為建立一套客觀、穩(wěn)定、高效的織物褶皺評價系統(tǒng),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(jìn)行分解,得到其高頻系數(shù);對原圖及三個尺度下的小波系數(shù)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(guān)性、角二階矩、同質(zhì)性及熵值表征織物褶皺變化;最后通過支持向量機(jī)對輸入特征進(jìn)行分類。結(jié)果表明,結(jié)合小波變換的灰度共生矩陣方法比單獨(dú)使用灰度共生矩陣分類準(zhǔn)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。 

【文章來源】：絲綢. 2020,57(02)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

圖像采集系統(tǒng)示意

如圖1所示，條形光源位于載樣臺一側(cè)，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(chǎn)生的光線與待測樣本形成一定的入射高度角，當(dāng)光線照射到粗糙樣本表面后，經(jīng)漫反射于不平整的樣本表面產(chǎn)生不同的反射光線，表現(xiàn)在圖像中則為區(qū)域性的明暗變化。且SA-1模板表面最粗糙，漫反射更強(qiáng)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(biāo)準(zhǔn)模板圖像，如圖2所示。2 基于快速小波變換的多尺度圖像分析

一副褶皺的織物圖像經(jīng)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(jīng)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(xù)進(jìn)入下一層分解。每一層分解僅對低頻分量進(jìn)行。圖4(a)是對圖像進(jìn)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(jié)果。由圖4可知，每經(jīng)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(jìn)行內(nèi)積后，再分別沿圖像行和列方向進(jìn)行2倍間隔抽樣而成。因此，可以通過對圖像進(jìn)行多層小波變換，在不同尺度下對織物褶皺特征進(jìn)行分析。需要注意，圖像尺寸隨分解層數(shù)的增大呈指數(shù)減小，分解層數(shù)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(jìn)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。

【參考文獻(xiàn)】：
期刊論文
[1]縫紉平整度客觀評判模型的研究[J]. 李艷梅,仇曉坤,蔣真真.  絲綢. 2011(04)
[2]基于灰度共生矩陣的織物紋理分析[J]. 高士忠.  計算機(jī)工程與設(shè)計. 2008(16)
[3]織物折皺紋理灰度共生矩陣分析[J]. 汪黎明,陳健敏,王銳,姜紅.  青島大學(xué)學(xué)報(工程技術(shù)版). 2003(04)
[4]基于光度立體視覺法的織物三維表面形態(tài)研究[J]. 楊曉波.  西北紡織工學(xué)院學(xué)報. 2001(01)

碩士論文
[1]基于SIFT與小波變換的圖像配準(zhǔn)融合方法研究[D]. 陳燕文.武漢理工大學(xué) 2011



本文編號：3228007