(jìn)制模式（LBP）與灰度共生矩陣（GLCM）相結(jié)合的面料組織分類算法用來(lái)實(shí)現(xiàn)織物組織結(jié)構(gòu)的自動(dòng)分類。LBP算法也用于檢測(cè)網(wǎng)狀織物紋理缺陷，以及基于紋理特征的圖像匹配領(lǐng)域。

支持向量機(jī)（Support Vector Machine，SVM）由Cortes等人提出，是一種基于統(tǒng)計(jì)學(xué)理論建立的機(jī)器學(xué)習(xí)分類模型。相對(duì)于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)的人工神經(jīng)網(wǎng)絡(luò)，SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，可以有效避免過(guò)擬合、低泛化能力等缺陷。由于其適用性強(qiáng)、魯棒性好且計(jì)算量適中，已經(jīng)廣泛應(yīng)用于模式識(shí)別和圖案紋理分類等領(lǐng)域。其中，結(jié)合LBP和SVM的織物疵點(diǎn)檢測(cè)算法被應(yīng)用于織物質(zhì)量在線自動(dòng)檢測(cè)，推動(dòng)了織物質(zhì)量檢測(cè)自動(dòng)化，具有較好的應(yīng)用前景。

針對(duì)紡織行業(yè)花式色紗緯編針織面料依據(jù)圖案紋理自動(dòng)分類問(wèn)題，筆者提出了一種基于局部二值模式（LBP）和支持向量機(jī)（SVM）的組合模型分類方法，對(duì)面料紋理進(jìn)行特征提取和類別判定。通過(guò)采集3類不同圖案紋理的花式色紗緯編針織面料圖像，建立面料圖像的樣本庫(kù)。對(duì)圖像進(jìn)行預(yù)處理，運(yùn)用采樣模板自適應(yīng)半徑閾值的旋轉(zhuǎn)不變模式LBP算法提取面料紋理特征，再利用SVM支持向量機(jī)對(duì)3類圖案紋理進(jìn)行分類，并驗(yàn)證分類的準(zhǔn)確性。圖1為本文選用的3類面料圖像。

1 LBP算法提取圖像特征

1.1 基礎(chǔ)LBP算法

LBP算法是一種灰度尺度恒定的圖像紋理算法，具有灰度不變性的優(yōu)點(diǎn)，對(duì)光照不敏感。其具體方法是以模板中心點(diǎn)像素的灰度值作為閾值，與它四周的相鄰像素灰度值進(jìn)行比較，并將其二值化，然后將相鄰像素點(diǎn)按一定方向排序，得到對(duì)應(yīng)的二進(jìn)制碼來(lái)表述局部紋理特征。

基礎(chǔ)LBP算法是指原始LBP算法。原始的LBP算法取一個(gè)3×3矩陣窗口作為模板，取每個(gè)窗口對(duì)應(yīng)像素點(diǎn)的灰度值，如圖2所示，將中心點(diǎn)像素的灰度值與四周8個(gè)相鄰像素點(diǎn)的灰度值進(jìn)行比較，灰度值大于中間像素點(diǎn)的置1，反之置0，然后按一定規(guī)律對(duì)8個(gè)經(jīng)中心點(diǎn)閾值處理后的0和1值進(jìn)行排序，得到一個(gè)二進(jìn)制數(shù)值，再將這個(gè)二進(jìn)制數(shù)值轉(zhuǎn)換成十進(jìn)制數(shù)，所得十進(jìn)制數(shù)定義為該區(qū)域的LBP值。原始LBP算法的3×3鄰域內(nèi)有8個(gè)相鄰點(diǎn)，轉(zhuǎn)換為十進(jìn)制數(shù)為0～255，共256個(gè)值。

基礎(chǔ)LBP算法可用公式表示為：

（1）

式（1）中：xc、yc為中心像素點(diǎn)坐標(biāo)，p為相鄰像素點(diǎn)個(gè)數(shù)，k為加權(quán)系數(shù)，ip為中心像素點(diǎn)灰度值，ic為相鄰像素點(diǎn)灰度值。

1.2 圓形旋轉(zhuǎn)不變LBP算法

基礎(chǔ)LBP算法雖然能夠在一定程度上描述圖像局部紋理特征，但是，其具有明顯不足，3×3模板不能滿足不同尺寸和頻率的局部圖案紋理特征提取的要求。為了進(jìn)一步適應(yīng)不同尺度的紋理特征，Timo Ojala等人對(duì)基礎(chǔ)LBP算法進(jìn)行了改進(jìn)，用圓形模板代替方形模板，采用半徑形式將3×3模板擴(kuò)展到任意模板，改進(jìn)后的LBP算法在半徑為R的圓形鄰域內(nèi)可以有多個(gè)像素點(diǎn)，實(shí)現(xiàn)了在半徑為R的圓形區(qū)域內(nèi)提取P個(gè)采樣點(diǎn)的LBP算法。

基于圓形LBP算法，Pietikinen等人提出了具有旋轉(zhuǎn)不變性的LBP算法，被稱為L(zhǎng)BP旋轉(zhuǎn)模式，通過(guò)將二值化的圓形領(lǐng)域不斷旋轉(zhuǎn)，得到一系列相應(yīng)的LBP值，選取最小值作為該區(qū)域的LBP值，用公式可以表示為：

（2）

（i=0，1，…，p-1）

式（2）中：LBPri表示LBP旋轉(zhuǎn)模式算法，totate（x，i）為旋轉(zhuǎn)函數(shù)，可以將x循環(huán)右移i位，獲取最小LBP值，P為采樣點(diǎn)數(shù)，R為模板半徑。

圖3以8個(gè)采樣點(diǎn)為例，描述了LBP旋轉(zhuǎn)模式算法的計(jì)算過(guò)程，將圓形鄰域的采樣點(diǎn)旋轉(zhuǎn)，得到下方的8個(gè)LBP值，取其中的最小值，即00000011對(duì)應(yīng)的十進(jìn)制數(shù)值為3，作為上方8種LBP模式的旋轉(zhuǎn)不變模式值。但是實(shí)際計(jì)算過(guò)程中，計(jì)算得到的坐標(biāo)未必全是整數(shù)，一般采用雙線性插值法來(lái)得到該采樣點(diǎn)的像素值，進(jìn)而獲取LBP值。對(duì)于8個(gè)采樣點(diǎn)條件下，共有36個(gè)旋轉(zhuǎn)不變的LBP編碼模式。

2? SVM支持向量機(jī)

2.1 SVM支持向量機(jī)介紹

SVM由Cortes等提出，其本質(zhì)是基于統(tǒng)計(jì)學(xué)理論建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)上的機(jī)器學(xué)習(xí)模型，通過(guò)在訓(xùn)練數(shù)據(jù)集中找出最優(yōu)分類超平面的支持向量，將兩類數(shù)據(jù)分割開(kāi)，有強(qiáng)大的非線性處理能力。對(duì)于圖像紋理分類這類非線性分類問(wèn)題，SVM的主要方法是通過(guò)非線性變換將輸入特征向量映射到高維特征向量空間，并構(gòu)造出最優(yōu)超平面，進(jìn)而實(shí)現(xiàn)線性分類，再將數(shù)據(jù)映射回原始空間，實(shí)現(xiàn)原始空間下數(shù)據(jù)集的非線性分類。另外，SVM通過(guò)核函數(shù)降低了數(shù)據(jù)計(jì)算的復(fù)雜度，但是核函數(shù)需要引入?yún)⒘克沙谙禂?shù)g和懲罰系數(shù)c對(duì)模型進(jìn)行優(yōu)化，從而提高模型的適應(yīng)性。

2.2 SVM多分類原理

SVM最初是為實(shí)現(xiàn)二分類提出的，而現(xiàn)實(shí)中解決的問(wèn)題更多是多分類問(wèn)題。目前，SVM實(shí)現(xiàn)多分類的方法主要有兩類：①直接法，直接針對(duì)目標(biāo)函數(shù)優(yōu)化，將多個(gè)分類超平面的參數(shù)求解融入一個(gè)最優(yōu)化問(wèn)題中，通過(guò)求解該最優(yōu)化問(wèn)題，實(shí)現(xiàn)一次性多分類，這種方法邏輯簡(jiǎn)單，但其計(jì)算過(guò)程非常復(fù)雜，實(shí)際操作中很難實(shí)現(xiàn)，只適合用于小型問(wèn)題;②間接法，通過(guò)將多個(gè)二分類器進(jìn)行順序組合來(lái)構(gòu)造多分類器，常見(jiàn)的方法有“一對(duì)一”和“一對(duì)多”兩種。

3 實(shí)驗(yàn)部分

3.1 實(shí)驗(yàn)流程

本文的主要實(shí)驗(yàn)流程如圖4所示，先完成3類花式色紗面料圖像采集，然后隨機(jī)將圖像分為訓(xùn)練集和測(cè)試集兩類，采用Matlab軟件對(duì)圖像進(jìn)行預(yù)處理、LBP特征提取、SVM分類模型訓(xùn)練和模型預(yù)測(cè)驗(yàn)證。

3.2 實(shí)驗(yàn)內(nèi)容

3.2.1 圖像采集

為了減少外界條件的干擾，本文中所有面料圖像都是在配置D65光源的密閉燈箱中采集（相機(jī)預(yù)置在燈箱內(nèi)部），采用單反數(shù)碼相機(jī)（Nikon D7000）拍照獲取面料的數(shù)字圖像。

3.2.2 選定訓(xùn)練集與測(cè)試集

本次共采集3類面料圖像392張，其中云斑紗面料圖像120張，散點(diǎn)紗面料圖像120張，以及條紋紗面料圖像100張。隨機(jī)選取訓(xùn)練集和測(cè)試集，訓(xùn)練集包括云斑紗面料圖像100張、散點(diǎn)紗面料圖像100張，以及條紋紗面料圖像80張;測(cè)試集包括3類面料圖像各20張。

3.2.3 圖像預(yù)處理

由于所采集面料的數(shù)碼圖像為彩色圖像，需要將彩色數(shù)碼圖像轉(zhuǎn)化為灰度圖像，為L(zhǎng)BP算法提取圖像紋理特征提供條件。

花式混色紗中包含有多種顏色纖維，而單纖維尺度微小，這種混和狀態(tài)的多色纖維分布于面料的表面，在采集面料圖像時(shí)，會(huì)產(chǎn)生一定量的椒鹽噪點(diǎn)。而針對(duì)圖像椒鹽噪點(diǎn)可以采用中值濾波法對(duì)圖像進(jìn)行平滑處理。中值濾波是一種基于統(tǒng)計(jì)理論的非線性信號(hào)處理技術(shù)，其基本原理是把數(shù)字圖像中各點(diǎn)的值用該點(diǎn)鄰域中各值的中值代替，讓周圍的像素值連續(xù)化，從而消除圖像中孤立的噪點(diǎn)。

圖5為面料彩色圖像經(jīng)過(guò)灰度化和中值濾波預(yù)處理的效果示意圖，本文通過(guò)人工比對(duì)，最終選擇5×5的中值濾波模板進(jìn)行實(shí)驗(yàn)。

3.2.4 LBP特征提取

由于基礎(chǔ)LBP算法采樣半徑受限，無(wú)法根據(jù)需要調(diào)整局部采樣范圍大小，本文選用圓形LBP算法，實(shí)現(xiàn)調(diào)整采樣半徑功能。當(dāng)采樣半徑小時(shí)，紋理特征細(xì)密;反之，紋理特征粗獷。而紋理特征過(guò)于細(xì)密時(shí)容易產(chǎn)生過(guò)多冗余信息，不利于后期分類模型的準(zhǔn)確性，而紋理特征過(guò)于粗獷時(shí)，會(huì)丟失過(guò)多信息，同樣不利于后期特征數(shù)據(jù)處理，所以需要對(duì)采樣半徑進(jìn)行優(yōu)選。本文通過(guò)對(duì)比固定半徑法和自適應(yīng)半徑法來(lái)確定較優(yōu)采樣半徑閾值。自適應(yīng)半徑紡?fù)ㄟ^(guò)遍歷不同采樣半徑獲取相應(yīng)的LBP二進(jìn)制編碼，通過(guò)對(duì)比初始半徑為1像素點(diǎn)時(shí)的LBP二進(jìn)制編碼與其他采樣半徑所得的LBP二進(jìn)制編碼的碼距，來(lái)確定采樣半徑，根據(jù)觀察不同碼距所選定采樣半徑對(duì)應(yīng)圖像的LBP紋理特征圖與原始圖像，經(jīng)過(guò)人工比對(duì)選定碼距閾值為3，同時(shí)考慮到情況復(fù)雜，個(gè)別圖像隨著采樣半徑增大，碼距值仍然無(wú)法達(dá)到閾值，造成自適應(yīng)采樣半徑失效，本文將最大采樣半徑設(shè)定為20個(gè)像素點(diǎn)，避免循環(huán)溢出，LBP特征提取失敗。

圖像的LBP紋理特征圖只能反映面料圖像的外觀效果，數(shù)據(jù)特征值數(shù)量過(guò)多，不適合直接采用LBP紋理特征圖譜進(jìn)行面料特征提取，也無(wú)法有效地進(jìn)行后續(xù)的分類模型訓(xùn)練。為了獲得更加有效、辨識(shí)度更高的特征，通常是將LBP紋理特征圖譜轉(zhuǎn)換為L(zhǎng)BP特征直方圖，可以有效降低特征向量維數(shù)，簡(jiǎn)化問(wèn)題。

當(dāng)圖像發(fā)生旋轉(zhuǎn)時(shí)，圓形鄰域內(nèi)的灰度值是在以中心像素點(diǎn)為中心R為半徑的圓周上循環(huán)的，只要取上述循環(huán)中的最小值或最大值，就可以消除圖像旋轉(zhuǎn)對(duì)LBP特征值的影響。采用基礎(chǔ)LBP算法和旋轉(zhuǎn)不變LBP算法所獲得的LBP紋理圖和直方圖。通常取采樣點(diǎn)圓周循環(huán)中LBP最小值作為該鄰域的LBP值，所以圖像紋理旋轉(zhuǎn)后經(jīng)過(guò)旋轉(zhuǎn)LBP算法仍然能夠得到相同的LBP值。所以具有旋轉(zhuǎn)不變性。而面料圖案紋理受紗線色段分布、織造工藝、織物組織，以及面料采樣角度的影響，圖案紋理方向有一定偏差，本文采用旋轉(zhuǎn)不變LBP算法消除這一偏差，同時(shí)，采用旋轉(zhuǎn)不變LBP算法所獲得圖案紋理LBP特征直方圖可以實(shí)現(xiàn)減少特征向量中特征值的維數(shù)，減少后期分類模型計(jì)算的復(fù)雜度和工作量，提高分類效率。

3.2.5 SVM模型訓(xùn)練與分類預(yù)測(cè)

本文針對(duì)花式色紗針織面料中纖維色彩種類多、尺度小，各色纖維在面料表面呈現(xiàn)微小色塊分布的特點(diǎn)。采用不同的LBP算法和采樣半徑，以及不同SVM核函數(shù)對(duì)3類外觀效果有差異的花式色紗針織面料進(jìn)行紋理特征提取與SVM分類模型訓(xùn)練，來(lái)優(yōu)化出理想的分類模型參數(shù)，進(jìn)而實(shí)現(xiàn)3類面料的自動(dòng)分類。經(jīng)過(guò)實(shí)驗(yàn)得到各種參數(shù)條件下的分類模型預(yù)測(cè)結(jié)果如表1所示，通過(guò)對(duì)比分類預(yù)測(cè)精度和處理時(shí)間來(lái)優(yōu)選出較優(yōu)模型參數(shù)。

由表1可知，采樣半徑、LBP算法類型和SVM核函數(shù)對(duì)模型預(yù)測(cè)準(zhǔn)確度都有明顯影響。自適應(yīng)采樣半徑在本次模型構(gòu)建中并不能起到有效作用，這是由于3類花式色紗織物的紋理尺度區(qū)別較大，3類織物的自適應(yīng)半徑差異明顯，使對(duì)3類面料紋理的衡量尺度不一致，反而不利于后期SVM分類模型預(yù)測(cè)的準(zhǔn)確度。通過(guò)優(yōu)化固定采樣半徑可以獲得對(duì)3類織物紋理衡量尺度相對(duì)比較一致的結(jié)果，有利于提高后期SVM模型分類準(zhǔn)確度。LBP算法類型對(duì)SVM分類模型的處理時(shí)間和分類準(zhǔn)確度都有一定影響，旋轉(zhuǎn)不變LBP算法將基礎(chǔ)LBP算法進(jìn)行降維，大幅度減少了特征向量的特征值數(shù)量，可以有效減少SVM分類模型的訓(xùn)練時(shí)間。SVM模型的核函數(shù)類型對(duì)處理時(shí)間和分類準(zhǔn)確度也有明顯影響，相對(duì)而言采用線性核函數(shù)的模型訓(xùn)練時(shí)間較短，但是采用RBF核函數(shù)的模型預(yù)測(cè)準(zhǔn)確度好于線性核函數(shù)模型，由于兩種核函數(shù)模型的處理時(shí)間并沒(méi)有跨數(shù)量級(jí)的差異，對(duì)于此類小樣本分類問(wèn)題，在追求更高預(yù)測(cè)準(zhǔn)確度前提下，優(yōu)先選用RBF核函數(shù)。本文實(shí)驗(yàn)條件下，獲得測(cè)試集最優(yōu)預(yù)測(cè)準(zhǔn)確度的參數(shù)為采樣半徑5像素點(diǎn)的旋轉(zhuǎn)不變LBP算法和基于RBF核函數(shù)的SVM分類模型，測(cè)試集SVM分類準(zhǔn)確度達(dá)到96.67 %。

4 結(jié)束語(yǔ)

本文針對(duì)花式色紗面料紋理特征，采用不同的LBP算法與SVM支持向量機(jī)結(jié)合，實(shí)現(xiàn)了3類花式色紗面料的自動(dòng)分類。結(jié)果表明：采樣模板半徑為5像素點(diǎn)的旋轉(zhuǎn)不變式LBP算法能較好地滿足面料紋理的特征提取要求，為后續(xù)分類提供良好條件，經(jīng)過(guò)參數(shù)優(yōu)化的SVM分類模型，對(duì)3類面料紋理分類的準(zhǔn)確率達(dá)96.67 %，分類效果比較理想。

參考文獻(xiàn)

[1] 景軍鋒， 鄧淇英， 李鵬飛， 等。LBP和GLCM融合的織物組織結(jié)構(gòu)分類[J]. 電子測(cè)量與儀器學(xué)報(bào)， 2015， 29（9）：1406-1413.

[2] 劉秀平， 馮奇， 袁皓， 等. LBP與低秩分解的網(wǎng)狀織物紋理缺陷檢測(cè)方法[J]. 電子測(cè)量與儀器學(xué)報(bào)， 2021， 35（1）：135-141.

[3] 蔡秀梅， 卞靜偉， 吳成茂， 等. 基于LBP的魯棒特征提取與匹配方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2021， 57（16）：228-236.

[4] 張淑雅， 趙一鳴， 李均利. 基于SVM的圖像分類算法與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2007， 43（25）：40.