一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法

摘要

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法。首先对原织物图像进行纵向和横向投影，然后计算上述投影联合序列的分形维作为概貌特征；同时依据遍历法原理计算原图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值和两个反映纵向细节信息的分形维数极值作为表征织物纹理的细节特征；将上述一个分形概貌特征与四个分形细节特征组成混合特征向量。这种混合特征向量各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

说明书

技术领域

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法。

背景技术

借助织物纹理表征技术能够实现织物纹理参数估计、纹理分类、织物外观评价、瑕疵检测等等目的。任何织物纹理都包含两方面的重要信息，即概貌信息和细节信息。概貌信息为人眼或机器视觉提供总体的粗略的结构和灰度印象，而细节信息则提供局部的精细的结构和灰度印象。因此，要全面和细致地表征纹理结构，最大限度地反映纹理特点，在特征提取时就必须兼顾纹理的概貌和细节信息。为了便于表述，本申请拟将那些主要反映概貌信息的特征称为概貌特征，而将那些主要反映细节信息的特征称为细节特征。显然，概貌特征和细节特征各有侧重，具有极大的互补性。本发明旨在讨论基于分形概貌特征和分形细节特征的织物纹理表征方法。

较之欧氏几何，分形几何在描述或生成具有自相似性的自然事物或类自然事物时能够提供更好的方法，因而被广泛用在模式识别、图像的模拟和仿真等等诸多领域。自相似性是分形理论的中心概念之一，它与维数的概念密切相关。分形几何描述的对象具有统计意义上的自相似，自相似性用分形维来表征分形维是用分形理论进行图像分析时最常使用的特征参数之一。分形特征特别是分形维数能够较好地刻画纹理粗糙度和复杂度，因而在纹理分类、识别等实践中作为度量特征是合理的。其中盒维数由于概念简单、计算简便而成为使用最普遍的一种分形维数。

为便于说明发明要点，有必要对盒维数以及Sobel算子滤波的基本原理作简单介绍。

设为任意非空有界集，用N(δ，F)表示覆盖集F所需直径最大为δ的的集的最少数目，则F的盒维定义为

$>D_B\left(F\right)=\underset{\delta \to 0}{\lim }\frac{\log N(\delta ,F)}{-\log \delta }$>

注意，定义中所用的δ-覆盖仍是一个一般的集类，在本专利中集F特指为织物图像向纵、横向投影时，通过各行、各列像素灰度累加并取均值所得的图像灰度一维时间序列，也即一条表示图像各行各列像素灰度均值变化的曲线，N(δ，F)表示覆盖F所需的边长为δ的最少方格数，简记为N(δ)。D_B(F)简记为D。

实际估算一个时间序列的计盒维时，由于该序列为一条曲线，横坐标为序列中各点的位置，纵坐标为各点对应的序列值，需要用尺寸为δ×δ的方格去完全覆盖该曲线并统计N(δ)。从盒维数的定义可知，logN(δ)∞Dlog(1/δ)，这表明，若干点对(log(1/δ)，logN(δ))在δ→0时的渐近线是直线，其斜率即为D。改变δ大小从而可以得到多个上述点对，然后通过最小二乘法拟合出相应直线。该直线的斜率即为所求的盒维数。

考虑到机织物是由经纬纱相互垂直交织而成，其图像是一种典型的纹理图像，因此可用分形特征来表征织物纹理。Conci等人(1998)采用差分计盒法提取了织物纹理的分形维及其标准差作为特征参数用来表征织物纹理并检测织物疵点。徐增波等人(2000)在织物纹理图像进行Wold模型分析的基础上，以求取分形维过程中的的整个分形特征曲线作为表征织物纹理的特征，进行了织物疵点检测。Wen等人(2002)采用基于分形布朗运动的傅立叶频域最大似然估计算子来估计织物图像的Hurst系数这一分形参数，以此作为表征织物纹理的特征参数来检测疵点。杨艳等人(2007)从绉织物图像中提取了一个全局分形维特征来实现对织物绉效应的客观评价。步红刚等人(2007)为了克服单一分形特征的局限性，提出了一种多分形特征向量提取方法，该方法在疵点检测效果上较以往相关的研究有了大幅度的改善，但由于所提取的多个分形特征向量均是反映全局信息的概貌特征，因而不合于检测很多局部疵点。在“基于矩和分形的纹理分类方法”的专利中(2006)，研究者首先计算图像的二阶矩，产生矩特征图像，再对原图像块和矩特征图像估计其分形维数，最后将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行织物纹理分类。

上述已有文献或专利涉及的织物纹理表征方法对织物纹理信息的表征都是局限在全局特征的提取，未能兼顾织物纹理的概貌和细节信息，因而不能全面和细致地表征织物纹理的本质特点。上述文献或专利在织物纹理的分形表征中，还存在如下缺点：1、分形特征直接在二维图像基础上提取，计算量大；2、所提取的分形特征仅能刻画纹理的全局信息，不能细致深刻地表征织物纹理的细节信息；3、特征提取时未充分利用织物纹理固有的经纬取向特点以提高特征的稳定性；4、特征提取时没有充分利用织物纹理固有的经向和纬向规则循环的特点以提高特征对纹理表征的准确性。

发明内容

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法。首先对原织物图像进行纵向和横向投影，然后计算上述投影联合序列的分形维作为概貌特征；同时依据遍历法原理计算原图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值和两个反映纵向细节信息的分形维数极值作为表征织物纹理的细节特征；将上述一个分形概貌特征与四个分形细节特征组成混合特征向量。这种混合特征向量各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

本发明的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，在分形概貌特征提取方面，首先对织物纹理图像实施纵向和横向投影预处理，此处纵向投影指分别求取图像各列像素的灰度累加值，横向投影指分别求取图像各行像素的灰度累加值，由此得到两个一维时间序列，将此两个序列首尾相接组成一个新的一维时间序列，然后估算该时间序列的分形维数作为本发明的分形概貌特征；在分形细节特征提取方面，首先采用一维快速傅里叶变换求出织物纹理图像的基本横向和纵向循环周期，然后依据遍历法原理计算图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值(即横向最大分形维数和横向最小分形维数)和两个反映纵向细节信息的分形维数极值(即纵向最大分形维数和纵向最小分形维数)作为表征织物纹理的细节特征。概貌特征和细节特征共同组成混合特征向量。

其中所述的包含一个横向基本循环周期的子窗口是以一个横向基本循环周期为长和织物纹理图像的宽为宽的矩形窗口，所述的每一个横向基本循环周期的子窗口的分形维数是在该子窗口中的图像像素灰度值沿横向累加而成的相应一维时间序列基础上计算得到的；从中选取两个分形维数极值即横向最大分形维数和横向最小分形维数。

所述的包含一个纵向基本循环周期的子窗口是以一个织物纹理图像的长为长和纵向基本循环周期为宽的矩形窗口，所述的每一个纵向基本循环周期的子窗口的分形维数是在该子窗口中的图像像素灰度值沿纵向累加而成的相应一维时间序列基础上计算得到的；从中选取两个分形维数极值即纵向最大分形维数和纵向最小分形维数。

最后把分形概貌特征、横向最大分形维数、横向最小分形维数、纵向最大分形维数和纵向最小分形维数组合成为表征织物纹理的兼顾概貌信息和细节信息的混合特征向量。

所述的用于表征织物纹理的由分形概貌特征和分形细节特征组成的混合特征向量的提取过程如下：

首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L₁×L₂，即横向和纵向长度分别为L₁和L₂，而其沿横向的基本周期即列周期为P₁个像素，沿纵向的基本周期即行周期为P₂，行周期和列周期均指取整后的像素数，P₁通过计算W的任一行图像像素灰度值集合的基本循环周期得到，P₂通过计算W的任一列图像像素灰度值集合的基本循环周期得到，其中上述基本周期的计算借助一维快速傅里叶变换实现。

对原始织物图像矩形窗口W分别进行纵向和横向投影预处理，即分别求取W各列像素灰度值的累加值和W各行像素灰度值的累加值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，然后计算该序列的分形特征作为表征织物纹理的概貌特征，记为Bd。

在织物纹理图像W中，选取一个横向基本循环周期P₁为长和织物纹理图像的宽L₂为宽的矩形窗口作为包含一个横向基本循环周期的子窗口，记为W₁；选取一个织物纹理图像的长L₁为长、纵向基本循环周期P₂为宽的矩形窗口作为包含一个纵向基本循环周期的子窗口，记为W₂；

对于某一W₁，计算其沿行方向的图像像素灰度投影，即将该子窗口各行的图像像素灰度值沿横向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数，然后将W₁以固定步长水平地滑移以遍历整个W，共有L₁-P₁+1个W₁，从而可相应求得L₁-P₁+1个分形维数，分别记其中的最小者和最大者为E₁和E₂，即为横向最小分形维数和横向最大分形维数，此两者反映纹理的横向极端细节信息；

对于某一W₂，计算其沿列方向的图像像素灰度值投影，即将该子窗口各列的图像像素灰度值沿纵向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数，然后将W₂以固定步长垂直地滑移以遍历整个W，共有L₂-P₂+1个W₂，从而可相应求得L₂-P₂+1个分形维数，分别记其中的最小者和最大者为E₃和E₄，即为纵向最小分形维数和纵向最大分形维数，此两者反映纹理的纵向极端细节信息；

最终得到表征织物纹理的特征向量[Bd E₁E₂E₃E₄]。

其中，如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的织物为机织物。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的织物纹理图像的横向与纬纱方向一致，而织物纹理图像的纵向与经纱方向一致。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的分形维数是指盒维数，其具体计算方法参见背景技术中的有关介绍。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的盒维数估算时所用的δ尺寸序列为2～6像素。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的固定步长指1～3个像素。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的矩形子窗口W₁每次的水平滑移固定步长与W₂每次的垂直滑移固定步长不必相同。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，其中上述基本循环周期P₁和P₂的计算借助一维快速傅里叶变换(FFT)实现。对于N点序列x(n)，其FFT变换对定义为

$>X\left(k\right)=\underset{n=0}{\overset{N-1}{\Sigma }}x\left(n\right){\omega }_N^{\mathrm{nk}},k=\mathrm{0,1},L,N-1$>

$>x\left(n\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Sigma }}X\left(k\right){\omega }_N^{-\mathrm{nk}},n=\mathrm{0,1},L,N-1$>

其中，称为旋转因子。

实数序列x(n)经FFT处理后得到的X(k)序列为复数序列，该复数序列的第一个值对应频率为0，没有实际意义，直接将其去除，剩下的序列为一个结构对称序列，进行谱分析时只需取其前N/2的数据即可。X(k)的模称为幅度，幅度的平方称为功率，记为W。最大功率所对应的频率为序列x(n)的主频，主频的倒数即为该序列的基本周期。设序列x(n)的采样频率为f_s(Hz)，则第k点即X(k)所对应的实际频率一般情况下，规定f_s＝1，因此，从而第k点对应的实际周期

有益效果

本发明的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法所提取的用于表征织物纹理的混合特征向量：

(1)各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点；

(2)在概貌特征或细节特征提取过程中都充分利用了织物纹理具有经向和纬向取向从而其主要信息集中于经向和纬向的特点，在图像或其子窗口的纵向或横向一维投影序列的基础上而非原二维图像基础上计算得到，既保留了多数有用的信息，又大幅度降低了计算量；

(3)分形细节特征的计算充分利用了织物纹理特有的循环规则特点，因而计算得到的特征更加稳定和贴近真实。

附图说明

图1是本发明的织物纹理混合特征向量提取示意图

图2是实施例1的一幅64*64像素大小的织物图像

图3是实施例2的一幅64*64像素大小的织物图像

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，在分形概貌特征提取方面，首先对织物纹理图像实施纵向和横向投影预处理，此处纵向投影指分别求取图像各列像素的灰度累加值，横向投影指分别求取图像各行像素的灰度累加值，由此得到两个一维时间序列，将此两个序列首尾相接组成一个新的一维时间序列，然后估算该时间序列的分形维数作为本发明的分形概貌特征；在分形细节特征提取方面，首先采用一维快速傅里叶变换求出织物纹理图像的基本横向和纵向循环周期，然后依据遍历法原理计算图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值(即横向最大分形维数和横向最小分形维数)和两个反映纵向细节信息的分形维数极值(即纵向最大分形维数和纵向最小分形维数)作为表征织物纹理的细节特征。概貌特征和细节特征共同组成混合特征向量。

所述的一个分形概貌特征和四个分形细节特征提取过程如下：

首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L₁×L₂，即横向和纵向长度分别为L₁和L₂，而其沿横向的基本周期即列周期为P₁个像素，沿纵向的基本周期即行周期为P₂，行周期和列周期均指取整后的像素数，P₁通过计算W的任一行像素灰度值集合的基本循环周期得到，P₂通过计算W的任一列像素灰度值集合的基本循环周期得到；

对原始织物图像矩形窗口W分别进行纵向和横向投影预处理，即分别求取W各列像素灰度值的累加值和W各行像素灰度值的累加值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，然后计算该序列的分形特征作为表征织物纹理的概貌特征，记为Bd；

在织物纹理图像W中，选取一个横向基本循环周期P₁为长和织物纹理图像的宽L₂为宽的矩形窗口作为包含一个横向基本循环周期的子窗口，记为W₁；选取一个织物纹理图像的长L₁为长、纵向基本循环周期P₂为宽的矩形窗口作为包含一个纵向基本循环周期的子窗口，记为W₂；

对于某一W₁，计算其沿行方向的图像像素灰度值投影，即将该子窗口各行的图像像素灰度值沿横向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数，然后将W₁以固定步长水平地滑移以遍历整个W，共有L₁-P₁+1个W₁，从而可相应求得L₁-P₁+1个分形维数，分别记其中的最小者和最大者为E₁和E₂，即为横向最小分形维数和横向最大分形维数，此两者反映纹理的横向极端细节信息；

对于某一W₂，计算其沿列方向的图像像素灰度值投影，即将该子窗口各列的图像像素灰度值沿纵向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数，然后将W₂以固定步长垂直地滑移以遍历整个W，共有L₂-P₂+1个W₂，从而可相应求得L₂-P₂+1个分形维数，分别记其中的最小者和最大者为E₃和E₄，即为纵向最小分形维数和纵向最大分形维数，此两者反映纹理的纵向极端细节信息；

最终得到表征织物纹理的特征向量[Bd E₁E₂E₃E₄]。

其中，如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的织物为机织物。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的织物纹理图像的横向与纬纱方向一致，而织物纹理图像的纵向与经纱方向一致。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的分形维数是指盒维数，其具体计算方法参见背景技术中的有关介绍。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的盒维数估算时所用的δ尺寸序列为2～6像素。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的固定步长指1～3个像素。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，所述的矩形子窗口W₁每次的水平滑移固定步长与W₂每次的垂直滑移固定步长不必相同。

如上所述的一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，其中上述基本循环周期P₁和P₂的计算借助一维快速傅里叶变换(FFT)实现。

下面结合附图作进一步的说明：

(1)采集数字化织物纹理图像，记为W，如图1中的矩形ABCD所示，其尺寸为L₁×L₂像素，即横向(AD)和纵向(AB)长度分别为L₁像素和L₂像素；

(2)分别求取该图像各列的均值和各行的均值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，在盒子尺寸序列δ采用2～6像素的情况下，采用计盒法估算该时间序列的盒维数；

(3)采用计盒法估算S的盒维数，记为Bd，其中盒子尺寸序列δ采用2～6像素；

(4)抽取待分析的织物纹理图像的任一行像素灰度值集合，借助一维快速傅里叶变换求得其沿横向的基本周期即列基本周期P₁；

(5)抽取待分析的织物纹理图像的任一列像素灰度值集合，借助一维快速傅里叶变换求得其沿纵向的基本周期即行基本周期P₂；

(6)在W中任取一个如矩形A₁B₁C₁D₁所示的子窗口，简记为记为W₁，该子窗口横向长度为P₁而纵向长度为L₂，对于该W₁，计算其沿行方向的图像像素灰度值投影，即将该子窗口各行的图像像素灰度值沿横向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个盒维数特征，然后将W₁以每次1～3像素的固定步长水平地滑移以遍历整个W，共有L₁-P₁+1个W₁，从而可相应求得L₁-P₁+1个盒维数特征，分别记其中的最小者和最大者为E₁和E₂；

(7)在W中任取一个如矩形A₂B₂C₂D₂所示的子窗口，简记为记为W₂，该子窗口横向长度为L₁而纵向长度为P₂，对于该W₂，计算其沿列方向的图像像素灰度值投影，即将该子窗口各列的图像像素灰度值沿纵向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个盒维数特征，然后将W₂以每次1～3像素的固定步长垂直地滑移以遍历整个W，共有L₂-P₂+1个W₂，从而可相应求得L₂-P₂+1个盒维数特征，分别记其中的最小者和最大者为E₃和E₄；

(8)得到表征织物纹理的特征向量[Bd E₁E₂E₃E₄]。

实施例1

(1)获取织物图像W，该图像大小为64×64像素，如图2所示。

(2)分别求取该图像各列的均值和各行的均值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，在盒子尺寸序列δ采用2～6像素的情况下，采用计盒法估算该时间序列的盒维数，结果为1.32。

(3)采用一维FFT对原图的任一行灰度数据进行周期计算，得到列基本周期P₁＝20像素。

(4)采用一维FFT对原图的任一列灰度数据进行周期计算，得到行基本周期P₂＝11像素。

(5)在W中取如图1中矩形A₁B₁C₁D₁所示的子窗口W₁，该子窗口横向长度为20像素而纵向长度为64像素，该子窗口各行图像像素灰度值沿横向投影可得到一个长度为64像素的一维时间序列，然后按照遍历法原理，在子窗口滑移固定步长选为1像素的情况下，可在一系列的一维时间序列基础上求得一系列相应的盒维数，其中的最小者和最大者分别为1.34和1.46。

(6)在W中取如图1中矩形A₂B₂C₂D₂所示的子窗口W₂，该子窗口横向长度为64像素而纵向长度为11像素，该子窗口各行图像像素灰度值沿纵向投影可得到一个长度为64像素的一维时间序列，然后按照遍历法原理，在子窗口滑移固定步长选为1像素的情况下，可在一系列的一维时间序列基础上求得一系列相应的盒维数，其中的最小者和最大者分别为1.30和1.47。

(7)最终得到表征织物纹理的分形细节特征向量[1.321.341.461.301.47]。

实施例2

(1)获取织物图像W，该图像大小为64×64像素，如图3所示。

(2)分别求取该图像各列的均值和各行的均值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，在盒子尺寸序列δ采用2～6像素的情况下，采用计盒法估算该时间序列的盒维数，结果为1.26。

(3)采用一维FFT对原图的任一行灰度数据进行周期计算，得到列基本周期P₁＝8像素。

(4)采用一维FFT对原图的任一列灰度数据进行周期计算，得到行基本周期P₂＝15像素。

(5)在W中取如图1中矩形A₁B₁C₁D₁所示的子窗口W₁，该子窗口横向长度为8像素而纵向长度为64像素，该子窗口各行图像像素灰度值沿横向投影可得到一个长度为64像素的一维时间序列，然后按照遍历法原理，在子窗口滑移固定步长选为2像素的情况下，可在一系列的一维时间序列基础上求得一系列相应的盒维数，其中的最小者和最大者分别为1.21和1.29。

(6)在W中取如图1中矩形A₂B₂C₂D₂所示的子窗口W₂，该子窗口横向长度为64像素而纵向长度为15像素，该子窗口各行图像像素灰度值沿纵向投影可得到一个长度为64像素的一维时间序列，然后按照遍历法原理，在子窗口滑移固定步长选为3像素的情况下，可在一系列的一维时间序列基础上求得一系列相应的盒维数，其中的最小者和最大者分别为1.25和1.33。

(7)最终得到表征织物纹理的分形细节特征向量[1.261.211.291.251.33]。