基于復(fù)小波變換的紡織品圖案檢索方法研究

羅戎蕾

(浙江理工大學(xué), a. 服裝學(xué)院; b. 浙江省服裝工程技術(shù)研究中心, 杭州 310018)

基于復(fù)小波變換的紡織品圖案檢索方法研究

羅戎蕾a,b

(浙江理工大學(xué), a. 服裝學(xué)院; b. 浙江省服裝工程技術(shù)研究中心, 杭州 310018)

針對海量數(shù)據(jù)中提取紡織品設(shè)計圖案問題,引入面料視覺基礎(chǔ)分類的橫紋、豎紋、格紋等面料圖像類概念,針對海量數(shù)據(jù)中提取紡織品設(shè)計圖案問題,從而構(gòu)建基于Dauchechies小波旋轉(zhuǎn)變換和旋轉(zhuǎn)復(fù)變換的多分辨率圖像分解形成的特征表,代替?zhèn)鹘y(tǒng)方法下使用矩陣的均值和方差作為特征紋理數(shù)據(jù)的方法,除了尺度和位移兩個參量外,增加了一個方向參量,具有更好的方向辨識能力,從而對圖像的邊緣,如曲線、直線等幾何特征的表達有一定優(yōu)勢。研究結(jié)果可以為基于內(nèi)容的面料圖案圖像數(shù)據(jù)庫檢索提供基礎(chǔ)理論依據(jù)。

小波變換; 復(fù)小波; 旋轉(zhuǎn)小波圖像檢索; 面料圖案

0 引 言

作為服裝設(shè)計、面料設(shè)計靈感和表現(xiàn)的主要形式,圖案在藝術(shù)設(shè)計行業(yè)內(nèi)已經(jīng)得到廣泛和深入的應(yīng)用,然而設(shè)計者們和顧客根據(jù)所謂的風(fēng)格和感覺從海量數(shù)據(jù)中查詢到所需的風(fēng)格圖案是異常繁瑣的問題。而紋理作為重要的低層視覺特征受到了廣泛的關(guān)注,目前紋理特征提取是基于內(nèi)容圖像檢索算法的一個的主要方向。相對于傳統(tǒng)的紋理特征提取方法,基于小波變換的算法在顏色分布特征提取方法具有更好的頻率定位而受到國內(nèi)外學(xué)者的長期關(guān)注,也是目前研究的熱點[1-7]。早期,Manjunath[8]以及Tian等[9]提出基于Gabor變換的紋理特征分析方法可以提取到和視覺感知有意義的圖像屬性和規(guī)律;Balmelli等[10]嘗試使用小波域的圖像特征實現(xiàn)對內(nèi)容的圖像檢索;隨后,根據(jù)小波變換的多分辨率理論,研究人員提出旋轉(zhuǎn)和尺度不變的紋理特征分析方法,但紋理方向信息有一定程度的損失[11-12];對于改進Garbor濾波器的研究表明,其旋轉(zhuǎn)、尺度不變紋理特征計算具有較高的復(fù)雜度[13];Pun[14]基于Log-polar的方法是用平移變化代替尺度變量來進行計算,但頻率信號特征收到損傷。對于二維圖像處理,常用的二維小波變換的基函數(shù)是各向同性的,Gluekman[15]認(rèn)為紋理的描述只是利用子波變換后的均值與方差是不夠充分的,變換系數(shù)的局部模極大值只能反映出這個小波系數(shù)出現(xiàn)的位置,而無法表達方向與邊緣的信息。針對小波變換的上述缺點,Candes等[16]提出第一代Curvelet變換理論,與小波變換不同,除了尺度和位移兩個參量外,增加了一個方向參量,具有更好的方向辨識能力,從而對圖像的邊緣,如曲線、直線等幾何特征的表達有一定優(yōu)勢。另外,Kokare等[17]、Miller等[18]、Huang等[19]利用復(fù)小波的旋轉(zhuǎn)不變性和較強的方向選擇性,提出基于復(fù)小波的圖像檢索算法具有較好的紋理檢索效果,但同樣使用的一階統(tǒng)計特征量。同時,關(guān)于復(fù)小波變換與其它紋理檢索方法的結(jié)合,例如Clausi等[20]設(shè)計與其它統(tǒng)計方法相融合的紋理特征提取方法,以改進紋理識別,產(chǎn)生較高的特征空間分離,分類正確率較單獨的特征集有一定提高。

值得注意的一點是,對于設(shè)計類圖案的檢索與其他工程類圖像檢索(例如醫(yī)學(xué)圖像檢索)有一個顯著的差異,設(shè)計類圖像檢索的目標(biāo)在于檢索視覺感官和風(fēng)格的相似性,不要求精確的圖像檢索識別。此外,對于面料圖案還有一些獨特的圖案特性,比如圖案循環(huán)、設(shè)計圖案中存在基礎(chǔ)圖案及基礎(chǔ)圖案的變形等特性。而事實上,根據(jù)不同特性的圖像應(yīng)該提取不同的紋理特征才能達到較好的效果。根據(jù)文獻跟蹤和前期研究基礎(chǔ),我們注意到,基于面料圖案特性的圖像檢索技術(shù)的研究較少,面料紋理圖案特性及其分類與圖像檢索技術(shù)之間的聯(lián)系尚未被充分研究。

因此,本文引入面料視覺基礎(chǔ)分類的橫紋、豎紋、格紋等面料圖像類概念,以行列信息相關(guān)的特征序列作為特征表的類特征分類,從而構(gòu)建基于Dauchechies小波旋轉(zhuǎn)變換和旋轉(zhuǎn)復(fù)變換的多分辨率圖像分解形成的特征表,是進行面料圖像分類的基礎(chǔ)信息，彌補傳統(tǒng)小波變換后的圖案方向性信息缺失的問題。與用顏色值進行圖像面料檢索,本研究針對圖像結(jié)構(gòu)特性和方向特性進行分類檢索。

1 基于旋轉(zhuǎn)小波變換面料圖像的紋理特征

對圖像進行2D的一層小波分解,可以表示為(圖1):

圖1 離散小波變換的一層分解

二維小波變化在經(jīng)過一層小波分解后,函數(shù)的頻域的分區(qū)情況如圖2所示。

圖2 二維離散小波變換后的函數(shù)頻域分區(qū)

由圖2可知,對于標(biāo)準(zhǔn)的離散小波變換,分量IHH,保留的是圖像對角線的一些信息,但是并不能確定是450,還是1 350方向的信息,而對于面料紋理和圖案的檢索來說,方向是至關(guān)重要的。因此,課題組選擇重新設(shè)計一種不可分離的具有方向性的小波變換(從不旋轉(zhuǎn)到無法提取再到方向數(shù)據(jù)),方法是將傳統(tǒng)的2D離散小波濾波進行45°旋轉(zhuǎn),從而分解的方向發(fā)生了改變,如圖3所示。

圖3 旋轉(zhuǎn)小波變換后的圖像頻域分區(qū)

由圖3可知,2D的高通、低通的濾波系數(shù)可以得到:HLL=hTH,HLH=hTg,HHL=gTh,HHH=gTg,其中,h,g分別表示Daubechies高通和低通系數(shù)。旋轉(zhuǎn)后的小波變換的計算量與傳統(tǒng)的小波變換是一樣的。首先,對面料圖像進行尺度變化,對原始面料圖案圖像和變化后的面料圖案圖像分別進行二維旋轉(zhuǎn)小波變換2D-RWT;在輸出系數(shù)取絕對值后,轉(zhuǎn)化為實數(shù),并分別計算各個子帶的能量,將2組計算數(shù)據(jù)在尺度的維度上進行插值計算,構(gòu)成一個特征矩陣表?？梢园l(fā)現(xiàn),該特征矩陣的列方向為尺度維,行方向為旋轉(zhuǎn)維,從而進行尺度及旋轉(zhuǎn)不變的特征向量的提取。

對于復(fù)小波變換(如圖4所示),上部分的樹結(jié)構(gòu)濾波器組表示復(fù)小波變換的實部,下部分樹結(jié)構(gòu)濾波器組表示復(fù)數(shù)小波變換的虛部,數(shù)值2則表示其為隔點取樣。面料圖案圖像在經(jīng)過復(fù)變換之后,其系數(shù)具有近似平移不變性、方向各異性和系數(shù)對應(yīng)性等特點。筆者對面料圖案圖像進行二層小波復(fù)變換,從而獲得每幅面料圖案圖像的復(fù)數(shù)小波子帶的特征系數(shù)。本文使用的雙數(shù)小波變換是使用二個獨立的離散小波變換平行作用來完成復(fù)數(shù)小波變換,而輸入數(shù)據(jù)相同,變換后所產(chǎn)生的兩組分解系數(shù)分別作為復(fù)數(shù)輸出結(jié)果。二維雙樹復(fù)小波變換2D-DWT對圖像檢索中的查詢圖像和目標(biāo)圖像進行分解,為了提取到輸入圖像的6個方向上的特征信息,實現(xiàn)旋轉(zhuǎn)不變性分析,根據(jù)算法提取6個小波子帶的主方向,分別為{+150,+450,+750,-150,-450,-750}。在對查詢圖進行雙樹復(fù)小波變換后,利用行列序列C(d)來替換傳統(tǒng)方法下使用一階統(tǒng)計特征值,并將數(shù)據(jù)歸一化,作為特征紋理數(shù)據(jù)的方法,形成特征檢索結(jié)構(gòu)。

圖4 雙樹復(fù)小波圖像分解

2 面料橫紋、豎紋、格紋等面料基礎(chǔ)紋理的特征選取

基于以上分析,筆者對面料圖像進行視覺紋樣分類,面料分類有很多種,在這里首先研究面料基礎(chǔ)圖案中的橫紋、豎紋、格紋、花版。為面料圖像各個分類下做二維雙數(shù)復(fù)小波變化(2D-DWT),在這里首先使用Daubechies小波分解。利用DT-CWT對每幅256×256像素的圖像塊進行4尺度小波分解,然后對變換后每一尺度的高頻帶子圖分別計算6個方向小波系數(shù)模的均值μij和標(biāo)準(zhǔn)方差σij,i,=1,2,3,4,j=1,2,3,4,5,6,將系數(shù)取絕對值后,轉(zhuǎn)化為實數(shù),提取各個子帶的方差,然后將2組數(shù)據(jù)在尺度維上進行插值計算,構(gòu)建完成包含行列信息的特征序列C(d):

對不同類型的面料圖像的特征數(shù)列Dx,Dy(是方向特征值上面有公式說明)進行分析,發(fā)現(xiàn)類型不同,其數(shù)值分布在不同的特征區(qū)域,從而可以表征其特征形態(tài),作為分類檢索的依據(jù)。

3 結(jié)果和分析

從服裝流行資訊公司面料庫提取相關(guān)4類面料圖案500張,包括橫紋、豎紋、格紋、花卉圖案,規(guī)格化為256×256 dpi。圖5是部分典型面料圖案。

圖5 典型面料圖案示例

對面料圖案進行分解計算,得到各種面料的Dx,Dy,部分結(jié)果如表1所示。從表中可以發(fā)現(xiàn),橫紋或者豎紋圖案,其Dx(或Dy)具有明顯差異,并與橫紋豎紋方向成正相關(guān)性;格子圖案其Dx和Dy的值量大,而花卉圖案其Dx和Dy的方向值量都較小。對500幅圖案計算所得結(jié)果歸納可以得到Dx和Dy主要分布范圍,為基礎(chǔ)面料分類的圖像紋理特征表,如表2所示。

表1 部分面料圖案的方向特征值

表2 各類圖案面料的方向特征值范圍

4 結(jié) 論

本文提出建立包含圖像小波分解系數(shù)的行列特性的相關(guān)序列,根據(jù)雙數(shù)小波進行旋轉(zhuǎn)小波變換和復(fù)小波變換得到的變換結(jié)果,構(gòu)建以小波系數(shù)為信息基礎(chǔ),包含子帶行列信息的特征序列形成面料不同類紋理的特征表,來代替?zhèn)鹘y(tǒng)方法下使用一階統(tǒng)計特征數(shù)據(jù)為特征紋理數(shù)據(jù)的方法,從而形成圖像紋理特征表。引入旋轉(zhuǎn)小波變換和旋轉(zhuǎn)復(fù)小波變換得到的C(d)序列構(gòu)成面料類紋理的特征表,彌補傳統(tǒng)小波變換后的圖案方向性信息缺失的問題。進一步方向可以細(xì)化每種圖案類型的花形尺寸檢索及拓展到其他類型面料圖案特征紋理數(shù)據(jù)研究。

[1] Celik T, Tjahjadi T. Texture classification and retrieval based on complex wavelet subbands[C]// Computer and Information Sciences: Proceedings of the 25th International Symposium on Computer and Information Sciences, 2010: 259-264.

[2] Kwitt R. Lightweight probabilistic texture retrieval[J]. IEEE Transactions on Image Processing, 2010, 19(1): 241-253.

[3] Zhu X, Shao Z. Using no-parameter statistic features for texture image retrieval[J]. Sensor Review, 2011, 31(2): 144-153.

[4] Priya K J, Rajesh R S. Local statistical features of dual tree complex wavelet transform on parallelogram image structure for face recognition with single sample[C]//International Conference on Recent Trends in Information, Telecommunication and Computing, 2010: 50-54.

[5] Xavier L, Bella M, Thusnavis B, et al. Content based image retrieval using textural features based on pyramid-structure wavelet transform[C]//3rd International Conference on Electronics Computer Technology, 2011: 79-83.

[6] Gonde A, Maheshwari R, Balasubramanian R. Rotated complex wavelet transform with vocabulary tree for content based image retrieval[C]// Proceedings of the 1st International Conference on Intelligent Interactive Technologies and Multimedia, 2011: 284-291.

[7] Quellec G, Lamard M, Cazuguel G. Adaptive non-separable wavelet transform via lifting and its application to content-based Image retrieval[J]. IEEE Transactions on Image Processing, 2010, 19(1): 25-35.

[8] Manjunath B, Ma W. Texture features for browsing and retrieval of large image data[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions, 1996, 18(8): 837-842.

[9] Tian Q, Sebe N, Lew M S, et al. Image retrieval using wavelet-based salient points[J]. J. Electron. Imaging, 2001, 10(4): 835-849.

[10] Balmelli L, Mojsilovic A. Wavelet domain features for texture description classification and replicability analysis[C]// IEEE Interuational Conference Image Process, 1999: 440-444.

[11] Manthalkar R, Biswas P, Chatterji B. Rotation and ccale invariant texture features using discrete wavelet packet transform[J]. Pattern Recognition Letters, 2003, 24(14): 2455-2462.

[12] Jafari K, Khouzani H, Soltanian Z. Rotation-invariant multiresolution texture analysis using radon and wavelet transform[J]. IEEE Trans on Image Processing, 2005, 14(6): 783-795.

[13] Ju H, Ma K. Rotation-invariant and scale-invariant gabor features for texture image retrieva1[J]. Vision and Image Computing, 2006, 25(9): 1474-1481.

[14] Pun C M, Lee M C. Log-polar wavelet energy signatures for rotation and scale invariant texture classification[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(5): 590-603.

[15] Gluekman J. Visually distinct patterns with matching subband statistics[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2005, 27(2): 252-264.

[16] Candes E, Demanet L, Donoho D. Fast Discrete Curvelet Transforms[R]. Pasadena: California Institute of Technology. Applied and Computational Mathematics. 2005: 1-43.

[17] Kokare M, Biswas P, Chatterji B. Texture image retrieval using new rotated complex wavelet filters[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2005, 35(6): 1168-1178.

[18] Miller M, Kingsbury N. Image modeling using interscale phase properties of complex wavelet coefficients[J]. IEEE Transactions on Image Processing, 2008, 17(9): 1491-1499.

[19] Huang R, Lang F, Dong S. Color image retrieval based on moments and DT-CWT[C]// International Conference on Multimedia Technology, 2011: 2998-3001.

[20] Clausi D, Deng H. Design-based texture feature fusion using garbor filters and co-occurrence probabilities[J]. IEEE Transactionson Image Processing, 2005, 14(7): 925-936.

(責(zé)任編輯： 楊一舟)

Study on Textile Pattern Retrieval Method Based on Complex Wavelet Transformation

LUORong-lei

(a. School of Fashion Design and Engineering; b.Zhejiang Provincial Research Center of Clothing Engineering Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China)

In allusion to extracting textile design patterns from mass data, this paper introduces transverse stripes, vertical stripes and cross stripes as the standard of classification and constructs feature list which forms through multiresolution picture breakdown based on Dauchechies wavelet rotation transformation and rotated complex transformation. This replaces traditional method which uses mean value of matrix and variance as characteristic texture data. Apart from scale and displacement, direction parameter is added. Thus, it owns better direction identification ability and has certain advantages for expressing image edge and geometrical characteristics such as curve and straight line. The research results can provide basic theoretical basis for content-based fabric image database retrieval and own certain theoretical reference value and practical application significance.

wavelet transformation; complex wavelet; rotated wavelet image retrieval; fabric pattern

1673- 3851 (2015) 01- 0046- 05

2014-01-06

浙江自然科學(xué)基金項目(LQ12F02018);浙江省重點科技創(chuàng)新團隊計劃資助(2011R50004);紡織科學(xué)與工程一級學(xué)科中青年拔尖人才培養(yǎng)計劃(11110532241405)

羅戎蕾(1974-),女,浙江杭州人,副教授,博士,主要從事服裝計算機輔助設(shè)計方面的研究。

TS941.26

A