[发明专利]一种基于多特征融合的色纺织物组织结构识别的方法

权利要求书

1.一种基于多特征融合的色纺织物组织结构识别的方法，其特征在于，包括

步骤1：采集色纺织物样本的图像；

步骤2：基于MATLAB将采集的样本图像通过中值滤波进行降噪处理；

步骤3：将织物的RGB图像转为二维的灰度图像，再对灰度图像的直方图均衡化以增强纱线边界信息；

步骤4：计算完成步骤3后织物灰度图像中每个像素点灰度值的径向梯度值和纬向梯度值，公式如式4.1～4.2所示；然后取绝对值生成灰度径向梯度图和纬向梯度图，再对灰度径向梯度图计算径向梯度积分曲线，对灰度纬向梯度图计算纬向梯度积分曲线；最后分别对这两条曲线进行平滑处理，使曲线的波峰点为纱线的间隙，并提取经向和纬向梯度积分曲线的波峰点完成对织物组织点的定位；

dx(x,y)＝f(x,y)-f(x+1,y) 式4.1

dy(x,y)＝f(x,y)-f(x,y+1) 式4.2

式中，f(x,y)是织物灰度图像坐标为(x,y)的灰度值，dx(x,y)是径向梯度值，dy(x,y)是纬向梯度值；

步骤5：将步骤2的色纺织物图像从RGB颜色空间分别转换到HSV颜色空间和YUV颜色空间，分别在HSV颜色空间和YUV颜色空间下采用步骤4中组织点定位的结果从织物图像中分割出织物的组织点图像，组织点的个数至少包括一个组织循环，并对组织点按顺序进行编号；

步骤6：分别提取2个颜色空间下每个组织点的纹理特征；包括以下子步骤：

步骤6.1：首先提取HSV颜色空间的V通道的色纺织物组织点图像，运用半径为2、领域像素点为16的等价模式的局部二值模式算子提取织物组织点图像的局部纹理特征，记为LBP_P,R，表示半径为R的圆形领域内有P个像素点，其公式如下：

式中，g_p表示领域像素点灰度值，g_c表示中心像素点灰度值；

步骤6.2：在步骤6.1中组织点图像的基础上提取Tamura纹理特征中最常用的3个特征作为组织点的全局纹理特征，分别为粗糙度、对比度和方向度；粗糙度F_crs的定义如式6.3～6.7所示，首先计算组织点图像中2^k×2^k个像素活动窗口中像素的平均值A_k；其次，分别计算每个像素点在垂直和水平方向上不重叠窗口的平均灰度差值；然后，对每个像素点计算使E达到最大的最佳尺寸S_best；最后，计算组织点图像中S_best的平均值得到粗糙度F_crs；对比度F_con的定义如6.8所示，方向度F_dir的定义如式6.9～6.11所示：

E_k,h(x,y)＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)| 式6.4

E_k,v(x,y)＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)| 式6.5

S_best(x,y)＝2^k 式6.6

F_con＝σ/(α₄)ⁿ,α₄＝μ₄/σ⁴ 式6.8

θ＝tan^-1(ΔV/ΔH)+π/2 式6.9

式中，g(i,j)是位置(i,j)的灰度值，k＝0,1,2,···,5，E_k,h代表像素点在水平方向的平均灰度差值，E_k,v代表像素点在垂直方向的灰度差值，σ是标准差，μ₄是四次矩，θ表示每个像素的梯度向量的方向，ΔH表示图像与进行卷积得到水平方向的变化量，ΔV表示图像与进行卷积得到垂直方向的变化量，N_θ(k)是当|ΔG|≥t，(2k-1)π/2n≤θ≤(2k+1)π/2n时像素的数量，H_D是梯度向量数量的直方图，p表示直方图中的峰值，n_p表示直方图中所有的峰值，w_p表示峰值所包含的离散范围，φ_p表示波峰的中心位置；

通过步骤6.1和步骤6.2可以在V通道上构成一个21维的纹理特征向量并进行归一化，记为W_HSV-V；

步骤6.3：提取YUV颜色空间的Y通道的色纺织物组织点图像，再从图片中提取局部二值模式和Tamura纹理特征，由此可以在Y通道上构成一个21维的特征向量并进行归一化，记为W_YUV-Y最后W_HSV-V与W_YUV-Y进行融合，公式如下：

步骤7：分别提取HSV和YUV颜色空间下每个组织点的颜色特征；包括以下子步骤：

步骤7.1：提取HSV颜色空间中的颜色距，颜色距是用一阶矩、二阶矩和三阶矩来描述颜色分布，一阶矩u_i、二阶矩σ_i和三阶矩s_i的定义如下：

式中，P(i,j)是位置(i,j)处像素的颜色信息，N是色纺织物组织点图像的大小；

将H通道的一阶矩、二阶矩和三阶矩分别记为U_HSV-H、σ_HSV-H、S_HSV-H，归一化后的三阶矩对应为U'_HSV-H、σ'_HSV-H、S'_HSV-H，将S通道的一阶矩、二阶矩和三阶矩分别记为U_HSV-S，σ_HSV-S，S_HSV-S,归一化后的三阶矩对应为U'_HSV-S，σ'_HSV-S，S'_HSV-S，将V通道的一阶矩、二阶矩和三阶矩分别记为U_HSV-V，σ_HSV-V，S_HSV-V，归一化后的三阶矩对应为U'_HSV-V，σ'_HSV-V，S'_HSV-V；

步骤7.2：提取YUV颜色空间中的颜色距，将Y通道的一阶矩、二阶矩和三阶矩分别记为U_YUV-Y、σ_YUV-Y、S_YUV-Y，归一化后的三阶矩对应为U'_YUV-Y、σ'_YUV-Y、S'_YUV-Y，将U通道的一阶矩、二阶矩和三阶矩分别记为U_YUV-U，σ_YUV-U，S_YUV-U，归一化后的三阶矩对应为U'_YUV-U，σ'_YUV-U，S'_YUV-U，将V通道的一阶矩、二阶矩和三阶矩分别记为U_YUV-V，σ_YUV-V，S_YUV-V，归一化后的三阶矩对应为U'_YUV-V，σ'_YUV-V，S'_YUV-V；

步骤7.3：将HSV颜色空间中的颜色信息与YUV颜色空间中的颜色信息进行归一化后融合，如下所示：

式中，G_u、G_σ、G_s分别为融合后混合颜色空间亮度通道的一阶矩、二阶矩和三阶矩，C_u、C_σ、C_s分别为混合颜色空间色调通道的一阶矩、二阶矩和三阶矩，O_u、O_σ、O_s分别为混合颜色空间饱和度通道的一阶矩、二阶矩和三阶矩；

将这9个特征值联合成一个9维的特征向量；

步骤8：将每个组织点的纹理和颜色的特征向量联合起来构成一个30维的特征向量，再对数据进行归一化处理；

步骤9：重复步骤1～步骤8，每种色纺织物样本采集5张大小相同的图片，且来自同一种织物的不同位置，其中4张作为训练样本，1张作为测试样本，得到训练样本与测试样本中组织点特征的数据集；

步骤10：将训练样本中组织点的特征值放入3层的BP神经网络进行训练，得到一个优化的神经网络模型；其中，神经网络输入层神经元的个数由组织点特征维度决定，输出层神经元的个数由组织点的类别决定，输出为0、1代表经组织点，1、0代表纬组织点；然后重新将训练样本和测试样本中组织点的特征值导入神经网络，从隐藏层就可以输出新的训练样本和测试样本的组织点的数据集；最后将新的训练样本的数据集导入到朴素贝叶斯分类器进行学习，对新的测试样本的数据集进行分类。